基于卷积神经网络的遥感图像分类研究

遥感图像分类是模式识别技术在遥感领域的具体应用,针对遥感图像处理中的分类问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)的遥感图像分类方法,并针对单源特征无法提供有效信息的问题,设计了一种多源多特征融合的方法,将遥感图像的光谱特征、纹理特征、空间结构特征等按空间维度以向量或矩阵的形式进行有效融合,以此训练CNN模型。实验表明,多源多特征相融合能够加快模型收敛速度,有效提高遥感图像的分类精度;与其他分类方法相比,CNN能够取得更高的分类精度,获得更优的分类效果。     

基于深度神经网络的遥感图像分类算法综述

准确、高效的遥感图像分类是遥感图像解析的重要研究内容之一。近年来,随着机器学习技术的发展,深度神经网络日渐成为一种有效的遥感图像分类处理方法。分析了遥感图像分类目前存在的一些问题,并简要阐述了几种典型的深度神经网络的原理结构;然后根据遥感图像分类的研究现状和深度神经网络对遥感图像分类的研究现状,总结了深度神经网络在遥感图像分类技术应用中的发展趋势。     

遥感图像分类方法综述

从遥感图像分类方法的基本原理入手,介绍了传统遥感图像的分类一些方法,以及它们近年来的发展,此外还对遥感图像分类研究的新方向作了一些介绍,并对发展趋势作了展望。     

TM图像多层神经网络自动识别分类

以利用TM图像自动识别金华市婆城区土地利用为例，介绍了多层神经网络遥感模式识别方法的概念、特点及其在TM图像自动识别分类中的应用，并与最大似然法分类结果进行了比较。通过研究认为，无论在分类速度、精度、还是总体效果上看，神经网络分类都优于最大似然法分类。     

人工智能技术在遥感图像分类中的应用

研究遥感图像分类精度问题,遥感图像分类根据图像特征进行分类,然而其特征维数相当高且信息冗余严重,分类器不能降低特征维数,导致分类器计算量大,图像分类效率和正确率低。利用主成分分析(PCA)降维特征维数的优点,提出一种基于PCA-SVM的遥感图像分类方法。PCA-SVM算法首先采用LBP算子提取遥感图像特征,然后采用PCA对遥感图像特征进行降维处理,减少特征维数并消除特征冗余信息,获得对分类结果贡献大的特征,最后采用SVM进行遥感图像分类。仿真结果表明,PCA-SVM提高了遥感图像分类效率和正确率。     

一种多特征结合的遥感图像分类方法

遥感图像分类是遥感图像分析和理解的基础,是遥感图像研究中的重要内容之一。为提高分类效果,遥感图像分类中通常需要综合运用多种特征。提出一个新的基于特征级融合的遥感图像分类方法。将多种图像空间特征和光谱特征分别作为分类器的输入,将各分类器的概率输出拼接起来作为中间层特征再进行分类。该方法有效避免了多特征直接拼接存在的尺度问题。在Indian93和Flightline C1两个数据集上的实验结果表明该方法具有一定优势。     

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。     

基于人工蚁群优化算法的遥感图像自动分类

将人工蚁群优化算法(AACO)尝试性地引入遥感图像分类,并进行了探索性研究。作为计算智能新的分支,人工蚁群优化算法具有很强的自组织性和自适应性。因此,自然成为科学工程领域一种强有力的信息处理和解决问题的手段;AACO算法利用蚂蚁的生物特性来实现遥感图像分类等非线性操作,具有并行性、鲁棒性。初步试验分析,此方法用于遥感图像分类是有效的,在一定程度上克服传统统计分类方法与ANN方法的某些不足。本文也推动人类利用群智能在遥感图像处理及相关领域的深入研究。     

一种遥感图像滤波处理方法

遥感图像大部分是直接以数字图像的形式取得的，遥感图像处理的目的主要是对遥感图像进行校正工作（包括幅射校正与几何畸变校正），以及针对不同应用领域进行不同的多光谱信息统计分类研究工作；滤波工作是遥感图像处理中的一个重要基础步骤，滤波效果的好坏，直接影响到遥感图像处理的最终精确度；文章首先分析了图像滤波处理的基本原理，然后介绍一种利用高级语育实现图像滤波处理的算法，在实验中以高通模板为例，经过高通滤波后，将图像中频率较高的部分突出显示，增强了图像的可识别率，证明了该方法的可行性。     

TM和SAR遥感图像的不同层次融合分类比较

多传感器遥感图像为分类技术提供了更多的地物特征信息,有助于提高分类精度,增强计算机自动解译的能力,减少遥感图像的后处理时间。给出了ＴＭ 和ＳＡＲ遥感图像根据信息处理所在的不同层次融合分类特征的选取及分类方法,并从融合分类的精度和计算时间消耗上对哈尔滨市附近地区５１２×５１２ 大小的ＴＭ和ＪＥＲＳ１ 的ＳＡＲ图像的不同层次融合的分类进行比较,指出特征层融合是ＴＭ和ＳＡＲ遥感图像融合分类的最理想层次     

