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辅助下的基于数据挖掘的林型遥感分类方法研究

在植被分类领域,各类植被光谱特征非常相近,纹理特征比较单一,并且受物候影响较大,使得影像上林地信息的分类识别的成为一个较复杂的过程。本文利用GIS平台构建由影像、DEM等组成的多元空间数据库,将数据挖掘的方法引入林型遥感分类中,充分利用了现有的空间数据资源,减少了同物异谱、异物同谱对林型遥感分类的影响,增强了分类知识获取的自动化和智能化程度。实验结果表明,该方法具有简化知识获取过程和提高分类精度等优点。     

基于Bayes融合法的多源遥感影像分类

提出了顾及各类数据源成像模型，上下关系模型的可靠性的基于Ｂａｙｅｓ融合分类的方法，并采用该方法对ＬａｎｄｓａｔＴＭ和航空ＳＡＲ影像进行了土地利用分类试验。结果表明，同单独ＳＡＲ影像分类结果相比，融合分类法将分类精度提高了２０％。     

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Tree Augmented Naive Bayes Classifier的影像纹理分类

提出了一种松弛方法，允许类别节点下的相邻子节点之间存在相关关系（有向边），这种方法称为树增强型简单贝叶斯分类器（tree augmented naive Bayes classifier，TAN）。实验结果表明，TAN比简单贝叶斯分类器（naive Bayes classifier，NBC）可以获得更高的分类精度。     

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     

GIS辅助遥感影像分类概述

论述了在已有的GIS数据基础之上,将GIS数据与知识综合运用于遥感影像监督法分类的分类方法,着重对样区的自动选取、非训练样区的分类等几个有关的问题进行了分析,并对该分类法的优势进行了分析和总结。     

多分类器组合的遥感影像分类方法

针对传统遥感影像分类方法效果不够理想,单一分类器各自存在不足等问题,该文提出了一种基于多分类器组合的遥感影像分类方法。采用级联和并联相结合的方式对多种子分类器进行组合;利用改进的基于先验知识的投票表决规则,实现遥感影像准确分类。以岳阳市TM遥感影像为例,采用多分类器组合方法进行分类处理,并将处理结果与单一分类器处理结果进行比较。通过误差矩阵对比可知,多分类器的Kappa系数精度高于单一分类器;对分类效果图进行对比分析,在细部效果方面多分类器分类效果优于单一分类器。研究结果表明:组合分类器的遥感影像分类效果明显优于单一分类器,且具有更好的扩展性。     

基于Bayes融合法的多源遥感影像分类

提出了顾及各数据源成像模型、上下文关系模型和可靠性的基于Bayes融合分类的方法,并采用该方法对Landsat TM和航空SAR影像进行土地利用分类试验。结果表明:同单独SAR影像分类结果相比,融合分类法将分类精度提高了20%。     

多种分类器结合的遥感影像分类研究

通过对遥感影像的分类方法及原理的分析,以多光谱遥感影像为依据,采集农田、菜地、居民地等三类地物样本.利用Matlab软件,分别使用最短距离分类器、贝叶斯分类器及BP神经网络分类器三种分类器将遥感影像进行分类实验.通过投票法,融合不同分类器最终的输出结果,将多种分类器的遥感影像分类进行整合,提高了影像的分类精度.     

GIS辅助下的环青海湖地区草地蝗虫生境分类研究

草地蝗虫是危害中国广大草原地区的主要昆虫之一,针对草地蝗虫的生态特征,实现草地蝗虫生境类型的划分,是草地蝗灾管理迫切需要解决的课题之一.以环青海湖地区为例,使用TM影像数据和DEM,草地类型图等地理辅助数据,以及GPS定位的野外调查资料,从遥感图像处理/地理数据/专家知识一体化的角度出发,应用基于知识的方法进行环青海湖地区草地蝗虫生境类型的分类研究,其分类总精度为84.23%.研究表明,克氏针茅草原,芨芨草草原,紫花针茅草源是草地蝗虫多发的生境类型.占整个研究区总面积的29.09%,这为进一步加强环青海湖地区草地蝗虫的管理提供科学依据.     

