基于神经网络的遥感影像分类研究

由于传统遥感影像分类方法存在不足，故采用BP神经元网络进行遥感影像分类研究。阐述了算法原理、实现步骤以及改进方法。通过实验示例，将BP神经元网络的分类结果与传统统计方法分类结果进行比较，获得了有意义的结果。     

人工神经网络在多源遥感影像分类中的应用

在研究人工神经网络理论的基础上,应用动量法和学习率自适应调整的策略,改变ＢＰ神经网络的主要缺点,提出对同一地区空间配准的Ｌａｎｄｓａｔ ＴＭ３,ＴＭ４,ＴＭ５影像和航空ＳＡＲ影像,一方面采用该种网络对两类影像分别进行分类,将其分类结果按提出的融合规则进行分类融合得到最终分类结果,另一方面采用该网络对两类影像进行融合分类,得到相应分类结果,比较这两者的结果表明,基于改进的ＢＰ神经网络用于土地利用分类     

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。     

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。     

人工神经网络遥感影像分类模型及其与知识集成方法研究

以多层感知器（MLP）为例，探讨了地学知识与ANN融合进行遥感影像分类的方法。首先对MLP网络结构、学习算法及其改进进行分析；然后总结了MLP进行遥感影像分类的一般方法和存在的缺陷；发展了基于知识的MLP神经网络遥感影像分类模型，并具体利用基于规则的MLP方法进行了遥感土地覆盖分类的实验，把获得的结果与传统统计方法与一般ANN方法进行了综合比较，获得了有意义的结果。     

基于形态学特征和神经网络的遥感影像分类

在遥感技术不断发展、空间分辨率不断提升的大背景下,对遥感影像进行特征提取并进行分类成为遥感的重要课题。本文采用数学形态学技术进行特征提取,得到了形态特征、扩展形态特征、属性特征、扩展属性特征这4种形态学特征类。利用形态学特征和BP神经网络,改变采用的形态学特征,形态学特征提取中使用的参数以及BP神经网络的隐藏层数和隐藏层神经元数分别进行监督分类,计算各自的OA以及Kappa系数,比较其大小。分类结果精度评价表明扩展形态特征分类效果和扩展形态特征分类效果较好,适用于对遥感影像分类;而隐藏层神经元的数目和隐藏层的层数对分类结果没有显著影响。     

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。     

辅以纹理和BP神经网络的TM遥感影像分类

在提高遥感图像分类精度的方法中,将纹理信息作为扩展的特征向量加入特征空间中,是一个很有效的方法。利用地物在空间上的联系提取纹理,进而参与BP神经网络分类,实验结果表明加入纹理后明显提高了具有纹理信息的地物的分类精度。     

基于自适应共振模型的遥感影像分类方法研究

人工神经网络（ANN）是人视觉和服的基本功能的抽象、简化和模拟。在对遥感影像的综合解释应用中，与传统的统计方法和符号逻辑方法相比较，ANN更接近人对影像的视觉解译分析过程。自适应共振理论（ART）是一种自组织产生认知编码的神经网络理论，其自组织、反馈式增量学习机能，能兼顾适应性和稳定性，克服了一般神经网络学习速度慢、网络结构难以确定、局部最小陷阱等缺陷。以FUZZY－ART和ARTMAP为基础，提出基于ART遥感影像非监督和监督分类的一般模型，并以实际上土覆盖分类和城市结构信息提取为应用实例，通过与传统统计方法和一般ANN分类器相比较，ART具有正确率更同、学习速度快、自适应性等优点，是复杂数据分类和信息提取的有效工具。     

辅以纹理特征的遥感影像神经网络分类

将由变差函数提取出的纹理信息与光谱信息相结合,运用神经网络方法进行分类和地物识别,并与最大似然法的分类结果进行对比分析,结果表明该方法明显提高了遥感影像的分类精度.     

运用MATLAB的遥感图像增强方法

在遥感图像研究中,图像增强技术对于改善图像的对比度、突出某些局部细节等方面都起着积极的作用.详细介绍了灰度变换、直方图规定化、中值滤波器、Butterworth低通滤波器等多种图像增强的方法,原理及在Matlab中的实现过程,并对各种方法的实现结果进行了比较.结果表明,上述图像增强方法,能够扩大地物之间的像元灰度差距,...     

基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究

目标识别是遥感高分辨率影像时代的重要应用方向.采用深度卷积神经网络对遥感影像学习训练,能够从遥感影像中自动提取出多个具有代表性的典型地物特征以及特征组合,并应用于多变而复杂的遥感影像数据中进行目标分类识别.本研究选用NWPU VHR-10数据应用于Faster R-CNN卷积神经网络模型中,并采用MAP进行评价,研究中...     

基于模糊小脑模型神经网络的遥感图像分类算法

针对遥感图像分类的特点，提出一种基于模糊小脑模型神经网络的遥感图像分类算法，首先阐述小脑模型神经网络的工作原理，然后将模糊理论引入小脑模型神经网络，提出一种能反映人脑认知的模糊性和连续性的模糊小脑模型神经网络，并将其应用于遥感图像分类，实验结果表明，这种基于模糊小脑模型神经网络的分类器经过训练后，可应用于遥感图像的分类，其分类精度明显高于传统的最大似然分类法。     

遥感图像识别中粗糙集理论与神经网络的结合

由于传统神经网络与遥感图像信息量不相匹配 ,为此 ,提出将粗糙集理论集成至遥感图像神经网络识别中。首先分析了神经网络与粗糙集理论结合的可能性以及优势 ,在此基础上提出了基于粗糙集的遥感图像神经网络识别模型 ,并就其中的粗糙集方法处理样本特征集模块和遥感图像识别神经网络模块展开详细的分析。通过对比实验数据说明集成粗糙集理论的遥感图像神经网络识别能够有效提高遥感图像的识别效率 ,具有较强的现实意义     

小波变换在遥感图像压缩中的应用

基于遥感数据的大信息量、大容量和越来越高的分辨率对图像的存储和传输提出的更高要求,有效的图像压缩就显的特别重要。在综合比较了各种压缩编码算法的基础上,结合遥感图像本身的特点和对小波变换性质的深入分析,选择了基于小波变换的遥图像压缩方法。     

基于神经网络的遥感图像识别算法

随着遥感技术的发展,将会有更多不同时间、空间分辨率的遥感图像数据应用于各个领域的工程中,遥感图像的模式识别便成为当前遥感图像应用研究领域中一个很重要的研究方向。人工神经网络（Artificial Network Networks,ANN）是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。基于神经网络的遥感图像识别是遥感图像处理领域这几年的研究重点。本文首先介绍了人工神经网络和模式识别算法的基本理论知识,然后利用人工神经网络在Matlab工具箱环境中进行高空间分辨率的遥感图像识别。     

基于GDAL的遥感影像快速裁切技术

介绍了基于开源GDAL类库开发,实现遥感影像的大批量快速裁切的技术,经应用测试,该技术提高了遥感影像处理的作业效率和自动化水平,降低了生产成本。     

基于关系数据库技术的遥感影像数据建库研究

以OracleGeoRaster和ArcSDE为例,论述了基于扩展的面向对象关系数据库进行遥感影像建库和 基于中间件技术进行遥感影像建库的数据模型、数据存储方式、空间索引、数据管理与维护等问题。对遥感影 像建库实施的数据分块、影像金字塔的构建、数据压缩处理等具体问题进行了实验研究。