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     

投影寻踪学习网络的遥感影像分类

采用投影寻踪(projection pursuit,PP)学习网络方法建立了一种新的遥感影像分类模型。该方法结合了统计学中投影寻踪算法节点函数灵活的非参数估计特点和人工神经网络的自学习功能,具有简捷的网络结构和良好的鲁棒性能。利用苏州市TM影像进行了分类实验,将分类结果与BP神经网络和最大似然法的分类结果相比较,投影寻踪学习网络的分类精度较高,具有一定的实用性。     

基于Matlab平台的遥感图像变化检测算法改进策略

利用多源遥感影像获得变化的地物信息的过程称为变化检测。变化检测的方法多种多样,由影像分析的层次不同分为像素级的变化检测、特征级的变化检测和目标级的变化检测3种类型;由不同的数据分析机理,变化检测又可分为非监督类变化检测和监督类变化检测。试验证明,基于边缘特征与灰度差值法相结合的变化检测试验更适用于基于Matlab平台的遥感图像变化检测。     

基于GIS的RS影像处理分析技术分类方法探讨

GIS与RS有着紧密的关系和很强的互支持性,在GIS与RS集成下,研究遥感影像分类与判读出现的新特征,归纳遥感影像分类分析的四种主要模式,对于两者更好结合有重要意义。     

基于光谱相关性的SVM高光谱遥感影像分类

根据高光谱遥感影像数据特点,首先利用光谱相关性进行特征选择,然后引进SVM进行高光谱遥感影像分析解译,最后利用AVIRIS影像进行试验,结果显示分类精度和时间比常规方法都有很大改善。     

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。     

无惩罚系数SVM高光谱影像分类算法研究

惩罚系数是支持向量机(SVM)机器学习中的一个重要参数,它的设置对分类结果有很大影响。但它没有规律可循,高光谱影像数据量大、数据复杂,为其选择合适的惩罚系数非常困难。提出无惩罚系数的SVM算法,利用最近点算法(NPA)计算二分类,对错分数据不设惩罚系数,而是对其重新构造凸集,计算最优超平面,迭代循环直到错分率达到所设的阈值为止。此算法简化了计算过程,降低了误分率。最后用AVIRIS高光谱影像进行实验,实验效果显示,本算法的分类精度和速度都得到很大提高。     

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。     

基于数据融合的多尺度图像去噪方法

将图像系数尺度内相关模型较强的去噪能力与尺度间相关模型保持边缘的优越性能相结合,提出了一种新的基于数据融合的多尺度图像去噪方法。同时引入了一种新的基于结构相似性(SSIM)指数的图像质量标准来衡量初始去噪图像和融合后图像与原始图像的相似程度,评估图像保持边缘和去噪的能力。仿真结果表明,基于数据融合的方法具有更好的视觉效果和去噪性能     

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。     

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%。     

基于半监督核模糊c-均值算法的北京一号小卫星多光谱图像分类

针对遥感图像数据大多不服从高斯分布以及遥感图像分类存在非线性、模糊性和标记数据少等问题,提出基于半监督核模糊c-均值算法的多光谱遥感图像分类方法.首先,把半监督学习理论和核理论同时引入模糊c-均值算法,形成半监督核模糊c-均值算法.然后,用该算法与k-均值算法、最大似然算法、多类支持向量、半监督核支持向量、模糊c-均值...     

Robust Semi-supervised Kernel-FCM Algorithm Incorporating Local Spatial Information for Remote Sensing Image Classification

Fuzzy c-means (FCM) algorithm is a popular method in image segmentation and image classification. However, the traditional FCM algorithm cannot achieve satisfactory classification results because remote sensing image data are not subjected to Gaussian distribution, contain some types of noise, are nonlinear, and lack labeled data. This paper presents a robust semi-supervised kernel-FCM algorithm incorporating local spatial information (RSSKFCM_S) to solve the aforementioned problems. In the proposed algorithm, insensitivity to noise is enhanced by introducing contextual spatial information. The non-Euclidean structure and the problem in nonlinearity are resolved through kernel methods. Semi-supervised learning technique is utilized to supervise the iterative process to reduce step number and improve classification accuracy. Finally, the performance of the proposed RSSKFCM_S algorithm is tested and compared with several similar approaches. Experimental results for the multispectral remote sensing image show that the RSSKFCM_S algorithm is more effective and efficient.     

