用于遥感图像分类的简化并行神经网络

本文通过分析遥感图像各类样本的分布特征，提出了一种适用于遥感图像分类的简化并行神经网络（PRNN）。该网络包括了多个彼此相似的原子网络，每一类样本通过一个或多个专门的原子网络作预处理，从而大大提高了整个网络的动态性。实验结果表明，简化并行神经网络（RPNN）能够并行复杂的遥感地物样本。并能够取得较高的分类精度。     

遥感图像分类的神经网络并行学习算法

本文提出了一种基于Ｋａｌｍａｎ滤波方法的神经网络并行学习算法，模拟实验表明，这种学习算法加快了网络遥感图像分类的收敛速度和精度。     

多波段遥感图像的快速分形编码

分形图像编码用动态迭代过程的参数来表示相应的静态图像数据,可以突破熵压缩编码的理论界限,因而得到广泛的关注.将分形图像编码应用于多波段遥感图像压缩中,根据多波段遥感图像的特点,对基于四叉树分割的快速分形编码方法进行改进,令各个波段图像共享同一四叉树分割方式,同时,利用多波段遥感图像的谱间相关性,缩小仿射变换的搜索匹配空间,以此来提高压缩比和编码速度,实验表明,本方法能显著提高基于四叉树分割的分形编码方法的性能,取得了令人满意的结果.     

用Kohonen 神经网络对高光谱分辨率图像进行无监督分类的研究

讨论了将Kohonen自组织神经网络用于成像光谱仪高光谱分辨率遥感图像无监督分类的结果。用于研究的是0.46-0.76um15个波段的高光谱分辨率的原始航空遥感图像. 该图像复盖了澳大利亚达尔文市周围约200km^2的试验区，包括了海湾、岛屿、海滩、河流、城市与旷野等各种地物类型。神经网络分类的结果提供了试验区内地物分布符合实际的预测和 估计，它与传统的分类方法的结果相比较，用神经网络所得到的结果更准确可信。     

超谱遥感图像的波段选择新方法

针对超谱遥感图像的高数据维给图像进一步处理带来的困难,本文构造了波段选择方法的数学模型,该方 法基于统计学原理,通过选择信息量大并且与其它波段相关性小的波段来降低超谱数据维数。本文将降低后的超谱数据进 行小波融合与K．均值非监督分类。分类结果表明,该波段选择的方法能够将保留信息丰富的波段,分类效果与使用原始 波段相比有所提高,计算复杂度大大降低。     

基于DE-GEP的高光谱遥感图像分类

高光谱遥感数据具有波段数目多、数据量庞大等特点.针对传统方法应用于高光谱图像分类中存在波段选择时计算量大、运行时间长,以及图像分类精度不高等问题,首先利用差分演化算法进行波段选择,有效地降低了信息的冗余和数据的维度,然后对波段选择后的结果成图,并对要识别地物的典型区域进行取样,最后采用基因表达式编程算法构建分类器进行图像分类.在波段选择中,与完全搜索的结果相比,差分演化算法可以在很快的时间里取得了较好的搜索结果,基因表达式编程在遥感图像分类中,分类结果优于传统的KNN算法.     

基于深度卷积神经网络和多核学习的遥感图像分类方法

为解决传统遥感图像分类方法特征提取过程复杂、特征表现力不强等问题,该文提出一种基于深度卷积神经网络和多核学习的高分辨率遥感图像分类方法。首先基于深度卷积神经网络对遥感图像数据集进行训练,学习得到两个全连接层的输出将作为遥感图像的两种高层特征;然后采用多核学习理论训练适合这两种高层特征的核函数,并将它们映射到高维空间,实现两种高层特征在高维空间的自适应融合;最后在多核融合特征的基础上,设计一种基于多核学习-支持向量机的遥感图像分类器,对遥感图像进行精确分类。实验结果表明,与目前已有的基于深度学习的遥感图像分类方法相比,该算法在分类准确率、误分类率和Kappa系数等性能指标上均有所提升,在实验测试集上3个指标分别达到了96.43%, 3.57%和96.25%,取得了令人满意的结果。

     

基于最大信息量的高光谱遥感图像无监督波段选择方法

提出一种基于最大信息量的高光谱遥感图像无监督波段选择方法.该方法以在所选择的波段中保留原数据中所包含的最大信息量为目标,并采用逐个移除波段的方式来实现.算法使用K-L散度来定量表示信息量的大小,并通过信息量在整个数据集中的分布情况来决定所移除的波段.与传统方法相比,具有物理意义明确、计算过程简单的优点,同时还能够完全自动地完成任务,实现无监督的波段选择.     

