基于支持向量机的高光谱遥感图像分类

分析和处理航空高光谱遥感图像对于我国遥感事业意义重大,文章首先分析了高光谱遥感图像的特征,依据该特征确定了支持向量机分类方法以及相应的参数优化确定的方法,并最终构建了高光谱遥感图像的分类模型。     

结合金字塔和局部二值模式的遥感图像分类

在住宅区遥感图像分类中,为了克服尺度变化和旋转变化带来的影响,提出一种结合金字塔原理和局部二值模式的图像分类算法。首先对原始住宅区遥感图像进行多次下采样以构建不同尺度的空间金字塔;然后利用局部二值模式提取不同尺度遥感图像的纹理特征,以消除旋转变化的影响;最后将不同尺度下的纹理特征融合到一起,利用支持向量机对住宅区遥感图像进行分类。在标准图像数据集上的实验结果表明,低尺度纹理特征将会降低住宅区遥感图像的分类精度,与单尺度纹理特征相比,多尺度融合的纹理特征提高了遥感图像分类精度,平均高达4.77%。     

无人工样本的SVM遥感图像分类方法

针对遥感图像监督分类方法需要人工提取训练样本的缺陷,提出一种模糊K均值聚类（FCM）提取训练样本、支持向量机（SVM）进行分类的方法。算法首先用FCM进行初步分类得到隶属度矩阵并判断每个样本的类别号;然后根据隶属度矩阵提取每类样本中密集程度较高的样本作为训练样本;最后用SVM对样本进行训练、再次分类。该方法克服了SVM算法需要人工样本的缺点,改善了传统非监督分类算法的性能,UCI标准数据库Iris数据和遥感数据样本的实验结果证明了该方法的可行性。     

基于支持向量机的高光谱遥感图像分类

多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题.本文从支持向量机基本理论出发建立了一个基于支持向量机的高光谱分类器,并用国产OMIS传感器获得的北京中关村地区高光谱遥感数据进行试验,分析比较了各种SVM核函数进行高光谱分类的精度,以及网格搜寻的方法来确定C和愕闹?结果表明SVM进行高光谱分类时候径向基核函数的分类精度最高,是分类的首选.并且与神经网络径向基分类算法以及常用的最小距离分类算法进行比较,分类的精度远远高于SVM分类算法进行分类的结果.SVM方法在高光谱遥感分类领域能得到广泛的应用.     

一种基于改进SURF的遥感图像自动配准方法

现有的遥感图像自动匹配方法存在匹配准确度低、计算量大、配准效率低的问题,在经典SURF算法基础上,提出一种改进的SURF算法,首先提取遥感图像放射不变闭合区域,然后利用SURF算法提取该区域内的特征点,建立特征点筛选机制剔除信息含量低且分布不均匀的特征点,最后结合最小二乘法完成图像自动配准。研究结果表明,该配准方法在提高配准精度的同时,减少了运算时间,提高了算法的整体性能。     

基于SVM聚类遥感图像的分割

要分析和理解遥感图像,首先要对遥感图像进行分割。文章将传统的聚类分析方法和支持向量机理论相结合,并进行了算法的改进,将支持向量聚类方法应用到遥感图像分割领域,对遥感图像进行分割。实验结果证明,应用该方法进行分割,能取得良好的分割效果,是一种有效的遥感图像分割方法。     

应用SVM算法进行TM多光谱图像地物分类

SVM算法是近年来统计模式识别领域流行的算法。因为有统计学习理论（SLT）作为基础,SVM算法具有良好的计算有效性、健壮性和统计稳定性,被广泛地应用在图像识别、语音识别、文字识别等多种模式识别领域。TM多光谱遥感图像的地物分类一直是遥感图像处理领域比较困难的问题。现尝试应用SVM算法对北京市怀柔水库附近地区的地物进行分类,收到了较好的效果。     

基于不变性特征的SVM遥感图像飞机类型识别

根据遥感图像飞机目标的特点,提出一种基于不变性特征的支持向量机(SVM)识别算法。首先结合小波分解进行平移、旋转、缩放不变性特征提取;然后对基于遗传算法(GA)的SVM模型参数选择方法在核函数的选择、搜索空间的确定等方面进行改进,并用改进后的算法实现SVM模型参数选择。对480幅遥感图像进行仿真实验,得到97.56%的正确识别率。与BP神经网络相比,识别率高,验证了算法的有效性。     

