一种多特征结合的遥感图像分类方法

遥感图像分类是遥感图像分析和理解的基础,是遥感图像研究中的重要内容之一。为提高分类效果,遥感图像分类中通常需要综合运用多种特征。提出一个新的基于特征级融合的遥感图像分类方法。将多种图像空间特征和光谱特征分别作为分类器的输入,将各分类器的概率输出拼接起来作为中间层特征再进行分类。该方法有效避免了多特征直接拼接存在的尺度问题。在Indian93和Flightline C1两个数据集上的实验结果表明该方法具有一定优势。     

融合对象和多尺度视觉特征的遥感图像描述模型

基于遥感图像多尺度、无法准确提取微小物体、物体类别易混淆的问题,提出了一种融合对象和多尺度视觉特征的遥感图像描述模型(Fusion of Object and Multiscale Visual Feature,FO-MSV),通过构建的对象提取器分析文本信息,提取其中的对象信息;设计了一种多尺度交互模块,获取遥感图像的多尺度视觉特征,以适应多尺度的特点;为了充分利用对象信息并融合视觉信息,提出了一种新的对象-视觉特征融合机制,调整视觉上下文和对象上下文之间的平衡。基于该领域内三个数据集的实验结果表明,该模型能明显提升描述的性能,与其他先进模型相比具有竞争力。     

基于特征融合的核量化图像分类方法

局部特征和全局特征是图像的两种重要的特征描述,在图像分类时起着至关重要的作用。据此提出一种通过融合全局与局部特征核量化图像分类方法。首先,分析全局特征及局部特征各自优缺点,并对图像进行特征提取;其次,通过核方法将特征映射到适当的高维空间中,来进行码书的获取与量化,并进行特征的融合以更好地对图像进行描述;最后,采用基于直方图交叉核的支持向量机对获取的量化特征进行分类。通过实验证明了所提出的方法的可行性。     

遥感图像森林林型SVM分类的多特征选择

为了研究遥感图像森林林型SVM分类多特征的选择对提高分类精度的影响,选取小波变换不同尺度纹理、四种植被指数、最优波段光谱特征等不同组合构成林型分类多特征向量进行分类。结果表明,纹理与植被指数、最优波段组合多特征的森林林型分类精度最高,阔叶林、针叶林和竹林的分类精度分别为84.4%、86.5%、91.0%,比纹理单类特征分类分别提高4.1%、4.0%、1.1%,比植被指数单类特征分类分别提高9.2%、11.8%、11.9%。多特征的分类精度一般要高于单类特征,纹理能够较明显提高林型可分性,植被指数也有一定的效果,但最优波段光谱特征的效果较弱。     

基于多尺度特征融合Hessian稀疏编码的图像分类算法

针对传统稀疏编码图像分类算法提取单一类型特征,忽略图像的空间结构信息,特征编码时无法充分利用特征拓扑结构信息的问题,提出了基于多尺度特征融合Hessian稀疏编码的图像分类算法（HSC）。首先,对图像进行空间金字塔多尺度划分;其次,在各个子空间层将方向梯度直方图（HOG）和尺度不变特征转换（SIFT）进行有效的融合;然后,为了充分利用特征的拓扑结构信息,在传统稀疏编码目标函数中引入二阶Hessian能量函数作为正则项;最后,利用支持向量机（SVM）进行分类。在Scene15数据集上的实验结果表明,HSC的准确率比局部约束线性编码（LLC）高了3~5个百分点,比支持区别性字典学习（SDDL）等对比方法高了1~3个百分点;在Caltech101数据集上的耗时实验结果表明,HSC的用时比多核学习稀疏编码（MKLSC）少40%左右。所提HSC可以有效提高图像分类准确率,算法的效率也优于对比算法。     

