数字图像处理技术在遥感图像分类中的应用

利用数字图像处理技术高效地处理遥感图像是提高我国农业信息处理、无人机、自然地理测绘等领域水平的重要手段。本文首先简述了数字图像处理技术的概念,进而按照场景分类介绍数字图像处理技术在遥感图像分类中的应用。     

网格技术在遥感图像监督分类中的应用

在遥感图像监督分类中经常遇到在单独PC下使用复杂的遥感图像分类算法来实现对大数据量遥感图像监督分类的情况。在这种情况下,由于遥感图像监督分类算法的复杂性与单独PC计算能力的限制导致处理效率低下,并有可能出现内存溢出等状况。经过对网格技术与遥感图像监督分类的研究,给出基于网格环境的遥感图像监督分类算法处理该类问题的解决方案,并使用B/S结构为该应用创建可扩展测试与实验结果查看平台。实验结果表明,此方案有效提高大数据遥感图像分类的效率。     

分形理论在遥感图像分类处理中的应用综述

针对遥感图像的特点,将分形理论应用于遥感图像分类中,可以根据不同的类型引入不同的分维数,在一定程度上符合了地物实际分布的特征,从而可以应用到遥感图像分类中。     

遥感图像中的数据挖掘应用概述

由于遥感图像数据包含了大量的信息,它成为数据挖掘中最具潜力的领域。本文主要讨论了在大型遥感图像上的数据挖掘技术。     

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.     

SOM神经网络改进及在遥感图像分类中的应用*

针对自组织特征神经网络自身算法的特点和缺陷,采用遗传算法对网络进行改进,形成了基于遗传算法的自组织特征神经网络,并从输入向量、竞争层神经元数量设置和初始权向量设定三方面,结合遥感图像的特性对自组织特征映射网络遥感图像分类的方法进行了改进。将该方法应用于择西安地区的ETM+卫星遥感图像进行分类试验,结果表明,基于遗传算法的自组织特征映射网络使得遥感图像的分类精度更高,且该算法实现简单,具有一定的工程应用价值。     

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。     

数据挖掘在医学图像分类中的应用

医学图像的自动分类对于医院的信息自动化有重要的意义.本文通过提取医学影像特征的方法,利用数据挖掘中的决策树、神经网络,对图像特征进行分析,找到能够对图像进行分类的图像特征临界值.本文将数据挖掘的方法应用于正侧位胸片中,给出如何自动区分正侧位胸片的方法,并结合本院的PACS系统应用,证明了这种方法的有效性.     

一种基于模糊关联分类的遥感图像分类方法

遥感图像分类是遥感领域的研究热点之一.提出了一种基于自适应区间划分的模糊关联遥感图像分类方法(fuzzy associative remote sensing classification,FARSC).算法根据遥感图像分类的特点,利用模糊C均值聚类算法自适应地建立连续型属性模糊区间,使用新的剪枝策略对项集进行筛选从而避免生成无用规则,采用一种新的规则重要性度量方法对多模糊分类规则进行融合,从而有效地提高分类效率和精确度.在UCI数据和遥感图像上所作实验结果表明,算法具有较高的分类精度以及对样本数量变化的不敏感性,对于解决遥感图像分类问题,FARSC算法具有较高的实用性,是一种有效的遥感图像分类方法.     

遗传算法的LVQ神经网络在遥感图像分类中的应用

学习矢量量化(LVQ2)神经网络算法对初值非常敏感,影响遥感图像分类的精度.遗传算法具有很强的全局搜索能力和鲁棒性,能够优化LVQ2神经网络的初始权值向量,在一定程度上降低算法对初值的敏感性.本文采用遗传算法选取LVQ2神经网络的初始权值,并以江苏省扬州地区遥感图像分类为例,通过与标准LVQ神经网络、最大似然法进行比较,结果证明,利用遗传算法的LVQ2神经网络在分类精度上有了一定的提高.     

高光谱遥感图像分类算法中的应用研究

针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点,提出一种基于决策边界特征提取(Decision Bounda-ry Feature Extraction,DBFE)的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取,消除特征之间相关性,并降低特征维数,然后采用GA对SVM参数进行优化,找到最优分类模型参数,最后采用最优分类模型对待分类的高光谱遥感图像进行分类。仿真结果表明,高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确率,说明分类方法是有效、可行的。     

基于自组织神经网络的遥感图像分类应用研究

在地形复杂地区,采用传统的遥感分类方法进行土地利用遥感分类很难获得理想的精度。针对遥感图像分类的特点,根据自组织竞争神经网络的生物学基础、基本结构和学习算法,利用Matlab平台构建自组织神经网络,对地形复杂区的ETM 遥感图像通过500次训练使网络收敛后,仿真输出分类图。结果表明,基于自组织神经网络的分类器经过训练后,可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法。     

地形仿真中遥感影像的应用及处理技术

在分析几种地球表面表示方法的优缺点的基础上,提出用遥感影像作为三维地形仿真中表面纹理图以提高真实感的思想;提出不同高度实体视景地形的仿真应采用多级精度仿真的方案,并分析了地形仿真精度与影像分辨率间的关系;详细叙述了该应用方案中影像数据处理的流程及方法,包括：数据准备、真彩波段组合、影像增强、几何校正、拼接镶嵌、投影变换及三维地形生成等。实践证明,合理的影像数据处理方法和步骤可减少工作量并保证影像处理的精度和效果,现势件好,真彩组合的遥感影像用作三维地形仿真的表面纹理图是提高仿真真实感的有效技术途径。     

