GIS辅助下的Bayes法遥感影像分类

介绍了Bayes分类器 ,提出了从GIS空间数据库中挖掘知识用以辅助进行遥感影像分类的方法。文中以规则的形式表示遥感影像的解译知识 ,并使用其它地理辅助数据 ,从遥感影像处理、地理辅助数据、专家知识一体化的角度出发 ,使用基于知识的方法进行了分类研究 ,改善了分类精度。实验表明这是一种较好的分类方法。     

GIS辅助下的Bayes法遥感影像分类

介绍了Bayes分类器,提出了从GIS空间数据库中挖掘知识用以辅助进行遥感影像分类的方法.文中以规则的形式表示遥感影像的解译知识,并使用其它地理辅助数据,从遥感影像处理、地理辅助数据、专家知识一体化的角度出发,使用基于知识的方法进行了分类研究,改善了分类精度.实验表明这是一种较好的分类方法.     

基于Bayes定理的数据挖掘方法研究

本文研究了利用Bayes定理发现分类规则的方法，用Bayes定理可以发现分类规则，然后用分类规则进行数据分类。结合实例针对概念性数据集和包含数值性属性和概念性属性的数据集两种情况进行研究。最后通过实例说明Bayes定理是数据挖掘中一种有效的数据分类方法。     

基于决策树方法的遥感分类研究

利用监督分类和决策树分类2种方法对研究区域进行地表覆盖分类,将分类结果与Google Earth影像、地形图对比进行精度评定。结果表明,决策树分类总体精度和Kappa系数分别为86.462 9%和0.827 1,较监督分类的总体精度和Kappa系数分别提高了5.347%和0.067 1,对于地形复杂的地区,能有效提高分类精度。     

基于空间数据挖掘的遥感图像处理

数据与数据库的爆炸式增长导致了一个十分突出的问题,即如何高效、智能地从巨量的、有噪音的、随机的数据中提取有效的、潜在有用的信息和知识.近几年来,空间数据挖掘技术的广泛研究正是基于此目的.本文初步探讨了空间数据挖掘技术在遥感图像处理中的应用,其重点阐述了关联规则,以及数据挖掘技术在遥感图像数据处理中的基本方法以及如何对遥感图像数据进行离散化处理.文章最后简要介绍了遥感图像处理的决策树和人工神经网络数据挖掘技术方法.     

基于分类规则挖掘的遥感影像分类研究

分析了目前遥感影像的统计分类、神经网络分类及基于符号知识的逻辑推理分类方法的优缺点.以GIS为平台,构建了多源空间数据库,将数据挖掘的思想和方法引入遥感影像分类中,提出了面向分类规则挖掘的遥感影像分类框架.针对遥感光谱数据及其他空间数据的特点,定义了连续属性样本分类概念和分割点评价指标,提出了一种新的连续属性样本分类规则挖掘算法.选择一个试验区,采用该算法分别对遥感光谱数据、遥感光谱和DEM数据相结合的数据进行分类规则挖掘、遥感影像分类和分类精度比较.结果表明：（1）该算法具有较高的分类精度;（2）加入DEM等与分类相关的其他空间数据可以提高遥感影像的分类精度.通过挖掘分类规则进行遥感影像分类,扩展了基于知识的逻辑推理分类方法中知识获取渠道,提高了分类规则获取的智能化程度.新的连续属性样本分类规则挖掘算法,扩展了归纳学习算法对连续属性样本分类的适应性.     

基于决策树的遥感图像分类方法研究

在遥感领域中,遥感图像分类是一项十分重要的内容,也是运用遥感技术手段提取地物类别信息的一个关键环节。本文以TM影像为研究对象,采用决策树分类方法进行研究分析,详细地论述了该分类方法的整个研究流程,并得到分类后的结果图,最后利用混淆矩阵和Kappa系数对分类后的结果进行精度分析。通过与最大似然分类方法进行比较发现,决策树分类方法的分类效果明显,分类精度较高,总体分类精度、kappa系数均达到90%以上,为遥感图像分类提供了广阔的发展前景。     

基于统计归纳学习的GIS属性数据挖掘

将统计分析方法和面向属性的归纳方法结合起来，形成了一种应用面比较广的统计归纳学习方法，可以用于GIS属性数据挖掘。同时提出GIS属性数据挖掘可以分为3个层次，包括从数据生成新的数据，从数据产生模型和从归纳出知识，由原始数据生成数据，可以得出变量之间粗浅的关系，从数据推导出的模型，可以定量描述变量之间的关系，由数据挖掘出的知识，可以揭示客观世界的普遍性规律。     

基于统计归纳学习的GIS属性数据挖掘

将统计分析方法和面向属性的归纳方法结合起来,形成了一种应用面比较广的统计归纳学习方法,可以用于GIS属性数据挖掘.同时提出GIS属性数据挖掘可以分为3个层次,包括从数据生成新的数据、从数据产生模型和从数据归纳出知识.由原始数据生成新的数据,可以得出变量之间粗浅的关系;从数据推导出的模型,可以定量描述变量之间的关系;由数据挖掘出的知识,可以揭示客观世界的普遍性规律.     

