GIS辅助遥感影像分类概述

论述了在已有的GIS数据基础之上,将GIS数据与知识综合运用于遥感影像监督法分类的分类方法,着重对样区的自动选取、非训练样区的分类等几个有关的问题进行了分析,并对该分类法的优势进行了分析和总结。     

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。     

土壤遥感分类识别推理决策器的设计

介绍了干旱区土壤遥感分类识别推理决策器的设计原理与实现方法。在用TM遥感图像对土壤类型进行非监督分类的基础上,建立了正向推理与逆向推理相结合的推理机制,对土壤类型进行分类识别决策。用知识表示的产生式规则与框架式规则相结合的数据结构表示土壤学专家的土壤分类识别知识。用像结构模式建立了土壤分类识别的规则,构造了土壤分类判决树,并用典型像例模式进行了各类型土壤判据文件的组织。用该方法对新疆天山北麓阜康试验区的土壤分类识别进行了试验研究。结果表明,该方法分类精度可靠,为干旱区土壤分类识别开辟了一条新的途径。     

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。     

基于空间数据发掘的遥感图象分类方法研究

采用数据发掘技术从ＧＩＳ数据库和遥感图像中发现知识,用于改善遥感图像分类。提出了两种实施空间数据归纳学习的途径;在空间对象粒度上学习直接在像元粒度上学习。分析了两种粒度学习的特点和适用范围,同时提出了一种归纳学习与传统图像分类法的结合方式。用北京地区ＳＰＯＴ多光谱图像和ＧＩＳ数据库进行土地利用分类的试验证明,归纳学习能较好地解决同划物、同物异谱等问题,显提高分类精度,并且能够根据发现的知识进一步     

提高遥感数据分类应用性的有效途径

本文介绍了日前对遥感数据进行自动分类的常用算法及其改进方向,指出在现有技术条件下,多元、多维信息复合技术是提高遥感数据自动分类应用的有效途径。     

行星遥感影像目标识别与分类进展

从行星遥感海量数据中对地形地貌特征进行识别和分类,是行星科学研究中的一项重要基础工作.本文综述了自实施月球和深空探测任务以来,国际、国内采用行星影像数据进行地形地貌识别与分类技术的研究进展.首先,从月球、火星以及其他行星探测任务3个方面,对相关的探测任务和获取的影像数据进行简介.然后,在介绍通用目标识别与分类方法研究进...     

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。     

特征提取和决策树法土地利用遥感分类

文章以安徽省淮南市为例,采用2005年Landsat-5 TM多光谱数据,分析地物谱间关系,选择改进归一化差异水体指数(MNDWI)、归一化植被指数(NDVI)、归一化建筑指数(NDBI)、TM4+ TM5、TM4+ TM5+TM7、DEM高程和坡度等特征值,构建决策树分类规则,完成研究区土地利用遥感分类.结果表明:MNDWI和TM4+TM5特征值能较好地区分水体与非水体;NDVI和NDBI可完成非水体区域植被与非植被信息分类;DEM和TM数据6波段和值可完成建筑用地、裸地和沙(旱)地分类;DEM和TM4+ TM5+ TM7能较好地解决耕地和园地混淆问题.决策树法分类总精度和Kappa系数分别为90.29％和0.87,相比较于最大似然分类法和基于特征提取波段的最大似然分类法,精度均有所提高.     

遥感图像分类方法及发展趋势

遥感图像分类是遥感信息提取中的关键技术。遥感应用的许多方面都需要这一技术的支持。在遥感技术一些新的研究领域和前沿,如基于图像内容的数据检索、基于图像内容和对象的数据压缩等,遥感图像分类是其必不可少的。对遥感图像分类方法和近年来在这一研究领域的发展趋势进行综合论述。     

