基于资源三号的雷州湾红树林分类研究

基于面向对象的分类方法,不同参数组合会对红树林分类精度产生影响。以雷州半岛东岸附城镇沿海一带为研究区域,探索最优的参数组合以实现红树林的精确分类。利用资源三号(ZY-3)高分影像,基于图像光谱、形状和空间关系特征,对红树林进行分层次提取。结合红树林种类的光谱、空间特征差异,对比分析面向对象方法下不同因子、分割尺度及分类器对应下的分类精度,得出该研究区红树林树种在面向对象分类方法中的最优参数组合。结果表明:基于形状因子0.6+紧致度因子0.6、分割尺度为46的条件下,随机树分类器能有效区分无瓣海桑、白骨壤和秋茄三种红树林,总体精度为87.55%,Kappa系数为0.81。     

高光谱影像分类及组合分类器的应用

高光谱影像包含有丰富的地物类别信息,但由于受分类方法等因素的限制,这些信息并不能得到充分的挖掘。组合分类器由于可以实现各分类结果信息的互补,因而总有着较各单分类器效果更好的分类性能。将组合分类方法引入到高光谱影像的分类实践中,并对组合的关键问题一组合规则进行探讨,提出了混合组合规则的概念。实验表明,利用该组合分类方法对高光谱影像进行分类,可以得到良好的处理结果。     

基于LIBSVM的石油录井中岩屑岩性识别方法研究

针对在PDC钻头条件下石油录井过程中的岩屑岩性难以用肉眼识别,以及传统分类器准确率低的问题,该文利用和差直方图变换、傅里叶变换、Gabor变换3种不同的岩屑图像特征提取技术,将岩屑样品进行特征提取,并设定LIBSVM分类器的分类参数,根据得到的岩性识别率的高低来确定最优的参数组合。结果表明,SVM设置类型上选择NU_SVC、核函数选择RBF、分类参数gamma设置为0.1、nu设置为0.11的参数组合可获得较高的岩性识别率。其中采用Gabor特征提取方式和LIBSVM分类器对现场岩屑样品进行测试,获得的岩性识别率最高,对现场泥岩和砂岩的平均识别率分别为95%和90%。与神经网络分类器分类结果比较,该方法能更好地分析岩屑的岩性,可望在现场得以推广应用。     

光谱信息与纹理特征结合的GF-1海上溢油检测研究

围绕溢油光学探测工作中油膜信息提取精度低等主要问题,本文利用10景GF-1 WFI数据,发展了一种以光谱信息与多种纹理特征相结合的油膜检测方法。该方法不仅充分考虑了不同光谱组合对油膜与海水的区分能力,并且在纹理特征选择中尝试并确定了灰度共生矩阵的窗口大小、方向、位移量和灰度量化级四个参数,结合不同情况的油膜选择了合适的纹理特征;最后,将选取的若干纹理特征量与最优光谱组合构成多波段数据,应用在4种监督学习分类器中,评价分析了油膜检测的准确性,最终确定支持向量机为最优分类器,这一结论将为今后的海上溢油监测工作提供参考。     

基于多特征多核学习的全极化SAR溢油提取方法

全极化合成孔径雷达(Synthetic Aperture Radar,SAR)数据具有丰富的极化信息,能够提取出大量异构性特征。核学习方法在解决小样本、高维特征分类问题上具有优势,但异构特征对不同核函数具有响应差异。本文利用一种引入先验标签的多核学习方法进行全极化SAR的溢油信息提取,即基于分析结果对特征集进行遴选与组合,分别在每个特征组合中训练得到一个预备层核函数,以新获取的预备层核函数作为新的底层核函数,对全部特征进行学习分类。通过提取与分析溢油和海水的统计特征、物理散射特征和纹理特征,建立溢油全极化SAR特征谱,并利用引入先验标签的多核学习分类器进行溢油提取实验。结果表明,该方法能够利用全极化SAR多维异构特征的互补特性有效提高溢油分类提取精度。     

面向应用的成像光谱数据分类技术

提出了面向应用的成像光谱数据分类技术,旨在从根本上、全方位地削弱各种不利因素对分类精度的影响。该项技术主要包括利用IEM算法获取更为精确的类别分布信息,采用禁忌搜索算法进行原始特征空间的降维,运用基于混合规则的组合分类器来判断待识样本的类别标签。实验表明,按照该方法进行成像光谱数据的分类处理,可以得到很高精度的分类结果。     

