基于知识分类法的TM遥感影像景观分类制图——以武汉市为例

遥感影像景观分类制图的关键是选择合适的遥感影像分类方法,以降低分类误差、提高分类精度。以武汉市Landsat TM遥感影像为例,利用基于知识的决策树分类法对遥感影像的景观分类制图方法进行了研究。结果表明:知识分类法在一定程度上避免"同物异谱"所造成的分类误差,实现较高的分类精度,是高效、可行的遥感影像景观分类方法之一。在实际操作中分类变量及阈值的确定是遥感影像知识分类的关键步骤。     

稀疏表达模型在高光谱遥感影像目标探测中的应用

为了更好地利用高光谱影像的空间和光谱信息,提出了一种基于稀疏表达模型的高光谱遥感影像目标探测方法.首先通过对影像训练样本进行训练提取过完备字典,利用稀疏表达模型对遥感影像稀疏表达既达到降维的目的,又可以表示出遥感影像的主要信息;然后利用传统的目标探测器结合目标已知光谱信息对高光谱遥感影像进行目标探测,即基于稀疏表达模型的高光谱遥感影像目标探测(SRM-TD).3种影像数据的实验结果表明:在确定的迭代次数下,通过设置稀疏度L可以得到最优的探测结果.提出的探测方法在参数设置、选择和运行结果上优于传统的高光谱遥感影像目标探测方法.     

高分辨率遥感影像结合LiDAR数据的面向对象分类方法

为了更准确地对遥感数据进行分类,结合Geo Eye高分辨率遥感影像和机载Li DAR数据,通过对分割参数、特征选择、分类规则等特征进行研究,提出采用面向对象的模糊分类方法——成员函数法选择实验区进行了分类研究。实验结果表明:该分类方法能够更有效地提取出建筑物、煤堆、灌木等矿区典型地物,总体分类精度达到93.92%,KIA为92.52%,分类精度相比单一遥感数据明显提高。     

基于规则的遥感影像分类方法研究——以黄山市为例

介绍了决策树C4.5算法,并利用该算法实现了对遥感数据规则的挖掘,在此基础上设计并实现了针对于C4.5规则的编辑器,通过该编辑器能够实现对规则的编辑与管理。规则编辑器的设计与实现,为在分类过程中人工的干预提供了可能。将人工干预与基于数学理论规则的自动提取相结合,尤其是在地形较复杂的地区,将有利于分类精度的提高。利用黄山市Land Sat TM影像,进行了基于C4.5算法自动提取规则的遥感影像分类实验。实验结果表明,利用C4.5算法提取的分类规则准确率高,利用提取的分类规则进行的遥感影像分类效果较好。     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

基于核光谱角余弦的高光谱图像FLS-SVM分类算法

模糊支持向量机是模糊技术与支持向量机的有机结合,其关键步骤是确定模糊隶属度函数.现有方法大多利用距离这一相似性测度从不同角度构造隶属度函数,实现过程比较复杂.对于高光谱数据的光谱特性,用距离表征地物的光谱亮度差异较为合适,但天气、光照强度等因素对这种亮度影响很大.相比之下光谱间的角度受亮度的影响很小,作为相似性测度更为可靠.针对这种地物光谱角度特性,在模糊最小二乘支持向量机(FLS-SVM)中,用核光谱角余弦作为相似性测度来构造模糊隶属度函数,仿真结果表明能够有效地提高最小二乘支持向量机(LS-SVM)高光谱图像分类性能.     

基于多特征的遥感影像决策树分类

构建了一种基于多特征的遥感影像决策树分类方法。通过对遥感影像进行波段代数运算、主成分分析和图像分割等处理,提取出影像上地物的光谱维特征、纹理特征和形状特征。在此基础上,结合试验区主要地物类型提纯后的训练样本集,采用C5.0决策树分类法进行影像分类,实现主要地物的空间分布专题信息提取,并利用该方法对Landsat-5TM影像进行了分类实验。结果表明,所提出的方法能够有效地提高分类精度。     

基于ALOS遥感影像的湿地地表覆被信息提取研究

为了验证ALOS遥感影像湿地地表覆被信息提取的可行性,以黑龙江省三江平原典型内陆淡水沼泽湿地为研究对象,通过ALOS遥感影像波段的光谱及纹理特性分析,探讨适合水体、旱地、水田、沼泽、林地、建设用地、草甸等覆被类型的分类特征;基于非监督、监督及面向对象分类方法,遴选能实现最优分类结果的特征组合,为湿地地表覆盖分类数据源及方法的选择提供参考。结果表明:非监督、监督及面向对象分类方法的总体精度分别达到63.86%、96.14%和85.26%;非监督分类方法整体分类效果不够理想;面向对象方法虽然得到了相对较高的分类精度,但是针对建设用地、林地及草甸地类信息提取的精度处于较低水平;监督分类方法能取得较好效果,最适合于湿地地表覆被信息提取。     

基于残差SegNet模型的高分辨率遥感影像分类方法

为解决深度语义模型(SegNet)在高分辨率遥感影像分类中易出现梯度消失从而影响分类精度的问题,提出一种残差学习改进SegNet语义模型(ResSegNet)的高分辨率遥感影像分类方法,该方法以SegNet语义模型为基础,通过构建更深层次的网络结构并加入残差块以提高模型的特征提取能力,从而提取更深层次影像空谱特征实现分类。利用高分辨率遥感影像语义分割数据集Vaihingen和Postdam进行实验验证,结果表明：相比于支持向量机、面向对象决策树法、传统卷积神经网络和SegNet语义模型分类方法,提出的ResSegNet分类方法的总体精度均最高,分别为89.18%和87.62%,分类效果和分类精度最优。     

