多种分类器结合的遥感影像分类研究

通过对遥感影像的分类方法及原理的分析,以多光谱遥感影像为依据,采集农田、菜地、居民地等三类地物样本.利用Matlab软件,分别使用最短距离分类器、贝叶斯分类器及BP神经网络分类器三种分类器将遥感影像进行分类实验.通过投票法,融合不同分类器最终的输出结果,将多种分类器的遥感影像分类进行整合,提高了影像的分类精度.     

多分类器组合的遥感影像分类方法

针对传统遥感影像分类方法效果不够理想,单一分类器各自存在不足等问题,该文提出了一种基于多分类器组合的遥感影像分类方法。采用级联和并联相结合的方式对多种子分类器进行组合;利用改进的基于先验知识的投票表决规则,实现遥感影像准确分类。以岳阳市TM遥感影像为例,采用多分类器组合方法进行分类处理,并将处理结果与单一分类器处理结果进行比较。通过误差矩阵对比可知,多分类器的Kappa系数精度高于单一分类器;对分类效果图进行对比分析,在细部效果方面多分类器分类效果优于单一分类器。研究结果表明:组合分类器的遥感影像分类效果明显优于单一分类器,且具有更好的扩展性。     

基于误差分析的组合分类器研究

提出了一种基于误差分析的组合分类器,通过结合两种监督分类方法,提出的算法分别估计了两种监督分类方法在计算过程中的误差,给出了规则输出的置信区间,再根据置信区间的大小对两种分类方法的输出结果进行加权平均,从而得到更精确的规则输出.利用该方法对遥感图像进行分类实验,在不同训练样本分布与不同训练样本数量的情况下,比较新的组合分类器与单一分类器的精度.结果表明新的组合分类器能够取得比单一的分类器更高的分类精度.结果还显示出,两个分类器的独立性越强,组合分类器的效果越好.另外一个实验比较了新的组合分类器与和式规则组合分类器的分类精度,结果仍显示出了新方法的优越性.     

利用多分类器自适应级联模型的高分二号影像分类

针对传统单一分类器分类效果不够理想,存在各自的不足,以及已有的多分类器级联模型不能根据待识别样本特征进行动态调整优化等问题,提出了一种基于多分类器自适应级联模型的遥感影像分类方法。该模型选取各类别最优分类器进行级联组合,以待识别样本在整体性能最优分类器的表现对类别最优分类器作出自适应调整,对高分辨率影像分割后的像斑对象输出类别信息。以杭州区域高分二号遥感影像进行分类试验,结果表明,本文方法相比于单一分类器及已有的级联模型具有更高的分类精度。     

基于Landsat的多分类器集成遥感影像分类

针对传统的单分类器分类精度低,难以满足遥感影像分类精度要求高的问题,该文提出了一种多分类器集成分类方法。该方法有效地将支持向量机算法、C4.5决策树算法和人工神经网络算法进行了组合,实现了多种分类器集成的优势互补,在提高单个类别分类精度的基础上实现了整体精度的提高。该文基于Landsat遥感影像,利用多分类器集成分类技术,获取广州市自1987年以来的土地利用/地表覆盖数据,以平均3年为一个时段,共制作11期数据。实验结果表明,产品分类的平均精度达到88.12%,Kappa系数平均值达到0.868,高于3种基分类器的分类精度,对各种地物的分类精度也明显提高。     

多分类器联合监督分类方法研究

针对遥感图像监督分类方法适用范围不同且分类机制各有优劣的特点,本文提出将最大似然法与最小距离法结合的监督分类法。对eTM 影像进行分类,结果表明,与单一分类器的分类结果相比,分类器结合的监督分类技术能有效提高遥感图像专题信息提取的精度。     

基于多分类器组合的遥感影像分类方法研究

针对遥感影像分类特点,提出了一种基于多分类器组合的遥感影像分类方法.该方法选取分类性能以及多样性最好的马氏距离、支持向量机(SVM)和最大似然等3种分类器作为子分类器,自定义规则对简单投票法、最大概率类别法以及模糊积分法进行组合,并以山西怀仁县为研究区,对基于航摄数字正射影像进行分类.结果表明,与单个子分类器中精度最高...     

