基于高斯混合模型的遥感影像半监督分类

提出了对每一类地物的光谱特征用一个高斯混合模型(Gauss mixture model,GMM)描述的新思路,并应用在半监督分类(semi-supervised classification)中。实验证明,本方法只需少量的标定数据即可达到其他监督分类方法(如支持向量机分类、面向对象分类)的精度,具有较好的应用价值。     

基于改进的半监督FCM算法的高光谱遥感影像分类

分类是空间数据挖掘研究的主要问题之一。由于无监督分类忽视了样本信息,往往得不到理想的精度。而监督分类需要标记大量的样本点,带来了巨大的工作量。因此半监督分类逐渐成为空间数据挖掘的研究热点之一。本文通过改进FCM算法的目标函数和迭代过程,提出了一种新的半监督FCM算法（SFCM）,该算法充分利用了有标签样本点在迭代过程中的作用。本文选取了在高光谱图像分类中广泛使用的Indian Pines和Pavia University两幅高光谱遥感影像作为试验对象。结果显示,随着有标签样本点比例的增加,分类精度也随之增加,且分类结果较好。     

基于半监督学习的遥感影像分类训练样本时空拓展方法

针对无法直接获取训练样本的遥感影像分类问题,从满足条件的其他影像中选择替代训练样本是最直接的方法,但由于地物类型在不同影像中的辐射环境不同,导致替代训练样本对待分类影像的代表性较差,无法保证分类精度.以直推式支持向量机(transductive support vector machine,TSVM)分类为例,发展了一种基于半监督学习的遥感影像训练样本时空拓展方法.该方法采用非监督方法从待分类影像中选择大量未标记样本,挖掘各类地物在特征空间中的结构信息;以替代训练样本所拟合的分类面为初始面,通过自适应渐进式的优化,实现对待分类影像的高精度分类.该方法要求训练样本的来源影像与待分类影像具有相似的地物分布和相近的时相.以SPOT5和QuickBird影像分类为例,分别通过基于像元的和基于分割对象的分类实验证实,该文提出的方法可有效地实现训练样本的时空拓展应用.     

融合半监督学习的无监督遥感影像场景分类EI北大核心CSCD

自监督学习可以不依赖样本标签对遥感影像进行特征提取,但是特征分类仍然依赖有监督方法。为了克服有监督特征分类过程的不足,实现遥感影像特征的无监督自动分类,本文提出一种融合半监督学习的无监督语义聚类方法。首先,使用自监督学习提取遥感影像特征,抽象出图像包含的高层语义信息;然后,基于特征相似度寻找每个样本最相似的近邻,使用在线聚类将相似样本聚为一类,训练一个线性分类器;最后,根据聚类结果为高置信度样本生成伪标签,构造标注样本集,使用半监督方法对模型微调。在4个公开遥感影像场景分类数据集EuroSAT、GID、AID和NWPU-RESISC45上进行验证,分类精度分别达到了94.84%、63.55%、76.42%和86.24%。本文方法结合了在线聚类和半监督学习的优点,缓解了已有方法存在的误差积累和样本利用不充分的问题,在完全不使用标注样本的情况下,充分利用自监督特征训练分类模型,对遥感影像进行场景分类,达到接近有监督学习的分类效果,具有良好的应用价值。     

半监督高分辨率遥感图像分类方法

针对高分辨率遥感图像地形复杂、标注困难等问题,本文提出一种基于半监督学习的高分辨率遥感图像分类算法。首先借助卷积神经网络作为分类模型;然后对高分辨率遥感数据集部分图像分类标注,有监督训练卷积网络;最后对其余数据分别进行弱增强和强增强,得到训练图像伪标签,实现模型有监督训练。实验表明：所提半监督分类模型准确率比有监督模型平均准确率仅降低0.03左右,训练集标注耗时节约一半以上,表明该方法具有较好的识别效果和较快的训练速度。     

高光谱遥感影像半监督分类研究进展

随着高光谱遥感技术的迅猛发展和应用需求的不断增加,高光谱遥感影像分类成为领域的研究热点。尽管监督学习已在高光谱遥感影像分类中取得了不错的效果,但在许多情况下,获取大规模标记样本来训练监督分类算法是困难和昂贵的。因此,利用半监督分类技术对高光谱遥感影像精准分类是一项重要的研究内容。本文首先简要介绍了高光谱遥感影像发展现状和部分应用场景。其次,本文对近年来高光谱遥感影像半监督分类研究的进展进行了综述,着重讨论了低密度分割法、生成式模型、基于分歧（差异）的方法和基于图的方法四种典型半监督分类方法的关键技术和优劣。最后,进一步讨论了半监督分类技术的潜力,为今后研究工作的优化提供思路。     

