无人机点云与图像跨模态混合融合的乔木林单木尺度树种分类研究

为探索机载点云与无人机可见光影像在乔木树种识别与分类领域的应用潜力,提出了一种多模态特征与决策混合融合的无人机单木尺度树种分类识别方法。首先使用Kendall Rank相关系数法与排列重要性分析（Permutation Importance, PI）进行特征选择,采用高效低秩多模态融合算法（Low-rank Multimodal Fusion, LMF）融合点云与影像特征。再引入集成学习,将点云、影像及融合特征分别输入Stacking集成的极限梯度提升机（eXtreme Gradient Boosting, XGBoost）、轻型梯度提升机（Light Gradient Boosting Machine, LightGBM）与随机森林（Random Forest, RF）3个基分类器,最后采用元分类器—朴素贝叶斯进行决策融合。实验数据表明：所提方法独立测试精度达99.4%,较传统的特征串联融合随机森林分类器提升了22.58%,Kappa系数提升了0.285 4。与卷积神经网络（Convolutional Neural Network, CNN）对比实验证明：所提算法在小样本训练的优势明...     

高光谱图像分类的自适应决策融合方法

目的 目前高光谱图像决策融合方法主要采用以多数票决（majority vote，MV）为代表的硬决策融合和以对数意见池（logarithmic opinion pool，LOGP）为代表的软决策融合策略。由于这些方法均使用统一的权重系数进行决策融合，没有对子分类器各自的分类性能进行评估而优化分配权重系数，势必会影响最终的分类精度。针对该问题，本文对多数票决和对数意见池融合策略进行了改进，提出了面向高光谱图像分类的自适应决策融合方法。方法 根据相关系数矩阵对高光谱图像进行波段分组，对每组波段进行空谱联合特征提取；利用高斯混合模型（Gaussian mixture model，GMM）或支持向量机（support vector machine，SVM）分类器对各组空谱联合特征进行分类；最后，采用本文研究的两种基于权重系数优化分配的自适应融合策略对子分类器的分类结果进行决策融合，使得分类精度低的波段组和异常值对最终分类结果的影响达到最小。结果 对两个公开的高光谱数据集分别采用多种特征和两种分类器组合进行实验验证。实验结果表明，在相同特征和分类器条件下，本文提出的自适应多数票决策融合策略（adjust majority vote，adjustMV）、自适应对数意见池决策融合策略（adjust logarithmic opinion pool，adjustLOGP）比传统的MV决策融合策略、LOGP决策融合策略对两个数据集的分类精度均有大幅度提高。Indian Pines数据集上，adjustMV算法的分类精度比相应的MV算法平均提高了1.2%，adjustLOGP算法的分类精度比相应的LOGP算法平均提高了7.38%；Pavia University数据集上，adjustMV算法的分类精度比相应的MV算法平均提高了2.1%，adjustLOGP算法的分类精度比相应的LOGP算法平均提高了4.5%。结论 本文提出的自适应权重决策融合策略为性能较优的子分类器（即对应于分类精度高的波段组）赋予较大的权重，降低了性能较差的子分类器与噪声波段对决策融合结果的影响，从而大幅度提高分类精度。所研究的决策融合策略的复杂度和计算成本均较低，在噪声环境中具有更强的鲁棒性，同时在一定程度上解决了高光谱图像分类应用中普遍存在的小样本问题。     

基于Hadoop架构的数据驱动的SVM并行增量学习算法

针对传统支持向量机（SVM）算法难以处理大规模训练数据的困境,提出一种基于Hadoop的数据驱动的并行增量Adaboost-SVM算法（PIASVM）。利用集成学习策略,局部分类器处理一个分区的数据,融合其分类结果得到组合分类器;增量学习中用权值刻画样本的空间分布特性,对样本进行迭代加权,利用遗忘因子实现新增样本的选择及历史样本的淘汰;采用基于HBase的控制器组件用以调度迭代过程,持久化中间结果并减小MapReduce原有框架迭代过程中的带宽压力。多组实验结果表明,所提算法具有优良的加速比、扩展率和数据伸缩度,在保证分类精度的基础上提高了SVM算法对大规模数据的处理能力。     

