基于SVM的花岗岩薄片图像石英分割方法研究

花岗岩薄片不同矿物成分在图像中可能存在相同灰度分布甚至相似纹理。通过结合正交偏光镜镜下图片干涉色信息和单偏光镜图片信息分析,提高了花岗岩薄片石英分割的准确率。方法是从单偏光镜和正交偏光镜下图片中提取图像块的特征信息,运用支持向量机分类方法对图像块进行分类,在分类为石英的图像块中选取种子,再根据两张图片信息,用区域生长方法完成石英分割。该方法实现了自动化分割,分割准确率高,实验证明该方法切实可行。     

一种新的高光谱遥感图像纹理特征提取方法研究

提出了一种新的基于自相关的高光谱遥感图像纹理特征提取算法,该算法通过引入核函数技术,将单波段纹理窗口的空间自相关函数,扩展到多波段遥感图像的纹理描述.然后对特征矢量进行无监督C均值聚类实验和有监督RBF神经网络分类实验,在分类实验中确定了最佳窗口尺寸.实验结果表明,该文提出的自相关特征可以有效地描述高光谱遥感图像的纹理.     

基于E-cognition的面向对象的高分辨率遥感图像分类研究

高分辨率遥感影像具有丰富的空间以及纹理信息,而光谱信息较弱,若采用传统的基于像元的分类方法,仅从光谱特征出发,在进行图像处理时能够获取的信息有限,导致分类精度较低。为了能够更精确地对图像进行分类,文中利用专业的软件E-cognition采用面向对象的方法对高分辨率影像先进行多尺度分割和光谱辅助分割,之后选取合适的特征空间对河海大学遥感影像进行分类,并利用总体分类精度和Kappa系数等标准对分类精度进行客观评价。实验表明,面向对象的分类方法精度较高。     

盐渍土自动分类方法研究

盐渍土在Landsat ETM＋多光谱图像上表现出复杂的图像特征,为实现其自动分类,组合使用了光谱、几何形状和纹理特征等多种特征.首先采用传统的光谱和几何形状特征分析分割出大部分非盐渍土地物,然后提出了一种用于多光谱纹理分析的ICA多尺度纹理算子,对分割后的图像进行纹理区域分块,最后在每块区域中进行基于光谱特征的盐渍土聚类.试验结果表明该方法能够实现多光谱图像中盐渍土的区域分割及类别划分.     

不同偏光系统下的岩石薄片图像联合分割

针对传统切换单偏光与正交偏光系统进行镜下岩石薄片分析和含量估计耗时耗力,且准确率较低的问题,在色度亮度空间设计一种岩石薄片图像联合分割方法：先将相同视域下的单偏光图像与正交偏光图像在色度亮度空间中分别进行分解,然后对色度图像进行双边滤波处理,抑制噪声和去除纹理,计算滤波后两个色度图像之间的差值,并依次使用K-Means聚类算法和分水岭分割算法得到最终分割结果。结果表明,使用单偏光岩石薄片图像与正交偏光岩石薄片图像联合分割较大提升了矿物颗粒计数准确率和分割结果的交并比。研究结果可为地质工作者鉴定岩石薄片提供指导。     

空间约束半监督高斯过程下的高光谱图像分类

针对高光谱遥感图像分类中带标记训练样本较少、导致分类正确率偏低的问题,提出用于高光谱图像分类的空间约束半监督高斯过程方法.由于高光谱图像的特征空间满足流形分布假设,大量未标记样本可以使数据空间变得更加稠密,从而有助于更加准确地刻画局部空间特性,提高分类的精度和普适性.通过对高斯过程模型中的核函数施加空间近邻约束,建立未标记样本与带标记样本之间的空间联系.该半监督高斯过程分类器不仅可以提升高光谱遥感图像的分类性能,而且构造简单,实现方便.实验结果表明,在仅有少量带标记的训练样本情况下,半监督高斯过程分类方法对高光谱图像有较高的分类精度和稳定性.     

结合经验模态分解和Gabor滤波的高光谱图像分类

针对传统实施于原始数据空间的纹理提取方法的不足,采用经验模态分解理论提取高光谱图像中空间结构明显的固有模态分量,并在提取出的分量上进行Gabor滤波操作,将传统纹理提取方式转移到变换域上进行,提出了一种基于二维经验模态分解融合空间信息的高精度纹理提取算法。对两个数据集进行仿真实验,实验结果表明改进算法有效地提高了高光谱图像分类精度且抗噪性能良好,提出算法性能明显优于传统Gabor-PCA算法,能够更大程度挖掘高光谱图像空间信息。     

