基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

车载点云中杆状地物的形态分析与分类研究

针对车载激光雷达(LiDAR)数据中杆状地物分类效果不理想的问题,该文对从车载LiDAR数据中提取的杆状地物进行形态分析与分类研究。首先,利用基于体素的方法对杆状地物进行提取。其次,对提取出的杆状地物进行形态分析,使用ESF特征、几何特征及附属物拓扑特征作为杆状地物的特征向量集。最后,利用随机森林分类器对特征向量集进行重要性分析,构建最优特征子集,对杆状地物进行精细分类。该文在3个数据集上进行试验以验证方法的有效性。结果表明,该文方法对杆状地物有较好的分类效果,准确率分别为91.8%、89.23%和88.51%。     

优化BP神经网络的多特征融合遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值和单一影像特征缺乏有效地物判别信息的问题,该文提出了一种遗传算法(GA)结合指数粒子群算法(ExpPSO)优化BP神经网络的多特征融合遥感影像分类方法(GA-ExpPSO-BP).该方法将设计的基于指数函数的ExpPSO与GA结合构建GA-ExpPSO算法,利用GA-ExpPSO算法对BP神经网络的权阈值进行初始寻优从而构建GA-ExpPSO-BP模型.以高分二号、资源三号遥感影像为实验数据,通过制作多特征融合数据集训练及实验验证.结果 表明:该方法的类别精度、总体精度和Kappa系数均最高,且训练耗时和误差最小,能有效改善影像的分类效果,提高分类效率和精度.     

车载LiDAR点云数据中杆状地物自动提取与分类

针对城市道路场景中车载LiDAR点云数据质量差、各类地物相互遮掩的情况,提出杆状地物自动提取与分类算法。先通过改进数学形态学算法移除点云数据中的地面点,再根据杆状地物的形态特征,使用纵向格网模板初步提取杆状地物,然后对提取的疑似杆状地物进行点云数据规则化并通过统计分析移除噪声点,最后根据预先建立的杆状地物样本训练SVM分类模型,对提取的杆状地物进行分类。试验表明,本文方法能够在数据质量欠佳的情况下有效提取城市道路场景中的杆状地物,并对提取的杆状地物进行高精度分类。     

基于增强DeepLabV3网络的高分辨率遥感影像分类

由于高分影像具有地物细节丰富、类别差异大等特点,现有的卷积神经网络影像分类方法普遍存在分类精度低、地物边界不准确等问题。鉴于此,本文提出一种基于增强DeepLabV3网络的影像分类模型。首先构建R-MCN网络结构,利用大小不同的卷积核并结合残差网络的思想进一步提取浅层网络的多尺度、多层次的特征信息;然后采用可学习的上采样方式,并将R-MCN提取的特征与高阶的语义信息相融合;最后通过提出的Mloss损失函数,获得遥感影像的地物分类结果。试验结果表明,相对于传统的卷积神经网络,本文方法能细化地物的边缘信息,改善分类效果,获得更高的影像分类精度。     

基于面向对象特征提取的BP神经网络分类——以武陵源地区为例

采用面向对象影像分类与BP神经网络分类相结合的方法,对高分辨率无人机影像进行土地利用分类。利用光谱、形状、纹理、对象间关系等影像特征,通过基于面向对象的方法对影像提取特征进行初步分类,再将初步分类结果应用于BP神经网络,结合原影像数据进行进一步分类,提高分类精度、纠正分类错误。结果表明,该方法最终分类结果达到了88.9%的总体分类精度和0.863的Kappa系数,影像分类结果对比传统影像分类方法的总体精度与Kappa系数均有所提高。     

辅以纹理特征的高分辨率遥感影像分类

为了提高对高分辨率影像的分类精度,通过灰度差矢量法快速提取纹理特征,利用BP神经网络并辅以纹理特征,对一幅江西某地0.2m分辨率的航空影像进行分类。结果显示,对比度纹理特征能较好地反映该影像的纹理信息;对光谱特征不典型、纹理特征明显的人工树林,分类精度可达到90%以上;增加纹理特征后,影像分类的总精度也由55%提高到94%。表明这种结合纹理特征和BP神经网络的分类方法,能提高对高分辨率影像分类的精度。     

基于BP神经网络的遥感影像分类研究

BP神经网络具有收敛速度快和自学习、自适应功能强的特点,能最大限度地利用样本集的先验知识,自动提取合理的模型。本文采用Landsat TM遥感图像作为数据源,以山西省定襄县为研究区,通过主成分分析方法来压缩输入数据,并结合NDVI和纹理特征来建立BP神经网络的土地利用分类模型,将分类结果与基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类结果进行定性和定量比较分析。结果表明:该方法总精度达到了80.50%,分别比基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类提高了18.89%和6.23%,能够有效地解决地物光谱混淆、分类精度不高等问题。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。     

多光谱激光点云卷积神经网络的地物分类研究

针对商用激光传感器Optech LiDAR Titan系统获取的多光谱激光点云数据进行地物分类试验的探索,该文提出一种基于卷积神经网络(CNN)模型的多光谱激光LiDAR点云数据地物分类方法.新数据源多光谱激光点云具有多通道和多次散射回波的典型特性,生成感兴趣的热力图,根据热力图特征值和nDSM辅助数据进行感兴趣地物分类.采用CNN模型学习结果与面向对象影像分析OBIA分类方法相结合对分类结果进行精化,并用随机采样参考点对地物分类结果进行精度评估,解决CNN模型分类的正确性和可靠性问题.实验表明,地物分类整体精度OA达到89.8％,Kappa值0.858,该方法在多光谱激光点云地物分类方面具有稳健性、有效性和通用性.     

