遥感影像土地覆盖分类的多点地统计学方法

目的 提出了一种基于多点地统计学理论的遥感影像分类后处理方法。此方法从训练图像中提取先验的空间结构信息,推断类别的空间分布模式和相关关系,训练图像中能够建立包含空间关系的模型,比传统变异函数模型所表达的点对之间的关系更为丰富。将此方法应用于从Landsat TM影像中提取湿地类别,与空间平滑法和基于马尔科夫随机场的分类方法相比,其总体分类精度有所提高,且对曲线分布的地物类别的处理具有明显优势。     

基于卫星遥感数据的地表信息特征--NDVI-Ts空间描述

介绍了基于卫星遥感数据的可操作NDVI、Ts和Ts／NDVI计算方法，讨论了NDVI、Ts和Ts／NDVI数据对植被覆盖信息表达的差异，分析了不同地表覆盖在NDVI—Ts空间的年内变化特征。利用信息熵和平均梯度定量分析了NDVI、Ts和Ts／NDVI数据在信息表达丰富度方面的差异，讨论了在不同地表植被覆盖下，Ts／NDVI数据信息提高程度的敏感性。     

遥感影像的全模糊监督分类

设计了一个基于神经元网络的全模糊训练、分类和精度评估方法,并成功地应用于一个城郊型土地覆盖分类。结果表明,该方法灵活、适应性强,并能取得较好的分类精度。     

适用于遥感图像分类的对偶子空间分类器

本文在子空间分类器的基础上，对子空间的概念进行了扩展，提出了对偶子空间的概念和相应的分类算法。这种分类器不仅保持了子空间分类器分类准确度高的特点，而且分类速度有很大提高，因而更适用于大规模的遥感图像分类。     

遥感图像分区自动分类方法研究

对判读区域自然景观复杂,数据时相与质量差异较大的遥感图像用常规的分类方法难以达到令人满意的效果,为此,作者采用了一种通过定义图像判读区,分类管理器和改进监督分类算法等方法来实现遥感图像的分区自动分类,以不同时相的TM拼接图像进行分类试验,结果表明:该方法比传统的监督分类方法有明显改进:(1)与整幅图像用同一个标准进行分类的方案相比,其精度显著提高,(2)可在分类前灵活,任意生成所感兴趣的判读区域,(3)在每个分区内可以采取不同的分类方案进行分类,(4)每个分区的分类结果可以保存在同一个文件中,而不需要另外生成新的操作层.因此分类不受次数的限制,可保证分类结果的完整性,每个分区的分类结果也可以保存为单个分区的分类结果.     

基于小波的高分辨率遥感影像纹理分类方法研究

在基于小波的纹理分类算法的基础上,提出了逐点特征加权和活动窗口算法,使小波纹理分析能够用于高分辨率遥感影像的分类。逐点特征加权算法用样本的均值和方差构造偏离量,对纹理特征进行自适应加权。实验结果表明,本文提出的算法能够有效地提高分类精度,使地物的内部和边缘的分类效果都得到改善。     

Feature Evolution for Classification of Remotely Sensed Data

In a number of remote-sensing applications, it is critical to decrease the dimensionality of the input in order to reduce the complexity and, hence, the processing time and possibly improve classification accuracy. In this letter, the application of genetic algorithms as a means of feature selection is explored. A genetic algorithm is used to select a near-optimal subset of input dimensions using a feed-forward multilayer perceptron trained by backpropagation as the classifier. Feature and topology evolution are performed simultaneously based on actual classification results (wrapper approach).     

遥感影像镶嵌时拼接缝的消除方法

对现有的影像并接缝消除方法的优缺点进行了分析,提出了拼接缝消除的强制改正方法,并用大量的实际图像进行了试验。结果表明：所提出的方法具有较好的拼接缝消除效果,且算法简单,易于实现,可以处理彩色和黑白等多种图像。     

A Hierarchical Hybrid SVM Method for Classification of Remotely Sensed Data

The focus of this work is on developing a new hierarchical hybrid Support Vector Machine (SVM) method to address the problems of classification of multi or hyper spectral remotely sensed images and provide a working technique that increases the classification accuracy while lowering the computational cost and complexity of the process. The paper presents issues in analyzing large multi/hyper spectral image data sets for dimensionality reduction, coping with intra pixel spectral variations, and selection of a flexible classifier with robust learning process. Experiments conducted revealed that a computationally cheap algorithm that uses Hamming distance between the pixel vectors of different bands to eliminate redundant bands was quite effective in helping reduce the dimensionality. The paper also presents the concept of extended mathematical morphological profiles for segregating the input pixel vectors into pure or mixed categories which will enable further computational cost reductions. The proposed method’s overall classification accuracy is tested with IRS data sets and the Airborne Visible Infrared Imaging Spectroradiometer Indian Pines hyperspectral benchmark data set and presented.     

基于多特征的遥感影像分类方法

提出了一种基于多特征的遥感分类方法。首先 ,制定类方案并分解各个类 ,据此得到相应的子类 ;然后 ,通过选用适当的特征 ,使得每一个类都能以一个独特的特征组合来表达。与此同时 ,通过影像分割得到影像对象 ,并测量这些对象的各个特征 ,如光谱特征、几何特征及拓扑特征等。凭借这些特征 ,影像对象可以较为容易地被识别和分类。与传统的分类方法的比较表明 ,文中所提出的分类方法具有明显的优越性和良好的前景。     

