基于Hopfield神经网络模型的遥感影像分类算法

针对遥感影像的分类特点,提出了一种基于Hopfield神经网络模型的遥感影像分类算法.首先阐述了Hopfield神经网络的结构及其工作原理,分析了Hopfield神经网络优化规则;然后在Hopfield神经网络通用模型基础上,实现了Hopfield神经网络的算法.实验结果表明,这种分类器具有较高的精度与效率,分类结果优于最大似然分类法.     

基于RBF神经网络的遥感影像分类算法研究

提出了运用径向基函数神经网络和K均值法进行遥感影像分类的算法，以实际的遥感影像分类为例，通过与传统的最小距离法进行比较，对RBF神经网络分类器的优点进行了归纳，并就算法实施中的一些问题进行了探讨。分析结果表明，RBF神经网络是一种有效的图像分类器。     

改进最大似然遥感影像分类方法——以SAR影像为例

针对常规最大似然分类算法中类别先验概率获取困难及遥感影像分类问题,提出了一种有效的改进最大似然遥感影像分类方法.该方法能使用类别样本的统计信息,实现类别先验概率的自动和最优提取,从而很好地解决了基于统计监督分类方法中无法直接获取类别先验概率的问题.以6景Radarsat-1 精细模式SAR影像数据为例进行的分类实验证明,该算法分类效果较好,针对单波段、单极化的SAR影像,其精度可望达到80%.     

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。     

基于改进BP神经网络的遥感图像分类研究

本文针对基于传统BP神经网络方法的遥感图像分类存在学习速度慢、易陷入局部最优解的问题,提出基于遗传算法的改进BP神经网络结构,以提高遥感图像分类精度。本文基于遗传算法确定权值和神经元数目完成对BP神经网络的模型优化,最后通过宣城市遥感信息图像处理实例,对最大似然、传统神经网络以及改进BP神经网络三种方法的分类结果定量分析,结果表明改进的BP神经网络方法分类精度最高。该改进方案对遥感图像的信息提取提供了新的思路。     

基于SVM的多源遥感影像分类研究

本文通过分析单源遥感影像分类的现状和困难,以SAR和SPOT-5影像为实验数据,提出了基于支持向量机(Support Vector Machine,SVM)理论的多源遥感影像分类方法。研究结果表明,本文的方法能够有效地解决单源影像信息分类效果破碎的问题,正确识别地物,对高维输入向量具有高的推广能力,正确率达到94.97%,比多源影像的最大似然分类(Maximum Likelihood Classification,MLC)方法正确率更高。     

遥感图像最大似然分类方法的EM改进算法

基于参数化密度分布模型的最大似然方法（MLC）是遥感影像分类最常用手段之一，与其他非参数方法（如神经网络）相比较，它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点。但是由于遥感信息的统计分布具有高度的复杂性和随机性，当特征空间中类别的分布比较离散而导致不能服从预先假设的分布，或者样本的选取不具有代表性，往往得到的分类结果会偏离实际情况。首先介绍了用基于有限混合密度理论的期望最大（EM）算法来作为最大似然函数（MLC）参数估计的方法－EM－MLC。该模型首先假设总体混合密度分布可被分解为有限个参数化的高斯密度分布，然后把具有先验知识的样本与随机选取的未知样本混合在一起，通过EM迭代计算来估计出各密度分布的最大似然函数的参数集，从而一定程度上避免了参数估计可能出现的偏离。最后，本文提出了基于EM－MLC遥感影像分类的具体实施流程和应用示范，并与一般最大似然方法（MLC）得到的分类结果进行了定性和定量的综合比较，认为EM－MLC在精度上得到了提高。     

