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。     

遥感影像样本自动生成与智能迭代分类方法

针对先验知识未能有效指导智能分类、智能分类与样本采集相对独立的问题,提出遥感影像样本自动生成与智能迭代分类方法。首先利用遥感影像及对应的历史解译数据构建样本数据集;其次利用深度卷积神经网络模型进行训练,得到预训练模型;再次利用预训练模型对即时遥感影像进行智能分类,得到智能分类结果;最后将校正后分类结果反馈到样本数据集,完成样本数据集的更新,利用更新后的样本数据集对智能分类模型进行迭代优化,形成模型与样本的优化闭环。试验结果表明：该方法通过样本自动生成与更新,以及模型迭代训练,能够提升智能分类模型精度,为解决先验知识未充分利用、智能分类与样本采集相对独立、分类结果未实时反馈等问题提供思路。     

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。     

基于知识的遥感影像模糊分类方法

介绍了目前遥感影像分类的常用方法,提出了一种基于知识的信息提取的遥感影像模糊分类方法。采用GIS数据辅助进行遥感影像模糊法分类,从GIS数据库中提取一定数量的样本信息或挖掘知识形成规则,进行样本的训练学习或辅助进行分类判定。提高了分类的效率和精度,是对模糊分类方法一次有效改进。     

基于知识的遥感影像模糊分类方法

介绍了目前遥感影像分类的常用方法, 提出了一种基于知识的信息提取的遥感影像模糊分类方法.采用GIS数据辅助进行遥感影像模糊法分类,从GIS数据库中提取一定数量的样本信息或挖掘知识形成规则,进行样本的训练学习或辅助进行分类判定.提高了分类的效率和精度,是对模糊分类方法一次有效改进.     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题,结合迁移学习与集成学习,提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想,利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器,提取图像多个高度抽象的语义特征;然后构建由Logistic回归和支持向量机组成的Stacking集成模型,对同一图像的多个特征分别训练Logistic模型,将预测概率结果融合构建概率特征;最后利用支持向量机对概率特征训练和预测,得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验,即使在只有10%的数据作为训练样本情况下,本文方法能够分别达到90.74%和87.21%的分类精度。     

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。     

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。     

深度学习在遥感影像分类与识别中的研究进展综述

深度学习一直是机器学习和人工智能研究的热门主题,特别是将深度学习这一深层网络学习算法和遥感影像分类与识别联合起来,使得传统训练算法的局部最小性得以解决。本文首先简要介绍了遥感影像分类与识别算法的发展和经典算法的局限性,其次介绍了深度学习的几种主流算法并分析它们在遥感影像分类与识别处理方面的应用现状,最后对未来深度学习应用于遥感识别与分类趋势进行了展望。     

基于多特征的遥感影像分类方法

提出了一种基于多特征的遥感分类方法。首先 ,制定类方案并分解各个类 ,据此得到相应的子类 ;然后 ,通过选用适当的特征 ,使得每一个类都能以一个独特的特征组合来表达。与此同时 ,通过影像分割得到影像对象 ,并测量这些对象的各个特征 ,如光谱特征、几何特征及拓扑特征等。凭借这些特征 ,影像对象可以较为容易地被识别和分类。与传统的分类方法的比较表明 ,文中所提出的分类方法具有明显的优越性和良好的前景。     

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。     

纹理特征辅助遥感影像分类技术的探讨

随着卫星遥感影像分辨率的不断提高,人们希望从遥感图像中获得更多有用的数据和信息,所以遥感影像的分类变得尤为重要.但是基于光谱特征的影像分类精度过低,不能满足生产的需要,所以研究利用其他辅助手段来提高遥感影像的分类成为未来发展的一个重要方向.本文研究了利用灰度共生矩阵提取纹理特征的方法并对利用纹理特征影像辅助光谱特征分类的方法进行了研究.实验结果表明,纹理特征辅助光谱特征分类能够提高遥感影像分类的准确性和精度.     

遥感影像快速正射处理系统测试方案探讨

在Ortho系统发布前的软件测试中设计了一套测试方案,按照该方案中的测试路线和方法,通过采用各种基础资料进行试生产和与PCI软件的比对,测定了Ortho系统存在的缺陷和不足,并结合实际情况,给出了恰当的分析意见和验证了方案的正确性。     

基于光谱角制图法的遥感异常信息提取

借用光谱角制图法,依据所用数据与参考端元矢量之间的夹角不同,对研究区进行空间区域划分,在不同空间区域采用不同方法和参数提取遥感异常信息,所得结果结合遥感地质解译（岩性、构造）圈定出研究区内的找矿远景区。     

决策树算法在西藏遥感影像分类中的应用研究

将决策树算法引入到遥感影像分类中,以提高分类的精度。首先对影像进行预处理,然后利用C5.0算法在分析地物光谱特征、纹理特征、归一化植被指数的基础上,自动提取分类规则,构建决策树,实现地物的自动分类。为验证该算法的有效性,选取西藏某地区TM影像作为实验数据,与监督分类的精度进行对比,实验结果表明,决策树分类方法能取得较好的分类效果。     

遥感图像中特定目标检测的方法

随着遥感技术的发展,通过遥感手段获得的数据量越来越大,在海量的遥感数据中,如何能够快速找出有用的信息,是遥感应用重要的研究课题之一。然而,现有设备的有限处理能力和传统的图像处理方法一直是海量遥感图像数据中信息提取和分析的主要瓶颈,严重制约着数据的实际应用效率。根据人类视觉特性,提出了对于特定的遥感目标快速检测的方法,从而为目标的增强以及分类奠定了基础。     

小波滤波器及遥感影像分类

基于正交小波变换的特征,研究了小波滤波器的长度对影像分类的影响。并在不同滤波器长度下,对22幅遥感地貌纹理影像进行了分类试验,获得了较高的分类正确率。     

基于IHS的多源遥感数据融合

首先简要叙述了IHS法在遥感图像融合中的应用,然后对实验结果进行了分析,并用融合后的图像建立了土地利用类型的解译标志,以期为HIS法用于遥感图像融合提供参考。     

基于空间抽样的农作物面积遥感测量

传统的农作物面积统计通常采用人工统计的方法,费时费力,并且精确度不高,实时性不强。为了快速、准确地获取农作物面积,本文根据实际业务需求,充分利用遥感技术,同时结合地理信息技术,与基于PPS二阶空间抽样主法提出了一套切实可行的农作物面积遥感测量方法和流程。     

监督分类和目视修改相结合在高分辨率遥感影像中的应用

用计算机对遥感影像进行地物类型识别是遥感数字图像处理的一个重要内容,传统的地物分类一般采用MSS、TM和Spot等遥感影像作为数据源。与MSS、TM和Spot等传统遥感影像相比,QuickBird等高分辨率影像数据量大,混合像元减少、地物信息增大,能够被应用于土地分类。在监督分类中,对于达不到精度要求的模板,通常采用重新选择训练区的方法来进行修正,而本文采用目视修改的方法来对监督分类进行补充。本文方法可以改正初次分类中的误分、混分地物,使其归到正确的地物分类中,显著提高了土地分类的精度。为了验证算法的有效性,利用ERDASIMAGING遥感图像处理软件进行实验和精度评价。实验结果表明,监督分类和目视修改相结合的地物分类方法可以显著提高图像的分类精度。