Neural network based on rough sets and its application to remote sensing image classification

This paper presents a new kind of back propagation neural network(BPNN) based on rough sets,called rough back propagation neural network (RBPNN).The architecture and training method of RBPNN are presented and the survey and analysis of RBPNN for the classification of remote sensing multi-spectral image is discussed.The successful application of RBPNN to a land cover classification illustrates the simple computation and high accuracy of the new neural network and the flexibility and practicality of this new approach.     

一种建立在CPN基础上的分类方法在遥感影像分类中的应用研究

对偶神经网络利用了自组织映射近似函数的一种新的映射神经网络,其结构组合了Kohonen的自组织映射和Grossberg的外星(Outstar)结构,网络结构相对简单。本文以对偶神经网络分类方法原理为基础,研究了一种理想化的分类方法,并以MATLAB平台为基础对遥感影像进行分类处理,实验结果表明,其分类总精度为94.17%,分类精度较传统监督分类结果有所提高。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

基于CNN-GCN双流网络的高分辨率遥感影像场景分类

高分辨率遥感影像具有复杂的几何结构和空间布局,传统的卷积神经网络的方法仅能提取场景图像中的全局特征,忽略了上下文的关系,导致特征的表达能力受限,制约了分类精度提高。针对此问题,本文提出一个面向高分辨率遥感影像场景分类的CNN-GCN双流网络,该算法包含CNN流和GCN流两个模块。CNN流基于预训练DenseNet-121网络提取高分影像的全局特征;而GCN流采用由预训练VGGNet-16网络得到的卷积特征图构建邻接图,再通过GCN模型提取高分影像的上下文特征。最后,通过加权级联的方式有效地融合全局特征和上下文特征并利用线性分类器实现分类。本文选取AID、RSSCN7和NWPU-RESISC45共3个具有挑战性的数据集进行实验,得到的最高分类精度分别是97.14%、95.46%和94.12%,结果表明本文算法能够有效地表征场景并取得具有竞争力的分类结果。     

基于进化人工免疫网络的遥感影像分类算法

人工免疫网络是受免疫网络理论的启发建立的用于数据处理的一种人工免疫系统。同时免疫系统是进化的,通过不断调节系统内细胞的数量和种类适应外界环境。提出的进化人工免疫网络借鉴免疫网络和进化的思想,是用于遥感影像分类的监督算法。算法通过一个学习过程,得到能够表示训练数据特征的网络细胞,然后利用这些网络细胞进行分类。实验表明进化人工免疫网络是遥感影像分类的有效工具。     

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别,但是针对高分影像涵盖的细节多、类别复杂等特点,中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取,然后利用池化层对重要特征进行筛选,最后将提取到的特征进行组合,形成高阶语义特征,利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题,使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率,相比于传统方法,有效地提高了分类精度,同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

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。     

简化模糊H-ARTMAP神经网络在高光谱遥感分类中的应用

人工神经网络作为一种不需估计类别分布参数的遥感影像分类方法,能够克服分类中的不确定性,提高分类精度。模糊ARTMAP人工神经网络具有稳定、泛化性能好、支持增量式学习等特点,通过对简化模糊AR-TMAP神经网络和H-ARTMAP神经网络的分析和集成,构造了一种用于高光谱遥感影像分类的简化模糊H-ART-MAP网络。实验证明该方法在分类效率、运算时间和分类精度等方面都优于最大似然分类、BP神经网络、最小距离分类、光谱角制图模型等分类方法。     

基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类

针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络(LDCNN)深层次特征进行多核SVM分类的场景分类方法.首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核...     

基于LBV变换的遥感影像多步骤分类法研究

面对与日俱增的遥感数据,如何快速准确地进行影像分类成为遥感领域亟待解决的问题。本文在前人的基础上提出了一种基于LBV变换的遥感影像多步骤分类方法。L:地物的总辐射水平,集中反映了裸地的信息;B:地物的可见-红外光辐射平衡,是地面水分状况和水体存在的一个良好指标;V:地物辐射随波段变化的方向和速度向量,能集中反映地面植被状况。多步骤分类法遵循由易到难的原则,能克服类别之间的互相影响,从而提高分类精度。文章结合LBV变换和多步骤分类法的优点对影像进行了分类,结果表明该方法简单易行,且能达到良好的分类精度。     

利用一种模糊神经网络对遥感影像进行分类的研究

结合遥感影像的特点,提出一种模糊逻辑系统和神经网络中的BP算法相结合的模糊神经网络,利用其进行整个遥感图像的分类,并和典型的BP神经网络进行对比,发现其优点以及存在的问题。     

辅以纹理特征的高分辨率遥感影像分类

为了提高对高分辨率影像的分类精度,通过灰度差矢量法快速提取纹理特征,利用BP神经网络并辅以纹理特征,对一幅江西某地0.2m分辨率的航空影像进行分类。结果显示,对比度纹理特征能较好地反映该影像的纹理信息;对光谱特征不典型、纹理特征明显的人工树林,分类精度可达到90%以上;增加纹理特征后,影像分类的总精度也由55%提高到94%。表明这种结合纹理特征和BP神经网络的分类方法,能提高对高分辨率影像分类的精度。     

