模糊数学在全色航空影像分类中的应用

将模糊数学理论引入中小比例尺全色航空影像分类中，取得了一定的效果。试验表明模糊分类技术是一种较好的航空影像分类方法。     

航空影像纹理分类的最小二乘法和问题的分析

本文介绍航空影像理分类的最小二乘法原理和算法，该方法是建立在影像纹理ＭＲＦ参数测定的基础上，七种航空影像纹理的试验表明这种分类是有效的。通过对影像纹理的分形维以及影像分辨力对纹理分类的影响分析，表明采用了多重信息可以提高分类的正确率。     

激光点云与航空影像融合分类

为了更好地利用激光点云数据和航空影像数据信息,改善影像分类效果,提出了将激光点云数据与航空影像进行融合分类,实现面向对象的融合分类方法。在航空影像的分水岭分割算法中加入激光点云高程信息计算梯度,然后结合两种数据源的特征,建立分层分类的规则集得到地物的分类结果。试验表明,激光点云的高程信息能够改善影像分割效果,也能将地面地物与非地面地物较好地区分,对建筑和植被的分类起到了有效作用。     

基于支持向量机的航空影像纹理分类研究

提出一种用SVM解决航空影像纹理分类的方法。在利用一些常用的纹理特征的基础上，将SVM用于航空影像纹理分类，有效地解决了特征选择难和高维数问题。试验表明，这种方法可以取得较好的结果。     

多源遥感影像像素级融合分类与决策级分类融合法的研究

首先探讨了基于像素的多源遥感影像高频调制融合法，根据成像系统特性和Heisenberg测不准原理，设计的高斯滤波器对高分辨率影像滤波的方法是合理有效的。在研究BP神经网络的基础上，采用动量法和学习率自适应调整的策略，提高了BP神经网络学习算法收敛速度，并增强了算法的可靠性。提出并实现了多源遥感影像像素级融合分类与决策级分类融合两种分类方法，并进行了比较。采用Landsat TM3，4，5和航空SAR影像进行试验，结果表明两种分类方法是行之有效的，均适用于多源遥感影像分类。     

分形几何在影像纹理分类中的应用

本文基于分形几何中的分维值对影像纹理进行分类。系统地介绍了以影像分维值为依据，采用多分辨率分维值，以及本文提出的利用已有空隙概念的拟合回当法，对影像纹理进行分类的全过程。试验表明该方法对标准纹理和航空影像纹理的分类都能取得较好的效果。     

利用辅助高程产品的航空影像快速分类

文章针对航空影像,研究采用有效的特征参数,包括自定义的特征增强参数(NDVI参数)以及最大差异特征参数、面积参数、标准差参数,确定各特征的隶属度函数,并建立分类规则集;然后通过图层间信息的传递与合并,对航空影像进行快速分类,正确率可达98%。实验证明,由于能够提供高程特征数据,利用DSM辅助分类可以有效地提高分类精度。     

SPOT5卫星影像在退耕遥感监测中应用的初步研究

本文利用SPOT5卫星影像，以庄浪县为研究区域，从退耕还林还草监测的角度探讨此类影像的特点以及在正射纠正等各环节的处理过程、方法，建立针对退耕还林还草监测工作的影像解译标志，在样区实地调查结果的基础上训练样区并进行监督分类，以监督分类结果为参考对融合后的2．5米彩色影像进行人工解译，并结合1999年度的航空正射影像进行退耕成效评估。研究结果表明，SPOT5卫星影像与航空遥感正射影像相结合是比较可行的一种退耕遥感监测数据源选择方案。     

基于Bayes融合法的多源遥感影像分类

提出了顾及各类数据源成像模型，上下关系模型的可靠性的基于Ｂａｙｅｓ融合分类的方法，并采用该方法对ＬａｎｄｓａｔＴＭ和航空ＳＡＲ影像进行了土地利用分类试验。结果表明，同单独ＳＡＲ影像分类结果相比，融合分类法将分类精度提高了２０％。     

基于语义特征和贝叶斯网络的航空影像建筑物及灌木分类

提出一种基于分类的语义特征提取模型,并在航空影像建筑物及灌木分类应用中进行尝试.实验与分析表明,通过图像的底层特征来提取简单的语义特征是可行和有效的,提出的方法可以进一步提高影像分类的精度.     

