面向对象规则和支持向量机的天宫一号高光谱影像分类

传统的高光谱分类方法通常基于单一像元的光谱或纹理特征,很少考虑地物空间结构信息与空间相关特征.本文将面向对象规则与基于像元的分类进行融合,利用对象的空间结构特征和光谱特征进行混合分类,旨在克服像元层次分类的不足.本文尝试性的提出了两种混合分类方法:(1)基于分形网络演化的多尺度分割支持向量机分类(2)基于多层分水岭分割的SVM分类,并将这两种方法应用到天宫一号高光谱数据上.结果表明:基于面向对象规则的混合分类方法有效地提高了分类精度,不仅能够改善同谱异物现象,而且解决分类结果中地物破碎的问题.     

西北旱区遥感影像分类的支持向量机法

针对较大范围、不同时相、不同气候和地貌类型的遥感影像的土地利用现状分类问题,提出了一种结合标准植被指数和纹理特征的支持向量机法。此方法改进了陕西延安、甘肃嘉峪关和青海果洛的遥感影像分类,有效地解决了最大似然法和BP神经网络法的缺陷造成的分类精度不高的问题。分类结果表明:与最大似然法和BP神经网络法相比,结合标准植被指数和纹理特征的支持向量机法的分类总精度最高(97.75%),Kappa系数为0.9691。该方法可为西北旱区遥感影像解译和土地资源可持续发展战略提供方法支撑。     

粗糙集高分辨率遥感影像面向对象分类

面向对象的高分辨率遥感影像分类已受到研究者们的广泛关注。本文提出一种基于粗糙集理论的面向对象分类方法以区分高分辨率遥感影像上的不同地物。首先,利用基于相位一致梯度与前景标记的分水岭变换进行影像分割,提取图像斑块;然后,利用Gabor小波提取斑块的纹理特征,进而根据粗糙集理论提取纹理分类规则;最后,在对象光谱特征的初步分类结果,根据纹理分类规则得到最终结果基础上。依据粗糙集理论只能处理离散属性数据,本文重点提出一种适用于面向对象分类的连续区间属性离散化方法。实验表明本文方法可取得较好分类结果与较高分类精度。     

面向对象的天绘遥感影像分类

天绘一号是我国第一代传输型立体测绘卫星,主要用于科学研究、国土资源普查、地图测绘等领域的科学实验任务。以天绘影像为实验数据,利用面向对象的影像分割技术,通过选择合适的尺度参数对影像进行分割。结合SVM对得到的影像对象层进行分类实验。具体分析了SVM分类器核函数的选择以及参数的设置对分类精度的影响。最终分类实验结果的总体精度为90.857 1%,Kappa系数为0.858 1。将分类结果与传统基于像元的马氏距离分类法和最大似然值分类法的分类结果进行比较,总体精度分别提高了约29.29%、5.91%,Kappa系数分别提高了约0.35、0.06。实验结果表明,面向对象的SVM分类法不仅对影像分类的精度有大幅度的提高,同时,也很好地解决了传统基于像素分类法出现的"椒盐"现象,是一种很有优势的影像分类法。     

基于支持向量机的遥感影像分类比较研究

支持向量机是建立在统计学习理论基础上的一种新的人工智能算法,较好地克服了传统分类方法中存在的小样本、非线性、过学习、高维数、局部极小点等问题,是一种极具潜力的遥感影像分类算法。本研究采用Landsat-5的TM影像,用支持向量分类法对影像进行分类,分析了支持向量机不同参数组合情况下的分类精度,并对支持向量分类法与传统分类方法进行了比较,发现支持向量分类算法具有参数选择范围宽,不要求对待分类区域地物光谱特征和影像分布特征具有先验知识,分类精度高等特点,对于在没有现场同步实测数据的区域进行精确的分类具有特别重要的价值。     

基于多尺度特征融合和支持向量机的高分辨率遥感影像分类

相对传统的中低分辨率遥感数据而言,高空间分辨率遥感影像同一地物内部丰富的细节得到表征,空间信息更加丰富,地物的尺寸、形状以及相邻地物的关系得到更好的反映,但其光谱统计特性不如中低分辨率影像稳定,类内光谱差异较大,而传统分类方法仅依据像元的光谱值,因此在高分辨率影像分类中,传统方法往往不能获得好的结果。在此背景下,提出了一种多尺度空间特征融合的分类方法,旨在利用不同尺度的空间邻域特征弥补传统方法的不足。其基本过程是：首先针对不同尺度特点,用小波变换压缩空间邻域特征,并结合支持向量机得到不同尺度下的分类结果,然后根据尺度选择因子为每个像元选择最佳的类别。文中QuickBird和IKONOS影像实验证明该算法能有效提高高分辨率影像解译的精度。     

