基于RBF神经网络的高分辨率遥感影像分类的研究

提出RBF神经网络的改进算法,用于高分辨率遥感影像的分类.以实际高分辨率遥感影像为例进行实验,并与传统最小距离分类法进行比较.结果显示,RBF神经网络具有精度高、误分率小的特点,具有较好的应用前景.     

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。     

基于高维云模型和RBF神经网络的遥感影像不确定性分类方法

云模型是用自然语言值表示的某个定性概念与其定量表示之间的不确定性转换模型,RBF神经网络已经广泛应用于遥感影像分类。考虑到传统的RBF神经网络分类技术不能有效表达影像分类过程中存在的不确定性、难以自适应地确定隐含层神经元,本文提出了一个基于高维云模型和改进RBF神经网络的不确定性分类技术。利用高维正态云创建隐含层神经元,使RBF神经网络能充分表达影像分类过程中存在的不确定性。通过峰值法云变换和高维云算法自适应地确定最优隐含层神经元。通过基于概率的权值确定和频率阈值调整,进一步优化RBF神经网络的结构。实验表明,本文提出的方法有较高的分类精度,分类结果基本上与人眼目视解译一致。     

基于RBF神经网络的遥感影像分类器设计

设计了一种运用径向基函数神经网络进行遥感影像分类的监督分类器,以实际的遥感光谱影像分类为例,将分类效果同传统的最小欧氏距离法分类进行比较,探讨了RBF分类的优越性,结果表明RBF神经网络是一种更为有效的图像分类器。     

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。     

结合BRF神经网络的全极化SAR影像分类方法研究

为了解决模糊支持向量机(FSVM)算法应用于全极化SAR影像分类而产生的聚类中心陷入局部过适应问题,本文提出了一种基于模糊分割理论结合RBF神经网络的全极化SAR影像分类方法。主要利用模糊聚类分割、极化分解、纹理特征提取等,构建待分类地物特征集,并通过SGE进行监督降维,采用降维后的待分类地物极化表征完成RBF分类器训练,实现全极化SAR影像监督分类。最终通过C波段Randsat-2全极化SAR数据进行实测检验,结果表明,该方法使得分类结果区域一致性增强,充分地保存了待分类地物细节信息。     

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.     

多源遥感影像像素级融合分类与决策级分类融合法的研究

首先探讨了基于像素的多源遥感影像高频调制融合法，根据成像系统特性和Heisenberg测不准原理，设计的高斯滤波器对高分辨率影像滤波的方法是合理有效的。在研究BP神经网络的基础上，采用动量法和学习率自适应调整的策略，提高了BP神经网络学习算法收敛速度，并增强了算法的可靠性。提出并实现了多源遥感影像像素级融合分类与决策级分类融合两种分类方法，并进行了比较。采用Landsat TM3，4，5和航空SAR影像进行试验，结果表明两种分类方法是行之有效的，均适用于多源遥感影像分类。     

Boosting和Bagging算法的高分辨率遥感影像分类探讨

多分类器集成能够有效地提高遥感分类精度、降低结果中的不确定性,基于样本操作的Boosting和Bagging算法是多分类器系统常用的两种算法。针对高分辨率卫星遥感分类的需求,以Qu ickb ird数据为例,分别以BP神经网络、RBF神经网络和决策树为基分类器,对Boosting和Bagging算法的应用效果进行了实验和分析评价,结果表明Boosting算法和Bagging算法能够用于高分辨率遥感影像分类,具有较好的分类性能。     

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。     

遥感影像提取土地覆盖信息的决策树优化方法

针对高分辨率遥感影像分类的传统ID3算法采用的信息增益熵为局部非回溯的启发式的缺点,提出了决策树引入模拟退火算法,得到一个面向影像特征优先级的优化的决策树分类算法。采用优化的决策树算法进行高分辨率遥感影像的分类,能较好地解决样本依赖性问题,并且得到一个全局优化的分类结果。通过实验,对农村地区的SPOT影像进行分类,并且通过对较优尺度下优化的决策树算法与神经网络算法和最大似然法对实验区域的影像分类精度的比较,证明了与ID3决策树分类方法相比较,优化的决策树方法能有效地提高农村地区在各尺度下SPOT影像的分类精度。     

基于BP人工神经网络的遥感影像分类

重点讨论了遥感图像分类处理过程中应用效果显著的BP神经网络方法,并在Matlab软件平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与ERDAS软件平台下的监督分类结果进行分类精度评定比较分析。结果表明,基于BP神经网络的遥感图像分类总精度比ERDAS软件平台下的监督分类的总精度高,是一种有效的遥感影像分类方法。     

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。     

基于神经网络集成的遥感图像分类与建模研究

对神经网络模型及其集成技术进行深入研究,并将神经网络的信息处理机制应用于影像信息的分类与建模。针对高分辨率遥感图像分类问题,介绍了神经网络应用于图像分类的算法。本文采用BP、RBF和Hopfield神经网络分别进行网络的构建与分类,基于Bagging和Boosting生成个体网络,应用投票方式决定分类结果,并与单个神经网络分类结果对比,计算分类器的分类精度。实验分析表明,该方法具有较强的泛化能力与较高的分类精度等优点,分析了不同集成方式的优缺点。     

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。     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题,提出了一种显著性特征提取方法。首先,利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后,基于分割得到的小区域计算反映不同区域的显著性特征。最后,沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合,并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明,与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比,提取的显著性特征能够获得更高的高光谱影像分类精度,且结合光谱特征能够进一步提高分类精度。     

一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进行拼接,实现土地利用分类.结果表明,与传统的面向对象分类方法相比,该方法的分类精度更高.     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

基于卫星遥感的输油管廊沿线的地物识别研究

基于eCognition软件进行研究区域面向对象的信息提取,对研究区进行多尺度影像分割的实验,找到适合影像地物信息提取的尺度及参数、分类规则,并对研究区的影像数据进行验证,通过eCognition分类结果与传统分类和基于GBDT分类算法结果的对比,说明面向对象的特征提取算法更适用于几何信息和结构信息丰富的高分辨率图像.