一种基于马尔可夫随机场的影像纹理分类方法

针对纹理影像先估计出其马尔可夫随机场参数,后运用多元统计分析中模糊聚类分析的数学方法进行定量分类,从而为解决划分上的不确定性现象找出描述方法,获得客观的分类结果。     

马尔柯夫随机场的参数估计与影像纹理分类

本文提出马尔柯夫随机场参数估计的算法，通过人工纹理和从航空像片上提取的自然纹理的试验表明参数估计的算法是正确的。除此之外，本文还讨论了不受图像边界形状影响的ＭＦＲ参数估计和利用ＭＲＦ参数进行纹理分类的问题。这些研究表明ＭＲＦ参数在航空像片纹理分类中具有很好的应用前景。     

纹理模型法用于影像纹理分类

在分析分形维和马尔可夫随机场两种主要纹理模型法的基础上,提出了先用马尔可夫随机场方法进行纹理分类,再用分形维方法对那些具有相同马尔可夫随机场模型及参数值相近的纹理影像进行分类的方法。     

基于MRMRF的多光谱纹理影像分割方法

提出了一种新的基于多分辨率马尔可夫场(multiresolution Markov random field,MRMRF)模型的小波域多光谱纹理影像分割方法。该方法采用可变的权重参数连接小波分解的多尺度特征场和标记场,通过直接映射,将上一尺度的分割结果作为下一尺度的初始结果,最细尺度上的分割结果作为算法的最终分割结果。实验表明,本文算法能够降低多光谱纹理图像分割的错误率。     

一种基于马尔可夫随机场的影像纹理分类方法

针对纹理影像先估计出其马尔可夫随机场参数，后运用多元统计分析中模糊了在分析的数学方法进行定量分类，从而为解决划分上的不确定性现象找出描述方法，获得客观的分类结果。     

纹理模型法用于影像纹理分类

在分析分形维和马尔可夫随机场两种主要纹理模型法的基础上,提出了先用马尔可夫随机场方法进行纹理分类,再用分形维方法对那些具有相同马尔可夫随机场模型及参数值相近的纹理影像进行分类的方法。该方法不仅能提供出影像纹理的纹理基元,还能给出影像粗糙性、自相似程度,减少了纳伪误差。     

区域多尺度马尔可夫随机场的遥感影像分类

多尺度分析技术广泛应用于高分辨率遥感影像的特征提取和建模。分解层数受制于影像的大小,下采样小波变换实现的影像多尺度表达难以描述大范围的空间模式,导致分类结果出现"胡椒盐"现象;面向对象的影像分析技术虽避免了"胡椒盐"现象,但由于仅利用了单尺度的的特征,也难以描述影像多层次的空间模式,导致分类精度较低。为改善分类结果中的"胡椒盐"现象和提高分类精度,提出了一种结合区域多尺度遥感影像分割和马尔可夫随机场的分类方法。首先,获得原始影像过分割区域,依据区域内亮度均值以及区域间的共享边界长度信息,提取影像低频和高频特征,采用该低频特征波段代替原始影像,重复分割与特征波段提取过程,形成影像的区域多尺度表达。然后,以原始图像为初始尺度,以分割区域为处理单元,以更细尺度分类结果为标记场先验,以当前高频特征建立特征场,逐层分类、投影,获得最终尺度分类结果。合成纹理影像和多光谱遥感影像的实验表明:相比于小波域多尺度建模方法和单尺度区域建模方法,本文提出的方法可以有效提高分类精度,并避免"胡椒盐"现象的产生。     

基于遗传算法的影像纹理分类

阐述了遗传算法的基本原理,提出与马尔柯夫随机场相结合的遗传算法在影像纹理分类中的应用。通过对４种纹理取样的实验,表明这种影像纹理分类方法可以提高分类的正确率。     

基于马尔柯夫随机场的多波段遥感影像纹理分割研究

利用马尔柯夫随机场（MRF），对光谱矢量在二维空间的映射模式予以描述，建立了基于马尔柯夫随机场的多波段纹理模型，提出了在多波段遥感影像中吉布斯（Gibbs）分布势函数和吉布斯参数的计算方法，并提出了一种迭代修正的多波段遥感影像纹理分割方法。     

