基于自适应最小距离调整的多光谱遥感图像分类方法

多光谱遥感图像土地利用分类问题中"同物异谱"现象对提高分类精度影响较大。在对分类问题建模分析的基础上,提出一种基于最小距离自适应调整实现聚类中心分裂的方法,解决分类方法中识别范围相交导致分类精度难以提高的问题。通过试验与传统分类方法作比较,能够提高分类精度1.06%左右,结果证明了本方法的有效性。     

高光谱遥感图像的监督分类

图像分类是高光谱遥感图像分析与应用的重要手段。总结了目前用于高光谱图像监督分类的主要方法,包括最小距离法、最大似然法、神经元网络法和支持向量机法,分析了上述方法的特点,并探讨了高光谱遥感图像分类方法的发展趋势。     

基于核空间的多光谱遥感图像分类方法

提出了多光谱遥感图像分类方法中解决非线性问题的一种思路。通过引入核空间理论,将在输入空间中不能线性分类的问题映射到一个可以进行线性分类的高维空间,并利用核函数避免了在高维空间中运算的复杂度,较好地解决了非线性分类问题。利用这种思路,本文对一种比较简单的分类算法———自适应最小距离分类方法加以改进,并将其应用于多光谱遥感图像的分类中,提出了一种核函数的选择策略。     

基于PCA的高光谱遥感图像分类

高光谱遥感图像的出现进一步提升遥感图像分类的准确性,但高光谱遥感图像的数据量大,处理高光谱遥感图像复杂度高、效率低。为解决这一问题,将主成分分析算法作为遥感图像分类的预处理技术。分析主成分分析算法的原理,利用主成分分析算法提取高光谱图像的主要波段图像。通过实验验证得出结论:高光谱遥感图像的主波段图像包含分类所需的大部分信息,利用少数的主波段图像即可达到70%以上的分类正确率。实验结果表明,在保证分类正确率的前提下,PCA算法可有效地减少图像分类处理的数据量,提高图像的处理效率。     

基于边缘的多光谱遥感图像分割方法

从Marr视觉计算理论和Tobler地学第一定律出发,提出了基于边缘的多光谱遥感图像分割方法.在基于边缘的多光谱遥感图像分割方法中,由边缘检测、边缘综合、边缘生长、区域标号等环节组成.该遥感图像分割方法在可视化开发平台Delphi中予以编程实现.将之应用于日本熊本市（Kumamoto）的Quickbird多光谱遥感图像中,并与多种遥感分割算法进行了比较：（1）从多光谱遥感图像各波段亮度信息利用的程度上看,提出的遥感图像分割方法能充分利用多波段亮度信息;（2）从遥感图像分割结果上看,由于分别对不同的波段进行边缘检测,并在此基础上进行边缘综合、边缘生长,遥感图像中的细节特征得到了充分体现,遥感图像分割效果更理想;（3）从计算复杂度和计算效率上看,基于边缘的多光谱遥感图像分割法较其他分割方法有一定的优势.     

基于K-L变换的多光谱遥感图像检索方法研究

在遥感图像检索中,光谱特征的应用最为广泛。本文研究了基于光谱特征进行遥感图像检索的方法。针对目前应用越来越广泛的多光谱、高光谱遥感图像波段多的特点,提出了基于K-L变换的检索方法,将多维图像降维处理,在此基础上提取遥感图像的光谱特征,通过检索图像与目标图像的光谱特征对比实现多光谱遥感图像的检索,并通过实验验证了本文方法的有效性。     

集成多层感知器快速多光谱遥感图像分类方法

针对目前深度神经网络训练耗时长、浅层神经网络多为易崩溃三层感知器（BP）的现状,提出一种基于集成全连接多层感知器（MLP）的多光谱图像快速分类方法。实验对基于焦作地区Landsat8多光谱影像,使用半随机网格搜索优化等方法搜索超参数组合,构建4种MLP分类器。实验发现位置信息与地物类别无关,地物的样本量增加时分类器会对其更敏感。比较各分类器对Landsat8多光谱影像的分类结果得知集成分类器更优。     

遥感图像分类方法研究综述

 综述了遥感图像监督分类和非监督分类中的各种方法，介绍了各种方法的优缺点、适用领域和应用情况，并作了简单评述，最后，展望了遥感图像分类方法研究发展方向和研究热点。     

多源信息在岷山地区遥感图像分类中的应用

采用了专家分类方法，将数字高程模型和由其生成的坡向信息与遥感图像的光谱信息相结合，提高了对土地利用的遥感图像分类精度。     

CBERS-02B卫星数据在涪陵区土地利用分类中的应用

为推进国产卫星数据的应用,本文以CBERS-02B卫星的CCD数据和HR数据为数据源,以重庆市涪陵区为实验区,将DEM、NDVI数据作为补充,采用分层分类的方法,对实验区土地利用/土地覆盖现状信息进行提取,分析CBERS-02B数据的特点及在应用中存在的问题。研究结果表明,CBERS-02B数据可满足复杂地区土地利用宏观监测的需要。     

