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％。     

多源遥感影像融合

遥感影像融合能富集同一地区不同数据源的信息大跨度波谱特性影像数据的融合,提供了有关各单个传感器的互补信息,使分类更精确;大跨度空间分辨力影 融合,有利于改善２多光谱影像的度,增强特征提取和目视判读能力,能有效地用于变化监测。     

多源遥感影像融合在城市地图快速更新中的应用

当前采用遥感技术可以获得同一地区用不同传感器，在不同空间、不同时间、不同波谱分辨率的遥感数据。充分利用这些数据，把不同的遥感数据和非遥感数据融合在一起应用，可以有效地提高城市地图更新时效性和精度。     

多源遥感影像融合在哈大齐土地利用分类中的应用

随着遥感技术的发展,同一区域的多源遥感影像数据越来越丰富。以哈大齐为例,利用ETM+和SPOT-5数据探讨不同遥感信息融合在土地利用过程中的处理方法,比较不同融合算法在土地分类中的差异,并进行定性和定量比较。为有关部门进行土地规划、管理提供科学依据有着十分重要的意义。     

多源遥感影像在地方经济建设中的作用

多源遥感影像是空间采集和数据分析的重要基础,目前已经成为全球地理信息系统的主要信息源.遥感影像获取的资源不是单一的,它所涵盖的信息量极大.本文概括介绍了遥感影像在国土监测、城市规划、地图测制、应急处突保障等多领域中的应用,任何部门都可以根据需要,在同一遥感图像中提取有用信息,也可实现多方协作和共同开发,为地方的经济建设...     

基于Bayes融合法的多源遥感影像分类

提出了顾及各数据源成像模型、上下文关系模型和可靠性的基于Bayes融合分类的方法,并采用该方法对Landsat TM和航空SAR影像进行土地利用分类试验。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%。     

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LandsatTM 3,4,5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。     

多源遥感影像在农村土地确权中的应用

农村土地确权工作是基于遥感影像进行解译判读、测量,再经过地块确认调查,确定土地权属。现对多源遥感影像与项目需求的适应性进行分析,重点阐述多源遥感影像在农村土地确权中的应用及生产关键技术方法。     

多源遥感影像数据融合理论与技术

在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上,归纳了多源遥感影像数据融合方法,并对数据融合的关键技术及研究热点进行了总结。     

《多源遥感影像数据融合技术》出版

《多源遥感影像数据融合技术》（贾永红著）一书近日由测绘出版社出版。     

人工神经网络在遥感中的应用与发展

介绍了国内外人工神经网络在遥感领域的应用现状,对神经网络的基本原理、技术优势、应用方法等进行了透视,并结合自己的研究实践,给出了具体的应用事例。     

高分辨率遥感影像场景的多尺度神经网络分类法

高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。     

Multi-source Classification Using Artificial Neural Network in a Rugged Terrain

Abstract

This study advocates the use of GIS and remote sensing technologies to establish urban evolution maps and assess the impact of urbanization on agricultural areas over the last three decades. The target area is the city of Béni‐Mellal, located in central Morocco. The methodology adopted makes use of panchromatic SPOT images to survey the urban areas during the 1980s and 1990s. Available topographic maps provided the information for the 1970s. Maps and statistics of land use and urban growth for Béni Mellal were established after manually classifying images on a per-polygon basis and digitizing topographic maps using GIS capabilities. The results show an increase in dense urban area by 980.7 ha from the 1970s to the 1990s. This increase occurred at the expense of forests (24.7 ha), plantations (752.3 ha), rangeland (113.4 ha), non‐irrigated land (69.7 ha), and irrigated land (20.6 ha). During this period, scattered urban areas, predominantly suburbs, increased by 755.9 ha to the detriment of forests (14.9 ha), plantations (109.8 ha), rangeland (138.9 ha), non‐irrigated land(400.5 ha), and irrigated land (91.9 ha). These cartographic and statistic results are efficient decision‐making tools for protecting agricultural land and planning urban and suburban areas.     

多源遥感技术在土地利用分类中的应用

为有效提高土地利用分类精度,研究多源遥感数据的分类方法,提出了利用多源遥感技术进行土地利用分类。对居民地、耕地、林地、水体、未利用土地等土地利用类型的光谱特征及微波散射特征进行了分析,将高分一号多光谱数据与RADARSAT-2数据相结合,利用决策树分类器实现了土地利用类型的划分,其总体分类精度达到96.6%。与高分一号数据最大似然分类及RADARSAT-2数据的Freeman-Durden三分量最大似然分类进行了精度比较,结果表明,多源遥感技术可实现数据的特征互补,其分类精度优于仅采用多光谱数据或微波数据的分类精度。     

基于GIS和神经网络的森林植被分类

本文综述了国际遥感分类研究,使用Landsat7 ETM＋遥感数据和地理辅助数据,应用BP神经网络方法,将莽汉山林场作为研究区进行了遥感影像的分类研究。比较了BP神经网络分类与最大似然、简单和复杂非监督分类法之间的类型与数量精度。BP神经网络分类的总类型精度是70.5%,总数量精度为84.65%,KAPPA系数是0.6455。结果说明BP神经网络的分类质量优于其他方法,其总的类型精度与其他三种分类方法相比分别增加了10.5%、32%和33%,总的质量精度增加了5.3%。因此,辅以地理参考数据的BP神经网络分类可以作为一种有效的分类方法。     

自组织网络在遥感土地覆盖分类中应用研究

设计完成和比较了自组织网络的几种算法在遥感土地覆盖分类中的应用,结果表明非监督和监督学习结合方法进行遥感土地覆盖分类,各算法在分类性能上无显著差异,因此可采用算法和较简单的单竞争学习网络,根据最邻近原则进行非参数分类。     

DTM在改善遥感影象分类精度中的应用

本文着重介绍在遥感影象分类中应用数字地面模型(DTM)改正地物反射光谱中地形影响的方法和试验。笔者选择了位于湖北和江西两省交界处的九宫山地区做为试验区域。试验结果表明,在山地区,单纯利用原始Landsat MSS影象分类,效果很差;采用辐射校正分类法和附有太阳入射角数据的MSS影象分类方法,都能够不同程度地改正地形对地物反射光谱的影响,从而提高了Landsat-2 MSS影象的分类精度。其中附有太阳入射角数据的MSS影象分类精度达到70.4%。     

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。     

基于RBF神经网络的高分辨率遥感影像分类的研究

提出RBF神经网络的改进算法,用于高分辨率遥感影像的分类.以实际高分辨率遥感影像为例进行实验,并与传统最小距离分类法进行比较.结果显示,RBF神经网络具有精度高、误分率小的特点,具有较好的应用前景.