A Multiple SVM System for Classification of Hyperspectral Remote Sensing Data

With recent technological advances in remote sensing sensors and systems, very high-dimensional hyperspectral data are available for a better discrimination among different complex land-cover classes. However, the large number of spectral bands, but limited availability of training samples creates the problem of Hughes phenomenon or ‘curse of dimensionality’ in hyperspectral data sets. Moreover, these high numbers of bands are usually highly correlated. Because of these complexities of hyperspectral data, traditional classification strategies have often limited performance in classification of hyperspectral imagery. Referring to the limitation of single classifier in these situations, Multiple Classifier Systems (MCS) may have better performance than single classifier. This paper presents a new method for classification of hyperspectral data based on a band clustering strategy through a multiple Support Vector Machine system. The proposed method uses the band grouping process based on a modified mutual information strategy to split data into few band groups. After the band grouping step, the proposed algorithm aims at benefiting from the capabilities of SVM as classification method. So, the proposed approach applies SVM on each band group that is produced in a previous step. Finally, Naive Bayes (NB) as a classifier fusion method combines decisions of SVM classifiers. Experimental results on two common hyperspectral data sets show that the proposed method improves the classification accuracy in comparison with the standard SVM on entire bands of data and feature selection methods.     

利用分离性测度多类支持向量机进行高光谱遥感影像分类

从支持向量机的基本理论出发,结合高光谱数据的分离性测度,提出了一种基于分离性测度的二叉树多类支持向量机分类器,并用OMIS传感器获得的高光谱遥感数据和Hyperion高光谱遥感数据进行实验,分析比较了各种多类SVM的分类精度,并和传统的光谱角制图和最小距离分类算法进行了比较。结果表明,SVM进行高光谱分类时,基于分离性测度的二叉树多支持向量机的分类精度最高。     

面向土地利用分类的多源遥感数据混合贝叶斯网络分类器

传统的离散型贝叶斯网络分类器是将所有变量视为离散变量,或对连续变量做离散化处理.可是离散化不可避免地存在信息损失,且在多源遥感数据的处理和分析中,连续变量的离散化会导致搜索空间的急剧增加和计算及存储量的极大开销.针对这些问题,开发了一种面向土地利用分类的多源遥感数据混合贝叶斯网络分类器,该分类器首先对问题领域的所有变量...     

基于波段选择的高光谱遥感影像分类

针对高光谱数据波段众多、数据量较大的特点,提出了一种基于波段选择的高光谱遥感影像分类方法,以北京昌平小汤山地区高光谱遥感数据为例,分析了各波段的信息含量和相邻波段的相关性,采用子空间划分、自适应波段选择的方法,实现了特征波段的选择。针对农村道路和空地、柏油路和居民地间的同谱异物现象,利用J-M距离模型判别其类间的可分性,获得了最佳波段组合,最后采用支持向量机分类器进行分类。结果表明,采用波段选择的方法能有效地提高高光谱数据的分类精度。     

面向高光谱遥感影像的分类方法研究

20世纪80年代初期出现的高光谱遥感技术,将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起。高光谱影像丰富的光谱信息使其较全色遥感、多光谱遥感能够更好地进行地面目标的分类识别,然而其复杂的高维数据结构也对传统的遥感影像分类方法提出挑战。提出很多针对高光谱遥感影像的分类方法,对其进行研究。     

利用分离性测度多类支持向量机进行高光谱遥感影像分类

提出了一种基于变换域离散度排序的高光谱图像快速压缩算法。该算法针对高光谱数据在Hadamard变换域的特性,自适应地选择有利的排列顺序,将变换域光谱矢量的各维度按照离散度进行重新排序,不仅使光谱矢量的大部分能量和差异集中在低维部分,而且把高信噪比的分量调整到低维空间,并据此构造出高效的码字排除不等式,最后结合LBG(Linde Bazo Gray)聚类算法,通过矢量量化快速完成高光谱图像的编码。在不同压缩比下进行实验,结果表明,本文提出的高光谱图像压缩算法能在保证良好的图像恢复质量的前提下,大幅度降低计算复杂度,实现快速压缩。     

一种基于高光谱遥感数据的植被LAI反演算法

针对高光谱遥感数据反演叶面积指数(LAI)的问题,提出了基于主成分变换(PCA)的综合反演算法。研究表明,利用变换后的高光谱数据建立的神经网络反演模型具有更好的泛化性,提高了实测数据的反演稳定性和精度,同时加快了反演速度。     

南京沿江湿地高光谱与多光谱遥感分类对比分析

随着遥感技术的发展,以及对湿地分类研究的不断深入,如何提高分类精度成为一大研究方向。分类方法、影像数据源、影像的特征提取都影响着分类结果的精度。目前,利用影像数据进行湿地分类,精度难以提高主要是受影像像源的制约,其中,不同湿地类型波谱特性之间的混淆是制约精度提高的直接原因。高光谱(Hyperspectral)遥感是20世纪末对地观测系统中较重要的技术突破之一,随着定量化研究的发展,高光谱遥感技术以其光谱分辨率较高的特点受到国内外广泛关注,并在资源、环境、城市、生态等领域得到了广泛应用。本文比较了湿地分类中hyperion的数据与landset TM数据的分类精度。在进行分类时,使用监督分类的方法(SVM)对南京新济州、新生州、江心洲的湿地地物类型进行分类。结果表明,在训练样本合适的前提下,用高光谱数据进行分类可以得到更高的分类精度。     