一种基于高斯混合模型的遥感影像有指导非监督分类方法

提出了一种遥感影像非监督分类的新方法GMM-UC。该方法以有限混合密度理论为基础,认为遥感数据由有限个子高斯分布以一定比例“混合”而成,通过改进EM算法自动确定子高斯分布及其参数,再从中“还原”出各个地物类(各子高斯分别对应一类地物)。实验结果表明,该方法获得了较好的分类效果,一定程度上避免了传统非监督分类方法的缺陷,扩大了非监督方法的应用范围。     

半监督离散势理论在遥感影像变化检测中的应用

随着遥感技术的发展,遥感影像变化检测作为一种有效的技术手段,在环境监测、灾害救援等领域发挥了重要作用。然而地物复杂、标记困难等问题导致有效的变化检测存在一定的困难。本文提出了一种基于半监督离散势理论的遥感影像变化检测方法。该方法首先采用一种新的标记样本点的方法得到训练集,然后利用KNN方法构造复杂网络,最后对复杂网络中经典Wu-Huberman算法进行改进并划分网络。所得到的两个社团结构恰好对应了变化部分和不变部分。试验结果表明,基于半监督离散势理论的变化检测方法具有良好的变化检测性能。     

遥感影像的全模糊监督分类

设计了一个基于神经元网络的全模糊训练,分类和精度评估方法,并成功应用于一个城郊型土地覆盖分类,结果表明。该方法灵活,适应性强,并能取得较好的分类精度。     

遥感影像监督分类

本文主要研究探讨遥感影像分类的监督分类法原理、技术、步骤及精度等问题。通过采用最大似然分类法对各种融合影像进行监督分类,比对结果,阐述最大似然分类法的特点。     

半监督条件随机场的高光谱遥感图像分类

善于捕捉空间信息的条件随机场模型虽然已被应用于高光谱遥感图像分类,但条件随机场的性能受到了标注训练样本数量的制约。为解决上述问题,本文提出了一种半监督条件随机场模型用于高光谱遥感图像分类。在该模型中,首先,利用空间-光谱拉普拉斯支持向量机定义关联势函数,以利用未标注样本中包含的信息获取样本类别概率;然后,在交互势函数中嵌入未标注的空间邻域样本,以充分利用空间信息实现对样本类别概率的修正;最后,采用分布式学习策略和平均场完成半监督条件随机场的训练和推断。本文在两个公开的高光谱数据集(Indian Pines数据集,Pavia University数据集)上进行了实验。实验结果表明Kappa系数提升3.94%。     

高分辨率遥感影像语义分割的半监督全卷积网络法

在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。     

高分辨率光学遥感场景分类的深度度量学习方法

针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题,本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心,其次基于欧氏距离方法设计均值中心度量损失项,最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明,本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上,与现有方法相比,分类准确率分别提高了1.46%、1.09%和2.51%。     

混沌免疫算法在遥感影像分类中的应用研究

为提高遥感影像分类精度,采用基于混沌免疫算法(Chaos Immune Algorithm)的分类方法。利用混沌优化的遍历性,进行粗粒搜索,优化初始抗体群;通过选择算子、克隆算子、变异算子、抗体的循环补充等操作,得到全局最优的聚类中心,提高分类精度。实验表明该方法分类总精度、Kappa系数均优于传统分类方法。     

生成式对抗网络的高光谱遥感图像分类方法研究

针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制...     

结合主动学习和词袋模型的高分二号遥感影像自动化分类

高分卫星遥感影像空间分辨率的提高,使得地物的光谱和纹理变得更加丰富和复杂,这给遥感影像的自动化分类带来严重挑战。因此,本文提出了一种结合主动学习和词袋模型的高分二号遥感影像分类方法。首先,对研究区域进行多尺度分割,建立影像分割对象集;然后,采用词袋模型构建影像对象的语义特征向量;最后,充分考虑位于分类边界的不确定性样本分布,迭代选择最优样本用于训练支持向量机,用于分类遥感影像。为了验证本文方法的有效性和稳健性,以山东省某市的高分二号遥感影像为试验数据进行了试验分析。结果表明,本文提出的方法可以有效地将研究区域分为水体、地面、植被和建筑物四类,正确率达到90.6%以上。     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。     

基于混沌遗传算法的遥感影像分类

为提高遥感影像分类精度,本文提出基于混沌遗传算法(Chaos Genetic Algorithm)的遥感影像分类方法.首先应用混沌遗传算法对样本进行自学习得到全局最优的聚类中心,然后通过得到的聚类中心对整幅影像进行分类.该方法利用混沌变量的遍历性,进行粗粒搜索,优化遗传算法的初始种群,从而提高收敛速度;对经过选择算子、...     

基于云理论的遥感影像分类方法分析

采用基于云理论的遥感影像分类方法,该理论兼容模糊性和随机性,通过逆向云发生器生成云模型,进而得出云的数字特征隶属函数,使用X条件云发生器计算隶属度,最后用极大判别法实现分类。通过与传统方法的实验对比分析,基于云理论的遥感影像分类方法有效地改善分类中的不确定性问题,提高分类准确度。