基于一种改进禁忌搜索算法优化离散隐马尔可夫模型

隐马尔可夫模型(HMM,HiddenMarkovModel)是语音识别和手势识别中广泛使用的统计模式识别方法。文章提出了一种改进的禁忌搜索(ITS,ImprovedTabuSearch)优化HMM的参数。传统的TabuSearch(TS)与局部搜索算法(极大似然法)交替进行,从而加快了算法的收敛速度,并得到优化解。分别用TS及ITS训练隐马尔可夫模型进行动态手势识别。结果表明ITS可获得更高的识别率,且能达到全局优化。     

支持向量机算法实现人民币序列号识别

人民币序列号识别是一个小样本、非线性和高维模式识别问题,是当前模式识别中的难题之一,具有重要研究意义和实用价值。主要研究了统计学习理论中支持向量机的二次优化算法,并将支持向量机应用于货币序列号的机器识别中。将次序最小优化算法构建的支持向量机用于序列号识别,充分发挥了支持向量机解决小样本、非线性和高维模式识别问题的优点。支持向量机（SVM）实验结果表明,这种支持向量机货币识别方法具有较高的可实现性和识别精度。     

Proposition of common classifier construction for pattern recognition with context task

This paper deals with the concept of information fusion and its application to the contextual pattern recognition task. The concept of the recognition based on the probabilistic model are presented. The machine learning algorithm based on statistical tests for the recognition of controlled Markov chains is shown. Idea of information unification via transforming the expert rules into the learning set is derived. Some experimental results of obtained methods are shown and proposed concepts are applied to the real medical decision problem.     

Study of a Fast Discriminative Training Algorithm for Pattern Recognition

Discriminative training refers to an approach to pattern recognition based on direct minimization of a cost function commensurate with the performance of the recognition system. This is in contrast to the procedure of probability distribution estimation as conventionally required in Bayes' formulation of the statistical pattern recognition problem. Currently, most discriminative training algorithms for nonlinear classifier designs are based on gradient-descent (GD) methods for cost minimization. These algorithms are easy to derive and effective in practice, but are slow in training speed and have difficulty selecting the learning rates. To address the problem, we present our study on a fast discriminative training algorithm. The algorithm initializes the parameters by the expectation–maximization (EM) algorithm, and then uses a set of closed-form formulas derived in this paper to further optimize a proposed objective of minimizing error rate. Experiments in speech applications show that the algorithm provides better recognition accuracy in a fewer iterations than the EM algorithm and a neural network trained by hundreds of GD iterations. Although some convergent properties need further research, the proposed objective and derived formulas can benefit further study of the problem.     

基于ISODATA算法的彩色图像分割

基于统计模式识别中非监督学习动态聚类算法ISODATA算法^[1]，将彩色图像（RGB空间）中由像素的R、G、B分量组成的三维矢量看作待分类的模式样本，定义相似度函数作为类间合并和分裂的依据，通过设定初始参数进行迭代，考虑聚类算法应用于图像分割的一些具体问题并加以改进，最后将图像分割成互不相交的区域，取得了良好的效果。     

类间散度特征选择法及其应用

本文介绍了统计模式识别中特征选择的一种方法--类间散度法.它是以两类细胞样本 在n维特征空间中Fisher映射点集的类间差与类内差之比作为特征选择的判据.用这种方 法对五类白血球进行了特征选择,并对所选特征用训练集和测试集进行了识别效果检验,同 时,得到了特征选择的判据D与识别率之间的关系曲线.     

钞币面值和真伪的快速识别算法的研究

根据从传感器采集来的信号的特点,提出了在验钞系统中进行鉴伪和面额区分的模式识别算法,并详细阐述了算法的整个实现过程。为了识别钞票面额,采用了信号模板匹配的方案。为了鉴别钞票的真伪,应用了统计模式识别技术,并给出了进行真伪钞判别的线性函数。该算法已经应用到嵌入式系统当中,结果表明:并具有快速,准确,有效等优点,并具有非常好的市场应用前景。     

统计和结构模式识别方法结合的多特征印鉴真伪鉴别方法

计算机印鉴自动真伪鉴别是一项十分困难，但又具有广泛应用前景的一项综合性研究课题，国内外至今尚缺乏实用有效的方法，我们从图象分析、模式识别原理出发，给出了一套完整的印鉴鉴别方法，该方法充分提取了反映真假印鉴本质特征的多种特征参数，结合了统计模式识别与结构模式识别方法各自的长处，使得鉴别方法在准确性、稳定性、可靠性与适应性方面与我们原有的方法以及国外其他方法相比，都取得了很大的进展，已达到应用水平。