Remote Sensing of Soil Moisture Using Airborne Hyperspectral Data

Landscape assessment of soil moisture is critical to understanding the hydrological cycle at the regional scale and in broad-scale studies of biophysical processes affected by global climate changes in temperature and precipitation. Traditional efforts to measure soil moisture have been principally restricted to in situ measurements, so remote sensing techniques are often employed. Hyperspectral sensors with finer spatial resolution and narrow band widths may offer an alternative to traditional multispectral analysis of soil moisture, particularly in landscapes with high spatial heterogeneity. This preliminary research evaluates the ability of remotely sensed hyperspectral data to quantify soil moisture for the Little River Experimental Watershed (LREW), Georgia. An airborne hyperspectral instrument with a short-wavelength infrared (SWIR) sensor was flown in 2005 and 2007 and the results were correlated to in situ soil moisture values. A significant statistical correlation (R ² value above 0.7 for both sampling dates) for the hyperspectral instrument data and the soil moisture probe data at 5.08 cm (2 inches) was determined. While models for the 20.32 cm (8 inches) and 30.48 cm (12 inches) depths were tested, they were not able to estimate soil moisture to the same degree.     

高光谱遥感植被指数的普适性分析

针对众多的窄波段高光谱遥感植被指数,利用多个包含高光谱和植被理化含量的实测数据集从相关系数、确定性系数以及预测均方误差等方面进行验证分析。结果显示植被指数TCAR I、MCAR I、mND705、mSR705具有优于其他植被指数的普适性。在建立回归反演模型时,建议选用非线性抛物线模型,其预测精度优于线性模型。     

利用决策级融合进行遥感影像分类

提出了一种基于决策级融合的遥感影像分类方法。该方法对遥感影像特征以最大似然分类器进行预分类,应用Adaboost算法将分类的结果进行决策级融合,实现影像的分类。实验结果表明,该方法的分类精度较传统分类方法有明显的提高。     

基于核Fisher判别分析的高光谱遥感影像分类

高光谱遥感技术,将反映目标辐射特性的光谱信息与反映目标空间位置关系的图像信息有机地结合在一起.高光谱影像具有丰富的光谱信息,较全色、多光谱影像能够更好的进行地面目标的分类识别.在介绍核Fisher判别分析算法的基础上,选用径向基核函数,使用一对一或一对余构造多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳定的多类核Fisher判别分析分类器.通过OMIS和AVIRIS影像的分类实验,表明了核Fisher判别分析与支持向量机的分类精度相当,但是所需的训练时间较短.     

基于K均值聚类的高光谱遥感影像分类研究

讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。     

基于主成分判别分析的高光谱遥感影像分类方法

提出了一种基于主成分判别分析的高光谱遥感影像分类方法。针对高光谱遥感影像数据量大、冗余信息多的特点,使用改进的线性判别分析方法对高光谱遥感数据进行线性维数减少。该方法将主成分分析加入到线性判别分析的算法框架中,能够克服常规的线性判别分析方法在训练样本数量较少时遭遇到的小样本问题。通过实验,证明基于主成分判别分析的遥感影像分类方法能够利用少量的训练样本实现更优的分类精度。     

基于S3VM模型的高光谱遥感影像分类

针对传统的高光谱遥感影像分类受限于训练样本的个数,难以取得较好分类结果的不足,提出了一种基于聚类核的半监督支持向量机（S³VM）模型的高光谱遥感影像分类方法。该算法在半监督支持向量机的体系上加入未标记样本来辅助构建核矩阵,从而获得更优异的分类器,在小样本的基础上提高分类精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。     

融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。     

证据理论结合遥感分类数据能力定量评价研究

DS(Dempster-Shafer)证据理论具有结合多源数据的能力,在遥感分类中应用越来越广泛.然而,并不是所有数据源利用证据理论结合后都能提高目标类别的基本概率分配(Basic Probability Assignment,BPA),从而提高遥感分类效果.如何对证据结合的效果进行评价已成为应用证据理论的一个关键问题...     

数字挖掘方法在遥感分类中的应用研究

随着空间信息领域技术的提高,利用卫星遥感数据获取地表信息的数据量也飞速的增长,快速有效地在海量遥感数据源中获取感兴趣的地表信息成为一项重要的研究方向。数据挖掘方法具有从海量数据集中提取隐含其中信息的功能,使得数据挖掘方法在遥感图像分类和专题信息提取中具有较好的应用,但不同的数据挖掘算法具有各自的独特性,使得在遥感分类中使用数据挖掘方法并不容易,本文通过介绍几种常用的数据挖掘算法,分析和探讨了这些方法在遥感分类应用中的优势和局限性,为在遥感分类中更好的、有针对性的选择数据挖掘算法提供借鉴。