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。     

基于ETAFSVM的高光谱遥感图像自动波段选择和分类

提出了一种新型的具有良好特性的支持向量机--全间隔自适应模糊支持向量机(TAFSVM),并提出一种新的遗传算法--智能遗传算法(IGA)来设计一个TAFSVM分类器,称为ETAFSVM,同时优化高光谱遥感图像自动波段选择和TAFSVM参数集,并且结合5-fold交叉验证来确定其泛化能力,最后将ETAFSVM应用于高光谱遥感图像数据.通过先进行自适应波段选择后再用径向基神经网络分类器、K-最近邻分类器和标准支持向量机等3种方法进行全部分类精度比较,以及与这3种方法直接进行类别分类精度和平均分类精度比较,其结果表明运用ETAFSVM不仅可以自动进行波段选择,而且分类精度较高,对Hughes现象敏感性较低,是进行高光谱遥感图像分类的一种有效方法.     

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.     

一种改进的SVM决策树及在遥感分类中的应用*

针对遥感图像分类问题提出了一种基于遗传算法和K近邻的SVM决策树方法。算法以基于类分布的类间分离性测度为准则,利用遗传算法对传统的SVM决策树进行优化,生成最优(较优)决策树。在分类阶段,对容易分的节点利用SVM进行分类,而对可分离性差的节点采用SVM和K近邻相结合的分类方法,最终实现多类别分类。实验结果表明,与传统的分类方法相比,该算法的实验效果较好,可有效地提高遥感图像的分类精度。     

基于遗传相关向量机的图像分类技术

为了克服当前图像分类算法分类精度低等难题,提出基于遗传相关向量机(G-RVM)的图像分类方法,应用遗传算法对相关向量机参数进行优化.首先,采用主成分析法(PCA)提取图象特征;其次,利用训练集的数据,结合遗传算法获得相关向量机最优参数,得到优化的相关向量机图像分类模型;最后,采用Corel图像数据库中的图像作为实验数据.实验结果表明遗传相关向量机的图像分类方法比现有的图像分类方法有着更高的分类精度.因此,遗传相关向量机方法非常适合图像分类.     

一种结合波段分组特征和形态学特征的高光谱图像分类方法

如何准确识别图像中的类别信息,是计算机视觉和模式识别领域的重要研究问题。遥感卫星图像数据,尤其是高光谱等遥感图像数据的出现,将空间信息与光谱信息集成于同一数据集中,丰富了图像信息来源。如何准确地识别高光谱图像中的地物类别,已经成为了图像处理和模式识别领域的热点问题。面向高光谱图像数据提出了一种基于波段分组特征和形态学特征的高光谱图像分类方法,结合空间和光谱特征提高分类精度。通过真实的高光谱数据实验证明:利用波段分组可以有效地保持光谱特征,降低数据冗余;在波段分组基础上结合形态学特征进行分类,比传统分类方法的分类精度明显提高。     

遥感图像森林类型小波纹理的SVM法分类

利用遥感图像对森林类型进行分类是大面积地调查、监测、分析森林资源的快速与经济的方法,但由于不同森林的光谱特征非常相近而较难准确分类。因此,在GPS数据和高分辨率遥感图像的支持下,对水源林Landsat TM遥感图像用窗口法获得阔叶林、针叶林和竹林样本图像,然后计算其小波分解后小波系数的l1范数纹理测度构成分类特征向量,利用支持向量基SVM进行分类。结果表明,利用SVM对图像中阔叶林、针叶林和竹林分类平均精度在80%以上,可较准确地识别森林类型,图像总体分类精度达到90.2%,Kappa系数0.77,均比利用小波纹理特征的神经网络法和最大似然法有所提高,森林分类错误产生的主要原因是混交林造成两类森林间存在交集。该方法可以较有效地提高遥感图像森林类型的分类精度。     

基于流形学习的光学遥感图像分类

随着光学遥感图像技术的快速发展与广泛应用,对光学遥感图像的准确分类具有深远的研究意义。传统特征提取方式提取的高维特征中夹杂着许多冗余信息,分类过程可能导致过拟合现象,针对传统的线性降维算法不足以保持原始数据的内部结构,容易造成数据失真这一问题,提出基于流形学习的光学遥感图像分类算法。该算法首先提取出图像的SIFT特征,然后将流形学习运用于特征降维,最后结合支持向量机进行训练和识别。实验结果表明,在Satellite、NWPU和UCMerced实验数据中,冰川、建筑群和海滩分类精度得到了有效提高,达到85%左右;针对沙漠、岩石、水域等特殊环境遥感图像,分类精度提高了10%左右。总而言之,基于流形学习的分类算法对通过降维之后的数据能够保持在原高维空间中的拓扑结构,相似特征点能得到有效聚合,预防了"维数灾难",减少了计算量,保证了分类精度。     

一种生成对抗网络半监督遥感图像分类方法北大核心CSCD

遥感图像由于数据集小,有标签数据少,因此其分类精度往往不高。为了提高遥感图像的分类精度,结合生成对抗网络与VGGNet-16设计了一个针对遥感图像的半监督分类方法,并分别在NWPU-RESISC45数据集与UC-Merced数据集上进行了验证。实验结果表明,该方法不仅能生成大量质量较好的遥感图像,增广了遥感图像数据集,解决了原始数据集样本不足的问题,同时能充分利用这些数据达到提高分类精度的效果,缓解有监督分类需要用到大量有标签数据的问题。