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%。     

基于随机森林的洪河湿地遥感影像分类研究

随机森林(Random Forests)是一种最有效的分类方法之一。现阶段,它吸引了来自不同领域的研究人员,被广泛应用到不同的学科领域之中。本文采用TM影像,运用随机森林算法,对洪河湿地影像进行分类,并与最大似然监督分类方法(Maximum Likelihood Classification,MLC)和CART(Classification And Regression Tree)算法对比。结果表明,基于RF算法的分类结果的总精度和Kappa系数分别为88.31%和0.82,较MLC和CART分类方法有明显提高。从而证明RF算法可以提高遥感影像的分类精度,并可应用在湿地信息的提取研究中。     

基于随机森林算法的高光谱遥感作物分类

随机森林算法是近年来发展起来的一种新型算法,具有速度快、精度高等优势,综合性能优异。本文运用随机森林算法和Hymap高光谱数对几种常见的作物进行了分类识别,并与支持向量机的分类结果进行了对比,综合讨论了随机森林算法的优势与不足。实验结果表明：当实际参与训练的样本数目接近时随机森林算法的分类精度和运算速度都优于支持向量。在提取足够样本的情况下,随机森林能在保证精度的条件下节约大量时间,在大面积的遥感分类中具有较大应用潜力。     

高光谱遥感影像多级联森林深度网络分类算法

高光谱遥感技术在环境监测、应急保障、精细地物提取等方面有着广泛的应用,随着高分五号高光谱数据的正式发布,高光谱遥感技术将发挥更重要的作用。遥感影像分类作为高光谱遥感影像信息处理的重要部分,已成为当前研究重点。本文针对传统多级联森林深度学习中模型复杂、无法利用基分类器差异信息、对类间差异较小的样本无法正确区分等不足,提出了一种改进的多级联森林深度学习模型,在模型框架中,分别采用了随机森林和旋转森林作为基分类器,并引入逻辑回归分类器作为判别器用于训练层扩展。相较于传统的深度神经网络,改进的多级联森林深度网络超参数较少且能够自适应确定训练层,更方便进行模型优化。实验采用了高分五号数据集及两个公开的高光谱数据集(Indian Pines数据集及Pavia University数据集)进行精度评定,同时选择了传统分类器支持向量机、深度置信网等模型作为对比分析。实验结果表明,改进的多级联森林深度学习模型能有效地进行高光谱遥感影像分类,且较传统的分类方法精度有所提升。     

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。     

随机森林遥感图像分类实验教学软件开发研究

随着教育与科技的发展,我国众多高校的课程体系都开设了"遥感图像解译"或"遥感原理与应用"等课程.遥感图像的监督分类,是遥感类课程不可或缺的教学内容.然而,在目前相关课程的实验教学中,存在教学内容陈旧、更新频率较低等问题.为了充实高校遥感类课程的实验教学,本文介绍了一套基于随机森林的遥感图像分类实验教学软件,包括软件开发与相关实验的设计.鉴于随机森林算法在遥感领域得到了广泛应用,本实验教学软件旨在使学生掌握更新的遥感数据处理技能,提升其在相关行业中的竞争力.     

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。     

AdaTree算法在遥感影像分类中的应用

为了进一步提高遥感图像分类的精度,提出了一种基于Log-Gabor小波和Krawtchouk矩的遥感图像分类算法。首先利用Log-Gabor小波对遥感图像进行多方向、多分辨率滤波,提取遥感图像的纹理特征;同时计算遥感图像的Krawtchouk矩不变量,作为遥感图像的边缘形状特征,并与基于Log-Gabor小波提取的纹理特征构成完整的特征向量;最后依据所提取的特征向量利用支持向量机(support vector machine,SVM)分类器对待分类图像进行分类,得到最终的遥感图像分类结果。实验结果表明,与近年来提出的基于Gabor小波、基于Log-Gabor小波、基于Krawtchouk矩等3种遥感图像分类算法相比,本文算法在主观视觉效果和分类精度等客观定量评价指标上都有了明显的改善,是一种行之有效的遥感图像分类算法。     

计算机自动识别分类技术在森林遥感中的应用

本文叙述应用计算机自动识别分类技术在航天遥感图像中对森林资源进行分类的一些探索研究。本文介绍了采用自编程序“地理坐标系和图像坐标系的精密仿射变换”、“识别型增强技术”、“多光谱信息的特征提取”、“多光谱模糊算法聚类分析”等一系列算法后所取得的分类图像结果,与实地及目视解译相比较,森林分类相对精度达90％。     

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。     

利用无人机高光谱影像的红树林群落物种分类

近年来红树林群落中物种结构简单、功能退化等环境问题日趋严重,为了及时准确掌握红树林群落的物种空间格局与分布,本文首先基于深圳福田红树林自然保护区无人机高光谱影像,利用归一化差值植被指数和归一化潮间红树林指数提取植被区域;然后在植被区域根据最佳指数法选取信息量大、波段相关性小的波段组合,分别采用基于像素支持向量机分类方法和面向对象影像分类方法对红树林物种进行分类。试验结果表明,基于像素支持向量机分类方法的总体精度为81.03%;利用面向对象影像分类方法的总体精度为85.58%。面向对象影像分类方法能有效去除椒盐噪声,充分利用对象光谱、形状及纹理信息,提供更准确的红树林分布信息。     