海上溢油合成孔径雷达探测研究

在合成孔径雷达(SAR)图像中区分溢油和类油现象是溢油SAR探测的关键任务。实现该任务一般可分为3步:首先是提取油膜和类油膜的特征;然后筛选出有助于油膜和类油膜分类的关键特征;最后构造有效的分类器进行模式识别以便做出准确的判别。本文基于2011年蓬莱19-3油田溢油事故期间的15景SAR图像提取了138个油膜和类油膜样本的几何特征、背景特征、散射特征和纹理特征,将Fisher判别率和序列前向选择方法相结合,筛选出背景后向散射系数标准差、逆差距、能量和后向散射系数的均值四个关键特征组成的特征子集。在此基础上,为提高分类器的精度,将决策树模型CART算法与Bagging技术相结合,通过随机抽样给出多个维数相同大小的训练数据集从而建立多个决策树模型,以投票的方式对油膜和类油膜样本进行分类;最后,文中采用了五折和十折交叉验证方法对油膜和类油膜的分类结果进行评估,研究显示基于Bagging的决策树方法的油膜和类油膜分类的平均精度在85%以上,且将文中所用基于Bagging的CART决策树分类算法与经典CART决策树分类算法及神经网络分类算法相比较,发现本文所用方法的分类精度较高,从而表明了该方法在溢油SAR探测方面的可行性。     

基于混合分类规则的成像光谱数据分类研究

分类方法的选择对于成像光谱数据的分类精度有着直接影响,然而由于成像光谱数据的特点,使得分类器的选择变得十分困难。提出了一种基于混合分类规则的成像光谱数据分类方法。实验表明,按照该方法进行成像光谱数据的分类处理,可以得到很高精度的分类结果。     

一种基于粗糙集的文本分类规则抽取方法

随着文本数据库的日益增大 ,寻找新的文本数据处理方法变得十分紧迫。本文将粗糙集理论应用于文本自动分类的规则提取 ,提出了基于粗糙集理论的文本分类方法。把文本特征项的权值进行离散化处理后 ,作为规则的条件属性 ,文本所属的类别用作决策属性 ,构造决策表 ,然后通过决策表的知识约简算法提取出文本的分类规则。实验结果表明 ,该方法提取规则的分类正确率较高 ,分类速度较快     

TAN分类器及其在降水预报中的应用

本文研究了基于贝叶斯网络的TAN分类器.在朴素贝叶斯分类器的基础之上阐述了TAN分类器的假设条件、分类原理及算法,并着重研究了这一分类器在北京地区降水预报分类中的应用.     

基于最优特征集的HY-1C卫星海岸带成像仪影像海冰分类方法研究

基于海洋一号C（HY-1C）卫星海岸带成像仪（CZI）遥感影像,提出了一种基于最优特征集的支持向量机海冰分类方法。分别提取CZI影像的光谱特征和纹理特征,采用基于距离可分性的判据进行特征选择,得到最优特征集,以最优特征集作为支持向量机分类器输入,分别对3期辽东湾海域CZI影像开展海冰分类实验和结果分析。结果表明:本文方法得到的海冰分类结果精度优于仅利用光谱特征或纹理特征的海冰分类精度;基于本文方法的3期影像的海冰分类精度均较高,2020年12月19日、2021年1月10日与2021年1月16日的海冰分类总体精度分别为93.67%、91.75%、84.89%,均在80%以上;利用海冰分类结果图估算海冰面积,发现3期辽东湾海冰面积依次增大,最大约为11 998.98 km2。     

海底声学底质分类的ELM-AdaBoost方法

基于自适应增强算法（AdaBoost）结合极限学习机（ELM）,通过迭代、调整、优化ELM分类器之间的权值,从而构建了具有强鲁棒性、高精度的ELM-AdaBoost强分类器,增强了现有的ELM分类器的稳定性。以珠江口海区侧扫声呐图像为实验数据,对礁石、砂、泥3类典型底质进行分类识别,该方法的平均分类精度超过90%,优于单一ELM分类器的平均分类精度85.95%,也优于LVQ、BP等传统分类器,且在分类所耗时间上也远少于传统分类器。实验结果表明,本文构建的ELM-AdaBoost方法可有效应用于海底声学底质分类,可满足实时底质分类的需求。     

结合纹理特征的SVM海冰分类方法研究

海冰分类是遥感监测领域中的重要应用之一,海冰分类的准确性对于评估海冰冰情、保证航海安全和开辟北极航道具有重要的意义。针对海冰分类问题,本文选用Sentinel-1遥感数据,结合纹理特征分析,提出了一种改进的SAR海冰分类方法。该方法选用灰度共生矩阵提取特征值,通过实验得到适宜用于海冰分类的多特征组合,在此基础上利用支持向量机开展SAR海冰类型的分类研究。实验结果表明,该方法可以实现对海冰SAR图像中一年冰、多年冰和海水3种类型识别,与传统的海冰分类方法神经网络和最大似然法相比较,使用SVM分类方法,结合纹理特征开展海冰类型监测是可行的,同时也表明多特征组合有利于提高SAR图像的分类精度,从而验证了本方法的有效性,为海冰分类提供了一种新思路。     