空-谱融合的条件随机场高光谱影像分类方法

高光谱遥感数据具有光谱信息丰富、图谱合一的特点,目前已经广泛地应用在对地观测中。传统的高光谱分类模型大多过分依赖影像光谱信息,没有充分利用空间特征信息,这使得分类精度还有很大的提升空间。条件随机场是一种概率模型,能够较好地融合空间上下文信息,在高光谱影像分类中已经得到越来越多的关注,但大部分条件随机场模型存在超平滑的现象,会导致影像细节丢失。针对该问题,本文提出了一种优化融合影像空-谱信息的高分辨率/高光谱影像分类方法,该方法将影像的纹理信息与原始光谱信息进行融合,利用SVM分类器对其进行预分类,并将各类概率定义为一元势函数,以融合空间特征信息;然后将空间平滑项和局部类别标签成本项加入二元势函数中,以考虑空间背景信息,并保留各类别中的详细信息。最后,通过两组的高分辨率/高光谱影像数据进行试验。结果表明,与SVM算法、传统的条件随机场方法和面向对象的分类方法相比,本文提出的算法在整体分类精度上分别提高了10%、9%和8%以上,同时在保持地物边缘完整性、避免“同谱异物”与“同物异谱”的现象方面有较明显的优势。     

基于高斯马尔可夫随机场混合模型的纹理图像分割

针对以高斯马尔可夫随机场中的邻域像素互作用参数为特征、以高斯混合模型为分类器的二步纹理图像分割方法,提出一个两者相互结合的一步模型———高斯马尔可夫随机场混合模型,并给出其EM算法的迭代计算公式。利用该模型进行纹理图像的分割实验,发现该算法在纹理图像分割的精度上比前者有较大程度的提高。     

IMD法在多光谱图像分类中的应用

数学形态学着重于分析和处理图像的几何结构信息。根据这一原理，在图像分类预处理过程中，对各种地物区域的几何结构特点进行分析，构造相应的结构元素，然后对图像进行形态迭代分解法(IMD，Iterative Morphological Decompostion)变换。在变换结果中，地物区域的灰度信息进行了归一化处理，同时区域的几何结构特点和独立地物得到了有效保留。将多光谱图像的IMD变换结果进行分类实验的结果表明，该方法可以有效提高多光谱图像分类的精度和效率，具有较强的适用性。     

基于Naive Bayes Classifiers的航空影像纹理分类

在Naive Bayes Classifiers模型中,要求父节点下的子节点(特征变量)之间相对独立,然而在现实世界中,特征与特征之间是非独立的、相关的。提出一种预处理方法,实验结果表明,该方法明显地提高了分类精度     

空间灰度相关在影像纹理分类中的应用及分析

介绍了空间灰度相关法的11个纹理特征。试验表明,仅3个是描述性强的纹理特征。通过用t检验法来分类纹理,发现该方法具有良好的\     

基于PCA-BPNN的多光谱遥感影像分类

基于BP算法的神经网络方法目前已广泛运用于遥感影像分类,提出一种主成分分析(PCA)与BP神经网络相结合的遥感影像分类方法——PCA-BPNN,实验证明该方法是可行并且有效的,在减少计算量和加快收敛的同时,提高了分类的精度。     

应用图像关联度的图像模糊分类

提出了应用图像关联度的图像模糊分类新方法。该方法在求得每幅图像相对各个类别的关联度的基础上,求得每个类别图像关联度的均值和标准差σ;然后计算每幅图像的关联度与所在类别关联度均值之差Δi,差值Δi≤2σ,该图像应“留“在该类中;否则,该图像应归入与另两个类别的关联度较大的类别。每幅图像都经过这样的检验,实现图像的再划分,直到这一过程稳定为止。实验结果表明,该方法的图像分类质量有一定优势。     

南京沿江湿地高光谱与多光谱遥感分类对比分析

随着遥感技术的发展,以及对湿地分类研究的不断深入,如何提高分类精度成为一大研究方向。分类方法、影像数据源、影像的特征提取都影响着分类结果的精度。目前,利用影像数据进行湿地分类,精度难以提高主要是受影像像源的制约,其中,不同湿地类型波谱特性之间的混淆是制约精度提高的直接原因。高光谱(Hyperspectral)遥感是20世纪末对地观测系统中较重要的技术突破之一,随着定量化研究的发展,高光谱遥感技术以其光谱分辨率较高的特点受到国内外广泛关注,并在资源、环境、城市、生态等领域得到了广泛应用。本文比较了湿地分类中hyperion的数据与landset TM数据的分类精度。在进行分类时,使用监督分类的方法(SVM)对南京新济州、新生州、江心洲的湿地地物类型进行分类。结果表明,在训练样本合适的前提下,用高光谱数据进行分类可以得到更高的分类精度。