遥感图像分类中的遗传算法LVQ神经网络运用

对于遥感图像分类过程中的问题,提出遗传算法LVQ神经网络来实现遥感图像的分类。将LVQ神经网络结合遗传算法,使用遗传算法最优阈值与权值实现网络训练,使分类精度得到提高。之后融合相似灰度值创建分类图像特征矢量,使特征矢量在神经网络中输入实现训练。学习矢量量化神经算法对初值非常敏感,对遥感图像分类精度具有一定影响。最后,为了对性能进行测试,在实验过程中对比本文分类方法和SVM决策树分类方法,通过实验结果表示,文中提出的分类方法的遥感图像分类精度为95.82%,与其他分类方法相比,分类精度得到进一步提高。     

多光谱遥感图像BP网分类器学习样本选取法的研究

通过分析多光谱遥感图像学习样本在光谱空间不同位置对BP神经网络分类器分类精度的影响,提出基于x2 分布的学习样本选取方法,并应用于TM 图像分类.对6 种地物应用不同样本选取法训练的BP网分类器和Bayes分类器的分类结果比较表明:本方法分类精度明显高于Bayes分类器和其它样本选取法得到的BP网分类器,并具有学习样本数量少等特点     

基于脊波和神经网络的大压缩比遥感图像压缩

为了实现大压缩比的遥感图像压缩,利用神经网络的自组织、并行计算和分布式存储的能力,提出一种基于神经网络的压缩方法.在传统单隐层前向神经网络的基础上,该网络使用一种新的能有效处理直线型和曲线型奇异性的多尺度几何分析工具-脊波,作为隐层神经元的激活函数.它不仅具有神经网络压缩的优点;并且由于脊波良好的时、频和方向局域化特性,能够对遥感图像的边缘和轮廓实现更加有效的表示.仿真结果表明:该方法不仅能实现较高的压缩比,而且具有重建图像质量好、学习快速和鲁棒性强等优点.     

用自产生和自组织神经网络对超声医学图像进行自动分割

本文研究用自产生和自组织神经网络方法进行超声心脏图像的自动分割。这种无监督的聚类方法能够自动搜索最佳的网络输出节点数而获取图像中的目标数,从而完成对图像的自动分割。实验结果表明,与自组织特征映射方法相比,本文的方法具有许多重要的优点。     

基于模糊化输入和反转提高神经网络分类性能的方法

为有效提高神经网络的分类性能,首先提出了一个可处理模糊输入的模糊神经网络结构,然后由模糊输出和非模糊目标输出定义了代价函数,推导出相应的学习算法,并对该模糊神经网络进行反转,提出了模糊化的反转算法．最后,通过计算机仿真实际的模式分类问题,验证了所提出的方法的有效性．实验结果表明,所提出的方法具有学习效率高、分类准确率高、泛化能力高的优点．     

航空成像光谱水质遥感研究

用ＯＭＩＳ－Ⅱ航空成像光谱仪在有地区进行了地表遥感实验,研究了ＯＭＩＳ－Ⅱ波段反射比Ｒ（２１）／Ｒ（１８）与藻类叶绿素浓度的关系,由ＯＭＩＳ－Ⅱ遥感图像估算了研究区域内发素浓度分布,并将遥感估算值与地面采样数据进行了比较。结果表明,ＯＭＩＳ－Ⅱ能够提高藻类叶绿素定量遥感的精度。     

协同神经网络中参数的优化

提出了一种基于遗传算法的协同神经网络中参数的优化算法,该算法利用遗传算法的全局最优搜索能力,在协同神经网络的参数空间搜索最优解。对从“车牌识别系统”中采集得到的数字样本进行了测试表明：优化算法能有效提高协同神经网络的识别性能,使识别率达到了较为实用的水平（98．4％）。另外,还对协同神经网络中各个参数在识别过程中的作用进行了讨论。     

二值图象平滑算法和细胞神经网络实现

本文利用细胞神经网络(CNN)的基本处理单元一细胞的分段线性饱和输出特性和相平面分析法实现了线性可分和线性不可分布尔函数。并利用这一原则实现了二值图象的多种CNN平滑算法。     

高分辨率遥感影像的快速分割方法

近年来,C-V模型被广泛用于图像分割,但计算速度是制约其应用的一个重要因素,如果处理数据量较大、内容复杂的高分辨率遥感图像,耗费时间更长.本文采用C-V模型与小波变换的结合,不仅大大提高了影像的处理速度,而且实现了图像的多尺度分割,并具有良好的抗噪能力.实验结果显示,在保证分割质量的前提下,与直接使用C-V模型的多尺度分割方法相比,该方法能够提高处理速度1-2倍.     

基于免疫克隆算法的协同神经网络参数优化

针对现有协同神经网络参数优化方法的不足,提出了一种基于免疫克隆算法的参数优化方法.与在平衡注意参数条件下的算法和在不平衡注意参数条件下基于遗传算法和模拟退火算法的优化方法相比,新方法具有全局兼局部寻优能力,不易陷入局部极值,并且迭代步长是自适应调整的.对纹理图像与遥感图像的分类识别结果表明:新方法不仅具有更快的收敛速度而且具有更优的分类识别性能,同时验证了注意参数及所有参数对各原型模式之间竞争态势的影响,从而达到更佳的分类识别效果.