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。     

遥感图像分类与后处理综合技术研究—基于约束满足神经网络方法

遥感图像计算机分类的精度问题是阻碍计算机遥感信息处理系统实用化的一个关键问题。将分类后处理中的分类结果平滑过程模型化为约束优化问题,采用神经网络方法把分类结果平滑过程与遥感图像分类过程结合起来,提出了基于约束满足神经网络的遥感信息分类与后处理综合技术。实验表明该方法可明显提高森林类型划分、土地利用调查等遥感应用专题的分类精度。     

数学形态学在遥感数字图像分类处理中的应用

重点讨论了国外遥感图像分类处理研究中应用效果显著或应用前景广阔的一些数学形态学方法。在对上述方法的应用现状分析和评价的基础上 ,就存在的问题提出了一些改进设想     

深度学习算法在遥感影像分类识别中的应用现状及其发展趋势

深度学习是神经网络的一个深层领域,也是神经网络模型在AI学术研究领域的探索和应用。深度学习算法在遥感影像分类与识别处理方面的应用研究受到各界的关注与探讨。本文首先概述了深度学习及其算法结构,其次说明了遥感影像分类与识别处理算法及其局限性,最后阐述了深度学习算法与遥感影像分类与识别处理的结合现状,并对其应用趋势做出展望。     

基于CNN-CBIR的遥感图像分类检索方法

遥感图像海量性、复杂性与多样性特征导致现有方法出现查全率、查准率低的问题,无法满足现今遥感图像应用的需求,故提出基于卷积神经网络-图像检索(Convolutional Neural Networks-Content-Based Image Retrieval,CNN-CBIR)的遥感图像分类检索方法研究.为了精确分类遥感图像,基于卷积神经网络-深度卷积神经网络-16(Convolutional Neural Networks-Visual Geometry Group Net-16,CNN-VGGNet-16)模型提取遥感图像卷积特征与池化特征,通过有效融合得到遥感图像高层聚合特征,以此为基础,采用模糊分类算法分类处理遥感图像,依据遥感图像分类结果,利用基于内容的图像检索(Content-Based Image Retrieval,CBIR)技术制定遥感图像分类检索程序,实现了遥感图像的分类检索.选取数据集图像遥感数据集(UC-Merced)与武大遥感数据集(WHU-RS)作为实验数据集,确定最佳池化区域尺寸与最佳输入尺寸,采用MATLAB软件进行仿真实验.仿真实验数据显示:与标准数值相比较,提出方法的查全率与查准率较高,充分说明提出方法具备更好的检索性能.     

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。     

基于GIS和神经网络的森林植被分类

本文综述了国际遥感分类研究,使用Landsat7 ETM＋遥感数据和地理辅助数据,应用BP神经网络方法,将莽汉山林场作为研究区进行了遥感影像的分类研究。比较了BP神经网络分类与最大似然、简单和复杂非监督分类法之间的类型与数量精度。BP神经网络分类的总类型精度是70.5%,总数量精度为84.65%,KAPPA系数是0.6455。结果说明BP神经网络的分类质量优于其他方法,其总的类型精度与其他三种分类方法相比分别增加了10.5%、32%和33%,总的质量精度增加了5.3%。因此,辅以地理参考数据的BP神经网络分类可以作为一种有效的分类方法。     

基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

基于时刻独立脉冲耦合神经网络的高空间分辨率摇感影像分割

高空间分辨率遥感影像中地物目标内部光谱信息复杂性的增强,使得传统基于光谱特征值的数据处理方法效果不再显著,影像分割为解决这一问题提供了一种思路,成为当前高空间分辨率遥感影像处理的研究焦点.时刻独立脉冲耦合神经网络具有状态相近、空间相邻神经元相互耦合同步脉冲激发和区域之间神经元脉冲激发时刻独立两大特点,已被应用于非遥感影像分割中,并取得较好效果.本文结合高空间分辨率遥感影像特点,通过对网络参数进行实验和分析,提出一个基于时刻独立脉冲耦合神经网络的高空间分辨率遥感影像分割方法,并利用空间分辨率0.3m的航空影像进行了数据试验,将分割结果进行讨论并与现有时刻独立脉冲耦合神经网络方法和ISODATA方法分割结果进行对比分析.结果表明:时刻独立脉冲耦合神经网络在高空间分辨率遥感影像分割处理中具有很好的应用前景.     

顾及空间信息与全卷积神经网络的高分辨率遥感影像分类方法

针对高空间分辨率遥感影像分类中存在的特征选择困难和空间信息缺乏等问题,提出一种顾及空间信息与全卷积神经网络(fully convolutional network,FCN)的高分辨率遥感影像分类方法。该方法综合利用遥感影像的光谱信息与高程信息,首先,使用改进的全卷积神经网络逐层学习得到从底层到高层的特征映射;然后,利用Softmax分类器获得分类概率图;最后,将分类概率图和待分类影像同时输入条件随机场以强化空间信息约束,得到最终的分类结果。实验表明,该方法能有效提升高分辨率遥感影像的分类精度,减少分类噪声,在主观视觉效果和客观定量指标上均优于全卷积神经网络方法以及K近邻和支持向量机等传统分类方法,同时证明了数字表面模型用于高分辨率遥感影像分类的优势。     

数字图像处理技术在煤层火灾遥感调查中的应用

本文介绍在S101图像处理系统上,应用数字图像处理技术提取有关煤层火灾信息的方法,着重介绍从多时相航空、航天热红外遥感图像中,提取地表活火区所使用的图像处理技术及其应用效果。     