分块低秩图的遥感影像半监督分类应用

随着信息技术和对地观测技术的飞速发展,遥感技术在社会生活和经济建设中发挥着越来越重要的作用。分类模型的准确性和抗干扰能力对精确绘制复杂的土地覆盖和土地利用分类至关重要。针对大规模遥感数据难以获取大量标记数据的问题,基于低秩表示模型和图的半监督学习方法,提出了基于分块低秩图的大规模遥感图像半监督分类应用。为了解决低秩表示计算复杂度高的问题,将预处理后的图像按像素进行分块处理,并在每个块上实现低秩表示。在WorldView-2影像上的分类结果表明,在少量标记样本下,该方法利用简单的最近邻分类器即可实现对城市地物的精确分类。因此,该方法有效地提高了土地覆盖的分类精度,在遥感图像分类中具有较高的效率。     

遥感影像的分类自校正方法研究

遥感图像分类是遥感图像研究的主要内容之一,分类精度高低直接关系到遥感数据的可靠性和实用性。多分类器系统可以提高单分类器分类的精度,但往往要求组成的子分类器分类误差相互独立,子分类器选择困难。支持向量机是新发展起来的一种非参数分类器,其分类原理和传统的基于统计的分类方法不同,表现出一定的独立性。为此本文尝试基于支持向量机和目前使用最广泛的最大似然法,构建一个性能高效且组合方式简单的复合分类器(称为遥感影像分类自校正方法)。同时,为了验证该分类器的性能,在北京市2006年4月27日的SPOT2图像上选择了一个研究区,分别利用最大似然法、支持向量机法和分类自校正方法进行分类对比试验。结果显示分类自校正方法的总体分类精度最高,比最大似然法和支持向量机法分别提高了4.35%和6.6%,而且各种地物类型的分类精度相对最大似然和支持向量机法都有提高。本文提出的分类自校正方法是一种性能高效且操作简单的分类方法。     

基于对象级的高分辨率遥感影像分类研究

依据高分辨率遥感影像的特点,结合深圳市QUICKBIRD数据提出一种基于多尺度分割的对象级遥感分类方法。文中首先利用分形网络演化法(FNEA)进行多尺度图像分割,获取对地表实体更具代表性的图像对象,然后利用对象所包含的光谱、空间特征来确定地物识别中可能要用到的各种特征参数,最后通过构建语义结构实现了研究区地物的逐级分层分类。研究结果表明,本文所采取的方法比传统方法在分类精度上有了明显的提高,为高分辨率遥感影像的信息提取提供了新的技术途径。     

SVM在多源遥感图像分类中的应用研究

在利用遥感图像进行土地利用/覆盖分类过程中,可采用以下两种途径来提高分类精度:一是通过增加有利于分类的数据源,引入地理辅助数据和归一化植被指数(NDVI)来进行多源信息融合;二是选择更好的分类方法,例如支持向量机(SVM)学习方法,由于该方法克服了最大似然法和神经网络的弱点,非常适合高维、复杂的小样本多源数据的分类。为了提高多源遥感图像分类的精度,还研究了支持向量机在遥感图像分类中模型的选择,包括多类模型和核函数的选择。分类结果表明,支持向量机比传统的分类方法具有更高的精度,尤其是基于径向基核函数和一对一多类方法的支持向量机模型更适合多源遥感图像分类,因此,基于支持向量机的多源土地利用/覆盖分类能大大提高分类精度。     

用于遥感图像建筑物目标分类的层次匹配核

提出了一种利用图像特征空间信息的核函数——层次对数极坐标匹配核,用于遥感图像建筑物目标的分类。对图像进行特征提取,并将特征映射到已聚类好的"码本"中,量化为有限个类别。将图像由粗到细划分为多个层次的对数极坐标系下的"子区域(单元格)"。比对落入同一层次、同一"子区域(单元格)"的每类特征的直方图交集,建立加权的多尺度直方图,将多个特征多尺度直方图合并,得到最终的核函数,并利用"一对多"的支持向量机(supportvector machine,SVM)完成建筑物的分类。对标准数据库Caltech-256和自建遥感图像数据集进行实验,结果证明了该核函数的有效性。     

独立分量分析在多光谱遥感图像分类中的应用

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。但是在多光谱遥感波段图像中存在不同地物对应着相同的灰度,即异物同谱的问题。独立分量分析算法对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。文章对独立分量分析的一种快速算法FastICA进行改进,减少了计算量,提高了算法的有效性。在性能相当的情况下,改进FastICA算法能有效地减少算法的计算量。由于FastICA算法是线性ICA算法,对于非线性混合的光谱信号的估计存在一定误差,因此应用BP神经网络的非线性特性对其进行自动分类。在同原始遥感图像的BP神经网络分类结果进行比较,结果表明独立分量分析算法能提高多光谱遥感图像的分类的正确率。     

基于随机子图像模型的遥感图像分类

高分辨率遥感图像（HRRS）的分类是一项具有挑战性的任务。针对遥感数据集图像本身的语义特性,提出一种对数据集图像进行随机子图像提取并带有金字塔池化模型的卷积神经网络（Convolutional Neural Network,CNN）。对输入图像的尺寸进行基于柯西分布的随机尺寸剪切,将这些尺寸不同但是标签相同的子图像送进带有SPP（空间金字塔池化）的卷积神经网络,将子图像的预测类别众数作为最终分类输出。实验结果表明该方法对多类遥感图像的分类精度有一定提升。