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     

人工神经网络在遥感中的应用与发展

介绍了国内外人工神经网络在遥感领域的应用现状,对神经网络的基本原理、技术优势、应用方法等进行了透视,并结合自己的研究实践,给出了具体的应用事例。     

人工神经网络在多源遥感影像分类中的应用

在研究人工神经网络理论的基础上,应用动量法和学习率自适应调整的策略,改变ＢＰ神经网络的主要缺点,提出对同一地区空间配准的Ｌａｎｄｓａｔ ＴＭ３,ＴＭ４,ＴＭ５影像和航空ＳＡＲ影像,一方面采用该种网络对两类影像分别进行分类,将其分类结果按提出的融合规则进行分类融合得到最终分类结果,另一方面采用该网络对两类影像进行融合分类,得到相应分类结果,比较这两者的结果表明,基于改进的ＢＰ神经网络用于土地利用分类     

Kohonen神经网络在遥感影像分类中的应用研究

根据Kohonen网的生物学基础 ,基本结构和学习算法 ,提出了解决遥感影像分类的途径。依据实验区土地利用类别的光谱特征 ,采用主成分分析对遥感影像进行预处理 ,结合地理辅助数据的量化输入训练出Kohonen自组织图后对融合有地理辅助数据的影像进行土地利用分类 ,并与BP网和最大似然法分类结果进行分析比较。结果表明 ,地理辅助数据的参与对提高Kohonen网影像分类精度具有意义     

遥感数字图像解析

讨论一种分解遥感数字图像的解析方法.其目的是将组成原始遥感的各分量(太阳直射光、天空散射光和大气亮度)逐点分离,并各自生成新的数字图像.由于这些图像是自然光各分量分别与地物和大气之间相互作用的产物,它们在地表辐射能量和大气环境状况的遥感定量反演研究及遥感图像的模式识别中有着具其他传统遥感图像无法具有的独特作用.     

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。     

人工神经网络遥感影像分类模型及其与知识集成方法研究

以多层感知器（MLP）为例，探讨了地学知识与ANN融合进行遥感影像分类的方法。首先对MLP网络结构、学习算法及其改进进行分析；然后总结了MLP进行遥感影像分类的一般方法和存在的缺陷；发展了基于知识的MLP神经网络遥感影像分类模型，并具体利用基于规则的MLP方法进行了遥感土地覆盖分类的实验，把获得的结果与传统统计方法与一般ANN方法进行了综合比较，获得了有意义的结果。     

AdaTree算法在遥感影像分类中的应用

目前的遥感影像分类研究中,决策树的生成完全依赖于现有的数据挖掘软件,缺少对决策树算法的深入研究和改进。本文以遥感影像分类为背景,采用BoostTree算法作为模型,通过算法改进构建了一种新的复合决策树算法———AdaTree,并以该算法为基础,设计实现了决策树遥感影像分类系统。以AdaTree算法作为分类器,分别对Landsat7ETM+影像和WordView2影像进行了基于像元和面向对象的分类实验,并与BoostTree和SVM算法进行了比较。实验结果表明,AdaTree算法在分类精度上要优于BoostTree和SVM算法,平均Kappa系数分别达到0.905 2和0.939 8。     

BS-GEP算法在水利遥感图像分类中的应用

在地物环境状况较为复杂时传统基于统计学遥感分类算法难以得到较高的分类精度。针对这一问题,这里将基于分组策略的改进基因表达式编程算法(BS-GEP)应用到遥感图像分类问题中,避免传统的基因表达式编程算法由于种群多样性破坏引起局部收敛,解决地物状况复杂时难以得到较高分类精度的问题。实验结果表明:基于分组策略的基因表达式编程算法的分类器提取的分类规则能转为数学表达式形式并能获得较高的分类精度,与基因表达式编程算法(GEP)相比分类结果混淆程度相对较低,与最大似然法相比分类结果相对清楚,模型分类精度达到93%。     

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。     

自组织神经网络在遥感影像分类中的应用研究

竞争学习网络与Kohonen神经网络相比,由于不考虑邻域神经元,其网络结构相对简单。采用这种简化的网络结构,并对其学习算法进行改进,用最大、最小距离法设置的初始聚类中心来代替随机初始中心。实验结果表明,用改进的竞争学习网络对遥感影像进行非监督分类,在分类精度和效率上都有较大的提高。     

概率神经网络与BP网络模型在遥感图像分类中的对比研究

通过分析概率神经网络(以下称PNN)的基本结构及其训练算法,建立了卫星图像分类的概率神经网络模型,并通过实例对比分析了概率神经网络与BP网络分类模型的分类效果。实验表明,PNN图像分类方法在分类精度上优于误差反向传播神经网络模型,且分类时间相当,是一种有效的图像分类方法。     

遥感图像的神经网络分类法

神经网络的研究已有近35a的历史,各种模型相继出现,应用领域越来越广,近年来,神经网络的研究在国内外遥感界也越来越受到重视。笔者结合国家“八五”攻关项目“太湖地区水稻遥感估产”的要求,运用半线性前馈神经网络对TM图像进行分类作了研究,并以无锡县的华庄、羊尖两个乡作为试验区,用1991年7月23日的TM资料提取了两个乡的水稻种植面积,并与采用传统的Bayes分类法作的分类结果进行了比较,取得了满意的效果。     

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。     

地理信息系统支持下的山区遥感影像决策树分类

山区遥感影像分类是遥感研究的一大难题。本文利用一种决策树生成算法（C 4.5算法）自动提取知识，基于知识建立决策树用于山区影像分类，并结合研究区土地利用类型与DEM空间统计关系的先验知识，在GIS空间分析的基础上进行影像分类的后处理。与传统的最大似然法分类结果相比，该方法极大地改善了山区地表覆被分类的精度，得到试验区较为可靠的遥感分类图像。     

约束型贝叶斯网络在遥感图像解译中的应用方法研究

采用一种带有约束条件的贝叶斯网络来构造分类器,即特征节点被约束为类节点的子节点,子节点间允许有不同的连接关系,并将约束型贝叶斯网络的几种典型模型--NB、TAN、BAN用于遥感图像的解译中.通过评价结构的似然函数得到网络结构,综合特征节点和类别节点的拓扑和概率统计信息学习得到分类器.将这些模型用于多光谱和高光谱影像的分类,并就其性能进行探讨.     

航空遥感技术在延吉市建设规划综合调查中的应用

本文介绍应用航空遥感图像对延吉市土地利用现状、城市扩展、绿化状况以及生态系统特点调查结果。指出了各类用地及绿化覆盖方面存在的问题,提出了综合开发利用的建议。     

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。     

面向"数字城市"的遥感信息获取与处理系统

随着数字城市的兴起,城市空间信息的快速获取和处理成为"数字城市"建设的关键内容之一.高分辨率卫星遥感和航空遥感因其分辨率高,在城市空间信息的获取和更新上可以发挥独特的作用. 本文对适应"数字城市"的航空遥感信息模块化获取和高分辨率遥感数据处理技术进行了阐述,并通过机载三维成像仪的数据获取,说明航空遥感在数字城市中的作用.