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。     

利用面向对象分类方法提取冬小麦种植面积的研究

应用陆地卫星TM数据和遥感图像处理软件eCognition5.0和ENVI4.3软件,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。逐像素分类的结果存在"椒盐"效应,而且很难克服同物异谱、同谱异物现象,面向对象的分类方法可以有效的集成专家知识和各种辅助数据,克服逐像素分类的弊端。分类结果表明,利用面向对象的分类方法可以获得比传统的像素级分类方法更高的分类精度,为冬小麦种植面积的自动提取提供了广阔的前景。     

基于ENVI的遥感图像监督分类方法比较研究

基于监督分类方法在遥感影像分类中的普遍应用,介绍了四种ENVI提供的常用的监督分类方法。对同一TM图像运用这四种方法进行分类,并对分类结果进行了对比,从而分析了这四种方法分类精度之间的差异。     

改进最大似然遥感影像分类方法——以SAR影像为例

针对常规最大似然分类算法中类别先验概率获取困难及遥感影像分类问题,提出了一种有效的改进最大似然遥感影像分类方法.该方法能使用类别样本的统计信息,实现类别先验概率的自动和最优提取,从而很好地解决了基于统计监督分类方法中无法直接获取类别先验概率的问题.以6景Radarsat-1 精细模式SAR影像数据为例进行的分类实验证明,该算法分类效果较好,针对单波段、单极化的SAR影像,其精度可望达到80%.     

基于决策树的遥感图像分类方法研究

在遥感领域中,遥感图像分类是一项十分重要的内容,也是运用遥感技术手段提取地物类别信息的一个关键环节。本文以TM影像为研究对象,采用决策树分类方法进行研究分析,详细地论述了该分类方法的整个研究流程,并得到分类后的结果图,最后利用混淆矩阵和Kappa系数对分类后的结果进行精度分析。通过与最大似然分类方法进行比较发现,决策树分类方法的分类效果明显,分类精度较高,总体分类精度、kappa系数均达到90%以上,为遥感图像分类提供了广阔的发展前景。     

MODIS与TM冬小麦种植面积遥感测量一致性研究——小区域实验研究

针对大范围冬小麦种植面积遥感测量业务化运行中所存在的不同空间分辨率遥感影像的获取能力、空间分辨率与测量精度之间相互制约的现实问题,选择典型实验区,采取全覆盖的多时相低分辨率MODIS数据与中高分辨率TM样区数据相结合的方法,以支持向量机（SVM）为主要技术手段,通过选取不同比例的TM样本量,对MODIS进行混合像元分解,并对MODIS冬小麦测量结果与TM测量结果进行一致性分析,进而提出了一套可用于大范围冬小麦种植面积遥感测量业务化推广的识别和精度检验方法。研究结果表明：当TM样本量大于5%时,相对于TM识别结果而言,MODIS像元精度可以稳定在82%以上;当TM样本量大于40%时,区域精度可以稳定在97%。因此,从理论上讲,在实际业务化运行中,只要能够获得监测区40%的中高分辨率的影像,采用本研究提出的多尺度冬小麦种植面积测量方法,基本上可以满足业务化运行的精度要求。     

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.     

高分辨率遥感影像中的土地利用分类研究——以西南大学为例

大学校园是城市用地中的一个特殊群体,作为公共设施用地的一个重要部分,在城市土地利用日益紧张的条件下,对其进行土地利用分类研究有着重要的意义.本研究以西南大学为例,将最大似然监督分类法和决策树分类法相结合对其进行分类研究.研究表明:1)最大似然监督分类法和决策树法相结合对西南大学土地利用进行分类,取得了较好的效果,总分类精度达到了91.51%,Kappa系数达到了0.8831;2)分析出西南大学建筑分布特点:①校园内部建筑物趋于密集布局,提高了土地利用效率;②校园建筑物高层化,提高了建筑容积率.     

基于两个独立抽样框架的农作物种植面积遥感估算方法

通过分析遥感技术在中国农作物种植面积估算中所遇到的难点 ,针对运行化的农作物遥感估产系统对主要农作物种植面积估算的需求 ,提出在农作物种植结构区划的基础上 ,采用整群抽样和样条采样技术相结合的方法 ,进行农作物种植面积估算。整群抽样技术利用遥感影像估算农作物总种植成数 ,样条采样是一种适合中国农作物种植结构特征的采样技术 ,用于调查不同农作物类别在所有播种作物中的分类成数。在中国现有的耕地数据库基础上 ,根据两次抽样获得的成数 ,计算得到具体某一种农作物类别的种植面积。最后给出了 2 0 0 3年早稻种植面积估算的实例。     