基于随机森林特征优选的冬小麦分类方法

本文基于多时相Landsat 8 OLI数据,进行综合光谱、植被指数的特征提取与特征选择的方法研究。通过分析光谱与植被指数特征时序变化,提取最佳时相光谱,构建小麦提取特征;采用基于重要性与Pearson相关性的随机森林特征选择算法优选特征。结果表明:利用优选特征分类时,总体精度为89.78%,小麦分类精度为98.33%;与优选前特征的分类结果相比,精度分别提高了2.96%、2.55%;基于重要性与Pearson相关性的随机森林特征选择提高了分类精度和分类器工作效率。     

Effects of lossy compression on remote sensing image classification of forest areas

Lossy compression is being increasingly used in remote sensing; however, its effects on classification have scarcely been studied. This paper studies the implications of JPEG (JPG) and JPEG 2000 (J2K) lossy compression for image classification of forests in Mediterranean areas. Results explore the impact of the compression on the images themselves as well as on the obtained classification. The results indicate that classifications made with previously compressed radiometrically corrected images and topoclimatic variables are not negatively affected by compression, even at quite high compression ratios. Indeed, JPG compression can be applied to images at a compression ratio (CR, ratio between the size of the original file and the size of the compressed file) of 10:1 or even 20:1 (for both JPG and J2K). Nevertheless, the fragmentation of the study area must be taken into account: in less fragmented zones, high CR are possible for both JPG and J2K, but in fragmented zones, JPG is not advisable, and when J2K is used, only a medium CR is recommended (3.33:1 to 5:1). Taking into account that J2K produces fewer artefacts at higher CR, the study not only contributes with optimum CR recommendations, but also found that the J2K compression standard (ISO 15444-1) is better than the JPG (ISO 10918-1) when applied to image classification. Although J2K is computationally more expensive, this is no longer a critical issue with current computer technology.     

结合随机森林面向对象的森林资源分类

针对森林资源分类研究较少且缺少相对简单有效的方法的情况,提出一种结合面向对象和随机森林的森林资源分类方法。面向对象分割技术可减少"椒盐效应",随机森林分类算法具有高准确度、抗噪声能力强、性能稳定等优势。鉴于此,通过调整面向对象的分割参数,构造最优特征空间及估算随机森林中决策树的数量等,构建了最优的面向对象随机森林分类模型。另外,选择了SVM算法作对比试验。试验结果显示,本文分类算法的总体精度达到83.34%,Kappa系数为0.789 2,明显高于SVM,能够有效提高森林资源分类的精度。     

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。     

Seafloor classification using echo-waveforms: a method employing hybrid neural network architecture

This letter presents seafloor classification study results of a hybrid artificial neural network architecture known as learning vector quantization. Single beam echo-sounding backscatter waveform data from three different seafloors of the western continental shelf of India are utilized. In this letter, an analysis is presented to establish the hybrid network as an efficient alternative for real-time seafloor classification of the acoustic backscatter data.     

Mediterranean forest species mapping using classification of Hyperion imagery

Regional operational forest species mapping is an active research topic that aims to provide the systematic and updatable information necessary for understanding and monitoring the rapidly changing forest environment. In this study, we investigated the potential of satellite hyperspectral imagery in regional forest species mapping by employing a pixel-based and an object-based nearest neighbour classifier in two different Mediterranean study areas. The overall thematic accuracy of the produced maps was assessed using reference data collected in the field and ranged between 0.72 and 0.83. No approach was found to be superior for the study areas. The McNemar test showed no statistically significant difference at the 95% confidence level in the classification accuracies achieved by the two approaches. Both pixel- and object-based approaches provide useful maps, suggesting that regional forest species mapping from space has much potential.     

遥感云分类不确定性的多维混合熵模型评价

针对遥感影像提取信息分类过程中存在随机不确定性和模糊不确定性两种噪声,影响分类结果的准确性问题,该文在多光谱遥感影像处理中,通过对传统的混合熵模型进行多维化改进,提出多维混合熵的不确定性评价模型。采用云算法对遥感影像进行解译分类,获取相应的不确定性模型参数计算出信息熵和模糊熵,从像元和类别两个尺度构建出遥感云分类不确定性的多维混合熵评价模型。结果表明,多维混合熵模型能够充分考虑多光谱遥感数据的多维性,可以从不同尺度对遥感分类的随机不确定性和模糊不确定性进行有效全面地评价。     

A band selection technique for spectral classification

In hyperspectral remote sensing, sensors acquire reflectance values at many different wavelength bands, to cover a complete spectral interval. These measurements are strongly correlated, and no new information might be added when increasing the spectral resolution. Moreover, the higher number of spectral bands increases the complexity of a classification task. Therefore, feature reduction is a crucial step. An alternative would be to choose the required sensor bands settings a priori. In this letter, we introduce a statistical procedure to provide band settings for a specific classification task. The proposed procedure selects wavelength band settings which optimize the separation between the different spectral classes. The method is applicable as a band reduction technique, but it can as well serve the purpose of data interpretation or be an aid in sensor design. Results on a vegetation classification task show an improvement in classification performance over feature selection and other band selection techniques.     

GIS辅助下的基于数据挖掘的林型遥感分类方法研究

在植被分类领域,各类植被光谱特征非常相近,纹理特征比较单一,并且受物候影响较大,使得影像上林地信息的分类识别的成为一个较复杂的过程。本文利用GIS平台构建由影像、DEM等组成的多元空间数据库,将数据挖掘的方法引入林型遥感分类中,充分利用了现有的空间数据资源,减少了同物异谱、异物同谱对林型遥感分类的影响,增强了分类知识获取的自动化和智能化程度。实验结果表明,该方法具有简化知识获取过程和提高分类精度等优点。