粗集属性划分的集成遥感分类

提出了一种基于粗集属性划分的遥感分类新方法, 构造了基于粗集的集成遥感分类器。该分类器利用粗集理论将输入的属性集合划分为多个约减, 利用这些约减构造多个训练子集。每个训练子集训练神经网分类器, 在决策时将多个单个分类器的结果进行投票选举。这种方法即减少了单个分类器的输入属性个数, 又避免了由于属性选取造成单一分类器在某些分类上的错误偏见。该分类器与神经网分类器方法, 以及属性选取与神经网结合方法进行了比较。结果表明RSEC无论在分类精度上, 还是在不同样本个数条件下的精度稳定程度上均有较好表现。     

基于K-L变换的BP神经网络遥感图像分类

为了提高多光谱遥感图像的分类正确,提出了一种基于主成分分析(K-L变换)的分类方法。该方法先应用K-L变换对多波段遥感图像进行降维,提取最主要的三个成分合成假彩色图,然后利用BP神经网络对假彩色图进行监督分类。由于主成分之间是不相关的,增强了图象信息,降低了神经网络的计算量,提高了分类精度。实验结果证明,该算法分类精度优于传统分类方法,总正确率为88.5%,Kappa系数为0.862,因而具有实用价值。     

混沌免疫算法在遥感影像分类中的应用研究

为提高遥感影像分类精度,采用基于混沌免疫算法(Chaos Immune Algorithm)的分类方法。利用混沌优化的遍历性,进行粗粒搜索,优化初始抗体群;通过选择算子、克隆算子、变异算子、抗体的循环补充等操作,得到全局最优的聚类中心,提高分类精度。实验表明该方法分类总精度、Kappa系数均优于传统分类方法。     

改进的OIF和SVM结合的高光谱遥感影像分类

文章提出了一种结合改进的最佳指数法(OIF)和支持向量机(SVM)进行高光谱遥感影像分类新方法.利用本文提出的稳定系数进行波段初选择,根据相关系数选择波段组合生成新影像,并对新影像进行OIF计算,得到OIF值最大的波段组合为最佳波段组合;构建SVM分类器,对最佳波段组合分类;最后将分类结果与其他监督分类方法比较,并在相同核函数下与PCA和SVM结合的方法进行精度比较分析.实验结果表明,本文方法能够有效提取最佳波段组合,在SVM算法下获得较高分类精度.     

典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例

目前普遍采用的分类器通常都是针对单一或小量任务而设计的,在小数据量的处理中能取得比较满意的结果。但对于海量遥感数据的处理,其在处理时效和分类精度方面还有待研究。本文以遥感图像场景分类任务为例,着重对遥感数据分类问题中几种典型分类方法的适用性进行比较研究,包括K近邻(KNN)、随机森林(RF),支持向量机(SVM)和稀疏表达分类器(SRC)等。分别从参数敏感性,训练样本数据量,待分类样本数据量和样本特征维数对分类器性能的影响等几个方面进行比较分析。实验结果表明:(1)KNN,RF和L0-SRC方法相比RBF-SVM,Linear-SVM和L1-SRC,受参数影响的程度更弱;(2)待分类样本固定的情况下,随着训练样本数目的增加,SRC类型分类方法的分类性能最佳,SVM类型方法次之,然后是RF和KNN,在总体分类时间上呈现出L0-SRCL1-SRCRFRBF-SVM/Linear-SVMKNN/L0-SRC-Batch的趋势;(3)训练样本固定的情况下,所有分类方法的分类精度几乎都不受待分类样本数目变化的影响,RBF-SVM方法性能最佳,其次是L1-SRC,然后是Linear-SVM,最后是RF和L0-SRC/L0-SRC-Batch,在总体分类时间上,L1-SRC和L0-SRC相比其他分类方法最为耗时;(4)样本特征维数的变化不仅影响分类器的运行效率,同时也影响其分类精度,其中SRC和KNN分类器器无需较高的特征维数即可获得较好的分类结果,SVM对高维特征具有较强的包容性和学习能力,RF分类器对特征维数增加则表现得并不敏感,特征维数的增加并不能对其分类精度的提升带来更多的贡献。总的来说,在大数据量的遥感数据分类任务中,现有分类方法具有良好的适用性,但是对于分类器的选择应当基于各自的特点和优势,结合实际应用的特点进行权衡和选择,选择参数敏感性较小,分类总体时间消耗低但分类精度相对较高的分类方法。     

高分辨率遥感影像语义分割的半监督全卷积网络法

在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。     

基于形式概念分析的遥感影像分类

针对目前遥感影像分类方法中存在分类知识难以获取的不足,尝试引入形式概念分析的数据挖掘理论,并基于族集最小覆盖理论实现概念内涵的缩减,从而保证分类规则的简洁与无冗余性。研究选取湖北省房县作为试验区,实现了该理论在研究区中土地利用类型分类规则的挖掘应用。基于挖掘出的分类规则构建了启发式分类器,实验结果表明形式概念分析理论挖掘出的分类规则可信度较高,基于挖掘出的分类规则构建的分类器相对于监督分类方法、决策树C4.5算法在分类精度上有一定优势,从而证明了它对遥感影像分类提供一种的新方法。     

生成式对抗网络的高光谱遥感图像分类方法研究

针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制...