基于SVM的多源遥感影像分类研究

本文通过分析单源遥感影像分类的现状和困难,以SAR和SPOT-5影像为实验数据,提出了基于支持向量机(Support Vector Machine,SVM)理论的多源遥感影像分类方法。研究结果表明,本文的方法能够有效地解决单源影像信息分类效果破碎的问题,正确识别地物,对高维输入向量具有高的推广能力,正确率达到94.97%,比多源影像的最大似然分类(Maximum Likelihood Classification,MLC)方法正确率更高。     

图像纹理基元分类的马尔柯夫随机场方法

提出基于马尔柯夫随机场（MRF）的图像纹理基元分类新方法。利用MRF里中心像元特征值与邻近像元特征值之间的约束关系,反映图像纹理基元的特征以及不同的MRF参数。根据由同一类别的图像求得的MRF参数计算出的标准差最小这一性质来进行图像纹理的分类。通过不同实验方案的对比,以及与不同分类方法的比较,证实提出的图像纹理基元分类方法具有一定的优势。     

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。     

面向对象影像分类中基于最大化互信息的特征选择

高分辨率影像面向对象分割后产生了大量的光谱、形状以及纹理特征,如何抽取出最佳特征子集是遥感影像识别的重要问题.本文利用最大化互信息统计独立准则抽取最优特征子集,提高了面向对象遥感影像分类精度.基本过程包含以下3个方面:首先,利用eCoginition软件对高分辨遥感影像进行对象分割;然后,基于互信息最大关联、最小冗余准则(mRMR)获取优选的特征子集;最后,基于支持向量机分类器完成影像分类.以福建省漳州市QuickBird数据为例的实验表明,该方法能够有效提高遥感影像的分类精度,平均误分率降低了约4%.     

基于分类规则挖掘的遥感影像分类研究

分析了目前遥感影像的统计分类、神经网络分类及基于符号知识的逻辑推理分类方法的优缺点.以GIS为平台,构建了多源空间数据库,将数据挖掘的思想和方法引入遥感影像分类中,提出了面向分类规则挖掘的遥感影像分类框架.针对遥感光谱数据及其他空间数据的特点,定义了连续属性样本分类概念和分割点评价指标,提出了一种新的连续属性样本分类规则挖掘算法.选择一个试验区,采用该算法分别对遥感光谱数据、遥感光谱和DEM数据相结合的数据进行分类规则挖掘、遥感影像分类和分类精度比较.结果表明：（1）该算法具有较高的分类精度;（2）加入DEM等与分类相关的其他空间数据可以提高遥感影像的分类精度.通过挖掘分类规则进行遥感影像分类,扩展了基于知识的逻辑推理分类方法中知识获取渠道,提高了分类规则获取的智能化程度.新的连续属性样本分类规则挖掘算法,扩展了归纳学习算法对连续属性样本分类的适应性.     

内陆河流域典型地类面向对象的图像分类试验

利用了基于面向对象的最近邻法分类,比较了最大似然法的分类结果,得出了其不仅适合高分辨率城市遥感影像的分类,而且在中分辨率土地利用/土地覆盖上也有很好的应用.     

高分辨率影像融合算法对滨海湿地土地利用分类精度的影响

针对融合算法对影像分类精度具有明显影响的问题,本文选择连云港海岸带埒子河口滨海湿地为研究区,以GF-1卫星影像为数据源,首先分别使用Gram-Schmidt算法、PCA算法及Brovey算法进行影像融合。然后在eCognition软件平台上,基于面向对象多尺度分割技术,利用随机森林算法对影像进行土地利用分类,并对分类结果进行精度评价。试验结果表明,不同融合算法影像融合效果明显不同,其中,Gram-Schmidt算法融合后的影像质量最好,且分类精度最高;Brovey融合算法对植被和水体有较好的光谱保真性,并且改变波段组合后分类精度有明显提高;PCA算法在3种融合算法中精度最低。     

模糊聚类分析用于基于分形的影像纹理分类

利用模糊数学中的模糊聚类分析方法，通过计算和比较不同影像纹理空隙数据的相似系数ｒｉｊ来达到分类的目的。试验表明，此方法是有效可行的。     

基于高维云模型和RBF神经网络的遥感影像不确定性分类方法

云模型是用自然语言值表示的某个定性概念与其定量表示之间的不确定性转换模型,RBF神经网络已经广泛应用于遥感影像分类。考虑到传统的RBF神经网络分类技术不能有效表达影像分类过程中存在的不确定性、难以自适应地确定隐含层神经元,本文提出了一个基于高维云模型和改进RBF神经网络的不确定性分类技术。利用高维正态云创建隐含层神经元,使RBF神经网络能充分表达影像分类过程中存在的不确定性。通过峰值法云变换和高维云算法自适应地确定最优隐含层神经元。通过基于概率的权值确定和频率阈值调整,进一步优化RBF神经网络的结构。实验表明,本文提出的方法有较高的分类精度,分类结果基本上与人眼目视解译一致。     

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。