训练样本对湿地分类精度的影响

为探寻训练样本数量对湿地遥感影像分类精度的影响规律,基于统计学理论提出面向对象的分类方法,以GF-2影像为数据源,在构建标准训练样本集的基础上,研究KNN算法和SVM算法的线性函数、多项式函数、径向基函数在湿地分类中的适用性和有效性。根据分类统计和对比分析结果,得到了提取湿地要素时能够满足精度所需的最少训练样本数量。利用该方法在河南省三门峡市天鹅湖公园进行试验,提取3~10倍波段数的训练样本,对每个样本进行3次试验,得到96张分类图。结果表明,选取6倍波段数的样本数量,总体分类精度达到85%,Kappa系数达到0.8,符合分类精度要求,且训练样本数量较基于像素的监督分类方法大大减少,SVM算法分类精度优于KNN算法。     

核聚类集成失衡数据SVM算法

针对传统SVM算法在失衡数据集下的分类性能不理想的问题,提出一种基于核聚类集成SVM算法.该算法首先在核空间中对多数类样本集进行聚类,然后随机选择出具有代表意义的聚类信息点,实现在减少多数类样本数的同时将分类界面向多数类样本方向偏移.并利用AdaBoost集成手段对基于核聚类的欠取样SVM算法进行集成,最终提高SVM算法在失衡数据下的泛化性能.将提出的算法同其他失衡数据预处理集成方法进行比较,实验结果表明该算法能够有效提高SVM算法在失衡数据中少数类的分类性能,且总体分类性能及运行效率都有明显提高.     

一种改进的基于密度聚类的支持向量机

运用OPTICS算法能发现任意形状的聚类,且对输入参数不敏感的优势,提出一种基于OPTICS密度聚类的支持向量机算法,通过对原始数据进行预处理,利用可达图得到约简样本代替原始训练样本用支持向量机进行训练,降低了SVM训练所需的时间及空间复杂度.实验表明,该方法在保持分类精度的同时,大大缩短了训练时间,提高了分类效率.     

基于小波变换和模糊积分的遥感图像分类

遥感影像分类是遥感影像数字处理的一个重要内容。针对实地数据缺乏背景下的遥感影像分类研究,文中提出了一种基于小波变换和模糊积分的遥感影像分类方法。该方法针对遥感影像的纹理结构与成像条件的相关性,分别对多光谱影像的三个通道纹理图像做聚类,然后采用模糊积分技术融合三者结果得到最终的分类图像。实验结果表明本文方法的分类结果要优于任何单通道的聚类结果和光谱聚类结果,且其分类连通性优于有监督的光谱分类结果。     

超谱遥感图像的模糊最大似然分类研究

分类识别是超谱遥感图像的重要研究领域.由于超谱图像空间分辨率低,像元混合的概率大,因此采用单纯的聚类或者监督分类都不能取得好的效果.为了提高超谱图像分类的精度,提出了模糊最大似然分类算法.先用模糊C-均值法对图像进行聚类,再在聚类结果的基础上,参考真实地物图,选择训练样本,用最大似然法进行最终的分类.实验结果表明,提出的算法由于在聚类的基础上选择监督分类的样本,因而获得了关于图像的更准确的信息,最终分类结果比模糊C均值聚类高出34.38%,比最大似然分类高出10.46%.     

MKFCM算法在遥感影像分类中的应用研究

模糊C均值聚类(FCM)算法对遥感影像进行分类时,没有考虑像元间相关性的问题,为增加像元间相关性信息,提出了多核模糊C均值聚类(MKFCM)算法,即将多个核函数引入到FCM算法中,依据像元在特征空间中的分布特点,自动筛选出核函数间的最佳权重组合,并以中高分辨率Landsat8影像和高分辨率Pleiades影像为研究数据。通过对FCM、KFCM和MKFCM算法分类结果的精度分析可知,对于不同分辨率的遥感影像,MKFCM都能更好地区分具有相似光谱信息的像元,而且无论是单个类别的精度还是整体的分类精度都高于FCM和KFCM算法,这为精确提取区域土地覆盖信息提供了有效途径。     

基于聚类粒度的模糊支持向量机

为了提高模糊支持向量机在大规模数据集上的训练效率,提出了一种基于聚类粒度的模糊支持向量机算法.首先在每类训练样本上执行无监督聚类算法,产生聚类颗粒.在综合考虑了聚类中心、半径和聚类中的样本数目等聚类信息基础上,找到每个聚类内部的边缘点和交叉点集合,去除对分类贡献很小的聚类内部点,最终形成了新的用于模糊支持向量机训练的样本集合.随后的试验结果表明,由聚类颗粒生成的约简样本集合,很好的表示了原有样本的分布,不仅提高了训练效率,同时保持了较好的分类效果.     

密度不均衡数据分类算法

针对不均衡数据下分类超平面偏移、少数类识别率较低的问题,提出一种基于样本密度的不均衡数据分类算法。该算法首先计算样本密度和类样本密度,依据类样本密度之间的关系确定聚类类数, 然后利用K-means聚类算法对多数类样本进行聚类,用聚类所得类中心作为样本集取代原多数类样本集, 最后对新构造的训练集进行训练得到最终决策函数。其实验结果表明,该算法能够提高SVM在不均衡数据下的分类性能,尤其是少数类的分类性能。       

基于特征加权的模糊聚类算法研究

模糊聚类分析是非监督模式分类的一个分支,在模式识别中有着重要的地位。在FCM算法中,考虑到样本矢量中各维特征对模式分类的不同影响,本文引入一种基于特征加权的模糊聚类算法,该算法考虑了各维特征对分类的贡献不同,从而对数据进行了更有效的分类。     

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。