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。     

一种基于变分自编码器的高光谱图像分类方法

深度学习可以有效表达影像的深层特征,在遥感图像处理特别是在分类方面取得了良好的效果。提出了一种基于变分自编码网络的高光谱遥感影像深度学习分类方法,该方法利用变分自编码器进行无监督训练,用分类层替换解码层,输入训练样本进行分类网络的微调,最后在分类器预测的类别概率图基础上使用条件迭代模型求解马尔可夫随机场,对分类结果进行优化。在两幅通用高光谱数据集上进行分类实验,结果表明基于变分自编码器的高光谱遥感影像分类方法取得了优于其它方法的分类效果。     

半监督高分辨率遥感图像分类方法

针对高分辨率遥感图像地形复杂、标注困难等问题,本文提出一种基于半监督学习的高分辨率遥感图像分类算法。首先借助卷积神经网络作为分类模型;然后对高分辨率遥感数据集部分图像分类标注,有监督训练卷积网络;最后对其余数据分别进行弱增强和强增强,得到训练图像伪标签,实现模型有监督训练。实验表明：所提半监督分类模型准确率比有监督模型平均准确率仅降低0.03左右,训练集标注耗时节约一半以上,表明该方法具有较好的识别效果和较快的训练速度。     

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。     

结合对抗网络与辅助任务的遥感影像无监督域适应方法

使用机器学习进行遥感影像标注的一个重要前提是有足够的训练样本,而样本的标注是非常耗时的。本文采用了域适应的方法来解决遥感影像场景分类中小样本量的无监督学习问题,提出了结合对抗网络与辅助任务的遥感影像域适应方法。首先建立了基于深度卷积神经网络的遥感影像分类框架;其次,为了学习到域不变特征,在标签分类器的基础上增加域分类器,并使域损失函数在其反射传播时的梯度与标签损失的梯度相反,从而保证域分类器不能区分样本来自于哪个域;最后引入了辅助分类任务,扩充了样本的同时使网络更具泛化能力。试验结果表明,本文方法优于主流的无监督域适应方法,在小样本遥感影像无监督分类中得到了较好的效果。     

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。     

基于自适应共振模型的遥感影像分类方法研究

人工神经网络（ANN）是人视觉和服的基本功能的抽象、简化和模拟。在对遥感影像的综合解释应用中，与传统的统计方法和符号逻辑方法相比较，ANN更接近人对影像的视觉解译分析过程。自适应共振理论（ART）是一种自组织产生认知编码的神经网络理论，其自组织、反馈式增量学习机能，能兼顾适应性和稳定性，克服了一般神经网络学习速度慢、网络结构难以确定、局部最小陷阱等缺陷。以FUZZY－ART和ARTMAP为基础，提出基于ART遥感影像非监督和监督分类的一般模型，并以实际上土覆盖分类和城市结构信息提取为应用实例，通过与传统统计方法和一般ANN分类器相比较，ART具有正确率更同、学习速度快、自适应性等优点，是复杂数据分类和信息提取的有效工具。     

多类别遥感图像的复合分类方法

多类别识别对于遥感图像分类的实用化具有重大意义。本文提出一种由多层神经网络与无监督分类相结合的复合分类方法。第一步用多层网络对几个大类进行有监督分类，第二步将网络输出作为无监督分类的输入，对遥感图像进行细分，使得可识别的类别数从原来的１０类提高到３０类。对ＳＰＯＴ遥感图像识别的结果表明，该算法能适应多类别识别任务的要求。     

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。     

基于模糊小脑模型神经网络的遥感图像分类算法

针对遥感图像分类的特点，提出一种基于模糊小脑模型神经网络的遥感图像分类算法，首先阐述小脑模型神经网络的工作原理，然后将模糊理论引入小脑模型神经网络，提出一种能反映人脑认知的模糊性和连续性的模糊小脑模型神经网络，并将其应用于遥感图像分类，实验结果表明，这种基于模糊小脑模型神经网络的分类器经过训练后，可应用于遥感图像的分类，其分类精度明显高于传统的最大似然分类法。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

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。     

基于神经网络的遥感影像分类研究

由于传统遥感影像分类方法存在不足，故采用BP神经元网络进行遥感影像分类研究。阐述了算法原理、实现步骤以及改进方法。通过实验示例，将BP神经元网络的分类结果与传统统计方法分类结果进行比较，获得了有意义的结果。     

一种新的基于Dempster-Shafer理论的自适应遥感分类融合方法

提出了一种基于Dempster-Shafer's理论和模糊Kohonen神经网络分类融合的方法。该方法融合了非监督神经网络模型和在Dempster-Shafer证据理论框架中使用邻域信息的思想,即当一个待识别模式的每个邻域被划分为支持识别框架中某一类的一个证据体时,该证据体支持关于该模式隶属关系的某一假设。     

基于改进Kohonen神经网络的遥感影像分类

提出了一种基于改进后的Kohonen自组织特征映射神经网络的聚类方法,应用于多光谱遥感影像分类处理,试验证明其分类精度有较大提高。     

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。     

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。