基于空间数据发掘的遥感图像分类方法研究

采用数据发掘技术从 GIS数据库和遥感图像中发现知识,用于改善遥感图像分类。提出了两种实施空间数据归纳学习的途径:在空间对象粒度上学习和直接在像元粒度上学习。分析了两种粒度学习的特点和适用范围,同时提出了一种归纳学习与传统图像分类法的结合方式。用北京地区 SPOT多光谱图像和 GIS数据库进行土地利用分类的试验证明,归纳学习能较好地解决同谱异物、同物异谱等问题,显著提高分类精度,并且能够根据发现的知识进一步细分类,扩展了遥感图像分类的能力。     

Remote sensing image classification with GIS data based on spatial data mining techniques

Data mining techniques are used to discover knowledge from GIS database in order to improve remote sensing image classification. Two learning granularities are proposed for inductive learning from spatial data, one is spatial object granularity, the other is pixel granularity. We also present an approach to combine inductive learning with conventional image classification methods, which selects class probability of Bayes classification as learning attributes. A land use classification experiment is performed in the Beijing area using SPOT multi-spectral image and GIS data. Rules about spatial distribution patterns and shape features are discovered by C5.0 inductive learning algorithm and then the image is reclassified by deductive reasoning. Comparing with the results produced only by Bayes classification, the overall accuracy increased by 11% and the accuracy of some classes, such as garden and forest, increased by about 30%. The results indicate that inductive learning can resolve spectral confusion to a great extent. Combining Bayes method with inductive learning not only improves classification accuracy greatly, but also extends the classification by subdividing some classes with the discovered knowledge.     

Remote sensing image classification with GIS data based on spatial data mining techniques

Data mining techniques are used to discover knowledge from GIS database in order to improve remote sensing image classification.Two learning granularities are proposed for inductive learning from spatial data,one is spatial object granularity,the other is pixel granularity.We also present an approach to combine inductive learning with conventional image classification methods,which selects class probability of Bayes classification as learning attributes.A land use classification experiment is performed in the Beijing area using SPOT multi-spectral image and GIS data.Rules about spatial distribution patterns and shape features are discovered by C5.0 inductive learning algorithm and then the image is reclassified by deductive reasoning.Comparing with the result produced only by Bayes classification,the overall accuracy increased by 11% and the accuracy of some classes,such as garden and forest,increased by about 30%.The results indicate that inductive learning can resolve spectral confusion to a great extent.Combining Bayes method with inductive learning not only improves classification accuracy greatly,but also extends the classification by subdividing some classes with the discovered knowledge.     

基于ERDAS的遥感影像分类方法研究

为了提高遥感影像分类精度,对传统的非监督分类、监督分类和专家分类进行机理分析,提出将影像中的纹理信息作为专家知识改进分类精度的技术方案。以胶州市QuickBird遥感影像作为试验数据,基于ERDAS IMAG-INE 8.6软件平台,对非监督分类、监督分类和专家分类进行实验数据比较分析,实验数据表明改进的专家分类方法分类精度最高,由于纹理信息参与专家分类,可较好地解决“同谱异物”和“同物异谱”对分类的干扰,优化分类后的影像,提高信息提取的准确度。     

