基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

基于高分辨率机载SAR数据的试验研究

主要研究了高分辨率机载SAR数据运用于测绘试验的可行性,提出数据处理的关键流程,诸如数据获取、成像处理、预处理、几何处理、融合处理,以及可供提取的最基本的制图要素,诸如道路、铁路、水系、植被、耕地和居民地,并进行了精度评估,最后对地形图更新,提取变化信息。试验结果初步表明高分辨率、高成像质量的机载SAR影像数据应用于测绘领域是可行的。可以看出高分辨率机载SAR影像的应用得到了比较满意的结果。     

单波段单极化高分辨率SAR图像纹理分类研究

以2003年7月淮河洪水监测获取的高分辨率SAR图像为试验数据，首先对数据进行了分析，指出了高分辨率SAR图像的特点，之后通过小波变换对图像进行两层小波分解得到子图像，并在选择合适的能量计算窗口条件下，计算子图像的纹理能量，最后使用了BP神经网络方法进行纹理分类。研究结果表明，采用小波纹理分类方法对高分辨率SAR图像分类是可行的，可以获得高的分类精度，同时也指出了纹理分类的不足和进一步研究的方向。     

基于DEM和查找表的高分辨率机载SAR图像正射校正

山区SAR图像的正射校正受成像几何影响存在较大畸变,实现无控制点的正射校正是一难点。本文提出基于DEM和RD模型来模拟SAR图像为基础,同时创建与DEM的地理坐标相一致的查找表,将模拟成像过程中DEM地理坐标与SAR图像坐标之间的RD模型映射关系采用查找表记录。经过模拟图像与真实图像的精确配准,DEM所在的空间三维坐标与真实SAR图像二维坐标实现了关联。实验选择了一景高分辨率的机载SAR图像和高分辨率的DEM数据,实验结果表明：本方法无需地面实测控制点,可以有效地正射校正高分辨率的机载SAR图像,平面位置与DEM平面坐标完全一致,精度在一个像素以内。该方法简单易于实现,除了模拟图像与真实图像需要人工半自动化的配准,在后续处理中均为自动化处理。校正结果受SAR成像特征所限,仅在透视收缩、叠掩区域存在辐射误差。     

SAR与TM影像融合及在BP神经网络分类中的应用

以加拿大Radarsat SAR与美国Landsat TM影像为信息源,分别将SAR与TM影像的DN值转换为表征地物特征的后向散射系数和反射率,利用改进的SVR法进行融合,同时与HIS,Brovey以及小波变换的融合效果作定量比较,并利用优化的BP神经网络模型,以相同的训练区分别对融合前后的影像进行监督分类。结果表明:改进的SVR法融合影像的光谱信息保持性、信息量以及分类精度都优于常用的融合方法,且分类精度比TM影像有较大提高。     

辅以纹理和BP神经网络的TM遥感影像分类

在提高遥感图像分类精度的方法中,将纹理信息作为扩展的特征向量加入特征空间中,是一个很有效的方法。利用地物在空间上的联系提取纹理,进而参与BP神经网络分类,实验结果表明加入纹理后明显提高了具有纹理信息的地物的分类精度。     

高分辨率机载SAR影像判读实验

近年来机载SAR系统在国内得到快速发展。由于SAR系统具有不同于光学传感器的成像机理,因而可以提供全新的数据获取手段和不同的地物信息。利用高分辨率机载SAR影像进行解译时必须熟悉其成像机理和图像信息特点,充分了解SAR图像解译标志的特点和各类地物的解译规律。本文以高分辨率机载SAR数据为基础,对比光学影像,从SAR成像特点和地物散射特性出发,对SAR影像进行了目视解译,分析了SAR影像在地形地物要素识别中的应用潜力。     

基于BP神经网络的遥感影像分类研究

BP神经网络具有收敛速度快和自学习、自适应功能强的特点,能最大限度地利用样本集的先验知识,自动提取合理的模型.本文采用Landsat TM遥感图像作为数据源,以山西省定襄县为研究区,通过主成分分析方法来压缩输入数据,并结合NDVI和纹理特征来建立BP神经网络的土地利用分类模型,将分类结果与基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类结果进行定性和定量比较分析.结果表明:该方法总精度达到了80.50％,分别比基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类提高了18.89％和6.23％,能够有效地解决地物光谱混淆、分类精度不高等问题.     

