SAR图像盐渍地分类研究

以渭干河——库车河三角洲绿洲为例,利用SAR数据,采用不同的分类方法来提取该研究区盐渍化土地覆盖信息。首先用Enhanced frost滤波算法对SAR图像进行去噪处理。然后基于灰度共生矩阵理论提取去噪后的SAR图像4种纹理特征,并在不同窗口大小下筛选出有效的纹理特征。最后结合纹理特征分别采用最大似然分类法和SVM分类法对SAR图像进行分类。研究结果表明:基于纹理特征的SVM分类方法,能够有效解决单源数据信息图像分类效果破碎问题;13×13窗口的总精度达到98.2456%,Kappa系数达到0.9763,更有利于遥感图像分类和盐渍化信息监测,是地物遥感信息提取的有效途径。     

基于纹理的SAR图像居民地信息提取

研究了利用纹理特征来实现居民地专题信息的提取.首先用增强FROST滤波算法对SAR图像进行去噪处理.然后基于灰度共生矩阵实现纹理特征的提取,结合实际现状筛选出较好的纹理特征图像.最后将各图像进行波段组合实现非监督分类.实验结果表明:基于纹理特征来提取SAR图像中的居民地信息是可行的,效果较理想.     

基于神经网络的遥感图像分类

针对传统的遥感图像分类方法分类精度低的缺点,提出了一种基于神经网络的分类方法。实验结果表明,这种基于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AdaBoost的SAR图像自动分类

受相干斑噪声的影响,传统的SAR图像分类方法很难得到较好的分类效果。文中提出一种SAR图像自动分类算法,该算法基于灰度共生矩阵提取特征,结合了AdaBoost和纠错编码设计分类器。实验结果表明,该算法可以得到较好的分类结果。与传统的最大似然法相比,分类精度得到了显著的提高。     

基于多元数据和不同分类算法的遥感影像信息提取及精度评价 ——以祁连山东段为例

以祁连山东段典型山地系统为研究区,通过提取研究区TM影像的主成分、各类植被指数、基于灰度共生矩阵的影像纹理特征以及研究区地形特征等数据,应用最优波段指数方法得到最优波段组合,并运用非监督分类、最大似然法、支持向量机分类法、决策树分类法对上述最优波段进行分类研究。结果表明多尺度数据挖掘有利于分类精度的提高,同时选取合适的判断标准的决策树分类方法在遥感信息提取中有比较直观意义和较高的分类精度。在上述分类方法中分类精度由高到低为决策树分类>支持向量机法>最大似然法>非监督分类法。决策树分类总体分类精度为94.50%,kappa系数为0.9122。
     

遥感图像林型纹理特征的ICA与SVM分类

遥感图像纹理特征是光谱相近林型准确分类的有效方法,然而其带来分类特征向量维数增加和计算量增大。因此,对南方山区林地TM图像进行独立成分分析ICA降维,通过计算灰度共生矩阵获取纹理特征,使用SVM分类,研究林地类型的快速分类方法。结果表明,ICA与SVM法利用遥感图像纹理特征可较准确地实现林地类型分类,分类总精度、Kappa系数分别为85.4%、0.73,均高于SVM法、BP神经网络法、最大似然法、最小距离法;其对阔叶林、针叶林、竹林的分类精度依次为78.2%、80.1%、84.3%,误识率主要是由于混交林而造成两类林地之间存在交集,易出现的针阔混交林使得阔叶林、针叶林的分类精度低于竹林。     

基于SVM的SAR图像分类研究

支持向量机（SVM）是一种卓越的分类方法,灰度共生矩阵（GLCM）则是一种很好的纹理分析方法,而纹理是合成孔径雷达（SAR）图像分类的一个重要特征,故而提出了一种使用灰度共生矩阵进行特征提取的应用支持向量的SAR图像分类法。实验结果证明了支持向量机算法的可行性和有效性。     

行程长度纹理特征在SPOT遥感图像分类中的应用

将行程长度纹理特征与神经网络相结合应用于遥感图像分类中.在特征选择阶段采用类内、类间方差标准与Rough集相结合的方法挑选出有较强分类能力的特征并有效去除冗余特征.针对高分辨率、大尺度的SPOT全色遥感卫星图像,分别基于行程长度纹理特征、共生矩阵纹理特征、灰度-梯度共生矩阵纹理特征和灰度-平滑共生矩阵纹理特征,采用BP、RBF两种类型的神经网络以及最近邻分类算法(K-NN法)对其进行分类,并对分类结果进行对比.实验结果证明本文算法的有效性.     