高光谱遥感影像支持向量机分类中噪声影响的研究

为了验证噪声对支持向量机分类器性能的影响,对"SVM可以有效用于含噪声和不确定性数据"这一观点进行定量分析评价,采用国产OMISII传感器获得的高光谱遥感数据进行了试验,为了更好地比较SVM分类器的抗噪性,先对原始数据进行支持向量机分类,然后在高光谱遥感影像中人为添加不同比例的椒盐噪声和条带噪声,然后进行支持向量机分类...     

基于支持向量机的高光谱遥感分类进展

支持向量机作为一种最新的也是最有效的统计学习方法,近年来成为模式识别与机器学习领域一个新的研究热点。支持向量机因其适用高维特征、小样本与不确定性问题的优越性,是一种极具潜力的高光谱遥感分类方法。在分析基于支持向量机的高光谱遥感影像分类进展的基础上,对若干需要进一步研究的问题包括多类分类策略、训练样本与特征空间优化、不确定性控制、核函数选择与优化等进行探讨。     

基于支持向量机的航空影像纹理分类研究

提出一种用SVM解决航空影像纹理分类的方法。在利用一些常用的纹理特征的基础上,将SVM用于航空影像纹理分类,有效地解决了特征选择难和高维数问题。试验表明,这种方法可以取得较好的结果。     

引入商空间粒度计算的全极化SAR影像分类

为了充分利用不同极化特征信息,并将其有效地结合,提出一种结合粒度计算的全极化合成孔径雷达（synthetic aperture radar,SAR）影像分类方法。在不同极化目标分解特征组合的基础上引入影像纹理信息,利用光滑支持向量机（smooth support vector machine,SSVM）对不同特征组合进行类别划分获得粗粒度空间,采用商空间对粗粒度进行合并;根据全极化SAR影像分布特性,以相干矩阵作为新的特征矢量,利用Wishart测度代替传统欧氏距离对差异粒度进行推理,通过合并推理结果与合成论域,获得精细分类结果。采用L波段San Francisco地区和荷兰Flevoland地区的全极化SAR影像进行分类试验,结果表明:利用SSVM算法对全极化SAR影像进行粗粒度划分,并采用Wishart距离对差异粒度推理综合,总体分类效果优于结合纹理信息的Cloude及Yamaguchi4分类结果,且优于基于线性特征融合进行监督分类方法。     

高分辨率遥感影像的支持张量机分类方法

针对高分辨率遥感数据分类多特征、小样本的特点,将训练样本像素邻域的数据立方以三阶张量表征,并提出了利用支持张量机对训练样本进行监督分类的模型和解法。实验结果表明,此方法能够利用少量的训练样本实现更优的分类精度。     

高光谱影像信息向量机分类

信息向量机是一种基于贝叶斯理论的稀疏高斯过程方法,其模型训练速度快、内存耗费小、稀疏性强,具有良好的预测性能。本文从高斯过程回归模型出发,提出了一种基于信息向量机的高光谱影像分类方法,针对高斯过程分类中的非高斯噪声模型,采用假定概率滤波算法将分类问题转化为回归问题,通过最大化边缘似然函数进行模型训练,选择活动子集中的信息向量数量达到了稀疏的目的。通过ROSIS影像试验,表明了基于信息向量机的高光谱影像分类方法的优势。     

一种基于支撑向量机的遥感影像不完全监督分类新方法

不完全监督分类是研究在只有目标类训练样本的情况下如何准确地将目标类从数据集中提取出来。在许多遥感应用问题中,往往只需要从遥感影像中提取某一类地物。如果分类过程中只要选取目标类训练样本,将节省在训练样本选取过程中的大量人力物力。因此不完全监督分类是一个值得研究的遥感分类问题。提出了一种基于加权无标识样本支撑向量机(WUS-SVM),并在其基础发展出一种不完全监督分类方法。该方法分3个步骤:(1)在影像中随机选取一定量的无标识样本,将它们作为具有不同权重的非目标类训练样本;(2)用目标类的训练样本和加权无标识训练样本一起训练WUS-SVM,得到初步的分类器;(3)利用初步的分类器确定无标识样本的类别,并与原目标类训练样本一起再次训练SVM得到最终的分类器。通过对模拟数据和遥感影像的分类试验初步证明了该分类方法的有效性。     