基于小波分解的星载SAR图像纹理信息提取

论述利用小波变换提取合成孔径雷达（SAR）图像的多尺度纹理信息，借助Daubechies3正交小波，对图像进行小波分解，将小波变换各个频带输出的l1范数作为纹理特征值。选取徐州市区局部的Radarsat卫星SAR图像，提取出纹理图像，实验证明，该纹理提取方法能有效地提取出面目标的纹理信息。     

结合纹理信息的极化SAR影像分类研究

结合Gabor小波、灰度共生矩阵和Fast ICA方法提取的纹理信息,利用支持向量机分类器对单极化SAR影像进行分类研究。首先利用精致Lee滤波器对影像进行去噪处理;然后采用灰度共生矩阵和Gabor小波提取影像纹理特征,利用Fast ICA算法对纹理特征进行降维分析;最后将降维后的纹理特征与强度特征结合,采用支持向量机分类器进行分类;采用北京地区Terra SAR-X影像对该方法进行实验,结果表明,纹理信息的引入使极化SAR影像分类精度得到提高。     

基于BP神经网络高光谱图像分类研究

遥感影像常常存在"异物同谱"现象,影响了遥感影像的分类精度。为了提高分类精度,本文提出了基于BP神经网络的分类算法。采用环境一号卫星HJ-1A星上搭载的超光谱成像仪(HSI)获取的高光谱数据,利用BP神经网络对黄岛区进行遥感图像分类,根据得到的分类结果对原图像进行"异物同谱"现象纠正后重新选取训练样本,然后利用BP神经网络再分类,从而有效解决了"异物同谱"现象。实验结果表明,经处理后的高光谱影像的分类精度得到显著提高,分类总体精度为92.386 5%,比异物同谱纠正前提高了7.83%,Kappa系数也从0.768 2提升到了0.885 8。     

BP神经网络用于水下地形适配区划分的方法研究

为确保背景场中最优适配航线设计的正确性以及水下地形匹配导航的可靠性,提出了一种基于BP神经网络的背景场适配/误配区自动识别和划分方法,该方法通过分析地形背景场特征参量显著性和主成分、构建BP神经网络、建立输入地形特征参量与匹配性能的映射关系,最终实现了地形背景场误配/适配区的自动识别和划分。试验验证了本方法的有效性。     

基于BP人工神经网络的遥感影像分类

重点讨论了遥感图像分类处理过程中应用效果显著的BP神经网络方法,并在Matlab软件平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与ERDAS软件平台下的监督分类结果进行分类精度评定比较分析。结果表明,基于BP神经网络的遥感图像分类总精度比ERDAS软件平台下的监督分类的总精度高,是一种有效的遥感影像分类方法。     

基于栈式自动编码器的高分辨率遥感影像分类

针对遥感影像分类识别中,属性特征过多不仅会造成维数灾难,而且会影响分类精度的问题,本文采用基于栈式自动编码器的面向对象的分类方法解决高分辨率遥感影像的分类精度问题.文中对自动编码器的重构特征质量、栈式自动编码器的深度以及隐层单元数对分类精度的影响进行了试验分析,并将该分类方法与传统的影像分类方法进行比较,研究其分类精度...     

基于RPC模型的高分辨率SAR影像正射纠正

在分析TerraSAR-X、COSMO-SkyMed等高分辨率SAR影像成像几何模型的基础上,采用RPC模型拟合SAR影像的成像几何模型,拟合的精度在1%个像素以内;在1∶5万DRG上选取1个控制点对RPC模型参数精度的改进,结合1∶5万DEM对TerraSAR-X、COSMO-SkyMed数据进行正射纠正,纠正结果能满足1∶5万DOM的精度要求.从而说明RPC拟合雷达成像几何的正确性以及利用RPC模型进行高分辨率SAR影像正射纠正的可行性.     

高分辨率遥感影像的压缩纹理元分类

针对传统的高分辨率遥感影像分类中特征提取复杂,特征维数大等问题,提出一种新颖,简单,高效的纹理特征提取方法。首先,利用随机投影对基于原始像素灰度值的纹理元矢量进行降维,将其投影到压缩的纹理特征子空间。然后,在压缩子空间中对各类纹理元进行聚类,将聚类中心作为纹理字典,得到局部纹理特征集。最后,将样本中包含的纹理元编码到纹理字典中对应距离最近的词汇,得到样本的视觉词汇图,并融合词汇统计直方图与词汇二阶矩信息作为最终的纹理表达。通过两组实验,验证了本文方法能够有效的表达纹理,提高分类精度。     

星载C波段与机载P波段全极化SAR影像地物分类方法

目前中国的环境形势十分严峻,对于环境的监测及保护已经成为当务之急。利用合成孔径雷达(SAR)全天候的工作能力,配合星载C波段以及机载P波段的全极化数据信息,对内蒙古根河地区的地物展开分类研究,相比于单波段的分类结果有一定的改善,可以得到较为精确的分类结果,为之后的地理国情以及环境监测提供了有效的支持,也解决了单波段无法充分利用极化信息的弊端,为以后的研究提供资料。