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。     

多分类器融合的遥感影像分类方法实验研究

在遥感影像分类应用中,使用不同种类的分类器对原始图像进行操作所得出的分类结果的分类精度和效率都是不同的,设计完成多分类器融合分类实验,实验可以将不同种单一分类器的优点用适当的方法进行组合,从而获得比单一分类器分类精度和效率更好的分类方法.在此基础上采用投票原理设计抽象级融合的多分类器并完成实验.设计结果表明:多分类器融合的遥感影像分类方法在精度上要比单一分类器的分类精度高.      

基于Landsat的多分类器集成遥感影像分类

针对传统的单分类器分类精度低,难以满足遥感影像分类精度要求高的问题,该文提出了一种多分类器集成分类方法。该方法有效地将支持向量机算法、C4.5决策树算法和人工神经网络算法进行了组合,实现了多种分类器集成的优势互补,在提高单个类别分类精度的基础上实现了整体精度的提高。该文基于Landsat遥感影像,利用多分类器集成分类技术,获取广州市自1987年以来的土地利用/地表覆盖数据,以平均3年为一个时段,共制作11期数据。实验结果表明,产品分类的平均精度达到88.12%,Kappa系数平均值达到0.868,高于3种基分类器的分类精度,对各种地物的分类精度也明显提高。     

利用多分类器集成进行遥感影像分类

基于信息相关理论,根据相关度值动态调整分类器的组合和权重,建立了新型的多分类器集成规则,并应用于决策树分类器、BP人工神经网络分类器和SVM分类器的集成。通过对长沙城区TM影像的分类实验发现:①三种分类器的分类结果存在较明显的差异,水体区的差异像元最少,占水体总像元的15.12%,建设用地区的差异像元最多,占建设用地区像元的54.93%;②三种分类器均具有较高的分类精度,总体精度均超过了74%,而且分类器各有优势,决策树分类器能够较好地分出水体和建设用地,BP分类器能够较好地分出水体和林地,SVM分类器对水体、林地和建设用地均有较高的分类精度;③基于全信息相关度的多分类器集成分类法明显地提升了分类结果的精度,分类精度达到了85.71%,Kappa系数达到了80.56%。     

结合多分类器的遥感数据专题分类方法研究

采用标准的多分类器结合方法进行遥感图像的分类研究。首先介绍了标准的多分类器结合的算法,然后以Landsat-TM多光谱遥感数据的土地覆被分类为例,分别给出了抽象级上相同训练特征的多分类器结合、抽象级上不同训练特征的多分类器结合和测量级上的多分类器结合进行土地覆被分类的方法,并进行了实例研究。参与分类器结合的单个分类器包括最大似然分类器,最小距离分类器,马氏距离分类器,K-NN分类器,多层感知器神经网络分类器。分类器的分类精度用总体精度、用户精度、生产者精度、kappa系数和条件kappa系数评价。结果表明,每一种多分类器结合的分类方法都能够比较显著地提高总体分类精度。文章最后对不同多分类器结合方式的优缺点进行了分析。     

基于Bayes融合法的多源遥感影像分类

提出了顾及各类数据源成像模型，上下关系模型的可靠性的基于Ｂａｙｅｓ融合分类的方法，并采用该方法对ＬａｎｄｓａｔＴＭ和航空ＳＡＲ影像进行了土地利用分类试验。结果表明，同单独ＳＡＲ影像分类结果相比，融合分类法将分类精度提高了２０％。     

基于多分类器组合面向对象遥感影像信息提取方法

提出最近距离法和基于知识规则的模糊分类法相结合的混合分类法,针对IKONOS遥感影像,分别用最近距离法、基于知识规则的模糊分类法以及混合分类法对影像进行信息提取。结果表明：混合分类法的信息提取精度最高,总体精度提高到95.60%,Kappa系数提高到0.944,其为面向对象的高分辨率影像信息提供理想方法。     

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。     

多种分类器结合的遥感影像分类研究

通过对遥感影像的分类方法及原理的分析,以多光谱遥感影像为依据,采集农田、菜地、居民地等三类地物样本.利用Matlab软件,分别使用最短距离分类器、贝叶斯分类器及BP神经网络分类器三种分类器将遥感影像进行分类实验.通过投票法,融合不同分类器最终的输出结果,将多种分类器的遥感影像分类进行整合,提高了影像的分类精度.     

一种基于多尺度分割的遥感影像地物分类方法

面向对象分类方法能够解决基于像素分类方法带来的"椒盐噪声"缺点,并能利用分割单元构建对象特征空间,从而提高分类精度。常规的面向对象分类通常会设定经验或最优分割参数,在此基础上进行面向对象遥感影像分类。然而,不同地物具有不同最优分割参数,这样会导致地物分类精度不佳。因此,采用分割参数分级化思想,使用大、中、小尺度进行分阶段分割,首先对水域和浓密植被进行分类,然后再对其他地物进行细分,能够有效提高分类精度。通过对南京市Landsat-8卫星的OLI影像进行实验,试验证明,本方法在精度和分类效率上具有一定优势,在实际工作中可以提供借鉴。     

基于随机森林分类方法和多源遥感数据的湿地植被精细分类

利用大丰市沿海滩涂湿地区域的高光谱影像和同时期的机载LIDAR数据,结合影像的光谱信息,采用随机森林算法(RF)对研究区进行湿地植被精细分类,并分析和评价分类模型参数设置对总体精度的影响,最后与SVM分类结果进行对比。结果表明:随机森林分类方法的总体精度为90.3%、卡帕(Kappa)系数为0.874;与传统的SVM分类方法相比,RF法均提高了4种湿地植被的生产者精度和使用者精度。通过分析RF分类模型参数设置对总体精度的影响,得出当生长树个数为30、生长树深度为30时,分类精度最高。     

基于主成分判别分析的高光谱遥感影像分类方法

提出了一种基于主成分判别分析的高光谱遥感影像分类方法。针对高光谱遥感影像数据量大、冗余信息多的特点,使用改进的线性判别分析方法对高光谱遥感数据进行线性维数减少。该方法将主成分分析加入到线性判别分析的算法框架中,能够克服常规的线性判别分析方法在训练样本数量较少时遭遇到的小样本问题。通过实验,证明基于主成分判别分析的遥感影像分类方法能够利用少量的训练样本实现更优的分类精度。     

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...     

一种基于决策树方法的遥感影像分类研究

以江苏省泗阳县的Quick Bird影像为研究对象,基于影像的光谱信息、纹理信息、植被指数,采用CART决策树对影像进行分类,并将结果与最大似然分类结果进行比较。结果表明,此方法分类精度与Kappa系数均得到提高。     

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。     

基于分辨率融合的多尺度遥感影像分类技术研究

影响遥感图像分类效果的主要因素之一是影像的空间分辨率。本文将Quickbird多光谱影像与高分辨率全色影像相融合,在保留了光谱信息的同时提高了影像分辨率。然后对融合后的影像进行多尺度分割,并运用地物的光谱统计特征、形状、纹理、类间关系等因素进行相关信息的提取。采用面向对象的模糊分类方法对试验区影像进行分类,最后对结果进行了精度评价。试验表明这种方法具有较高的精度。     

基于K均值聚类的高光谱遥感影像分类研究

讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。     

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。