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。     

基于分水岭变换的遥感影像面向对象分类

为了提高面向对象分类的自动化程度,提出将分水岭变换与ISODATA聚类相结合对遥感影像进行面向对象分类。首先利用改进的分水岭变换对高分遥感影像进行分割,获得分割的对象后,利用ISODATA聚类方法对其进行分类。试验结果表明,该方法取得了较好的分类效果,且分类速度快,一定程度上提高了遥感影像分类的自动化。     

一种神经网络架构搜索遥感图像分类方法

针对传统深度卷积神经网络遥感图像分类方法需要不断进行试错,花费相关专家大量时间和计算资源的问题,提出了一种基于神经网络架构搜索的遥感图像分类方法.首先搜索最优单元(cell),再以预定义的方式堆叠该最优单元得到目标网络.其中该方法将离散的网络架构表达连续化,从而可以使用梯度下降的方法在离散的搜索空间内进行搜索,实现其高...     

基于Matlab的GA-BPNN遥感图像分类

在高原山地等地类复杂地区,传统遥感分类方法和标准BP神经网络分类方法存在一定的局限性,提出了基于Matlab的遗传算法优化的BP人工神经网络遥感图像分类方法。以Matlab神经网络和遗传算法工具箱为平台,在对数据源进行主成分分析特征选择的基础上,用量化共轭梯度法改进标准BP算法,采用GA优化BP网络的隐层神经元数目和初始权重,并以香格里拉县ETM＋遥感图像为例,在DEM地形数据辅助下,训练网络使其收敛,仿真输出。结果表明,该方法分类总精度为84.52%,Kappa系数为0.8317,比最大似然法分类精度提高了9.08个百分点,验证了GA优化的BP网络遥感图像分类的可行性和有效性。     

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。     

彩色遥感图像分类算法及Matlab实现

采用自组织神经网络对遥感图像进行分类，以获得更好的分类效果，采用Matlab这一平台来构造自组织神经网络，解决了网络运算量大的问题，取得了良好的效果。实验表明，自组织神经网络对遥感图像的分类是有效的。     

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。     

面向对象的高分辨率遥感影像城市地物信息提取研究

以沈阳东陵区IKONOS影像为实验数据,采用面向对象分类,构建包含光谱特征、几何特征、纹理特征、拓扑关系等规则的知识库,对城市地物信息进行提取,并将其与基于像素方法的分类结果进行对比分析。研究结果表明：基于多尺度分割的面向对象的分类方法可以有效地避免传统的基于像素分类时出现的＂椒盐＂现象,分类结果更加符合人类的思维方式,更接近真实值,总体分类精度达到92.5%,比基于像素分类方法更适合作为城市地物专题数据库更新的有效方法。     

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...     

改进的角度余弦方法在湿地遥感影像分类中的应用

湿地研究是国际生态学与环境科学研究的热点问题之一.遥感技术已成为湿地监测的一种有力手段,但如何提高湿地解译精度问题并无太大进展.角度余弦方法是根据测试光谱（像元光谱）与参考光谱的相似性来决定一个像元的类别.以扎龙湿地为试验区,将改进的夹角余弦方法引入湿地遥感影像分类中的研究,得到了扎龙湿地遥感影像分类图,并对夹角余弦方法在研究区影像分类中的精度进行了分析讨论.     

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。     

土地覆盖遥感监测及分类系统实例评析

本文通过对土地覆盖遥感监测的概述,针对国内外两种典型土地覆盖分类系统进行比较评析,以期对土地覆盖遥感监测中土地覆盖分类系统获得较全面,深刻的认识,为具体区域土地遥感监测研究的开展提供知识储备及技术体系支持。     

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。