基于分层分级的遥感图像植被分类方法

以陕西省榆阳区2014年和2002年8月份的OLI/ETM+图像作为基础数据源,比较分层分级方法与3种直接监督分类方法识别7种主要植被类型的精度.对去除非植被信息后的解译底图依次进行小波滤波、L-V特征空间分析,生成包含目标植被类型和与其光谱特征近似地物的一级图层;在一级图层上,依据地物间光谱特征和形态特征差异执行面向对象分割、支持向量机(SVM)监督分类、数学形态学开闭运算,生成只包含目标植被类型的二级图层;精度评价合格后从解译底图上去除该植被类型的覆盖区域;按上述方法依次处理灌溉耕地、旱耕地、有林地及果园、灌木林地、高盖度草地及低盖度草地5个专题图层,复合各专题图层的提取结果形成一期遥感分类图;与SVM,BP神经网络(BPANN)、最大似然法(MLC)监督分类结果比较分类精度.分层分级方法有效降低椒盐效应,减少混分漏判现象:使运行性陆地摄像仪(OLI)图像总体分类精度分别提高了6.85%,9.13%,18.21%,Kappa系数分别提高了8.03%,10.65%,21.27%;使ETM+图像总体分类精度分别提高了8.10%,10.43%,17.78%,Kappa系数分别提高了9.26%,12.01%,21.15%.     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了 一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进 行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机 的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比 单纯运用光谱特征进行分类效果要好。     

基于小波变换和模糊积分的遥感图像分类

遥感影像分类是遥感影像数字处理的一个重要内容。针对实地数据缺乏背景下的遥感影像分类研究,文中提出了一种基于小波变换和模糊积分的遥感影像分类方法。该方法针对遥感影像的纹理结构与成像条件的相关性,分别对多光谱影像的三个通道纹理图像做聚类,然后采用模糊积分技术融合三者结果得到最终的分类图像。实验结果表明本文方法的分类结果要优于任何单通道的聚类结果和光谱聚类结果,且其分类连通性优于有监督的光谱分类结果。     

Object-oriented classification of tree species based on rule extraction from rough set

为解决传统遥感分类方法区分平原人工造林地树种难度较大的问题,利用4个不同时相的高空间分辨率卫星影像,基于ESP计算方差变化率并结合目视解译获取影像的最佳分割尺度;通过相关系数法筛选构建的特征,进行面向对象的多时相影像和单时相影像分类,并与基于像元分类方法进行对比分析. 结果表明:基于多时相影像各类别分类精度为64%,高于单时相分类精度(51%);面向对象KNN方法的分类精度优于SVM和MLC分类方法,两者精度分别为49%和43%. 在树种丰富且分布复杂的平原造林林地景观中,利用多时相遥感数据,采用面向对象分类方法用于树种精细分类更具优势.

     

基于多时相遥感影像的北京平原人工林树种分类

为解决传统遥感分类方法区分平原人工造林地树种难度较大的问题,利用4个不同时相的高空间分辨率卫星影像,基于ESP计算方差变化率并结合目视解译获取影像的最佳分割尺度;通过相关系数法筛选构建的特征,进行面向对象的多时相影像和单时相影像分类,并与基于像元分类方法进行对比分析.结果表明:基于多时相影像各类别分类精度为64%,高于单时相分类精度(51%);面向对象KNN方法的分类精度优于SVM和MLC分类方法,两者精度分别为49%和43%.在树种丰富且分布复杂的平原造林林地景观中,利用多时相遥感数据,采用面向对象分类方法用于树种精细分类更具优势.     

植被覆盖茂密区碳酸盐岩岩性的遥感识别——以灌江流域为例

由于茂密的植被覆盖,西南岩溶区在遥感图像上反映的大部分是植被覆盖层的光谱信息,而直接的岩性光谱信息很弱,因而利用遥感图像识别岩性,尤其是碳酸盐岩岩性的难度很大。以广西灌江流域为例,在植被茂密的南方岩溶区利用多源遥感数据,如ETM、SPOT、ASTER数据进行碳酸盐岩的计算机自动岩性识别。结果表明：多源遥感数据的岩性识别效果远大于单一类型的遥感数据;未进行融合的遥感数据的分类效果好于融合后的数据;利用高分辨率遥感数据的纹理图像参与分类,有助于提高分类的精度。最终,采用SPOT的4个多光谱波段、ASTER的14个波段、TM的6个波段3种遥感数据共24个波段加上4个SPOT纹理图像和3个ASTER可见光波段的纹理图像共31个波段组合进行岩性的自动识别分类,取得了82.01%的自动识别总精度。     

基于PSO-SVM算法的长微博贴图识别方法

微博由于字数的限制,当用户需要发较多内容时通常以附图的形式给出,识别包含文本内容贴图的长微博能够为微博研究提供更多有用的数据.在支持向量机（SVM）的基础上结合粒子群算法（PSO）提出了一种识别长微博贴图的PSO-SVM算法.该方法提取长微博贴图的颜色矩和灰度共生矩阵特征,然后利用PSO算法对SVM模型中的误差惩罚参数和核函数进行优化得到最佳分类模型,其最优参数将被用作长微博贴图和非长微博贴图进行分类.实验表明,与传统的基于网格搜索法优化的SVM算法相比,PSO-SVM算法对长微博贴图识别具有更高的准确率和召回率.     

