基于知识发现和决策规则的盐碱地遥感分类方法研究

提出了基于知识发现和决策规则基础的盐碱地ＧＩＳ和遥感分类的方法,这种的特点是把盐碱地分类的地学专家思想和区域专家的思想应用到ＧＩＳ数据挖掘中,并把从ＧＩＳ数据库中发现的知识,按一定的规则应用到盐碱地分类的决策中。     

基于属性值分类的特征规则的知识发现

1 引言知识发现(Knowledge discovery in database,KDD)是应用一系列技术从大型数据库或数据仓库中提取隐含的、未知的、非平凡的对决策有潜在应用价值的知识和信息的过程,提取的知识表示为概念、规则、规律、模式等形式。知识发现过程一般由三个主要的阶段组成:数据准备,数据开采,结果表达和解释。知识发现的主要方法是数据总结、分类发现、聚类分析和关联规则的发现。其中分类是知识发现中非常重要的方法。现在从统计学和机器学习的角度提出了较多的分类技     

一种基于分类一致性的决策规则获取算法

提出一种基于分类一致性的规则获取算法．它是一种例化方向的方法，即从空集开始，以条件属性子集的分类一致性来度量属性的重要性，逐步加入重要的属性，当选择的属性子集能够正确分类时，则获取到决策规则．算法中设计了一个规则约简过程，用来简化所获得的规则，增强规则的泛化能力．实验结果表明，所提出的算法获得的规则更为简洁和高效．     

完全简化决策规则集发现算法的研究

目前，有很多人研究如何从决策表获得最小简化规则集的方法，但在简化的同时往往也埋没了一些对分类有用的冗余规则，文章给出了一种求得完全简化规则集的方法，这些规则本身是最简的，包含了原决策表中所有的隐含规则，对分类决策有着重要意义。     

基于最优尺度的遥感影像土地覆盖分类仿真

土地覆盖遥感影像是国家的战略性、基础性资源,真实、准确和实时的土地覆盖类型信息对科学保护和合理利用土地资源至关重要。随着大数据时代遥感影像数量快速增长,已有算法的准确性和稳定性无法满足土地覆盖情况分类需求。为进一步提升土地覆盖分类准确率,提出一种基于最优尺度分割与特征融合的方法。首先针对预处理后的遥感影像,利用局部方差计算出分割的最优尺度,并以尺度为基准优化过分割、欠分割影像;然后以分割后的影像为基准,采用局部二值模式算子(LBP)及神经网络提取土地影像的纹理特征和光谱初级特征;最后将影像的两种特征有机融合,并利用支持向量机分类器(SVM),构建了土地遥感影像分类模型(OSF-SVM模型)。分割仿真结果表明,与已有方法相比,文中的尺度分割技术在RR、RI及ARI指标上具有所提高,平局提升了10.83%;分类仿真结果表明,较传统SVM模型相比,OSF-SVM模型在R、P以及F₁指标上分别平均提高了4.1%、3.9%和4%。因此,通过最优尺度分割和特征融合构建的OSF-SVM遥感影像土地覆盖分类模型,提高了影像分割及分类的精确度与稳定性。     

个性化决策规则的发现: 一种基于Rough Set 的方法

为发现用户真正感兴趣的决策规则，利用RS理论和方法设计了个性化决策规则发掘算法．算法分为两步：首先在属性约简中通过提出的理论尽可能去除用户不感兴趣的属性的方法来找出最佳约简；然后在属性值约简中进一步去除与用户无关的属性，从而抽取个性化决策规则．从理论上论证了算法的有效性，给出了实验分析，证实了算法的可行性．     

基于模糊子集的土地利用遥感图像模糊规则分类

为了较好地处理遥感图像的不确定性或模糊性,提高分类精度,提出了一种基于模糊子集的土地利用遥感图像模糊规则分类方法。将模糊隶属度函数值对应到特定的模糊子集建立模糊规则条件,由样本建立分类规则库,通过计算分类数据规则条件部分与分类规则库中规则条件部分的模糊贴进度进行土地利用分类。结果表明:与传统的最大似然法分类方法相比,基于模糊规则的分类方法在高模糊性数据分类中显著提高了分类精度,在低模糊性数据分类中也能取得与最大似然法近似的结果。     

基于蚁群优化分类规则挖掘的遥感图像分类研究

蚁群优化算法作为群智能理论的主要算法之一,已经成功应用在众多研究领域的优化问题上,但是在遥感数据处理领域还是一个新的研究课题。蚁群优化具有自组织、合作、通信等智能化优点,对数据无需统计分布参数的先验知识,因此在遥感数据处理领域具有很大的潜在优势。介绍了将蚁群优化分类规则挖掘算法应用到遥感图像分类研究领域的理论与算法流程。并采用北京地区的CBERS遥感数据作为实验数据,通过蚁群优化算法构造分类规则,对选择的遥感数据进行了分类实验,并和最大似然分类方法进行对比,实验结果表明,蚁群优化分类规则挖掘算法为遥感图像的分类提供了一种新方法。     

基于文本分类的网络知识发现

研究基于网络的文本知识发现,根据搜索引擎分类内容的特点,通过几种常用搜索引擎的比较,结合文本分类的特点,发现单纯搜索文本信息资源的引擎更适合于文本分类;进而给出基于文本分类的网络信息获取原型,提出基于元数据的用户感兴趣知识的提取模式,用户可以根据实际情况在给定范围内提取自己感兴趣的文本信息,从而提高文本信息挖掘的精准性。     