基于SVM的多源信息复合的高空间分辨率遥感数据分类研究

遥感图像尤其是高空间分辨率（1—4m）遥感图像在土地利用和土地覆盖变化方面有着广阔的应用前景，传统高空间分辨率遥感图像信息提取方法存在精度和分类效率低的不足。本文提出的基于SVM的分类方法，复合光谱、纹理和结构信息等多源数据信息，对IKONOS高空间分辨率图像进行分类，并与最大似然法和单源数据（光谱）SVM分类结果进行定性和定量比较分析。研究结果表明，多源数据复合的SVM高空间分辨率遥感图像分类方法，能够有效解决单源数据信息图像分类效果破碎的问题；总精度达到68．38％，Kappa达到0．5993；对高维输入向量具有高的推广能力；比单源信息的SVM和最大似然方法图像分类精度更高，适合高空间分辨率遥感图像分类。     

融合变分模型与快速算法分割噪声图像

针对现有的变分水平集方法对噪声图像分割不理想和计算效率较低的情况,提出一种改进的可有效分割噪声图像的变分模型。首先改进了Chan-Vese模型的能量泛函,并引入辅助变量耦合某些拟合能量项,接着用凸松弛方法将其转化为凸优化问题。该优化问题可转化为几个子问题,在求解时结合快速的Split-Bregman算法和AOS算法以提高速度。对噪声图像作分割实验,并与不引入辅助变量的水平集方法作比较。结果表明,本文提出的变分模型对带某些类型噪声的图像分割不仅提高了计算效率,还能较好地分割目标。     

基于Hopfield神经网络模型的遥感影像分类算法

针对遥感影像的分类特点，提出了一种基于Hopfield神经网络模型的遥感影像分娄算法。首先阐述了Hopfield神经网络的结构及其工怍原理，分析了Hopfield神经网络优化规则；然后在Hopfield神经网络通用模型基础上，实现了Hopfield神经网络的算法。实验结果表明，这种分类器具有较高的精度与效率，分类结果优于最大似然分类法。     

基于C4.5算法的遥感影像分类

随着城市化进程的加快,湿地对整个生态系统的可持续发展具有重要的意义。以洪泽湖湿地为研究区,集合TM影像的光谱信息和纹理信息构建空间数据库,获取训练样本,并从训练样本集中获取分类规则;然后利用C4.5算法构建决策树,并基于知识规则推理得到遥感影像分类结果;最后将分类结果与传统的最大似然法进行比较分析。实验表明,基于C4.5算法得到的分类结果的分类总精度为91.9701%,其分类总精度结果明显高于传统的最大似然法的80.0885%;同样,前者的分类结果的Kappa系数为0.900 3,也远远高于最大似然法的0.746 5。     

基于Hopfield神经网络模型的遥感影像分类算法

针对遥感影像的分类特点,提出了一种基于Hopfield神经网络模型的遥感影像分类算法.首先阐述了Hopfield神经网络的结构及其工作原理,分析了Hopfield神经网络优化规则;然后在Hopfield神经网络通用模型基础上,实现了Hopfield神经网络的算法.实验结果表明,这种分类器具有较高的精度与效率,分类结果优于最大似然分类法.     

基于改进的半监督FCM算法的高光谱遥感影像分类

分类是空间数据挖掘研究的主要问题之一。由于无监督分类忽视了样本信息,往往得不到理想的精度。而监督分类需要标记大量的样本点,带来了巨大的工作量。因此半监督分类逐渐成为空间数据挖掘的研究热点之一。本文通过改进FCM算法的目标函数和迭代过程,提出了一种新的半监督FCM算法（SFCM）,该算法充分利用了有标签样本点在迭代过程中的作用。本文选取了在高光谱图像分类中广泛使用的Indian Pines和Pavia University两幅高光谱遥感影像作为试验对象。结果显示,随着有标签样本点比例的增加,分类精度也随之增加,且分类结果较好。     

基于模糊小脑模型神经网络的遥感图像分类算法

针对遥感图像分类的特点，提出一种基于模糊小脑模型神经网络的遥感图像分类算法，首先阐述小脑模型神经网络的工作原理，然后将模糊理论引入小脑模型神经网络，提出一种能反映人脑认知的模糊性和连续性的模糊小脑模型神经网络，并将其应用于遥感图像分类，实验结果表明，这种基于模糊小脑模型神经网络的分类器经过训练后，可应用于遥感图像的分类，其分类精度明显高于传统的最大似然分类法。