基于FCM和SVM的TM遥感影像自动分类算法

遥感影像分类是遥感信息提取和定量化分析的重要手段,是目前遥感技术研究中的一个热点.以TM遥感影像为研究对象,提出了一种基于模糊C均值聚类和支持向量机的自动分类方法,解决了以往利用SVM等监督分类方法训练样本时需要人工选择样本且样本难以选定的问题,比FCM等非监督聚类算法的分类精度高.该方法首先对待分类的遥感影像用FCM算法进行初始聚类,然后根据聚类后得到的隶属度矩阵设计一种算法,选取其中的混合像元作为标注的训练样本,并送入SVM分类器进行训练.最后通过一块TM遥感影像对该方法进行验证.试验结果表明,该方法减少了人工对分类过程的干预,具有较高的分类效率和分类精度.     

一种从遥感影像中自动提取线状目标的方法

介绍了遥感影像中线状目标骨架自动提取的意义、研究现状以及影响线状目标自动提取的主要因素。在吸收国内外一些好的算法优势的同时，充分考虑了影响线状目标提取的两大主要因素，提出了一种新的算法来实现遥感影像中线状目标骨架的自动提取，并利用了多种中小比例尺的影像进行了实验，实验证明了算法的可行性和有效性。     

基于ENVI的CART自动决策树多源遥感影像分类——以北京市为例

以北京市为研究对象,基于CART自动决策树的遥感影像分类方法,使用遥感处理软件ENVI实现该算法,并将分类结果与神经网络、支持向量机等作比较。结果表明,CART自动决策树分类效果良好,精度较高。     

基于多特征的遥感影像决策树分类

构建了一种基于多特征的遥感影像决策树分类方法。通过对遥感影像进行波段代数运算、主成分分析和图像分割等处理,提取出影像上地物的光谱维特征、纹理特征和形状特征。在此基础上,结合试验区主要地物类型提纯后的训练样本集,采用C5.0决策树分类法进行影像分类,实现主要地物的空间分布专题信息提取,并利用该方法对Landsat-5TM影像进行了分类实验。结果表明,所提出的方法能够有效地提高分类精度。     

基于自编码网络特征优化的城市高分遥感影像分类

高分遥感影像不仅地物比较清晰,而且可分辨能力强,能提供丰富的地物细节信息.为了更好地将各地物从遥感影像中提取出来,需要一些比较好的特征提取与特征优化方法.以北京市大兴区的WorldView-2高分遥感影像作为研究对象,基于eCognition软件和Matlab的DeepLearn Toolbox,利用自编码网络方法,进行遥感影像的特征提取与特征优化.实验中首先利用eCognition进行多尺度分割并提取42个特征,再利用自编码网络算法进行特征优化得到12个特征,最后将原42个特征影像分类结果与优化后特征子集影像分类结果进行对比.实验结果表明,经过自编码网络的特征空间优化后,减少了特征冗余,降低了干扰信息对分类精度的影响,分类精度、分类效果及分类效率都有所提高,优化后的特征空间是适用于高分遥感的地物分类的.     

无人机海量遥感影像快速自动拼接算法研究

针对无人机遥感影像快速处理的需要,提出一种基于LM算法优化的同步配准影像拼接算法,算法首先提取影像的SIFT特征点,按照影像间的概率拓扑关系自动进行特征点匹配,接着按照同步配准的方式实现由两视图配准逐步合并到整个全区,每合并一次利用LM算法进行参数优化一次,直到所有影像对齐到统一坐标系,最后利用小波多层分解实现缝隙的消除和色彩的融合.实验证明,采用该算法可以有效提高影像拼接的速度和精度,为海量遥感影像的快速自动拼接提供一种有效的技术途径.     

图像分形维数计算及其边缘提取

为提高遥感影像中地物边缘信息的提取精度,以离散分形布朗随机场（DFBR：DiscreteFractalBrownRandomfield）模型为依据,尝试设计并利用Matlab编程实现一种基于遥感影像单个像元的分形维数计算算法。该算法将影像的灰度空间映射成分形维数空间,然后在该空间进行变换和边缘检测。地物空间分布及其影纹结构边缘特征的差异,使计算分形维数所选窗口大小成为关键。选取研究区局部地段高空间分辨率遥感影像作为实验数据,通过计算不同窗口下像元分形维数,得到最佳边缘信息提取的计算窗口。实验结果表明,该算法在同类计算中更符合遥感数据的特点,提高了遥感影像地物边缘信息提取精度。     

基于样本形态变换的高分遥感影像建筑物提取

针对高分辨率遥感影像中建筑物屋顶光谱信息多变引起建筑物提取精度降低的问题,提出基于样本形态变换的建筑物提取方法. 利用偏移阴影分析法自动提取初始建筑物样本,根据建筑物屋顶形态特征,合理利用样本旋转、偏移、缩放变换方法,构建自适应样本精细提取变换组合,以更完整、全面地提取建筑物样本;结合支持向量机（SVM）分类器进行影像分类,得到建筑物初始提取结果;提出基于形态特征的格网占比法对初始提取结果进行确认,剔除不规则非建筑物,实现对建筑物的准确提取. 对高分辨率遥感影像进行对比实验分析,以验证方法的有效性. 结果表明,与面向对象分类、反向传播（BP）神经网络、基于偏移阴影分析3种参照方法对比,所提方法的建筑物提取精度均优于参照算法.     

