基于改进Kohonen神经网络的遥感影像分类

提出了一种基于改进后的Kohonen自组织特征映射神经网络的聚类方法,应用于多光谱遥感影像分类处理,试验证明其分类精度有较大提高。     

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。     

自组织网络在遥感土地覆盖分类中应用研究

设计完成和比较了自组织网络的几种算法在遥感土地覆盖分类中的应用,结果表明非监督和监督学习结合方法进行遥感土地覆盖分类,各算法在分类性能上无显著差异,因此可采用算法和较简单的单竞争学习网络,根据最邻近原则进行非参数分类。     

投影寻踪学习网络的遥感影像分类

采用投影寻踪(projection pursuit,PP)学习网络方法建立了一种新的遥感影像分类模型。该方法结合了统计学中投影寻踪算法节点函数灵活的非参数估计特点和人工神经网络的自学习功能,具有简捷的网络结构和良好的鲁棒性能。利用苏州市TM影像进行了分类实验,将分类结果与BP神经网络和最大似然法的分类结果相比较,投影寻踪学习网络的分类精度较高,具有一定的实用性。     

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。     

人工神经网络在遥感数字图像分类处理中的应用

近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段,并有逐步取代最大似然法的趋势。本文重点讨论国外遥感图像分类处理研究中应用效果显着或应用前景广阔的一些神经网络方法。最后讨论了有关上述方法在遥感数据分类处理中实际应用的一些原则性问题。     

自组织神经网络在遥感影像分类中的应用研究

竞争学习网络与Kohonen神经网络相比,由于不考虑邻域神经元,其网络结构相对简单。采用这种简化的网络结构,并对其学习算法进行改进,用最大、最小距离法设置的初始聚类中心来代替随机初始中心。实验结果表明,用改进的竞争学习网络对遥感影像进行非监督分类,在分类精度和效率上都有较大的提高。     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

AdaTree算法在遥感影像分类中的应用

为了进一步提高遥感图像分类的精度,提出了一种基于Log-Gabor小波和Krawtchouk矩的遥感图像分类算法。首先利用Log-Gabor小波对遥感图像进行多方向、多分辨率滤波,提取遥感图像的纹理特征;同时计算遥感图像的Krawtchouk矩不变量,作为遥感图像的边缘形状特征,并与基于Log-Gabor小波提取的纹理特征构成完整的特征向量;最后依据所提取的特征向量利用支持向量机(support vector machine,SVM)分类器对待分类图像进行分类,得到最终的遥感图像分类结果。实验结果表明,与近年来提出的基于Gabor小波、基于Log-Gabor小波、基于Krawtchouk矩等3种遥感图像分类算法相比,本文算法在主观视觉效果和分类精度等客观定量评价指标上都有了明显的改善,是一种行之有效的遥感图像分类算法。     

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SOM神经网络的城市土地覆盖遥感分类研究

土地覆盖及其变化的研究作为区域及全球环境变化研究所需的极为重要的地表参数,是遥感应用分析的主要内容之一。以往所采用的遥感分类方法主要针对侧重于土地社会属性的土地利用类型的分类研究且很难获得理想的精度。本文在非监督的自组织映射神经网络的基础上进行了一定的改进,构建了有监督的神经网络模型,以湖南省长沙市主城区的土地自然属性为侧重点,对其土地覆盖进行分类。实验结果表明:利用本文所使用的方法得到的分类结果,其总体精度和Kappa系数均高于传统的分类方法得出来的分类结果。     

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。     

NOAA卫星图像神经网络分类方法的探讨

阐述了应用神经网络对NOAA卫星图像进行分类的基本原理和方法,并进行了实例分析,结果表明了该方法的有效性。     

基于RS和GIS的杨凌示范区土地利用动态分析

根据1986年、1995年和2003年三期TM遥感影像,利用遥感和地理信息系统空间分析方法,研究了1986~2003年间杨凌示范区的土地利用动态变化情况。分析结果显示:①在1986~2003年间,耕地面积逐年下降,17年间下降了20多km2,具体体现在:1986年、1995年及2003年耕地分别占总土地面积的74%、59.7%和50.8%;而园地面积增加幅度最大,增加了近12 km2,年变化率近10%;林地和交通用地也有了明显的增加,增长幅度分别为7.4%、7.1%;此外,居民点用地也有明显增加。②杨凌在1986~1995年间,居民点用地几乎没有变化,而1995~2003年间居民点用地有了大幅度的增加;另外,2003年交通用地比1995年在总土地面积中所占的比例增加了1.6%,这充分说明了杨凌的城市化步伐不断加快。     

分层神经网络分类算法

提高遥感图像分类精度一直是爱到普遍关注的焦点问题。近年来,人工神经网络技术和分 处理技术由于它们的许多优点受到广泛欢迎。本文把两种技术结合起来,提出了分层神经网络的概念,并基于此设计了一种分层神经网络分类算法。通过与最大似然法的对比实验表明,这种分层神经网络分类算法可以明显地提高分类精度,并对不规则分布的复杂数据具有很强的处理能力。     

应用图像关联度的图像模糊分类

提出了应用图像关联度的图像模糊分类新方法。该方法在求得每幅图像相对各个类别的关联度的基础上,求得每个类别图像关联度的均值和标准差σ;然后计算每幅图像的关联度与所在类别关联度均值之差Δi,差值Δi≤2σ,该图像应“留“在该类中;否则,该图像应归入与另两个类别的关联度较大的类别。每幅图像都经过这样的检验,实现图像的再划分,直到这一过程稳定为止。实验结果表明,该方法的图像分类质量有一定优势。     

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。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。