安徽省利辛县平原区人工林树种分类研究

快速准确地绘制平原区人工林树种分布对研究人工林的生态水文和社会经济效益具有重要的意义。将资源3号（ZY-3）全色波段分别同ZY-3多光谱、哨兵2号多光谱进行融合,在图像分割基础上提取变量,采用分层优化变量组合的随机森林分类方法对安徽省利辛县人工林树种进行分类,并与分类回归树和随机森林相比较。结果表明：利用分层分类方法,平原区的人工林树种分类精度可以达到92%以上;基于哨兵2号和ZY-3融合的光谱特征变量分类精度比ZY-3数据本身的融合提高了2.49%～2.91%;而分别加入纹理变量后,分层分类方法大幅度提高了树种分类精度。因此,基于高分辨率遥感数据的光谱和纹理特征,采用分层分类方法,可以有效提高平原区人工林树种的分类精度。     

一种多样性和精度加权的数据流集成分类算法

为了克服数据流中概念漂移对分类的影响,提出了一种基于多样性和精度加权的集成分类方法（diversity and accuracy weighting ensemble classification algorithm, DAWE）,该方法与已有的其他集成方法不同的地方在于,DAWE同时考虑了多样性和精度这两种度量标准,将分类器在最新数据块上的精度及其在集成分类器中的多样性进行线性加权,以此来衡量一个分类器对于当前集成分类器的价值,并将价值度量用于基分类器替换策略。提出的DAWE算法与MOA中最新算法分别在真实数据和人工合成数据上进行了对比实验,实验表明,提出的方法是有效的,在所有数据集上的平均精度优于其他算法,该方法能有效处理数据流挖掘中的概念漂移问题。     

二叉树型多分类器融合的轴承故障诊断方法

多分类器融合能有效集成多种分类算法的优势,实现优势互补,提高智能诊断模型的稳健性和诊断精度。但在利用多数投票法构建多分类器融合决策系统时,要求成员分类器数目多于要识别的设备状态数,否则会出现无法融合的情况。针对此问题,提出了一种基于二叉树的多分类器融合算法,利用二叉树将多类分类问题转化为多个二值分类问题,从而各个节点上的成员分类器个数只要大于2即可,有效避免了成员分类器数目不足的问题。实验结果表明,相比单一分类器的诊断方法,该方法能有效地实现滚动轴承故障智能诊断,并具有对各神经网络初始值不敏感、识别率高且稳定等优势。     

基于高分二号遥感影像的树种分类方法

为推广国产高分数据在森林树种分类方面的应用,以北京市延庆区八达岭国家森林公园主要区域的6期高分二号影像为数据源,在分层分类的基础上,利用支持向量机递归特征消除、C5.0决策树、FSO 3种特征优选方法,从4种特征维度下实现面向对象的支持向量机和随机森林的森林树种分类,最终取得总体精度平均为83.65%,特定树种生产者精度介于93.75%（山杏）和38.10%（刺槐）之间,特定树种用户精度介于100%（华北落叶松）和44.74%（榆树）之间的良好结果。结果表明：C5.0决策树耗时最短（0.01 h）且其所选特征应用于分类总体精度最高（86.90%）;在不同特征维度下支持向量机分类的总体精度比随机森林平均高出3.28%;支持向量机和随机森林均对特征维度不敏感,但良好的特征优选结果仍会对支持向量机的分类效率（最高提升86.98%）和随机森林的分类精度（最高提升9.22%）产生较大影响。     

基于高分二号遥感影像的树种分类方法

为推广国产高分数据在森林树种分类方面的应用，以北京市延庆区八达岭国家森林公园主要区域的6期高分二号影像为数据源，在分层分类的基础上，利用支持向量机递归特征消除、C5.0决策树、FSO 3种特征优选方法，从4种特征维度下实现面向对象的支持向量机和随机森林的森林树种分类，最终取得总体精度平均为83.65%，特定树种生产者精度介于93.75%（山杏）和38.10%（刺槐）之间，特定树种用户精度介于100%（华北落叶松）和44.74%（榆树）之间的良好结果。结果表明：C5.0决策树耗时最短（0.01 h）且其所选特征应用于分类总体精度最高（86.90%）；在不同特征维度下支持向量机分类的总体精度比随机森林平均高出3.28%；支持向量机和随机森林均对特征维度不敏感，但良好的特征优选结果仍会对支持向量机的分类效率（最高提升86.98%）和随机森林的分类精度（最高提升9.22%）产生较大影响。     

基于元学习和叠加法的双层支持向量机算法

提出一种模式识别算法——双层支持量机算法,用来提高表面肌电识别精度。该算法融合集成学习中元学习的并行方法和叠加法的递进思想,把基本SVM分类器并行分布在第1层,第1层的预测结果作为第2层的输入,由第2层再进行分类识别,从而通过多层分类器组合来融合多源特征。以手臂表面肌电数据集为测试数据,采用文中的双层支持向量机,各肌肉的肌电信号分别输入基支持向量机,组合器融合各肌肉电信号特征,集成识别前臂肌肉群的肌电信号,从而实现运动意图的精确识别。实验结果显示,在预测精度上,此算法优于单个SVM分类器。在预测性能上(识别精度、耗时、鲁棒性),此算法优于随机森林和旋转森林等集成分类器。     