知识型遥感图像光谱特征融合探讨

介绍了多源遥感图像融合的趋势,分析了多源遥感图像融事的现状和层次,提出一种基于光谱特知识的光谱特征融合方案,并给出了部分实验结果。     

基于支持向量机的遥感图像分类研究综述

遥感技术是目前用于研究地球矿产资源与能源的重要技术手段,遥感图像分类在遥感技术应用中起着关键作用。支持向量机(Support Vector Machines,SVM)是基于VC维(Vapnik-Chervonenkis Dimension)理论和结构风险最小化原理的机器学习方法,已被广泛应用于实际的遥感影像分类中。 对 国内外学者对此做的大量研究 成果进行了系统的总结。对基于支持向量机的遥感图像分类方法进行了层次性梳理,不但纵向分析和比较了每类方法的原理及优缺点,而且对各类方法进行了横向比较和分析,较为系统和完整地概括了基于支持向量机的遥感影像分类方法的研究现状。最后指出了支持向量机算法应用于遥感图像分类的未来发展方向。     

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。     

遥感图像林型纹理特征的ICA与SVM分类

遥感图像纹理特征是光谱相近林型准确分类的有效方法,然而其带来分类特征向量维数增加和计算量增大。因此,对南方山区林地TM图像进行独立成分分析ICA降维,通过计算灰度共生矩阵获取纹理特征,使用SVM分类,研究林地类型的快速分类方法。结果表明,ICA与SVM法利用遥感图像纹理特征可较准确地实现林地类型分类,分类总精度、Kappa系数分别为85.4%、0.73,均高于SVM法、BP神经网络法、最大似然法、最小距离法;其对阔叶林、针叶林、竹林的分类精度依次为78.2%、80.1%、84.3%,误识率主要是由于混交林而造成两类林地之间存在交集,易出现的针阔混交林使得阔叶林、针叶林的分类精度低于竹林。     

基于目标检测的多源遥感图像特征融合方法研究

提出了一种基于目标检测的多源遥感图像特征融合方法.首先,在单源图像上检测目标,利用图像的大地坐标信息,自动截取包含目标的同一地区的局部遥感图像,再分别提取多源遥感图像上目标的特征信息,根据其中冗余的特征信息对提取的目标区域进行关联,再由关联检验确保特征关联的正确性,最后对目标特征进行融合决策得到特征融合结果.实验结果表明,方法能有效地利用多源遥感图像的信息,提高所获取目标特征的准确度.     

融合BOVW和复杂网络的高光谱遥感图像分类

为挖掘高光谱遥感图像的深层光谱特征,获取优化特征空间以提高分类准确率,提出了一种基于视觉词典和复杂网络的高光谱遥感图像分类的光谱特征提取方法.通过改进视觉词典方法,使用K-Means方法计算各类样本的聚类中心作为词典,并计算各待测试样本的光谱像素值与词典光谱向量中相同光谱波段的差值,计算出单个待测样本点的词频直方图.同...     

基于反卷积高层特征的遥感地物图像分类

目前利用深度卷积神经网络提取图像底层特征后分类效果已比较优秀,但是对于数据量大、波段多、波段间相关性高的多光谱遥感图像并非完全适用。针对多光谱遥感地物分类中常常出现的Hughes现象,即当训练样本一定时,模型的预测能力随着维度的增加而减小,提出了一种结合高层特征空间和迁移学习网络的遥感地物图像分类算法,利用两层堆叠的反卷积网络来提取目标数据集的高层特征,利用VGG16模型的卷积层权重来构建迁移网络模型,将高层特征导入迁移网络中加强训练得到更加优越的训练模型,利用训练模型可对多光谱遥感数据集更加准确分类。实验结果表明,在Satellite、NWPU和UC Merced实验数据中,冰川、建筑群和海滩分类精度得到有效提高,达到92%左右,针对沙漠、岩石、水域等特殊环境遥感图像,总体分类精度提高5%左右。部分多光谱遥感数据的底层特征和中层特征在训练器中表现并不理想,波段的增多也会导致信息的冗余和数据处理复杂性的提高,反而高层特征在这部分数据中保留了地物信息的轮廓,能更好地适应分类器,得到更加优越的分类结果。     

