基于决策树的遥感图像分类方法研究

在遥感领域中,遥感图像分类是一项十分重要的内容,也是运用遥感技术手段提取地物类别信息的一个关键环节。本文以TM影像为研究对象,采用决策树分类方法进行研究分析,详细地论述了该分类方法的整个研究流程,并得到分类后的结果图,最后利用混淆矩阵和Kappa系数对分类后的结果进行精度分析。通过与最大似然分类方法进行比较发现,决策树分类方法的分类效果明显,分类精度较高,总体分类精度、kappa系数均达到90%以上,为遥感图像分类提供了广阔的发展前景。     

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娄算法。首先阐述了Hopfield神经网络的结构及其工怍原理，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ENVI的遥感影像分类

传统的遥感影像是依据地物的波谱信息来进行分类的。这往往会产生"同物异谱,异物同谱"的问题,使得分类精度和效果不理想。因此本文采用基于专家知识的决策树C4.5法,利用地物的波谱信息、归一化植被指数、主成分分析等特征构建决策树,与监督分类中的支持向量机法、最小距离法去比较。实验结果表明,几种分类方法中,决策树法分类法的分类规则易于理解,准确率较好,所需分类时间短,总体分类效果最为理想,验证了决策树法在遥感影像分类领域的优势。     

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。     

改进利用蚁群规则挖掘算法进行遥感影像分类

基于ant-miner算法,提出改进蚁群规则挖掘算法.首先,从信息素浓度增加项、信息素挥发系数两方面,改进信息素浓度更新策略;其次,在算法求解中,引入变异算子,有效加快进化过程,缩短计算时间,获得较好的分类规则.以长沙市城区2006年TM影像为试验数据,在分类试验中对算法进行了验证.结果表明,相对于ant-miner和决策树方法而言,改进蚁群规则挖掘算法能挖掘出规则数目更少、形式更简单的分类规则,同时缩短计算时间,从而能够提高分类精度和效率.     

基于ENVI的遥感图像决策树分类

传统遥感图像分类方法一般是基于概率统计,然而人们一直致力于提高分类精度的研究。本文利用ENVI5.0对研究区分别进行了最大似然法、ISODATA法、决策树三种遥感图像分类;首先对三种分类方法进行简单阐述,然后图像预处理,选取训练样本,最后进行分类。通过数据比较和图表分析,可以看出这三种分类方法中,决策树分类精度最高,最大似然分类次之,ISODATA分类精度最低。决策树分类法可以有效地提高图像分类的精度。     

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。     

地理信息系统支持下的山区遥感影像决策树分类

山区遥感影像分类是遥感研究的一大难题。本文利用一种决策树生成算法（C 4.5算法）自动提取知识，基于知识建立决策树用于山区影像分类，并结合研究区土地利用类型与DEM空间统计关系的先验知识，在GIS空间分析的基础上进行影像分类的后处理。与传统的最大似然法分类结果相比，该方法极大地改善了山区地表覆被分类的精度，得到试验区较为可靠的遥感分类图像。     

基于遗传和蚁群组合算法优化的遥感图像分割

将遗传算法和蚁群算法组合对模糊聚类进行优化,巧妙地对图像的像素特征和空间特征进行提取,利用这些特征作为聚类依据,将图像的多个特征结合到智能计算中,充分利用了遗传算法和蚁群算法各自的优势和特点,既提高了图像分割的准确性,又加快了分割过程的速度。实验结果表明,遗传算法和蚁群组合算法优化的模糊聚类是一种性能良好的遥感图像分割方法。     

基于遥感影像的城镇建筑物分类

震害损失主要是由建筑物损毁造成的,对城镇建筑物进行有效分类可以做好震害风险防范,通过遥感影像信息提取的方法对建筑物进行分类能提高工作效率.采用多分割图层及多尺度分割技术,利用特征库阈值分类与样本最邻近分类相结合的方法对遥感影像建筑物进行信息提取及分类.分类结果精度评价表明该方法优于利用单一分割图层样本最近邻分类结果,可...     

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。     

基于PCAnet的高分辨率遥感影像场景分类

高分辨率遥感影像中的场景信息,对影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征,但是高分辨率遥感影像的信息丰富,场景构成复杂,需要高层次的特征来表达。本文提出一种基于PCAnet的高分影像场景分类算法,无监督地逐级提取深层特征。首先,利用显著性探测算法获取显著图,根据显著区域,采样具有代表性的影像块作为初始样本集;然后,将样本集输入到PCAnet中进行特征提取;最后,利用支持向量机(SVM)进行分类。高分影像场景数据UC Merced 21类实验表明,与已有方法相比,本文方法能够有效地提高分类精度。     

元胞自动机的遥感影像混合像元分类

通过对元胞自动机理论的研究,提出元胞自动机的遥感影像混合像元分解模型。利用多波段遥感数据验证混合像元分解算法的可行性,并将结果与线性分解模型进行比较。结果表明,元胞自动机混合像元分解模型在分解的准确性方面,明显优于一般线性模型的精度。最后,将分类结果与传统的监督分类算法比较,得出元胞自动机的混合像元分解模型明显优于监督分类精度的结论。     

基于布谷鸟算法的遥感影像智能分类

提出了一种新的基于布谷鸟算法的智能式遥感分类方法。采用布谷鸟智能优化算法,自动搜索遥感影像各波段的最优阈值分割点,并定义各波段最优阈值分割点和影像分类目标类别的连线为布谷鸟的最佳解,构造以If-Then形式表达的遥感分类规则。将所提的基于布谷鸟算法的影像分类方法应用于ALOS影像分类中,并与蜂群智能遥感分类方法和See5.0决策树方法进行了对比分析。结果表明,布谷鸟智能遥感分类的总体精度和Kappa系数均比蜂群智能遥感分类和See5.0决策树方法更高,该智能遥感分类方法具有更好的分类效果。     

融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。     

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.     

基于人工免疫系统的遥感图像分类

提出了一种基于人工免疫系统(ArtificialImmuneSystem)的分类方法。该方法首先应用人工免疫系统的克隆选择算法对样本进行自学习,得到全局最优的聚类中心,然后利用学习得到的聚类中心对整幅影像进行分类。由于人工免疫系统继承了生物免疫系统的自组织、自学习、自识别、自记忆的能力,从而使得人工免疫系统具有非线性的分类能力,并能够快速准确地得到全局最优解,克服了传统分类方法约束条件多,容易陷入局部最优的缺点。实验结果证明,该算法分类精度上优于传统的分类方法,总精度和Kappa系数分别达到了89.80%和0.8725,因而具有实用价值。     

基于蚁群优化的特征选择新方法

利用蚁群优化算法解决特征选择问题,以获得能代表问题空间的较优特征子集,并能降低分类系统的搜索空间。以航空纹理影像的特征选择和分类问题为例,利用主分量变换和蚁群优化算法分别对原始纹理影像特征集合进行特征提取、选择和分类。结果表明,本文方法不仅能够降低图像特征空间维数,减少图像分类的工作量,而且还可以提高分类识别的正确率。