基于无人机影像样本的遥感图像分类方法

对于遥感图像计算机自动分类而言,样本选择至关重要,直接影响分类结果精度。为了提升样本选取的质量,本文在实验区卫星影像覆盖范围内选取了几个样本点。对每个样本点利用无人机采集了约0.3 km2的数据,通过后期处理生成正射影像。在正射影像中选取耕地、植被、水体、建筑和道路等几类地物的样本,采用最大似然值法对卫星影像进行相应类别信息提取。实验结果表明：在无人机高分辨率影像上解译的样本作用于卫星遥感影像,并利用最大似然值法进行信息提取,其方法可行,分类精度优于在卫星影像上选择的样本。     

结合光谱角的最大似然法遥感影像分类

遥感影像含有丰富的信息,反映了地物特征。其中光谱角侧重描述了光谱的形状特征,具有对多光谱图像增益不敏感的特点。最大似然法是遥感影像分类最常用的方法之一,文中对该方法的后验概率判别函数进行修改,将光谱角以概率因子的形式加入到判别函数中构造一种新的判别函数,有机地将光谱角这一特征信息加入影像分类。通过实验,并与最大似然法和光谱角匹配法分类结果进行比较,结果表明,结合光谱角的最大似然分类法的分类精度得到提高。     

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。     

基于ENVI的遥感图像监督分类方法比较研究

基于监督分类方法在遥感影像分类中的普遍应用,介绍了四种ENVI提供的常用的监督分类方法。对同一TM图像运用这四种方法进行分类,并对分类结果进行了对比,从而分析了这四种方法分类精度之间的差异。     

结合最大似然算法和波利亚罐模型的全色遥感图像分类

最大似然（ML）算法是一种应用广泛的遥感图像监督分类方法,该算法对样本区域的选择有很高的精度要求,选择难度降低了算法的效率。为此,本文提出了一种结合ML算法和波利亚罐模型的全色遥感图像分类方法。首先由ML算法得到各像素分属各类别的概率,根据得到概率计算此像素的罐模型中不同颜色小球的数量,完成图像罐模型的建立;根据波利亚罐模型随机采样过程,结合邻域,更新中心像素的罐模型中各类颜色小球的组成,直到各类小球数量比例达到稳定,得到最终分类结果。该方法可以进一步精确地对图像进行分类,且对样本选择无要求,简化了分类过程;分别对合成图像和真实遥感图像进行了试验,取得了较好的试验结果;定性和定量分析结果验证了该方法的可行性及有效性。     

一种利用K均值和SOM进行遥感图像分类的方法

探讨了一种将K均值算法和SOM神经网络算法相结合的方法,并将其应用于多光谱遥感图像分类,通过与K均值算法、ISODATA算法和SOM算法的对比实验,验证了该方法的有效性.     

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。     

GABA算法的遥感图像分类

为了弥补蝙蝠算法后期收敛速度慢、寻优精度不高、易陷入局部最优值的缺点,本文提出了一种新的遥感图像分类算法--GABA算法,该算法将遗传算法中的选择、交叉、变异操作应用到蝙蝠算法中,使蝙蝠算法具有变异机制,避免种群个体陷入局部最优,提高了算法全局寻优能力,增加了蝙蝠算法的多样性。同时,为了突出本文算法的优点,试验将蝙蝠算法、K-means算法、粒子群算法与本文算法结果进行比较,分析评价遥感图像的分类结果。试验表明本文算法在遥感图像分类应用中既提高了分类精度又减少了分类时间,是一种可行、有效的遥感图像分类方法。     

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.     

BS-GEP算法在水利遥感图像分类中的应用

在地物环境状况较为复杂时传统基于统计学遥感分类算法难以得到较高的分类精度。针对这一问题,这里将基于分组策略的改进基因表达式编程算法(BS-GEP)应用到遥感图像分类问题中,避免传统的基因表达式编程算法由于种群多样性破坏引起局部收敛,解决地物状况复杂时难以得到较高分类精度的问题。实验结果表明:基于分组策略的基因表达式编程算法的分类器提取的分类规则能转为数学表达式形式并能获得较高的分类精度,与基因表达式编程算法(GEP)相比分类结果混淆程度相对较低,与最大似然法相比分类结果相对清楚,模型分类精度达到93%。