基于粒子群训练的人工神经网络应用于多光遥感影像分类研究

为了提高多光谱遥感影像的分类精度,提出一种基于粒子群训练的人工神经网络的多光谱遥感影像的分类方法.该方法先建立一个针对多光谱遥感影像的神经网络分类模型,然后引入粒子群算法对神经网络进行网络权值与阈值的优化,再利用训练好的神经网络对多光谱遥感影像进行分类.该方法不仅利用了人工神经网络在解决多光谱遥感影像混合光谱的优势,而且克服了BP神经网络在训练时候收敛速度过慢、振荡的缺点.实验结果证明:基于粒子群训练的人工神经网络方法能够比较好地提高多光谱遥感影像的分类精度.     

利用信息熵的高光谱遥感影像降维方法

高光谱遥感影像以其众多的波段数目，为地表观测提供近乎连续的波谱数据；然而海量的高光谱遥感影像存在着大量的信息冗余，为数据的处理带来了挑战。因此在对高光谱遥感影像进行存储、分析及可视化等操作之前，对高光谱遥感影像降维处理成为预处理的关键环节之一。利用信息熵理论，将高光谱遥感影像的各波段抽象为具有相关性的独立个体，设计了高光谱遥感影像的决策表矩阵，进而计算各波段的信息熵，量化各波段的信息量，从而将各波段根据信息增益进行排序。用户可根据高光谱遥感影像应用的精度需求，按排序选择波段组合，从而达到降维目的。以遥感分类结果的精度评价为例，对高光谱遥感降维方法的可行性和优越性进行评价。实验结果表明，该方法相较其他特征选取降维方法，能获得更高的分类精度。     

面向对象的高光谱遥感影像分类方法研究

在基于像素的高光谱影像分类方法的基础上,结合面向对象图像分析理论与方法,提出面向对象的高光谱遥感影像分类方法,并具体分析探讨了面向对象高光谱遥感影像分类的关键技术,包括多尺度分割、最优波段选择、人机交互和知识库的建立等。试验表明,面向对象的分类方法应用于高光谱影像较传统分类方法有较高的精度,有很大的应用潜力。     

基于粒子群训练的人工神经网络应用于多光谱遥感影像分类研究

为了提高多光谱遥感影像的分类精度,提出一种基于粒子群训练的人工神经网络的多光谱遥感影像的分类方法。该方法先建立一个针对多光谱遥感影像的神经网络分类模型,然后引入粒子群算法对神经网络进行网络权值与阈值的优化,再利用训练好的神经网络对多光谱遥感影像进行分类。该方法不仅利用了人工神经网络在解决多光谱遥感影像混合光谱的优势,而且克服了BP神经网络在训练时候收敛速度过慢、振荡的缺点。实验结果证明：基于粒子群训练的人工神经网络方法能够比较好地提高多光谱遥感影像的分类精度。     

林业土地信息管理中的多源遥感图像融合技术

多源遥感图像为林业土地监测提供了更为丰富、精确和详尽的动态信息,提升了遥感技术科技含量和应用价值,在林业土地信息管理中得到日益广泛的重视和应用.然而多源遥感同时也增加了有效图像信息的识别问题.结合多源遥感图像融合的信息处理特点,采用基于模糊径向基函数网络、模糊Kohonen神经网络和模糊自适应谐振网的计算机图像目标识别技术,自主开发设计软件对高分辨率SPOT全色影像的多波段数据信息进行图像融合类别判断.实验证明模糊Kohonen神经网络在识别的精度、速度以及识别率是最佳方法.     

一种构建多光谱全色波段与小波变换相结合的遥感影像融合方法

对于多光谱和全色波段遥感影像融合而言,影像问光谱响应范围的差异是造成融合结果光谱畸变的重要原因。方法通过对遥感影像成像过程中的参数进行合理地近似,将多光谱影像有机地结合为光谱响应范围与全色波段接近的、低分辨率的“多光谱全色波段”。利用特定的小波融合法则,将全色波段中适量的空间信息融入到“多光谱全色波段”中,并根据构建“多光谱全色波段”时各多光谱影像所占的权重,将融入的空间信息逐像元地分解到各个多光谱波段,从而较好地削弱了融合影像间光谱响应范围的差异所造成的光谱畸变。通过对IKONOS遥感影像进行融合实验,验证了本文方法较传统方法具有更高的性能。     