OBH-RSI: Object-Based Hierarchical Classification Using Remote Sensing Indices for Coastal Wetland

With the deterioration of the environment, it is imperative to protect coastal wetlands.Using multi-source remote sensing data and object-based hierarchical classification to classify coastal wetlands is an effective method. The object-based hierarchical classification using remote sensing indices(OBH-RSI) for coastal wetland is proposed to achieve fine classification of coastal wetland. First, the original categories are divided into four groups according to the category characteristics. Second, the training and test maps of each group are extracted according to the remote sensing indices. Third, four groups are passed through the classifier in order. Finally, the results of the four groups are combined to get the final classification result map. The experimental results demonstrate that the overall accuracy, average accuracy and kappa coefficient of the proposed strategy are over 94% using the Yellow River Delta dataset.     

基于蚁群算法的多光谱遥感图像分类

该文应用蚊群算法和支持向量机实现多光谱遥感图像分类.首先提取出多光谱遥感图像的光谱特征、纹理特征和形状特征,然后利用蚁群优化算法从提取出的多维特征空间中选择最优的特征子集向量,最后将特征子集作为支持向量机分类器的输入量实现分类.实验结果显示,较传统的K均值方法文章给出的方法能够提高遥感图像的分类精度.     

一种轻量级的高光谱遥感图像分类方法

智慧农业已成为当今世界现代农业发展的大趋势,其中低空无人机遥感图像分析是现代精准农业的重点研究方向,它通过对无人机拍摄的高光谱遥感图像进行学习,来指导无人机进行精准作业.然而,中小型农场在发展智慧农场的过程中存在设备资源不足的弊端,因此本文提出了一种基于卷积神经网络的轻量级高光谱遥感图像分类方法,旨在保证较高分类精度的...     

基于Adaboost算法的K-means遥感影像分类算法

本文利用AdaBoost算法对K-means算法进行提升,提出了一种基于AdaBoost算法的K-means遥感影像分类方法.其中,针对数据集分布调整的具体实施问题,设计了一种有效的加权变值方法.实验结果表明,融合提升后的分类结果较基本K-means在孤立点的消除和细长目标的识别提取上效果更加显著.     

基于eCogniton的高分辨率遥感图像的自动识别分类技术

传统的遥感信息分类和提取,主要是利用数理统计与人工解译相结合的方法．这种方法不仅精度相对较低,效率不高,而且依赖参与解译分析的人,在很大程度上不具备重复性．专业高分辨率遥感影像分类软件eCogniton采用一种全新的面向对象图像的分类技术来进行影像的分类和信息提取．面向对象图像分类技术的关键技术在于：（1）用来解译图像的信息并不在单个像元中,而是在图像对象和其相互关系中;（2）eCogniton采用多分辨率对象分割方法生成图像对象,提高了分类信息的信噪比;（3）基于对象的分类技术不同于纯粹的光谱信息分类,图像对象还包含了许多的可用于分类的一些其他特征：形状、纹理、相互关系、上下关系等信息．eCogniton的分类结果与传统分类方法相比。其特征提取算子更加地适合于几何信息和结构信息丰富的高分辨率图像的自动识别分类．     

基于ETM＋的地物信息分层分类方法研究

该文基于青岛经济技术开发区及周边地区ETM＋数据,结合光谱特征阈值算法、遥感图像计算机分类法,人工目视解译对实验区土地利用信息进行分层提取。研究表明：正确地使用基于光谱特征阈值法和非监督分类法的分层分类法,能在一定程度上提高研究区的分类精度,分类总精度达80%,基本满足遥感分类与制图的要求。其中水体、滩涂、城镇居住区的分类精度较为理想,达83%以上;林地、裸地、农田以及农村居住区分类精度相对较低,还有待进一步研究。     

基于MATLAB/GUI的无人机遥感图像分类系统设计

为了提高无人机遥感图像分类技术在复杂地形中的勘察效率,设计了一种基于MATLAB/GUI的无人机遥感图像分类系统,实现了图像分类的可视化操作。采用K-Means聚类与Otsu阈值分割相结合的方法对无人机遥感图像进行分割与分类处理,并对初分割结果进行边缘检测、噪声滤波和形态学优化等图像处理,精确提取各类地物边界,提高图像分类精度;对分类处理后的结果进行矢量化输出,提高了本系统与其他软件的交互性;根据航拍高度、镜头焦距和传感器尺寸等信息,可计算每一类地物的实际面积,实现区域面积大小的快速统计,促进了无人机遥感技术在公路地质选线中的应用。     

模糊控制BP网络的遥感图象分类方法研究

针对遥感图象分类中经常采用的BP算法存在训练时间长、不易收敛缺点,提出了一种改进方法,即采用模糊规则有效控制BP网络学习率的方法,该方法使网络具有自适应能力,从而不易陷入局部最小,导致收敛速度大大加快,训练时间大大缩短。最后以徐州地区TM图象土地利用分类为例,将模糊控制BP网络模型同BP算法及学习率自调整算法进行了比较。结果表明新方法确实大大加快了网络收敛速度,一定程度上提高了图象分类精度,是一种有效的图象分类方法。