基于相关向量机的高光谱影像分类研究

虽然支持向量机在高光谱影像分类得到成功应用,但是它自身固有许多不足之处。相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,其核函数不需要满足Mercer条件,不仅具备良好的泛化能力,而且还能够得到具有统计意义的预测结果。本文从分析支持向量机用于高光谱影像分类存在的不足出发,提出了一种基于相关向量机的高光谱影像分类方法,介绍了稀疏贝叶斯分类模型,将相关向量机学习转化为最大化边缘似然函数估计问题,并采用了快速序列稀疏贝叶斯学习算法。通过PHI和OMIS影像分类实验分析表明了基于相关向量机的高光谱影像分类方法的优越性。     

应用分水岭变换与支持向量机的极化SAR图像分类

结合分水岭变换与支持向量机的特性,提出一种新的极化SAR图像分类算法。其基本思想是先通过分水岭变换及区域合并处理,将极化SAR图像分割成一系列同质区;再以同质区为基本单元,进行特征提取及样本选择后采用支持向量机分类。实验结果表明,该算法可有效降低相干斑对分类的影响,与传统基于像素的SVM算法相比,其分类精度有显著的提高,且结果也更易于理解。     

一种基于输入向量机的高光谱影像分类算法

支持向量机分类方法存在惩罚系数需要交叉验证获取、训练时间较长、支持向量个数随着训练样本数量的变化而变化,以及稳定性和稀疏性较差等问题。针对这些问题,提出了一种基于输入向量机的高光谱影像分类算法。该算法在核逻辑回归模型的基础上,采用前向贪心算法选择训练样本中的输入向量来进行模型的训练,达到稀疏的目的,提高影像的分类精度和分类效率。通过PHI和OMIS两组高光谱影像分类实验,结果表明基于输入向量机分类算法具有稳定性好、稀疏性强的优点。     

利用分离性测度多类支持向量机进行高光谱遥感影像分类

从支持向量机的基本理论出发,结合高光谱数据的分离性测度,提出了一种基于分离性测度的二叉树多类支持向量机分类器,并用OMIS传感器获得的高光谱遥感数据和Hyperion高光谱遥感数据进行实验,分析比较了各种多类SVM的分类精度,并和传统的光谱角制图和最小距离分类算法进行了比较。结果表明,SVM进行高光谱分类时,基于分离性测度的二叉树多支持向量机的分类精度最高。     

高光谱影像概率分类向量机分类方法研究

从分析基于支持向量机和相关向量机的高光谱影像分类方法的优势和不足出发,将基于概率分类向量机的方法用于高光谱影像分类试验。在贝叶斯理论框架下,概率分类向量机为基函数权值引入截断Gauss先验概率分布,使得不同类别的基函数权值具有不同符号的先验分布,并利用EM算法进行参数推断,得到足够稀疏的概率模型,弥补了相关向量机选取错误类别的样本作为相关向量的不足,从而有效地提高了模型的分类精度和稳定性。OMIS和PHI影像分类试验表明,概率分类向量机能够很好地应用在高光谱影像分类。     

结合高斯马尔可夫随机场纹理模型与支撑向量机在高分辨率遥感图像上提取道路网

在高分辨率遥感图像上,道路网的同物异谱现象更为突出,因此其提取难度更大。提出了一种马尔可夫随机场纹理模型与支撑向量机分类相结合的道路网提取方法。其基本过程是:利用高斯马尔科夫随机场模型6个归一化特征值进行支撑向量机的分类得到道路斑块,利用形态学算子对其进行初步连接并提取轴线,然后通过斑块轴线的启发式连接得到最终道路网。试验证明方法是有效的。     

支持向量机辅助下的智能手机行人运动模式识别

利用智能手机的内置多集成传感器作为数据采集工具,结合支持向量机（SVM）进行行人运动模式识别是智能识别领域中一个重要方法。本文针对行人静止、行走、上/下楼梯、上/下厢梯、上/下扶梯这几种常见的室内运动模式,选取有效特征,利用线性核函数SVM建立分类模型对测试数据进行了识别。试验结果表明：从所采集的行人运动模式的数据中提取13个特征,可在3 s的数据滑动窗口0.5 s数据采样间隔下,得到96.4%的识别正确率。