样本迁移支持下的遥感影像自动分类方法

迁移学习是运用已有知识对相关的不同领域的问题进行求解的一种机器学习方法,本文结合这一方法,提出了一种基于先验知识的样本自动选取方法,并构建了一套土地覆盖自动分类的算法框架。该方法主要面向Landsat数据,通过图像变化检测技术与光谱形状编码的方法,从源领域中迁移适用的地物类别知识并标记在目标影像中,使用SVM完成基于样本迁移的自动分类流程。结果表明,该方法可以获得可靠的自动分类结果,一定程度上满足遥感信息的大范围提取与长时间序列处理分析的发展需求。     

GIS辅助下的遥感图像分类与识别

RS与GIS有着紧密的关系和很强的互支持性,RS为GIS提供了最好的一种数据获取手段,而GIS则可以用来辅助进行遥感图像分析,提高分析的精度和可靠性,因此两者的集成是十分必要的。     

基于对象级的ADS40遥感影像分类研究

针对ADS40影像的空间分辨率高而光谱分辨率相对不足的特点,提出了一种基于多尺度分割的对象级遥感分类方法。首先通过多尺度分割获得影像对象,然后利用对象所包含的光谱特征、几何特征、拓扑特征来确定地物识别中可能要用到的各种特征参数,并建立对象间的分类层次结构图,最后利用模糊分类器逐级分层分类来提取地物信息。研究结果表明,面向对象的分类方法与传统方法相比,可显著提高分类精度,有效抑制“椒盐现象”的产生,更加适合于几何信息和结构信息丰富的ADS40影像的自动识别分类。通过对太原市ADS40影像进行分类验证了此方法的有效性。     

利用遥感数据更新GIS的研究

GIS中地图数据库的变化检测和更新一直为人们所关注，它的重要性来源于空间信息系统的多时相分析、动态监测以及保证地学空间数据的现势性要求。在本文中首先讨论了彩色扫描地图数据接颜色信息进行自动分层，在此基础上用RLS（Run-lengthSmearing）变换对黑色要素层进行了进一步的识别与提取，然后运用图像理解和已提取出的GIS中数字地图的先验知识，提出了一种利用现势性较好的航空像片自动发现数字地图中居民地变化的方法，进而更新GIS。实验结果证明了该方法的有效性。     

Cotton Crop Discrimination Using Fuzzy Classification Approach

Crop growth information represented through temporal remote sensing data is of great importance for specific agriculture crop discrimination. In this paper, the effect of various indices was empirically investigated using temporal images for cotton crop discrimination. Five spectral indices SR (Simple Ratio), NDVI (Normalized Difference Vegetation index), TNDVI (Transformed Normalized Difference Vegetation Index), SAVI (Soil-Adjusted Vegetation Index) and TVI (Triangular Vegetation Index) were investigated to identify cotton crop using temporal multi-spectral images. Data used for this study was AWIFS (coarser resolution) for soft classification and LISS-III (medium coarser) data for soft testing from Resourcesat-1 (IRS-P6) satellite. The mixed pixel (i.e. multiple classes within a single pixel) problem had been handled using soft computing techniques. Possibilistic fuzzy classification approach is used to handle mixed pixels for extracting single class of interest. The classification results with respect to various indices were compared in terms of image to image fuzzy overall classification accuracy. It was observed that temporal SAVI indices database with data set-2 outperformed other temporal indices database for cotton crop discrimination. Temporal SAVI indices database gave highest fuzzy overall accuracy of 93.12% with data set-2 in comparison to others.     

Hyperspectral Image Classification Using Relevance Vector Machines

This letter presents a hyperspectral image classification method based on relevance vector machines (RVMs). Support vector machine (SVM)-based approaches have been recently proposed for hyperspectral image classification and have raised important interest. In this letter, it is genuinely proposed to use an RVM-based approach for the classification of hyperspectral images. It is shown that approximately the same classification accuracy is obtained using RVM-based classification, with a significantly smaller relevance vector rate and, therefore, much faster testing time, compared with SVM-based classification. This feature makes the RVM-based hyperspectral classification approach more suitable for applications that require low complexity and, possibly, real-time classification.