典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例

目前普遍采用的分类器通常都是针对单一或小量任务而设计的,在小数据量的处理中能取得比较满意的结果。但对于海量遥感数据的处理,其在处理时效和分类精度方面还有待研究。本文以遥感图像场景分类任务为例,着重对遥感数据分类问题中几种典型分类方法的适用性进行比较研究,包括K近邻(KNN)、随机森林(RF),支持向量机(SVM)和稀疏表达分类器(SRC)等。分别从参数敏感性,训练样本数据量,待分类样本数据量和样本特征维数对分类器性能的影响等几个方面进行比较分析。实验结果表明:(1)KNN,RF和L0-SRC方法相比RBF-SVM,Linear-SVM和L1-SRC,受参数影响的程度更弱;(2)待分类样本固定的情况下,随着训练样本数目的增加,SRC类型分类方法的分类性能最佳,SVM类型方法次之,然后是RF和KNN,在总体分类时间上呈现出L0-SRCL1-SRCRFRBF-SVM/Linear-SVMKNN/L0-SRC-Batch的趋势;(3)训练样本固定的情况下,所有分类方法的分类精度几乎都不受待分类样本数目变化的影响,RBF-SVM方法性能最佳,其次是L1-SRC,然后是Linear-SVM,最后是RF和L0-SRC/L0-SRC-Batch,在总体分类时间上,L1-SRC和L0-SRC相比其他分类方法最为耗时;(4)样本特征维数的变化不仅影响分类器的运行效率,同时也影响其分类精度,其中SRC和KNN分类器器无需较高的特征维数即可获得较好的分类结果,SVM对高维特征具有较强的包容性和学习能力,RF分类器对特征维数增加则表现得并不敏感,特征维数的增加并不能对其分类精度的提升带来更多的贡献。总的来说,在大数据量的遥感数据分类任务中,现有分类方法具有良好的适用性,但是对于分类器的选择应当基于各自的特点和优势,结合实际应用的特点进行权衡和选择,选择参数敏感性较小,分类总体时间消耗低但分类精度相对较高的分类方法。     

遥感图像土地覆盖分类中多源特征数据选择研究

多源特征数据可以提高遥感图像的分类精度,选择合适的特征数据十分重要。利用基尼指数对多尺度纹理信息、主成分变换前三分量、地形数据等特征进行选择,选出最佳特征子集。利用支持向量机、神经网络分类法、最大似然法分别对全部特征数据和最佳特征子集结合多光谱数据进行分类。实验结果表明:基尼指数可以有效地对多源特征数据进行选择,特征选择可以提高分类器效率,提高分类精度。     

史前连续文化聚落的决策树分类挖掘研究——以郑州-洛阳地区为例

利用C4.5决策树分类算法和GIS组件Super Map Objects,开发实现了基于连续文化序列的空间数据挖掘系统,运用此系统对郑州-洛阳地区史前四个连续文化时期的聚落进行了数据挖掘,提取了聚落遗址面积的分类规则,并根据这些分类规则和聚落的空间分布情况对四个文化时期的I级聚落进行对比分析,得出了I级聚落的空间分布特点,即I级聚落中的一些特大面积的聚落朝着中心聚落的方向发展。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

基于分形纹理的遥感影像土地覆盖的分类方法研究

提出一种基于分形理论和改进模糊C均值聚类的遥感图像非监督分类方法,该方法尝试将图像的光谱信息和纹理特征相结合。将图像进行主分量变换,根据第一主分量计算图像的布朗运动的各方向的分形维数,差分盒维数和"空隙"等纹理特征作为分类依据。采用改进的模糊C均值聚类,并用混淆矩阵方法评定分类结果精度。通过对试验区的分类试验,说明该方法对改善土地覆盖分类精度行之有效。     

A Boosted Genetic Fuzzy Classifier for land cover classification of remote sensing imagery

A Boosted Genetic Fuzzy Classifier (BGFC) is proposed in this paper, for land cover classification from multispectral images. The model comprises a set of fuzzy classification rules, which resemble the reasoning employed by humans. Fuzzy rules are generated in an iterative fashion, incrementally covering subspaces of the feature space, as directed by a boosting algorithm. Each rule is able to select the required features, further improving the interpretability of the obtained model. After the rule generation stage, a genetic tuning stage is employed, aiming at improving the cooperation among the fuzzy rules, thus increasing the classification performance attained after the first stage. The BGFC is tested using an IKONOS multispectral VHR image, in a lake-wetland ecosystem of international importance. For effective classification, we consider advanced feature sets, containing spectral and textural feature types. Comparative results with well-known classifiers, commonly employed in remote sensing tasks, indicate that the proposed system is able to handle multi-dimensional feature spaces more efficiently, effectively exploiting information from different feature sources.     

语义网络模型的遥感影像面向对象分类

针对目前遥感影像面向对象分类中分类模型构建方法的不足之处,文章提出了一种语义网络模型与混合控制策略相结合的方法:从地理空间认知角度出发,分析遥感影像多尺度语义结构,利用C4.5决策树进行特征选择与语义网络模型构建,采用自上而下以及自下而上的混合控制策略,实现了语义网络模型的验证及面向对象分类。实验结果表明,该方法能够自动进行特征优选与分类模型的自动构建,能够为地表覆盖分类提供知识型分类模型与方法,为类似区域、类似数据、相近时间的影像解译提供参考。