应用数字图像处理技术处理数字高程模型数据和与数字高程模型数据相结合的遥感信息

本文介绍了数字图像处理技术在处理数字高程模型数据和遥感信息与数字高程模型数据相结 合的综合分析方面的应用；说明了实现人工阴影和人工立体观察像对的方法的基本原理及其在处 理数字高程模型数据上的应用；介绍了为提高遥感图像的可解译性,把遥感信息与数字高程模型 相结合,制作遥感图像的人工立体观察像对和立体透视图像的方法技术。     

结合nDSM的高分辨率遥感影像深度学习分类方法

针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题,本文提出了一种归一化数字表面模型（nDSM）约束的高分辨率遥感影像深度学习分类方法。首先,将nDSM数据作为附加波段叠加在遥感影像上并获取训练样本;然后,利用优化的U-Net网络进行模型训练得到最优模型;最后,利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明,本文方法引入nDSM数据用于U-Net模型训练和分类,可有效提高影像分类精度,得到更加真实可靠的分类结果。     

A novel confidence estimation method for neural networks in multispectral image classification

Abstract

The Digital Earth concept has attracted much attention recently and this approach uses a variety of earth observation data from the global to the local scale. Imaging techniques have made much progress technically and the methods used for automatic extraction of geo-ralated information are of importance in Digital Earth science. One of these methods, artificial neural networks (ANN) techniques, have been effectively used in classification of remotely sensed images. Generally image classification with ANN has been producing higher or equal mapping accuracies than parametric methods. Comparative studies have, in fact, shown that there is no discernible difference in classification accuracies between neural and conventional statistical approaches. Only well designed and trained neural networks can present a better performance than the standard statistical approaches. There are, as yet, no widely recognised standard methods to implement an optimum network. From this point of view it might be beneficial to quantify ANN's reliability in classification problems. To measure the reliability of the neural network might be a way of developing to determine suitable network structures. To date, the problem of confidence estimation of ANN has not been studied in remote sensing studies. A statistical method for quantifying the reliability of a neural network that can be used in image classification is investigated in this paper. For this purpose the method is to be based on a binomial experimentation concept to establish confidence intervals. This novel method can also be used for the selection of an appropriate network structure for the classification of multispectral imagery. Although the main focus of the research is to estimate confidence in ANN, the approach might also be applicable and relevant to Digital Earth technologies.     

神经网络计算机及其在遥感应用中的展望

本文概述了神经网络计算机的基本特点、神经网络的形式化描述、目前国际上神经网络计算机的现况以及在遥感图像处理中应用的潜力和展望。     

监督分类和目视修改相结合在高分辨率遥感影像中的应用

用计算机对遥感影像进行地物类型识别是遥感数字图像处理的一个重要内容,传统的地物分类一般采用MSS、TM和Spot等遥感影像作为数据源。与MSS、TM和Spot等传统遥感影像相比,QuickBird等高分辨率影像数据量大,混合像元减少、地物信息增大,能够被应用于土地分类。在监督分类中,对于达不到精度要求的模板,通常采用重新选择训练区的方法来进行修正,而本文采用目视修改的方法来对监督分类进行补充。本文方法可以改正初次分类中的误分、混分地物,使其归到正确的地物分类中,显著提高了土地分类的精度。为了验证算法的有效性,利用ERDASIMAGING遥感图像处理软件进行实验和精度评价。实验结果表明,监督分类和目视修改相结合的地物分类方法可以显著提高图像的分类精度。     

光学遥感影像智能化处理研究进展

随着对地观测技术的发展,海量遥感影像不断传输到地面。传统的遥感信息处理方法在处理效率、精度上的不足,限制了遥感信息的挖掘及利用,亟需发展智能化方法满足遥感影像处理的需求。受自然界中生物进化机制的启发,基于进化计算的遥感影像智能化处理方法具有以下特点:(1)拥有全局优化能力,对目标函数的优化能力更强;(2)具有自组织、自学习的特点,能够从遥感数据本身学习,不依赖数据分布等先验信息;(3)拥有处理多目标问题的能力,同时考虑多个目标函数而不需要人工确定它们之间的权重。因此,智能化遥感信息处理方法能够在海量遥感影像中有效地提取适用于不同应用目的的信息。本文主要介绍智能化遥感信息处理方法的典型应用包括遥感影像智能化分类(监督分类、聚类)、遥感影像亚像素信息提取(高光谱影像混合像元分解、亚像元制图),并讨论了遥感信息智能化处理方法的发展方向。     

综合地学数据微机数字图像分析软件GDIIA系统及其应用

GDIIA系统是在长城0520C-H微机上实现数字图像处理的软件系统,适用于遥感、地球物理、地球化学和地质勘查等资料的综合处理和分析。它除具有一般的数字图像处理功能外,还具有新开发的一些特殊功能。它可供用户完成一定数据量的数字图像处理,并可取代大型专用系统为用户完成数字图像处理的部分工作,或为其提供方法和参数选择的依据。GDⅡA系统在几个多金属成矿区带(矿田)上的实际试用,为在各种成矿区带(矿田)研究成矿地质环境、找矿标志和圈定找矿靶区等提供了丰富的多源信息以及可靠的科学依据,取得了较好的效果。参加工作的还有郑献华、安萍、谢瑞娟、李晓莲     

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。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。