.基于纹理和边缘的SAR图像SVM分类*

为实现SAR图像地物目标的有效分类,深入研究了基于灰度共生矩阵GLCM的四种纹理特征以及两个边缘特征。分析每个单独纹理或边缘特征在对SAR图像进行支持向量机SVM分类中对不同地物的分辨能力,选取不同的特征组合进行组合特征的SVM分类实验。对各种特征进行主成分分析PCA,并考察使用和不使用PCA两种情况下分类结果之间的差异。实验结果证明能量、边缘长度、对比度和相关度的特征组合在PCA作用下能够改善各类地物的分类精度,将总分类精度提高到90%以上。     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数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。     

一种结合形状与纹理特征的植物叶片分类方法

根据植物叶片识别植物种类对于生物科学与生态科学具有重要的辅助作用。针对叶片分类,提出了一种基于形状与纹理特征的分类算法。在进行了去噪等预处理后,通过阈值分割和数学形态学方法获取叶片区域;在分割得到的二值区域图像上提取了形状特征,在灰度图像上提取了纹理特征;在所得特征的基础上,利用BP网络对叶片进行分类。在实际图片上的实验结果表明,相比于已有算法,该方法可以达到更高的正确分类率。     

基于数据流的TIN迭代滤波算法

通过机载LiDAR数据滤波获取地面信息是机载LiDAR数据的一项重要且基本的应用。基于现行的滤波算法都有一定的应用局限,本文提出了一种基于数据流的TIN滤波算法。该方法基于流的思想,首先对机载LiDAR数据进行点流的空间结点化,之后在构建Delaunay三角网的同时,进行插入点判断。通过试验区数据的滤波验证,此算法能够较好地滤除地物点,保持地形;提高了滤波效果的同时,在算法效率上还占有一定优势。     

SAR影像海洋表面溢油检测方法与实现

海洋是地球的重要组成部分,它为人类提供了丰富的物质和宝贵的资源,每年海洋都承受着不同程度的侵害,其中油类污染是给海洋造成巨大危害的污染之一。而油类污染又主要来源于轮船破裂漏油以及油井平台或海底输油管道爆炸等。每次事故造成的直接经济损失达几百万至上千万不等,所以对海上溢油进行监测具有重要的意义。选用Envisat的ASAR数据进行海上溢油检测,介绍并分析了SAR图像溢油检测的一般步骤及其实现方法,通过采用单一阈值分割法、最大熵分割法和非监督分类法对影像进行目标检测,从而粗略地将影像区分为前景区域与背景区域,并结合影像的纹理特征进行分类。在纹理特征选取过程中,通过人工选取部分溢油区与非溢油区作为感兴趣区,在感兴趣区上分别统计SAR影像常用的纹理特征,并结合不同目标检测的结果以及原始影像进行基于BP神经网络的分类,得到了良好的效果。最后展望了SAR图像海洋溢油检测的发展方向。     

图像情感语义规则抽取的研究

针对图像视觉特征和情感语义之间的语义鸿沟,以图像纹理为低层特征,通过使用BP神经网络完成了图像低层特征到情感语义的映射;并在精度保持不变的前提下,对训练好的网络模型进行剪枝,最后通过神经网络规则抽取算法将隐含在神经网络模型中的知识转化为易于理解的IF-THEN规则形式。实验验证了方法的有效性和规则的可理解性。     

BP Neural Network Classification of Remote Sensing Images based on DT\|CWT Decomposition