一种基于分类的融合算法

提出了一种基于分类的融合算法 ,可用于融合低分辨率多光谱影像和配准的高分辨率全色波段影像 .算法的主要步骤如下 :(1)将 1m高分辨率全色波段影像和 4 m低分辨率多光谱影像进行几何配准 ;(2 )采用监督或非监督分类算法对高分辨率影像和配准的多光谱影像进行统一分类 ;(3)根据每一类所对应的高分辨率全色波段影像直方图和相应的空间关系 ,对配准后单个波段的多光谱影像进行调整 .(4)采用柱状坐标系对调整后的多谱影像进行 HIS(Hue,Intensity,Saturation)变换 ,并反变换至 RGB(red,green,blue)彩色空间 ,从而得到融合影像 .以天安门附近 10 0× 10 0大小 IKONOS的 1m高分辨率全色波段影像和 4 m多光谱影像为例 ,对融合算法进行了验证 .实验结果表明 :(1)此算法可以融合分类信息、全色波段的高分辨率信息和多光谱波段的光谱信息 ,突出分类信息作为先验知识的重要性 [1 ] ;(2 )在精确分类的基础上 ,可部分消除目标物边界的假彩色现象 ,有较好的目视判读效果 ;(3)对融合过程中 ,先验知识与空间关系的加入作了一些有益的尝试 .     

基于多值免疫网络的多光谱遥感影像分类

提出了一种基于多值免疫网络的多光谱遥感影像分类方法.该方法用选取的训练样本对多值免疫网络进行网络训练,得到具有记忆功能的免疫网络结构,然后利用多值免疫网络对多光谱遥感影像进行分类.实验结果证明,该算法分类精度上优于传统的分类方法,总精度和Kappa系数分别达到了88.84%和0.8605,因而具有实用价值.     

BP神经网络在重建多光谱遥感影像波段中的应用

多光谱遥感影像波段之间存在着一定的相关性,发现并找出各波段之间的相关关系,并利用这种关系还原多光谱遥感影像损失的任意部分波段信息,对于深层次的影像信息提取具有重要作用.论文以Landsat TM遥感数据为例,随机选取多光谱遥感影像中六个波段任意同一位置部分影像作为神经网络的训练数据,剩余波段对应位置的数据作为神经网络的标签数据,通过BP神经网络去训练进行重建损失部分的波段研究.结果表明:1)对于重建任意影像波段的损失部分均取得相当好的效果;2)增加训练的数据量,同时适当地加深BP神经网络的深度层数,网络结构性能会变得更好,能提升重建图像质量;3)通过BP神经网络训练出的模型具有很好的稳定性,其原多光谱遥感影像波段和经BP神经网络训练出的模型所重建的波段之间的相关系数总体约可达0.99,PSNR值总体约为37.44,SSIM值总体约为0.97,MSSIM值总体约为0.97.研究表明,该BP神经网络结构及其模型在重建多光谱遥感影像波段方面具有一定的应用价值.     

基于粗糙集的遥感优化分类波段选择

针对高光谱遥感影像的特点,本文采取一种优化分类波段组合的分级选择策略.利用扩展的属性依赖性公式定义了波段间的相似度.通过模糊聚类,得到对原始波段集合的模糊等价划分.在每个模糊等价波段组中,选择一个代表性波段或进行线性融合,完成对原始波段集合的初步降维.基于遗传算法并结合粗糙集理论,绐出两项能提高遗传搜索效率的增效措施,从而对降维后的波段集合进行不一致优化分类波段组合的选择.实验结果表明,本文提出的高光谱遥感影像优化分类波段组合选择方法是非常有效的.     

基于人工神经网络与决策树相结合模型的遥感图像自动分类研究

本文提出了一种新的基于Kohonen神经网络与决策树相结合模型的遥感图像自动分类方法。选取绍兴地区为实验区，对TM图像进行了分类实验。并将该模型分类结果与基于Kohonen网络模型的分类结果进行了比较，发现对于江南低山丘陵河网密集区的TM图像应用该模型进行分类能够得到较为满意的分类结果，其分类精度可达到85．16％，较之单纯使用Kohonen网络模型提高了20．12％。     

基于Kohonen神经网络聚类方法在遥感分类中的比较

设计完成和比较了基于Kohonen自组织网络的Kohonen聚类网络（Kohonen Clustering Network, KCN）、模糊Kohonen聚类网络（Fluzzy KCN, FKCN）和基于进化规划的Kohonen聚类网络（Evalutionary Programming based KCN, EPKCN）三种聚类算法在遥感土地利用/覆盖分类中的应用。结果表明三种非监督学习方法在进行遥感土地利用/覆盖分类过程中，在分类性能上有显著差异。EPKCN分类目视效果最好，单次迭代的速度最快；FKCN总的收敛速度最快；而按遥感土地利用/覆盖分类要求而言，EPKCN方法在三种分类方法中效果最好，因此可采用该算法进行遥感土地利用/覆盖的非参数分类。     