面向对象的沿海地区土地利用/覆被信息提取研究

土地利用/覆被(LUC)可为土地资源领域相关研究提供基础数据.本文构建了面向对象的LUC分类方法,并以沿海特殊土地类型区连云港市为例,应用Landsat 8影像开展了实证研究。结果表明:①总体分类精度达到85.06%,总体Kappa系数为0.83,超过了0.7的最低允许判别精度;②该方法可以有效地减少研究区因南北部区域耕地植被覆盖度不同导致的错分现象,并可以用于盐田与滩涂信息的提取工作;③该方法既可为研究区土地利用相关研究提供符合精度要求的数据.也可为其他沿海地区进行土地利用/覆被信息提取工作提供参考和借鉴。     

Land use and land cover classification over a large area in Iran based on single date analysis of satellite imagery

Accelerated soil erosion, high sediment yields, floods and debris flow are serious problems in many areas of Iran, and in particular in the Golestan dam watershed, which is the area that was investigated in this study. Accurate land use and land cover (LULC) maps can be effective tools to help soil erosion control efforts. The principal objective of this research was to propose a new protocol for LULC classification for large areas based on readily available ancillary information and analysis of three single date Landsat ETM+ images, and to demonstrate that successful mapping depends on more than just analysis of reflectance values. In this research, it was found that incorporating climatic and topographic conditions helped delineate what was otherwise overlapping information. This study determined that a late summer Landsat ETM+ image yields the best results with an overall accuracy of 95%, while a spring image yields the poorest accuracy (82%). A summer image yields an intermediate accuracy of 92%. In future studies where funding is limited to obtaining one image, late summer images would be most suitable for LULC mapping. The analysis as presented in this paper could also be done with satellite images taken at different times of the season. It may be, particularly for other climatic zones, that there is a better time of season for image acquisition that would present more information.     

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。     

不同时相遥感影像的土地利用分类精度分析

土地利用调查对遥感影像的获取有很强的时间性、季节性要求。本次研究选取研究区不同时相的SPOT5遥感影像进行计算机自动分类试验,结合野外实地调绘工作,统计分类精度,拟合分类误差与时相间的回归关系,推导相关回归函数,对遥感影像开展综合分析与评价,提高遥感数据在土地利用调查中的利用率。     

Reducing landscape heterogeneity for improved land use and land cover (LULC) classification across the large and complex Ethiopian highlands

This paper presents a land use and land cover (LULC) classification approach that accounts landscape heterogeneity. We addressed this challenge by subdividing the study area into more homogeneous segments using several biophysical and socio-economic factors as well as spectral information. This was followed by unsupervised clustering within each homogeneous segment and supervised class assignment. Two classification schemes differing in their level of detail were successfully applied to four landscape types of distinct LULC composition. The resulting LULC map fulfills two major requirements: (1) differentiation and identification of several LULC classes that are of interest at the local, regional, and national scales, and (2) high accuracy of classification. The approach overcomes commonly encountered difficulties of classifying second-level classes in large and heterogeneous landscapes. The output of the study responds to the need for comprehensive LULC data to support ecosystem assessment, policy formulation, and decision-making towards sustainable land resources management.     

An adaptive unimodal subclass decomposition (AUSD) learning system for land use and land cover classification using high-resolution remote sensing

Land use and land cover classification is an important application of remote-sensing images. The performances of most classification models are largely limited by the incompleteness of the calibration set and the complexity of spectral features. It is difficult for models to realize continuous learning when the study area is transferred or enlarged. This paper proposed an adaptive unimodal subclass decomposition (AUSD) learning system, which comprises two-level iterative learning controls: The inner loop separates each class into several unimodal Gaussian subclasses; the outer loop utilizes transfer learning to extend the model to adapt to supplementary calibration set collected from enlarged study areas. The proposed model can be efficiently adjusted according to the variability of spectral signatures caused by the increasingly high-resolution imagery. The classification result can be obtained using the Gaussian mixture model by Bayesian decision theory. This AUSD learning system was validated using simulated data with the Gaussian distribution and multi-area SPOT-5 high-resolution images with 2.5-m resolution. The experimental results on numerical data demonstrated the ability of continuous learning. The proposed method achieved an overall accuracy of over 90% in all the experiments, validating the effectiveness as well as its superiority over several widely used classification methods.     

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。     

多时相ASAR数据的地表覆盖分类研究

本文选择了位于念青唐古拉山脉西段,覆盖范围大约100×100km2的区域,使用四个不同时期内的ASAR图像数据进行地表覆盖分类的研究。研究结果表明,虽然同种类型的地物在同一景雷达图像上的后向散射系数存在一定的差异,但是其后向散射系数随时间的变化规律却是一致的。根据地物后向散射系数的这种时相特征,我们对研究区的地表覆盖进行了分类,结果显示使用该方法能有效地区分草原、草甸、裸岩、水体、终年积雪等。     

多源遥感影像融合在哈大齐土地利用分类中的应用

随着遥感技术的发展,同一区域的多源遥感影像数据越来越丰富。以哈大齐为例,利用ETM+和SPOT-5数据探讨不同遥感信息融合在土地利用过程中的处理方法,比较不同融合算法在土地分类中的差异,并进行定性和定量比较。为有关部门进行土地规划、管理提供科学依据有着十分重要的意义。