利用小波进行基于形状和纹理的图像分类

提出一种基于小波的形状和纹理联合特征的图像分类方法。先对图像进行二维小波变换以得到边缘图像，再提取边缘图像的7个边界不变矩组成图像的形状特征向量；在实验中，发现大多数情况下，图像背景的干扰信息大于其对分类的贡献，因此对图像去除其背景，然后在灰度共现矩阵的基础上，计算5个二次统计量作为其纹理特征；最后联合形状和边缘特征向量，并对其进行高斯归一化，用SVM进行分类。结果表明，该方法具有明显的优越性和较强的实用性。     

基于改进决策树分类算法的遥感影像分类研究

针对现有分类器对遥感影像分类结果存不准确的问题,本文提出了一种基于决策树分类器的遥感影像分类方法,该方法以复合决策树Boost Tree思想为基础,首先利用分形理论中的毯模型提取遥感影像的纹理特征,根据遥感影像分类的特点,构造新的单棵决策树生成算法对遥感影像进行分类。以北京市五环内区域为研究区,使用landsat7 ETM数据源,实现了基于分形纹理特征、光谱特征的改进决策树分类。实验结果表明：通过毯模型提取的纹理特征可以很好地表达表面特征,辅以该纹理信息的改进决策树分类精度相比于只用光谱信息进行分类的精度有一定的提高,改善了分类效果。     

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.     

遥感影像土地利用/覆盖分类方法研究综述

从六个方面总结了国内外出现的遥感影像土地利用／覆盖分类中针对传统计算机分类方法的改进：(1)从基于统计的分类向基于非线性并行处理的人工神经网络分类、基于模糊理论为分类、基于知识的分类以硬支撑向量机等分类技术发展；(2)分类从单一利用光谱信息到利用光谱、纹理、时相、角度等多砷信息；(3)从基于像元的逐点分类到基于图斑的分类；(4)从硬分类到亚像元分类；(5)从单源遥感影像分类到利用多源遥感影像融合的分类；(6)从单分类器向复合分类器发展。     

基于分形理论的遥感影像分类研究

分形理论是非线性科学领域的一大支柱,它的提出为人们解决非线性世界的问题提供了新的思想和方法,由于分形维数与人类对图像表面纹理粗糙度的感知是一致的,利用分形理论进行遥感影像分类具有潜在的理论和应用价值。本文根据遥感影像特点,引入分形方法来描述其纹理结构特征,利用双毯覆盖模型来提取遥感影像的纹理特征,在此基础上,采用K-means算法将纹理结构特征与光谱特征相结合,进行遥感影像分类,其分类效果优于单纯采用光谱特征的分类。     

稠密特征编码的遥感场景分类算法

针对遥感影像快速有效的场景分类,提出了一种低维度稠密特征编码的场景分类算法.首先提取遥感图像不同尺度下的稠密特征,利用Hellinger kernel对原始特征进行映射变换形成新的特征空间,采用主成分分析对新的特征降维并进行Fisher编码量化,进而实现遥感图像的低维度稠密特征表达,最后在线性支持向量机中完成遥感影像的...     

基于朴素贝叶斯的半监督学习遥感影像分类

为提高分类器识别率,减少标注样本使用数量,提出一种基于朴素贝叶斯的半监督学习方法。研究基于该方法的分类器分类效果,采用遥感影像数据作为训练和测试集,与基于朴素贝叶斯的全监督学习分类器分类效果作比较。实验结果表明,当标注样本与非标注样本比例在1:2~1:9时,半监督学习可以利用比全监督学习更少的标注样本,达到更高的分类精度。     

遥感图像决策树分类器研究与实现

针对传统分类方法在处理空间特征分布极为复杂的数据时效果不佳的缺点[1],结合“分层思想”的树分类技术,将广泛用于数据挖掘模型中的CART决策树算法应用到遥感影像分类中,具有更好的弹性和鲁棒性,且分类结构简单明了,达到了更好地分类效果。并以VC 6.0作为开发工具,设计了一种特殊的数据结构,实现了该分类系统。实践表明,该系统具有很好的稳定性和交互性,实用性较强。     

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。     

基于云理论的遥感图像土地利用分割分类方法研究

传统的遥感图像土地利用分类技术自动化和智能化的程度较低,遥感图像土地利用分类问题是一个包含随机性和模糊性的不确定性问题,而云模型把模糊性和随机性集成到一起,构成定性和定量相互间的映射。据此,本文探索将云理论引入到遥感图像土地利用分割分类技术中,建立了基于灰度的云映射空间,实现对遥感图像的分类。同时以武汉市南湖地区进行了实证分析,进一步阐述了模型构建过程,通过分类结果的评价和对比,探索该方法在本领域中的适用性。     

基于轻量语义分割网络的遥感土地覆盖分类

高分辨率遥感图像有丰富的空间特征, 针对遥感土地覆盖方法中模型复杂, 边界模糊和多尺度分割等问题, 提出了一种基于边界与多尺度信息的轻量化语义分割网络. 首先, 使用轻量化的MobileNetV3分类器, 采用深度可分离卷积来减少计算量. 其次, 使用自顶向下和自底向上的特征金字塔结构来进行多尺度分割. 接着, 设计了一个边界增强模块, 为分割任务提供丰富的边界细节信息. 然后, 设计了一个特征融合模块, 融合边界与多尺度语义特征. 最后, 使用交叉熵损失函数和Dice损失函数来处理样本不平衡的问题. 在 WHDLD数据集的平均交并比达到了59.64%, 总体精度达到了87.68%. 在DeepGlobe数据集的平均交并比达到了70.42%, 总体精度达到了88.81%. 实验结果表明, 该模型能快速有效地实现遥感图像土地覆盖分类.