银川平原土壤盐渍化与中低产田遥感应用研究

土壤盐渍化是影响农业生产与生态环境的一个重要因素。长期以来,宁夏银川平原的次生土壤盐渍化问题十分突出,形成了许多盐渍型中低产田,影响和制约了区域农业的可持续发展。主要采用遥感解译方法提取了银川平原土壤盐渍化的分类与分布的现状信息。在此基础上,依据中低产田的分类标准,将相关的耕地类型、土壤肥力、作物产量、灌排水指标等因子转化成数字化专题图层,采用多源信息复合分类的方法,通过“综合分析,主导因子判定”实现了GIS辅助下的中低产田分类,为遥感和地理信息系统技术在土壤盐渍化和中低产田调查研究中的应用,探索出了一条可行的途径。     

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。     

遥感图像分类应用研究综述

对目前遥感图像分类方法应用研究进行了总结,在此基础上对其在地学应用研究中存在的问题进行了分析,得出了一些有益的结论,以期为遥感图像分类应用提供参考。     

遥感数据分类结果分析及分类算法评价

遥感数据的分类结果通常被概括为混淆矩阵。而各种分类算法则用于改善其结果。为了确定遥感数据的精度，应该把混淆矩阵规范化。规范混淆矩阵，要仔细审查分类按比例叠代拟合过程，包括消除矩阵里的零。Ｔｕｋｅｙ复合比较法用了三种分类算法（最小距离法，极大似然法和人造神经网络法）进行结果比较。对于每种分类种类，规范化了的混淆矩阵都给出了一致的边值和精度。同时进行三种算法的Ｔｕｋｅｙ比较，结果对于每一种算法都给出了     

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。     

一种适用于多类别遥感图象分类的新方法——复合神经网络分类方法

该文提出一种由多层神经网络与自组织神经网络相结合进行类别遥感图象分类的复合神经网络分类方法。第１步半训练样本按其统计特征分成若干组,用不同级别的训练样本分别训练ＢＰ网络。第２步将这些训练好的ＢＰ网络并联构成有监督分类器,对遥感图象进行有监督分类。第３步用ＢＰ网络的分类结果对Ｋｏｈｏｎｅｎ网络进行自组织训练,用训练好的Ｋｏｈｏｎｅｎ网络构造无监督分类器,对遥感图象进行细分。通过对ＳＰＯＴ遥感图象的分     

基于混合像元的遥感图像分类技术

本文提出了混合像元的概念，研究了基于混合像元的遥感图像分类问题，根据最小二乘法的原理导出了混合像元的分类算法。实验表明：在多光谱图像分类中考虑混合像元的客观存在，可以大大提高遥感图像的分类精度。     

遥感图像分区自动分类方法研究

对判读区域自然景观复杂,数据时相与质量差异较大的遥感图像用常规的分类方法难以达到令人满意的效果,为此,作者采用了一种通过定义图像判读区,分类管理器和改进监督分类算法等方法来实现遥感图像的分区自动分类,以不同时相的TM拼接图像进行分类试验,结果表明:该方法比传统的监督分类方法有明显改进:(1)与整幅图像用同一个标准进行分类的方案相比,其精度显著提高,(2)可在分类前灵活,任意生成所感兴趣的判读区域,(3)在每个分区内可以采取不同的分类方案进行分类,(4)每个分区的分类结果可以保存在同一个文件中,而不需要另外生成新的操作层.因此分类不受次数的限制,可保证分类结果的完整性,每个分区的分类结果也可以保存为单个分区的分类结果.     

GABA算法的遥感图像分类

为了弥补蝙蝠算法后期收敛速度慢、寻优精度不高、易陷入局部最优值的缺点,本文提出了一种新的遥感图像分类算法--GABA算法,该算法将遗传算法中的选择、交叉、变异操作应用到蝙蝠算法中,使蝙蝠算法具有变异机制,避免种群个体陷入局部最优,提高了算法全局寻优能力,增加了蝙蝠算法的多样性。同时,为了突出本文算法的优点,试验将蝙蝠算法、K-means算法、粒子群算法与本文算法结果进行比较,分析评价遥感图像的分类结果。试验表明本文算法在遥感图像分类应用中既提高了分类精度又减少了分类时间,是一种可行、有效的遥感图像分类方法。