遥感影像信息提取技术的研究与实现

随着遥感技术的发展和遥感应用的深入,遥感影像信息提取方法的研究成为关注的焦点.一般来说遥感影像信息提取包括分类、识别和特征提取.文中主要研究利用MATLAB实现影像中的光谱特征和纹理特征的提取和分类,并结合ERDAS软件对影像进行预处理和分类后处理以及精度评定,最终从精度评定结果来看,两种特征分类的总体精度较高,另外,图像的结构信息有助于提高遥感影像信息提取的精度.     

基于优化神经网络的小麦品种分类研究

为提高基于图像处理的小麦品种识别的准确率,首先选取L8998、内乡188、9023、优展1号、豫麦47、周麦12等6个品种作为研究对象,对采集到的小麦颗粒图像进行中值滤波后采用迭代式阈值法分割图像,提取出颜色、形态和纹理3方面共16个特征,然后通过构建神经网络研究了小麦品种的识别准确率与品种数量之间的关系.最后,为避免网络因达到局部最优而停止训练,利用MIV算法计算了各输入特征参数对分类结果的平均影响值,进而使用遗传算法对网络结构进行了优化.结果表明,随着小麦品种的增加,分类的准确率逐步下降,当待识别的小麦种类增加到6类时,优化后的神经网络的样本识别准确率从81.3％增加至85.6％,有效提高了小麦品种分类的准确性.     

Unsupervised noise-robust feature extraction for aerial image classification

The rich data provided by satellites and unmanned aerial vehicles bring opportunities to directly model aerial image features by extracting their spatial and structural patterns. Although convolutional autoencoders(CAEs) have been attained a remarkable performance in ideal aerial image feature extraction, they are still challenging to extract information from noisy images which are generated from capture and transmission. In this paper, a novel CAE-based noise-robust unsupervised learning method is proposed for extracting high-level features accurately from aerial images and mitigating the effect of noise. Different from conventional CAEs, the proposed method introduces the noise-robust module between the encoder and the decoder. Besides,several pooling layers in CAEs are replaced by convolutional layers with stride=2. The performance of feature extraction is evaluated by the prediction accuracy and the accuracy loss in image classification experiments. A 5-classes aerial optical scene and a 9-classes hyperspectral image(HSI) data set are utilized for optical image and HSI feature extraction, respectively. Highlevel features extracted from aerial images are utilized for image classification by a linear support vector machine(SVM)classifier. Experimental results indicate that the proposed method improves the classification accuracy for noisy images(Gaussian noise 2D σ=0.1, 3D σ=60) in both optical images(2D 87.5%) and HSIs(3D 85.6%) compared with the traditional CAE(2D 78.6%, 3D 84.2%). The accuracy loss in classification experiments increases with the increment of noise. Compared with the traditional CAE(2D 15.7%, 3D 11.8%), the proposed method shows the lower classification accuracy loss in experiments(2D 0.3%, 3D 6.3%). The proposed unsupervised noise-robust feature extraction method attains desirable classification accuracy in ideal input and enhances the feature extraction capability from noisy input.     

Wavelet hierarchical model for aurora images classification

In order to improve the accuracy of aurora images classification, an algorithm based on the wavelet hierarchical model is proposed. In the proposed algorithm, the global and local wavelet features are extracted hierarchically first, then reduced in dimensions through the principal component analysis and used to classify the arc and three corona aurora images by the use of the support vector machine. By comparing the classification accuracy and time consumption, the optimal parameters in the wavelet hierarchical model are experimentally obtained and the validity of principal component analysis in feature optimization is verified. Experimental results show that the proposed algorithm improves the classification accuracy to a great degree with an acceptable time consumption compared with classical algorithms. Classification results between each two types of aurora images also provide some potential ways to improve the accuracy.     

超谱遥感图像的模糊最大似然分类研究

分类识别是超谱遥感图像的重要研究领域.由于超谱图像空间分辨率低,像元混合的概率大,因此采用单纯的聚类或者监督分类都不能取得好的效果.为了提高超谱图像分类的精度,提出了模糊最大似然分类算法.先用模糊C-均值法对图像进行聚类,再在聚类结果的基础上,参考真实地物图,选择训练样本,用最大似然法进行最终的分类.实验结果表明,提出的算法由于在聚类的基础上选择监督分类的样本,因而获得了关于图像的更准确的信息,最终分类结果比模糊C均值聚类高出34.38%,比最大似然分类高出10.46%.     

异构多分支网络超声图像自动诊断方法

超声(US)是乳腺结节的主要影像学检查和术前评估手段之一,然而由于其在良性和恶性乳腺结节图像上的相似表现形式,使得诊断结果在很大程度上依赖于医生的经验判断,以计算机辅助手段帮助医生提高诊断准确率逐渐成为当前的热点.该文提出了一种用于乳腺超声图像的良性和恶性分类的异构多分支网络(HMBN),该网络同时使用了图像信息(超声...