GIS辅助下的Bayes法遥感影像分类

介绍了Bayes分类器,提出了从GIS空间数据库中挖掘知识用以辅助进行遥感影像分类的方法.文中以规则的形式表示遥感影像的解译知识,并使用其它地理辅助数据,从遥感影像处理、地理辅助数据、专家知识一体化的角度出发,使用基于知识的方法进行了分类研究,改善了分类精度.实验表明这是一种较好的分类方法.     

优化BP神经网络的多特征融合遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值和单一影像特征缺乏有效地物判别信息的问题,该文提出了一种遗传算法(GA)结合指数粒子群算法(ExpPSO)优化BP神经网络的多特征融合遥感影像分类方法(GA-ExpPSO-BP).该方法将设计的基于指数函数的ExpPSO与GA结合构建GA-ExpPSO算法,利用GA-ExpPSO算法对BP神经网络的权阈值进行初始寻优从而构建GA-ExpPSO-BP模型.以高分二号、资源三号遥感影像为实验数据,通过制作多特征融合数据集训练及实验验证.结果 表明:该方法的类别精度、总体精度和Kappa系数均最高,且训练耗时和误差最小,能有效改善影像的分类效果,提高分类效率和精度.     

基于随机森林的国产小卫星遥感影像分类研究

近年来随着小卫星数量与传感器类型的快速增加,急需研究和发展快速可靠的小卫星遥感影像分类方法。针对分类方法各具局限性、具体应用中最优分类器选取困难等问题,本文基于多分类器集成学习的思路,引入随机森林(Random Forests)方法用于小卫星遥感影像分类。采用灾害监测预报小卫星(HJ-1)、北京1号小卫星(BJ-1)两种国产小卫星多光谱遥感影像进行试验,并与传统分类方法进行比较,结果表明,随机森林比最大似然分类器(MLC)、支持向量机分类器(SVM)等具有更好的稳定性、更高的分类精度和更快的运算速度,具有很好的适用性。     

基于AdaBoost算法的遥感影像水体信息提取

AdaBoost算法利用每个特征构造一个简单分类器,然后将简单分类器进行训练组合成一个强分类器。算法能够充分利用每个分类器的优势并避免其劣势,得到一个最佳判别,达到提高分类精度的目的。本文利用TM影像,将影像各波段灰度、水体指数和谱间关系特征相结合,构成提取水体的强分类器,实现水体提取。实验结果表明,算法能够非常有效地、高精度地提取水体信息。     

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。     

Effects of Training Samples and Classifiers on Classification of Landsat-8 Imagery

In this study, we used Landsat-8 imagery to test object- and pixel-based image classification approaches in an urban fringe area. For object-based classification, we applied four machine learning classifiers: decision tree (DT), naive Bayes (NB), random trees (RT), and support vector machine (SVM). For pixel-based classification, we utilized the maximum likelihood classifier (MLC). Specifically, we explored the influence of repeated sampling on classification results with different training sample sizes. We found that (1) except the overall accuracy of NB, those of the other four classifiers increased as the training sample size increased; (2) repeated sampling had a significant effect on classification accuracy, especially for the DT and NB classifiers; and (3) SVM achieved the best classification accuracy. In addition, the performance of the object-based classifiers was superior to that of the pixel-based classifier. The results of this study can provide guidance on the training sample size and classifier selection.     

Fusion of RADARSAT-2 and multispectral optical remote sensing data for LULC extraction in a tropical agricultural area

In this study, we investigated the performance of different fusion and classification techniques for land cover mapping in Hilir Perak, Peninsula Malaysia using RADAR and Landsat-8 images in a predominantly agricultural area. The fusion methods used are Brovey Transform, Wavelet Transform, Ehlers and Layer Stacking and their results classified into seven different land cover classes which include (1) pixel-based classifiers (spectral angle mapper (SAM), maximum likelihood (ML), support vector machine (SVM)) and (2) Object-based (rule-based and standard nearest neighbour (NN)) classifiers. The result shows that pixel-based classification achieved maximum accuracy of the optical data classification using SVM in Landsat-8 with 74.96% accuracy compared to SAM and ML. For multisource data classification, the highest overall accuracy recorded for layer stacking (SVM) was 79.78%, Ehlers fusion (SVM) with 45.57%, Brovey fusion (SVM) with 63.70% and Wavelet fusion (SVM) 61.16%. And for object-based classifiers, the overall classification accuracy is 95.35% for rule-based and 76.33% for NN classifier, respectively. Based on the analysis of their performances, object-based and the rule-based classifiers produced the best classification accuracy from the fused images.     