In order to solve the ambiguity and uncertainty of high resolution multi\|spectral remote sensing image classification and to better overcome the influence of noise,a new BPNN（Back Propagation Neural Network）classification method of multi\|spectral image,based on DT\|CWT decomposition,is presented in this paper.First,the NDVI and texture features of the image are extracted to reduce the classification uncertainty caused by the problem of different objects having the same spectrum and the same objects having different spectrum in the image,then,the original spectral band,NDVI and texture features of the image are decomposed by DT\|CWT to extract the Low\|frequency information of the image,as well as to reduce the image noise and the presence of “salt and pepper” in the classification.Finally,the extracted low\|frequency sub\|graphs are input to the BP neural network and classified according to the trained network to obtain the final classification result.The results of the comparison show that the proposed method with less miscellaneous points has stronger regional consistency,higher classification accuracy and better robustness.     

基于差异演化概率神经网络的纹理图像识别

引入差异演化（DE）算法来弥补基本概率神经网络的不足,从而提出一种基于差异演化概率神经网络的纹理图像识别方法。首先用树形结构小波包变换提取纹理图像的能量特征,用基于统计的纹理特征方法提取统计均值、平均能量、标准差和平均残余特征,得到纹理图像的特征矢量;然后用差异演化概率神经网络训练纹理图像的特征矢量,从而实现纹理图像的识别。实验结果表明：该方法较BP神经网络、RBF神经网络和基本的PNN有更高的识别正确率,且收敛更快。     

基于特征整合的卷积神经网络草地分类算法

为提高遥感影像草地分类的精度,分析了卷积神经网络中提取图像特征的特点,提出了一种基于特征整合深度神经网络的遥感影像特征提取算法。首先,将遥感影像数据进行PCA白化处理,降低数据之间的相关性,加快神经网络学习的速率;其次,将从卷积神经网络中提取到的浅层特征和深层特征进行双线性整合,使得整合后的新特征更加完善和优化;最后,对遥感数据进行训练,由于新特征中有效信息的增加,使得特征表达能力得到提高,达到提高草地分类准确率的目的。实验结果表明:该算法能够有效地提高草地分类的准确率,分类精度达到94.65%,相较于卷积神经网络、BP神经网络和基于SVM的分类算法分别提高了4.3%、10.39%和15.33%。     

基于改进概率神经网络的纹理图像识别

引入差异演化（DE）算法来弥补基本概率神经网络的不足,从而提出一种基于改进概率神经网络（MPNN）的纹理图像识别方法。首先用树形结构小波包变换提取纹理图像的能量特征,用基于统计的纹理特征方法提取统计均值、平均能量、标准差和平均残余特征,得到纹理图像的特征矢量;然后用改进的概率神经网络训练纹理图像的特征矢量,从而实现纹理图像的识别。实验结果表明：采用基于改进概率神经网络的纹理图像识别方法较BP神经网络、RBF神经网络和基本的PNN有更高的识别正确率,且收敛更快。     

An evaluation of Landsat TM spectral data and SAR-derived textural information for lithological discrimination in the Red Sea Hills,Sudan

The effectiveness of spectral and textural information in the identification of surface rock types in an arid region, the Red Sea Hills of Sudan, is evaluated using spectral information from the six Landsat TM optical bands and textural features derived from Shuttle Imaging Radar-C (SIR-C) C-band HH polarization data. An initial classification is derived from Landsat TM data alone using three classification algorithms, Gaussian maximum likelihood, a multi-layer feed-forward neural network and a Kohonen self-organizing feature map (SOM), to generate lithological maps, with classification accuracy being measured using a confusion matrix approach. The feed-forward neural net produced the highest overall classification accuracy of 57 per cent and was, therefore, selected for the second experiment, in which texture measures from SIR-C C-band HH-polarized synthetic aperture radar (SAR) data are added to selected TM spectral features. Four methods of measuring texture are employed, based on the Fourier power spectrum, grey level co-occurrence matrix (GLCM), multi-fractal measures, and the multiplicative autoregressive random field (MAR) model. The use of textural information together with a subset of the TM spectral features leads to an increase in classification accuracy to almost 70 per cent. Both the MAR model and the GLCM matrix approach perform better than Fourier and multi-fractal based methods of texture characterization.