基于独立分量分析和支持向量机的遥感影像融合分类算法

遥感影像分类是遥感定量化分析的重要手段,遥感影像融合是提高分类正确率的有效途径之一。本文提出一种遥感影像的融合分类算法。首先采用Contourlet变换对多光谱影像和全色影像进行融合,然后结合独立分量分析的去相关性、稀疏特性以及很好地捕捉影像重要边缘信息、纹理信息的能力,提取融合影像的独立分量特征,并用支持向量机实现分类。与其他算法的主、客观比较结果表明,该算法的实验效果较好,可有效地提高遥感影像的分类精度。     

基于模糊双支持向量机的遥感图像分类研究

遥感图像的分类是研究土地利用变化的基础。传统的遥感图像分类方法存在运算速度慢、精度比较低和难以收敛等问题。提出了一种基于模糊双支持向量机的多类分类方法,将模糊技术引入到双支持向量机中,赋予不同样本以不同的模糊隶属度,然后将模糊双支持向量机推广到多类分类中,最后将新方法应用到遥感图像分类中。实验表明,新方法比传统的支持向量机多类分类方法有较高的分类精度,并且有较强的抗噪声能力,在运行时间上也是可行的。模糊双支持向量机是一种有效的遥感图像分类方法。     

多种分类器融合的遥感影像分类

在遥感影像分类应用中,不同分类器的分类精度是不同的,而同一分类器对不同类别的分类精度也是不相同的。多分类器结合的思想就是利用现有分类器之间的互补性,通过适当的方法将不同的分类器之间进行优势互补,往往可以得到比单个分类器更好的分类结果。本文研究了如何在Matlab下采用最短距离分类器、贝叶斯分类器、BP神经网络分类器对影像进行分类,并采用投票法进行多种分类器结合的遥感影像分类,最后进行分类后处理。实验结果表明多分类器结合的遥感影像分类比单一分类器分类的精度高。     

多源遥感图像融合效果评价研究

多源遥感图像融合的一个重要步骤是对融合图像的效果进行评价,在研究多源遥感图像融合效果评价的各种方法的基础上,分析了不同评价指标的物理意义,并提出如何根据不同的融合目的有效选取评价融合效果指标。     

基于单类SVM的遥感图像目标检测

传统支持向量机方法在正负样本不对称的情况下对遥感图像的目标检测存在一定的误检率,文章将单类SVM方法引入此类目标检测过程中。实验表明单类SVM在牺牲少量泛化性的同时能有效地降低误检率,并提高检测速度。     

基于MNF和SVM的高光谱遥感影像分类研究

通过分析高光谱遥感影像分类的现状及遇到的困难,以OMIS1高光谱数据为实验数据,提出了基于最小噪声分离(Minimum Noise Fraction-MNF)变换和支持向量机(Support Vector Machine-SVM)的高光谱遥感影像分类方法。分类实验结果表明:与传统的最大似然分类法(Maxi mum Likelihood Classification-MLC)比较,该方法克服了Hughes现象,分类速度得以提高,总体分类精度达到94.85%,从而表明了该方法用于高光谱遥感影像分类的实用性和优越性。     

一种基于证据理论与神经网络的遥感影像分类方法

把影像的空间信息融入分类决策，提出了一种基于证据理论与神经网络的遥感影像分类方法。对原图像作平滑处理．得到原图像的平滑图像；利用神经网络对原图像及其平滑图像分别进行训练、分类；利用证据理论对它们的分类结果(决策)进行融合；最后，把融合结果(决策)作为原图像的最终分类结果。实验结果与性能比较表明．新方法是有效的．提高了影像的分类精度。     

基于SSAE深度学习特征表示的高光谱遥感图像分类方法

针对遥感图像中高光谱数据的分类问题,提出一种基于堆叠稀疏自动编码器(SSAE)深度学习特征表示的高光谱遥感图像分类方法。首先,将光谱数据样本进行预处理和归一化。然后,将其输入到SSAE中进行特征表示学习,并通过网格搜索来获得最优网络参数,以此获得有效的特征表示。最后通过支持向量机(SVM)分类器对输入图像特征进行分类,最终实现遥感图像中像素的分类。在两个标准数据集上的实验结果表明,该方法能够实现准确的高光谱地物分类。