基于空谱多特征融合的高光谱遥感图像分类

高光谱遥感图像分类已被公认为是高光谱数据处理的基础性和挑战性任务之一,其最终目标是给影像中的每个像元赋予唯一的类别标识。针对传统高光谱遥感图像分类方法只依靠单一特征进行分类的问题,提出一种基于空谱多特征融合的分类策略。首先在光谱域上利用主成分分析法PCA降维,得到前3个主成分数据,然后通过多视图策略对PCA降维后的数据分别提取局部二值模式LBP、方向梯度直方图HOG与Gabor特征,将其输入到多视图支持向量机进行分类。所提方法在Indian Pines数据集上进行验证,实验结果表明,所采用的分类策略相较于传统只利用单一特征进行分类的方法分类精度更高。     

基于迁移学习和通道注意力的遥感图像场景分类

针对遥感图像场景分类任务中训练样本数量少及遥感图像背景复杂等问题,本文将迁移学习和通道注意力引入到卷积神经网络(convolutional neural network,CNN) 中,提出基于迁移学习和通道注意力的遥感图像场景分类方法。该方法首先选用经过ImageNet自然数据集预训练的两个CNN作为主干,同时引入通道注意力机制,自适应地增强主要特征,抑制次要特征;然后融合这两个网络提取的特征进行分类;最后采用微调迁移学习的方式实现目标域上的学习与分类。提出的方法在几个经典的公共数据集上进行了评估,实验结果证明了本文提出的方法在遥感图像场景分类中达到与其他先进方法相当的性能。     

基于多层特征上下文编码网络的遥感图像场景分类

遥感图像场景分类问题是目前遥感图像处理领域中的研究热点之一。卷积神经网络(Convolutional Neural Networks,CNNs)具有强的特征提取能力,已被广泛应用于遥感图像场景分类中。然而,目前的方法并没有充分考虑并利用CNN不同层间的互补信息和遥感图像的空间上下文信息,导致其相应的分类精度有待提高。针对上述问题,提议一种多层特征上下文编码网络,并将其用于解决遥感图像场景分类问题。所提议网络由两部分组成:1)密集连接的主干网络;2)多尺度上下文编码模块。前者用于融合CNN不同层的特征信息,后者用于对蕴含在多层特征中的空间上下文信息进行编码利用。在两个大规模遥感图像数据集上的实验结果表明,与现有的遥感图像场景分类方法相比,所提出的网络框架取得了显著的分类精度提升。     

基于场景语义的遥感图像目标识别

高分辨率遥感图像的信息解译的通常思路是从特定类型目标的检测与识别分析入手,最终实现图像场景的认知理解。给出一种利用CSIFT特征的遥感图像视觉特征表示方法和基于PLSA的遥感图像场景语义识别方法,并利用10类典型遥感图像场景进行实验,充分验证了该方法的有效性。     

基于粗糙集支持向量机的遥感影像分类算法研究

近年来,随着遥感技术的飞速发展,遥感影像的处理和分类已成为遥感应用研究中的一个热点,粗糙集（RS）理论和支持向量机（SVM）在信息处理和分类方面具有独特的优势,本文将粗糙集支持向量机应用于遥感影像分类,简要介绍了粗糙集理论的基本概念和支持向量机的基本原理,将粗糙集理论的属性约简作为前置系统,剔除冗余属性,把SVM分类器作为后置系统,对遥感影像进行训练和分类,实验结果表明该模型不仅提高了系统运行的速度,而且分类性能有了一定的提高,为遥感影像分类提供了一条有效途径。     

基于双通道深度密集特征融合的遥感影像分类

为了提高遥感图像场景分类中特征有效利用率,进而提高遥感影像分类精度,采用基于双通道深度密集特征融合的遥感影像分类方法,进行了理论分析和实验验证。首先通过构建复合密集网络模型, 分别提取图像卷积层特征和全连接层特征;然后为挖掘、利用图像深层信息,通过视觉词袋模型将提取的深层卷积层特征进行重组编码,捕获图像深层局部特征;最后采用线性加权方式将局部和全局特征融合、分类。结果表明,选用数据集UC Merced Land-Use和NWPU-RESISC45进行实验,取得的分类精度分别为93.81%和92.62%。该方法充分利用局部特征和全局特征的互补性,能实现图像深层信息的充分利用和表达。     

采用各向异性尺度空间的遥感图像配准

基于多特征点的遥感图像配准方法应用在油田遥感图像上时,很难为其找到足够多的正确对应关系且花费时间也较长.为此,提出了基于各向异性尺度空间的遥感图像配准方法.该算法首先使用自适应的侧窗滤波技术构建各向异性尺度空间,然后采用改进的邻域分块思想进行特征描述,最后使用增强的匹配点过滤增加特征点匹配的数量.实验结果表明,所提方法...