有害赤潮显微图像识别的三级分类器设计

传统的赤潮藻鉴定主要依赖经验丰富的藻类专家依据种的生物形态学特征在显微镜下通过人工目视判读、分类,该方法存在专业水平高、分类人员断层、耗时费力等问题。基于赤潮藻类细胞生物形态学分类特征,通过对藻类细胞3种细节特征(有无角毛、横纵沟、尖顶刺)进行有效的自动提取和描述,提出了显微图像自动分类识别的思想。设计三级两类分类器,建立树状判别体系,将大样本集有效划分为小样本集,构建赤潮藻显微图像自动诊断识别系统,结果表明:多级分类器的设计思想减少了训练时间,提高了识别准确率。     

K-均值聚类算法在多波束底质分类中的应用

针对海底采样点较少时,监督学习训练分类模型困难的问题,研究无监督学习的K-均值聚类分析算法在多波束海底底质分类中的应用。在探讨K-均值聚类分析算法原理的基础上,构建海底底质分类器,针对分类器需预先输入分类结果种类(K值)这一问题,提出了基于底质采样点和分类效果连续性为原则的K值确定方法。实验结果表明:基于K-均值聚类分析算法的海底底质分类器能较好的实现海底底质类型的自动划分,适用于海量多波束底质特征参数的分类。     

基于频域典型相关分析的水下目标回波识别

水下目标回波的特征提取与分类识别是当前主动声纳关键技术之一。采用基于回波频域特性的典型相关分析算法(CCA:Canonical Correlation Analysis)提取回波的特征,这些特征集中体现了不同目标回波的综合相关特性。设计合适的支持向量机分类器,并获得识别结果。利用这一方法对湖试中的不同目标回波进行分类识别,分析了不同接收信噪比条件下的性能,获得了理想的结果。     

多层感知机分类器行为延拓线性分析及其应用

严谨的线性判别函数与判别面的理论 ,适用于线性阈值 (MP模型 )神经元分类行为分析。本文将此理论扩展到非线性 sigmoid神经元 ,分析了用来解决模式分类问题的、由 sigmoid神经元构成的单隐层 MLP(多层感知机 )的内部行为 ;并通过一系列近似推理与实验验证 ,提出了将隐层权重矢量初始值均匀地分布在权重空间的一个圆 (超球面 )上的方法。针对几个困难的分类问题的实验表明 ,该方法抓住了 MLP分类器内部行为的重要特征 ,它使 MLP分类器跨越了可能存在的学习难点 ,把学习起点放在达到目标较简便的路经上。此方法在理论上简单直接 ,应用上方便有效 ,具有一定的普遍性。     

多时相特征组合优选的胶州湾湿地分类

基于光谱特征准确提取湿地信息并研究其动态变化,对于湿地环境监测和保护具有重要价值。本研究以山东省胶州湾湿地为研究区,构建面向对象的分类方法并集合多时相Landsat8 OLI遥感影像的多种特征变量:光谱特征,穗帽变换(K-T)特征,纹理特征,植被指数,水体指数等来提取湿地信息以提高中等分辨率影像的分类精度。结果表明,在光谱波段组合中,近红外波段和红光波段是湿地分类的最有效波段,穗帽变换产生的特征分量对湿地分类也较为有效,光谱指数中的Normalized Difference Water Index(NDWI)和纹理特征中的方差(Var)和对比度(Con)特征变量则并不适用于湿地分类,且特征变量的个数在到达24时会使可分离性下降。计算方差变化率(ROC)并结合目视解译确定最佳分割尺度,将面向对象的方法(Object-Based Image Analysis, OBIA)与Random Forest(RF)算法结合,其总体分类精度达到91.21%(Kappa系数=0.9011),较基于像素的分类方法总体精度增加5.18%,Kappa系数增加了0.0583。表明优选特征组合的面向对象的随机森林算法可有效提高湿地分类精度,为湿地信息提取提供一种新方法。     

融合浅层特征的深度卷积神经网络互花米草遥感监测方法

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。     

基于EOS/MODI图像资料的多光谱云分类技术

利用EOS/MODIS图像资料,采用逐个修改聚类和模糊聚类的分类器,设计了基于统计模式识别的云分类技术,并将其应用于2002年6月10日0200台风云系的云理识别,同时借助GMS-5图像资料进行了对比分析.结果发现台风云系的分类结果与台风云系的概念模式存在较好的对应关系,逐个修改聚类和模糊聚类的分类器对典型台风云系有较好的识别能力,极轨卫星的分类结果好于静止卫星,纹理特征的引入对分类结果有一定的影响.