栅格DEM微地形分类的BP神经网络法

栅格DEM微地形分类是数字地形精细化应用的基础,基于规则化知识的栅格DEM微地形分类方法存在自动化程度低、分类残缺等问题。本文利用BP神经网络的优势构建了栅格DEM微地形分类的人工智能方法与实现途径。以山体部位分类为微地形分类典型样例进行试验验证与分析,试验结果表明,栅格DEM微地形分类的BP神经网络法较已有的地形因子叠加分析方法存在明显优势,不仅在流程上可避免烦琐的数据叠加分析过程,而且分类结果的完整性和错分率都得到有效改善;在山体部位分出的6种微地形中,冲积地对该方法适应性最强,准确率为100%,背坡的适应性最弱准确率为89.23%。     

基于BP神经网络高光谱图像分类研究

遥感影像常常存在"异物同谱"现象,影响了遥感影像的分类精度。为了提高分类精度,本文提出了基于BP神经网络的分类算法。采用环境一号卫星HJ-1A星上搭载的超光谱成像仪(HSI)获取的高光谱数据,利用BP神经网络对黄岛区进行遥感图像分类,根据得到的分类结果对原图像进行"异物同谱"现象纠正后重新选取训练样本,然后利用BP神经网络再分类,从而有效解决了"异物同谱"现象。实验结果表明,经处理后的高光谱影像的分类精度得到显著提高,分类总体精度为92.386 5%,比异物同谱纠正前提高了7.83%,Kappa系数也从0.768 2提升到了0.885 8。     

基于神经网络的遥感影像分类方法研究

本文在研究BP神经网络和模糊理论的基础上,提出了传统BP算法的一种改进方法和基于模糊系统的神经网络遥感影像分类方法。通过试验表明:基于模糊技术的神经网络分类方法要优于BP神经网络方法,取得了令人满意的效果。     

基于自适应遗传算法和改进BP算法的遥感影像分类

介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法，即先用自适应遗传算法进行全局训练，再用改进BP算法进行精确训练，以达到加快网络收敛速度和避免陷入局部极小值的目的。结果表明，该算法收敛速度快，分类精度较高。     

一种综合利用图像和光谱信息的物体真假模式识别方法

传统模式识别方法在物体、人脸、指纹、军事目标识别等领域中只利用单一的图像信息。当研究对象的图像特征高度相似时,识别率较低,如对于真假目标的识别,仅仅利用物体的图像信息很难得到满意的识别结果。针对上述问题,提出了一种综合利用图像和光谱信息的物体真假模式识别方法。该方法采用卷积神经网络模型,通过迁移学习的方式构建图像识别模型,并依据物体图像的语义特征进行物体类别识别,在此基础上,基于逆传播（back propagation,BP）神经网络模型,结合物体的实测光谱数据进行物体真假识别。为了验证该方法的准确性和有效性,利用真假苹果和葡萄作为测试对象,单独利用图像信息和光谱信息进行识别时,识别率分别为38.50%和63.00%,而利用该综合方法得到的识别率为95.00%。可认为该方法提高了真假目标混杂情况下的识别准确度,可为物体识别、人脸识别、指纹识别、军事目标识别等领域的应用提供重要的参考,也为航天侦查载荷设计提供了新的思路。     

面向对象的植被与建筑物重叠区域的点云分类方法

在分析LiDAR点云数据分类现状的基础上,针对植被与建筑物重叠区域分类困难的问题,提出了一种基于面向对象的点云分类方法.首先采用三角网渐进内插的滤波方法将点云分为地面点和非地面点,并得到DTM;然后对高出DTM一定高度的非地面点建立三角网,删除较长的三角网的边(地物间的边),从而将非地面点云分割成多个对象;再利用各个对象内的三角网坡度信息熵大小判断该对象属于植被或建筑物;最后对于难以区分的对象(植被与建筑物重叠区)根据建筑物几何规则形状延伸扩充,从而提高植被和建筑物重叠区的点云分类准确率.实验结果表明,该方法能够很好地区分建筑物和植被点,分类准确率达到87％.     

基于K-L变换的BP神经网络遥感图像分类

为了提高多光谱遥感图像的分类正确,提出了一种基于主成分分析(K-L变换)的分类方法。该方法先应用K-L变换对多波段遥感图像进行降维,提取最主要的三个成分合成假彩色图,然后利用BP神经网络对假彩色图进行监督分类。由于主成分之间是不相关的,增强了图象信息,降低了神经网络的计算量,提高了分类精度。实验结果证明,该算法分类精度优于传统分类方法,总正确率为88.5%,Kappa系数为0.862,因而具有实用价值。     

一种适用于多类别遥感图象分类的新方法——复合神经网络分类方法

该文提出一种由多层神经网络与自组织神经网络相结合进行类别遥感图象分类的复合神经网络分类方法。第１步半训练样本按其统计特征分成若干组，用不同级别的训练样本分别训练ＢＰ网络。第２步将这些训练好的ＢＰ网络并联构成有监督分类器，对遥感图象进行有监督分类。第３步用ＢＰ网络的分类结果对Ｋｏｈｏｎｅｎ网络进行自组织训练，用训练好的Ｋｏｈｏｎｅｎ网络构造无监督分类器，对遥感图象进行细分。通过对ＳＰＯＴ遥感图象的分