利用深层卷积神经网络实现地形辅助的多波束海底底质分类

海底底质分类对于海洋资源开发与利用、海洋科学研究等多方面具有重要意义。目前,多波束探测是实现大范围海底底质分类的有效手段之一,通常基于多波束反向散射强度提取角度响应(AR)特征及反向散射图像特征进行底质分类。由于特征来源较单一,分类器结构简单,往往分类精度不高。为此,本文提出了一种基于深层卷积神经网络(CNN)的多波束海底底质分类方法。除反向散射强度特征外,还利用地形特征,将特征向量转换为波形图,再输入卷积神经网络进行训练和分类。试验对比不同特征组合以及BP网络、支持向量机(SVM)、K近邻(KNN)、随机森林(RF)4种常规分类器,本文模型算法总体分类精度达到94.86%,Kappa系数为0.93,精度具有明显优势,效率也比较高。表明该方法有效利用两种数据类型所蕴含的海底底质信息,充分发挥卷积神经网络权值共享、高效率等特点,实现高分辨率海底底质分类,可对海底底质分类研究提供参考。     

影像融合技术应用于地表分类之探讨

本论文尝试讨论两个主题：主题一为利用主成分分析PCA方法应用于像元阶层资料融合技术的研究。主题二为应用Dempster-Shafer evidence theory方法于特征阶层数据融合技术的研究。在第一个主题中，由于合成孔径雷达的数据具有全偏极特性，在此选取了对植被较为敏感的HV极化合成孔径雷达数据，与具有光谱特性的光学SPOT数据做数据融合处理以利接下来的地物分类。首先，本研究利用小波转换技术来滤除合成孔径雷达斑驳噪声，在接下来融合步骤中，主成分分析出来的第一部分（PCI）是用做完滤除噪声后的合成孔径雷达取代，在数据融合后，进行地物分类是采用最大似然法来分类融合影像。在第二个主题中，利用全偏极雷达数据的极化特性结合SPOT数据的光谱特性，其主要目的是为了增加分类的精确度。首先使用李式滤波器滤除全偏极雷达数据噪声，接下来同样是使用采用最大似然法来分类融合影像，（不同的在于全偏极雷达影像使用Wishart几率分布，在光学影像采用multivariate Gaussian几率分布）将每个类别中每个像元属于某个类别的几率值计算出来，再利用Dempster-Shafer evidence theory来结合这些类别的机率值。最后产生出一张新的分类影像。实验的结果显示分类的精确度比较于未融合的资料都有明显提升的效果，也证明了此两个数据融合方法对于不同数据特性的融合都是很成功的。     

Classification of CBERS-2 Imagery with Fuzzy ARTMAP Classifier

A fuzzy ARTMAP classifier is adopted for a classification experiment of CBERS-2 imagery. The fundamental theory and processing about the algorithm are first introduced, followed with a land-use classification experiment in Shihezi County on CBERS-2 high resolution imagery. Three classifiers are compared: maximum likelihood classifier (MLC), error back propagation (BP) classifier, and fuzzy ARTMAP classifier. The comparison shows comparably better results for the fuzzy ARTMAP classifier, with overall classification accuracy of 9.9% and 4.6% higher than that of MLC and BP. The results also prove that the fuzzy ARTMAP classifier has better discernment in identifying bare soil on CBERS-2 imagery.     

Classification of CBERS-2 imagery with fuzzy ARTMAP classifier

A fuzzy ARTMAP classifier is adopted for a classification experiment of CBERS-2 imagery. The fundamental theory and processing about the algorithm are first introduced, followed with a land-use classification experiment in Shihezi County on CBERS-2 high resolution imagery. Three classifiers are compared: maximum likelihood classifier (MLC), error back propagation (BP) classifier, and fuzzy ARTMAP classifier. The comparison shows comparably better results for the fuzzy ARTMAP classifier, with overall classification accuracy of 9.9% and 4.6% higher than that of MLC and BP. The results also prove that the fuzzy ARTMAP classifier has better discernment in identifying bare soil on CBERS-2 imagery.