复杂环境异源高分辨率光学卫星影像匹配算法

针对复杂环境异源高分辨率光学影像匹配成功率低的问题,提出了一种基于窗口约束的特征点匹配方法.借助于异源影像近似核线对和同名直线,对特征点建立几何约束窗口,利用该窗口限定同名点搜索范围,通过特征点主方向的约束和特征欧氏距离提取初始匹配点,并基于局部随机抽样一致性(RANSAC)算法剔除误匹配点,最终利用同名点对影像进行纠正,实现异源高分辨率卫星遥感的自动匹配.结果表明:与传统的尺度不变特征变换算法(SIFT)相比,窗口约束匹配方法提取了更多的同名点,为复杂环境异源高分辨率光学遥感影像数据的高精度自动匹配提供了一种可行的方法.     

基于Adaboost算法的K-means遥感影像分类算法

本文利用AdaBoost算法对K-means算法进行提升,提出了一种基于AdaBoost算法的K-means遥感影像分类方法.其中,针对数据集分布调整的具体实施问题,设计了一种有效的加权变值方法.实验结果表明,融合提升后的分类结果较基本K-means在孤立点的消除和细长目标的识别提取上效果更加显著.     

基于Matlab的GA-BPNN遥感图像分类

在高原山地等地类复杂地区,传统遥感分类方法和标准BP神经网络分类方法存在一定的局限性,提出了基于Matlab的遗传算法优化的BP人工神经网络遥感图像分类方法。以Matlab神经网络和遗传算法工具箱为平台,在对数据源进行主成分分析特征选择的基础上,用量化共轭梯度法改进标准BP算法,采用GA优化BP网络的隐层神经元数目和初始权重,并以香格里拉县ETM＋遥感图像为例,在DEM地形数据辅助下,训练网络使其收敛,仿真输出。结果表明,该方法分类总精度为84.52%,Kappa系数为0.8317,比最大似然法分类精度提高了9.08个百分点,验证了GA优化的BP网络遥感图像分类的可行性和有效性。     

基于蚁群算法的多光谱遥感图像分类

该文应用蚊群算法和支持向量机实现多光谱遥感图像分类.首先提取出多光谱遥感图像的光谱特征、纹理特征和形状特征,然后利用蚁群优化算法从提取出的多维特征空间中选择最优的特征子集向量,最后将特征子集作为支持向量机分类器的输入量实现分类.实验结果显示,较传统的K均值方法文章给出的方法能够提高遥感图像的分类精度.     

遥感影像信息提取技术的研究与实现

随着遥感技术的发展和遥感应用的深入,遥感影像信息提取方法的研究成为关注的焦点.一般来说遥感影像信息提取包括分类、识别和特征提取.文中主要研究利用MATLAB实现影像中的光谱特征和纹理特征的提取和分类,并结合ERDAS软件对影像进行预处理和分类后处理以及精度评定,最终从精度评定结果来看,两种特征分类的总体精度较高,另外,图像的结构信息有助于提高遥感影像信息提取的精度.     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.     

基于人工蜂群算法高光谱图像波段选择

为减少高光谱遥感图像光谱空间冗余、降低计算复杂度,提出一种基于人工蜂群算法的高光谱图像波段选择方法.首先,根据波段相关性矩阵对全波段进行预处理,获得相关性较小的波段子空间;然后,利用人工蜂群算法以最佳指数与JM距离的加权和为适应度函数在各子空间进行邻域搜索,不断更新至收敛为止,从而获得最优波段组合.最后,利用AVIRIS数据和ROSIS数据对提出的算法与基于蚁群,粒子群,拟态物理学算法的波段选择方法进行实验.仿真结果表明:基于人工蜂群算法的波段选择能够在保证良好收敛性的同时,大大降低计算花费,所获得的波段组合用于高光谱图像分类时,可以得到较好的分类精度.     

基于ETM＋的地物信息分层分类方法研究

该文基于青岛经济技术开发区及周边地区ETM＋数据,结合光谱特征阈值算法、遥感图像计算机分类法,人工目视解译对实验区土地利用信息进行分层提取。研究表明：正确地使用基于光谱特征阈值法和非监督分类法的分层分类法,能在一定程度上提高研究区的分类精度,分类总精度达80%,基本满足遥感分类与制图的要求。其中水体、滩涂、城镇居住区的分类精度较为理想,达83%以上;林地、裸地、农田以及农村居住区分类精度相对较低,还有待进一步研究。     

Research into a Feature Selection Method for Hyperspectral Imagery Using PSO and SVM

Classification and recognition of hyperspectral remote sensing images is not the same as that of conventional multi-spectral remote sensing images.We propose, a novel feature selection and classification method for hyperspectral images by combining the global optimization ability of particle swarm optimization (PSO) algorithm and the superior classification performance of a support vector machine (SVM).Global optimal search performance of PSO is improved by using a chaotic optimization search technique.Granularity based grid search strategy is used to optimize the SVM model parameters.Parameter optimization and classification of the SVM are addressed using the training date corresponding to the feature subset.A false classification rate is adopted as a fitness function.Tests of feature selection and classification are carried out on a hyperspectral data set.Classification performances are also compared among different feature extraction methods commonly used today.Results indicate that this hybrid method has a higher classification accuracy and can effectively extract optimal bands.A feasible approach is provided for feature selection and classification of hyperspectral image data.     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

C4.5改进算法及其在客户价值分析上的应用

客户价值的分析在现代企业中起着重要的作用,而分类算法在分析客户价值上是卓有成效的。决策树算法是分类算法中一类重要的算法,其中以C4.5算法最为流行,但是这种算法准确率性能方面还不是很理想。在C4.5算法的基础之上引入推进技术,改善了C4.5算法的准确率性能。实验证明,用改进后的C4.5算法分析超市客户数据,其算法的准确率高于原算法,增强了决策的可信度。