RBF神经网络在遥感影像分类中的应用研究

用RBF神经网络进行遥感影像分类，在网络结构设计上使RBF层与输出层的节点数都等于所要分类的类别数。用Kohonen聚类算法确定RBF中心的时候，用训练样本的均值作为初始中心，并在RBF宽度进行求取的时候进行了改进，以避免内存溢出。所设计的RBF神经网络分类模型具有结构简单、算法简洁的优点。实验结果表明，该方法用于遥感影像分类取得了较高的分类精度，具有实际应用价值。     

基于改进型模糊ARTMAP网络的CBR遥感图像分类系统研究

针对难以及时地获取充足而准确的遥感样本、缺乏积累和管理遥感样本的有效手段是制约遥感图像分类技术发展的瓶颈问题。构建了基于改进型模糊ARTMAP网络的CBR(case-based reasoning范例推理)遥感图像分类系统。系统将改进型模糊ARTMAP网络作为范例的知识提取器和图像分类器,运用CBR求解策略实现遥感样本知识的合理储备、优化组合和重复利用。分别应用本文所建系统、最大似然法、BP网络和改进型模糊ARTMAP网络对向海自然保护区TM遥感图像进行分类操作,实验结果表明,本文建立的系统与其他分类方法相比,能够更好地提高遥感样本数据的利用效率和遥感图像的分类精度,而且一定程度上解决了在样本有限的条件下如何高效利用已有数据进行遥感图像分类的问题。     

遥感图像非监督计算机分类方法的研究

通过对几种常用的非监督计算机遥感图像分类方法,如k-means、层次聚类和神经网络的分析研究发现,由于这些方法不能克服数据噪声点的影响,输出结果对输入参数依赖性较大,使其对图像的分类效果受到影响。为了提高图像的非监督分类效果。本文提出了一种基于密度和自适应密度可达聚类算法。实验分析表明,与常用的分类方法相比,该算法具有良好的分类效果。     

基于有监督Kohonen神经网络的步态识别

表面肌电信号随着时间的变化而改变,这将影响运动模式的分类精度.传统人体下肢假肢运动模式的识别算法不能保证在整个肌电控制时间内达到对运动模式的有效识别.为了解决这些问题,本文提取步态初期200ms的信号的特征值,将无监督和有监督的Kohonen神经网络算法应用到大腿截肢者残肢侧的步态识别中,并与传统BP神经网络进行了对比.结果表明,有监督的Kohonen神经网络算法将五种路况下步态的平均识别率提高到88.4%,优于无监督的Kohonen神经网络算法和BP神经网络.     

基于Kohonen网络的小波阈值在遥感图像去噪中的应用研究

传统Donoho非线性小波阈值去噪方法中,阈值的选取一般是根据噪声方差设置的,但在实际的操作中很难对噪声方差的精确值,这种理论上的局限性使得各种基于方差估计的去噪方法并不能获得实际需要的去噪结果;针对阈值选取的问题,提出一种非线性小波变换阈值的kohonen神经网络的自调整学习训练方法对遥感图像进行去噪,该方法在小波变换的基础上结合了神经网络的非线性阈值自组织特征映射算法,阈值的选择根据训练图像进行学习;可以实现自调整寻找最优值,以满足实际,达到最优的去噪效果。     

基于深度网络的遥感图像目标检测与识别

本文针对卫星遥感图像中的典型目标检测与识别问题,采用了基于深度神经网络的回归算法,利用深度网络所学习出来的特征结构针对多分类复杂场景具有很好的识别效果,同时将检测、分类与识别一同进行回归处理。可以有效缩短训练时间,并提升处理效率,保证目标检测的准确度,在实际应用中前景广泛。     

基于模式聚类和遗传算法的文本特征提取方法

采用模式聚类和遗传算法进行文本特征提取，并用Kohonen网络进行分类。模式聚类可以有效降低文本特征的维数，使得特征从几千维降为几百维。但几百维的维数对Kohonen网络来说仍然太高，因此采用遗传算法在此基础上继续降维。实验结果表明，这两种方法结合可以极大地降低文本的维数，并能提高分类准确率。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。