基于自适应共振模型的遥感影像分类方法研究

人工神经网络（ANN）是人视觉和服的基本功能的抽象、简化和模拟。在对遥感影像的综合解释应用中，与传统的统计方法和符号逻辑方法相比较，ANN更接近人对影像的视觉解译分析过程。自适应共振理论（ART）是一种自组织产生认知编码的神经网络理论，其自组织、反馈式增量学习机能，能兼顾适应性和稳定性，克服了一般神经网络学习速度慢、网络结构难以确定、局部最小陷阱等缺陷。以FUZZY－ART和ARTMAP为基础，提出基于ART遥感影像非监督和监督分类的一般模型，并以实际上土覆盖分类和城市结构信息提取为应用实例，通过与传统统计方法和一般ANN分类器相比较，ART具有正确率更同、学习速度快、自适应性等优点，是复杂数据分类和信息提取的有效工具。     

基于SVM的遥感影像的分类

传统的遥感图像的分类方法包括统计模式识别、句法模式识别、以及神经网络、遗传算法、模拟退火算法等。分析了统计模式识别的方法的优缺点,提出了使用SVM的方法进行遥感图像分类的设想,通过实验证明该方法是有效的和稳健的。     

遥感影像融合质量评价方法研究

在多源遥感影像融合中,融合技术的千差万别使得融合方法对影像质量起着关键作用。如何准确地评价融合质量是影像融合的一个重要组成部分。本文通过主观评价和客观评价法对遥感影像融合的质量进行了探讨,利用Matlab系统分析了遥感影像融合中的评价指标,对PCA、IHS和Brovey融合法进行了对比分析。     

结合多分类器的遥感数据专题分类方法研究

采用标准的多分类器结合方法进行遥感图像的分类研究。首先介绍了标准的多分类器结合的算法,然后以Landsat-TM多光谱遥感数据的土地覆被分类为例,分别给出了抽象级上相同训练特征的多分类器结合、抽象级上不同训练特征的多分类器结合和测量级上的多分类器结合进行土地覆被分类的方法,并进行了实例研究。参与分类器结合的单个分类器包括最大似然分类器,最小距离分类器,马氏距离分类器,K-NN分类器,多层感知器神经网络分类器。分类器的分类精度用总体精度、用户精度、生产者精度、kappa系数和条件kappa系数评价。结果表明,每一种多分类器结合的分类方法都能够比较显著地提高总体分类精度。文章最后对不同多分类器结合方式的优缺点进行了分析。     

带匹配支持度的多源遥感影像SIFT匹配方法

通过将匹配支持度的相似性测度引入SIFT特征匹配算法,提出了一种能够应用于不同源遥感影像的自动匹配方法。首先,建立待匹配影像中特征点的SIFT特征描述符;然后,以待匹配点与参考点间的欧氏距离为相似性测度,挑选一定数量的距离最为接近的匹配点作为候选点;最后,分别计算候选匹配点间的匹配支持度,并通过松弛法剔除误匹配点以完成影像的自动匹配。实验结果表明,与传统的灰度匹配及经典的SIFT特征匹配相比,此算法可明显提高影像匹配的成功率和可靠性。     

面向对象的遥感影像多层次迭代分类方法研究

在分析应用对象化分析方法改进高空间分辨率遥感影像分类技术的基础上,提出了应用多层次的迭代模型改进分类流程,在自适应的迭代过程中有效地结合主导类别选择、高级对象特征计算、基于互信息的特征选择等技术提高对象化方法中丰富的影像特征的利用效率,同时,有机结合像素级特征信息弥补对象化特征。通过对SPOT5影像与航空影像两种数据源的土地覆盖分类的实验表明,该方法可以有效地提高分类精度。     

一种基于支撑向量机的遥感影像不完全监督分类新方法

不完全监督分类是研究在只有目标类训练样本的情况下如何准确地将目标类从数据集中提取出来。在许多遥感应用问题中,往往只需要从遥感影像中提取某一类地物。如果分类过程中只要选取目标类训练样本,将节省在训练样本选取过程中的大量人力物力。因此不完全监督分类是一个值得研究的遥感分类问题。提出了一种基于加权无标识样本支撑向量机(WUS-SVM),并在其基础发展出一种不完全监督分类方法。该方法分3个步骤:(1)在影像中随机选取一定量的无标识样本,将它们作为具有不同权重的非目标类训练样本;(2)用目标类的训练样本和加权无标识训练样本一起训练WUS-SVM,得到初步的分类器;(3)利用初步的分类器确定无标识样本的类别,并与原目标类训练样本一起再次训练SVM得到最终的分类器。通过对模拟数据和遥感影像的分类试验初步证明了该分类方法的有效性。     

一种基于概率潜在语义模型的高分辨率遥感影像分类方法

针对高分辨率遥感影像中"同谱异物","同物异谱"现象对影像分类过程造成的干扰,将文本分析中的概率潜在语义模型应用于高分辨率遥感影像分类,提出一种无监督的遥感影像分类新方法.该方法首先利用均值漂移分割方法对影像进行分割构建图像区域集合,然后提取集合各区域中每个像元的Gabor纹理特征,并对这些特征进行聚类形成视觉词汇,最...     

SVM-Based Data Editing for Enhanced One-Class Classification of Remotely Sensed Imagery

This paper studies a specific one-class classification problem where the training data are corrupted by significant outliers. Specifically, we are interested in the one-class support vector machine (OCSVM) approach that normally requires good training data. However, perfect training data are usually hard to obtain in most real-world applications due to the inherent data variability and uncertainty. To address this issue, we propose an OCSVM-based data editing and classification method that can iteratively purify the training data and learn an appropriate classifier from the trimmed training set. The proposed method is compared with a general OCSVM approach trained from two types of bootstrap samples, and applied to the mapping and compliance monitoring tasks for the U.S. Department of Agriculture's Conservation Reserve Program using remotely sensed imagery. Experimental results show that the proposed method outperforms the general OCSVM using bootstrap samples at a lower computational load.