非监督分类的冬小麦种植信息提取模型

为了解决在区域冬小麦种植信息遥感提取过程中监督学习算法存在的需要地面样本数据支持、流程复杂、人为干扰因素多及自动化程度低等问题,本文以非监督分类为核心,结合多尺度技术,提出了一种新的非监督分类冬小麦种植信息提取模型。选取河北省辛集市为典型试验区,以2014年高分一号数据为数据源,对本文提出的模型进行实例验证。试验结果表明：该模型的Kappa系数为0.88,整体精度为94.00%;对于研究区内的冬小麦,在无需训练样本、人为干扰因素少等条件下,该模型具有与监督分类相似的提取精度,能够满足冬小麦种植信息地面遥感监测的需求。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

Spatial relationship-assisted classification from high-resolution remote sensing imagery

Spatial information remains to be an important topic in geographic information system and in remote sensing fields, and spatial relationships have been increasingly incorporated into the image classification processes. Previous studies have employed multiple occurrences of spatial features (shape, texture, etc.,) to improve classification results. However, less attention has been focused on using higher-level spatial relationships for image classification. In this study, two novel spatial relationships, namely, maximum spatial adjacency (MSA) and directional spatial adjacency (DSA), were proposed to assist in image classification. The proposed methods were implemented to extract buildings, beach, and emergent vegetation land-cover classes according to their spatial relationships with their corresponding reference classes. The promising results obtained from this study suggest that the proposed MSA and DSA spatial relationships can be valuable information in defining rule sets for a more reasonable and accurate classification.     

构建地块二维表征及CNN模型的作物遥感分类

本文旨在研究基于地块数据约束的深度学习模型的分类特征表示方法,以识别不同作物在不同时相上光谱差异从而对作物类型进行分类。通过Google Earth Engine平台获取作物生育期内全部Landsat 8影像,利用其质量评定波段完成研究区无云时相及区域上的地块统计,提取地块级别的各波段反射率均值按照时相顺序及波长进行排列,构建波谱、时相二维特征图作为该地块的抽象表示。通过构建相对最优的卷积神经网络CNN(Convolutional Neural Network)结构完成对特征图的分类,从而完成对地块的分类。构建CNN模型并不需要手工特征和预定义功能的需求,可完成提取特征并遵循端到端原则进行分类。将该模型的分类结果与其他最为常用机器学习分类器进行了比较,获得了优于常用遥感分类算法的分类精度。结果表明地块数据的加入可以有效的缩减计算规模并提供了准确的分类边界。所提出得方法在地块特征表示及作物分类中具有突出的应用潜力,应视为基于地块的多时相影像分类任务的优选方法。     

混合核特征加权SVM遥感湿地空间分类

针对湿地空间信息的复杂性和SVM的分类性能,设计一种基于混合核函数的特征加权SVM分类模型,综合利用多种特征信息,避免被弱相关特征所支配,从而提供更佳的映射性能和泛化能力。实验结果表明,该分类模型兼具良好的外推和内推能力,能够有效地融合不同信息源特征,得到更完整和准确的分类结果,在总体精度、Kappa系数等多项指标上都表现出更高的水平。     

结合主动学习和词袋模型的高分二号遥感影像自动化分类

高分卫星遥感影像空间分辨率的提高,使得地物的光谱和纹理变得更加丰富和复杂,这给遥感影像的自动化分类带来严重挑战。因此,本文提出了一种结合主动学习和词袋模型的高分二号遥感影像分类方法。首先,对研究区域进行多尺度分割,建立影像分割对象集;然后,采用词袋模型构建影像对象的语义特征向量;最后,充分考虑位于分类边界的不确定性样本分布,迭代选择最优样本用于训练支持向量机,用于分类遥感影像。为了验证本文方法的有效性和稳健性,以山东省某市的高分二号遥感影像为试验数据进行了试验分析。结果表明,本文提出的方法可以有效地将研究区域分为水体、地面、植被和建筑物四类,正确率达到90.6%以上。     

MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法

为了进一步提高遥感图像建筑物区域的识别精度,提出了一种基于中值稳健扩展局部二值模式(median robust extended local binary pattern,MRELBP)、Franklin矩和布谷鸟优化支持向量机(support vector machine,SVM)的分类方法。首先,通过MRELBP特征算子计算图像块的纹理特征向量,并根据Franklin矩得到形状特征向量,组合图像块的纹理特征向量和形状特征向量得到综合特征向量;然后,利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化;最后,通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明,与基于三原色(red green blue,RGB)和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比,本文提出的方法所识别的遥感图像建筑物区域准确度更高。     

高光谱遥感影像SVM分类中训练样本选择的研究

支持向量机(SVM)分类的关键是发现分类最优超平面及类别间隔,而混合像元比纯净像元更接近类别边界,更容易找出最优超平面。本文针对SVM分类器的特点,在高光谱数据分类中采用混合像元作为训练样本对SVM进行训练,试验表明采用类别边界上的混合像元作为训练样本是可行的,能够获得与纯净训练样本接近的分类精度,进一步验证了SVM分类对训练样本空间分布依赖度较低的特点。