不完备数据下的免疫分类算法

人工免疫识别系统（AIRS）是受生物免疫系统的启示而研发的一种比较有效的分类器,但也存在记忆细胞数目过于庞大,分类精度不高,特别是在数据不完备的情况下,分类精度低等缺陷。为了解决这个问题,提出了一种不完备数据下的免疫分类算法（ICAU）,算法引入半监督学习机制和分类器融合投票决策的思想,利用多个AIRS分类器互相帮助学习训练,来提高AIRS在不完备数据下的分类精度。在UCI数据集上进行了实验,结果验证了ICAU算法的有效性。     

基于Sentinel-2数据的天山山地针叶林识别方法研究

阴影是影响山地针叶林遥感识别精度的关键因素。选取天山一块面积约为10 000 km²的区域为案例,基于太阳高度角和方位角差异较大的两期Sentinel-2影像,从遥感数据阴影分布的时相特性、分类特征以及分类器选择三方面进行综合分析,提出了一种适用于天山山地针叶林的遥感综合分类方案。该综合分类方案首先开展阴影识别以及阴影再分类以排除阴影对针叶林识别的影响;然后筛选出了海拔、归一化差值植被指数（NDVI）、红光到近红外波段斜率、蓝光波段、红光波段、短波红外波段和坡度作为区分天山山地针叶林的重要特征;最后比较支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和BP神经网络（Back Propagation Neural Network,BPNN）3种分类器的分类效果。结果表明：采用地形校正方法来消除山体阴影的效果不但不明显,反而还会造成过矫正现象,从而影响后续的针叶林识别,但利用太阳高度角和方位角差异较大的两期影像开展阴影识别以及阴影再分类来排除阴影对针叶林识别的影响,可使针叶林的总体精度提高1.3%~3.7%;SVM、RF和BPNN 3种分类器都能取得较好的山地针叶林识别精度,但SVM分类器的分类精度最高,其总体分类精度和Kappa系数分别是93.33%和0.87。该遥感综合分类方案经参数调整之后有望应用于北方干旱半干旱区的其他山地针叶林区域。     

基于无人机高光谱影像和机器学习的红树林树种精细分类

利用海南省文昌市清澜港红树林保护区的无人机高光谱影像,采用递归特征消除的随机森林算法(Recursive Feature Elimination-Random Forest,RFE-RF)优选植被光谱特征和纹理特征,通过机器学习中的随机森林(Random Forest,RF)和支持向量机(Support Vector ...     

图像语义分类的树结构SVM方法

为了减小低层视觉特征和高层语义之间存在的"语义鸿沟",提出一种采用树结构支持向量机实现图像底层视觉特征到高层语义的映射方法。利用二叉树结构构建支持向量机(SVM),在SVM核函数空间利用距离作为树节点处的分类度量。二叉树的结构可以大大减小语义分类的时间,而将距离较大的语义类先分离开保证了语义分类具有较高的准确率。实验证明,该方法在保证准确率的同时可以在较大程度上缩短分类检索时间。     

基于Sentinel-2的闪电河流域农作物分类研究

以内蒙古闪电河流域为研究区,基于Sentinel2光学遥感影像结合随机森林和支持向量机算法,采用3种方案:基于像元的分类方法、面向对象的分类方法及改进的基于像元分类与面向对象分割相结合的集成方法,对研究区内的农作物进行精细提取.结果表明:①基于随机森林采用基于像元的方法进行分类,所有地类的总体精度为97.8％,Kapp...     

非平衡二叉树多类支持向量机分类方法

提出一种新的基于非平衡二叉树的支持向量机多类别分类方法。该方法通过分析已知类别样本的先验分布知识,构造一个二叉决策树,使容易区分的类别从根节点开始逐层分割出来,以获得较高的推广能力。该方法解决了传统分类算法中所存在的不可分区域问题,在训练时只需构造N-1个SVM分类器,而测试时的判决次数小于N。将该方法应用于人脸识别实验。测试结果表明,与传统分类算法相比,该方法的平均分类时间是最少的。     

Type-2 fuzzy logic-based classifier fusion for support vector machines

As a machine-learning tool, support vector machines (SVMs) have been gaining popularity due to their promising performance. However, the generalization abilities of SVMs often rely on whether the selected kernel functions are suitable for real classification data. To lessen the sensitivity of different kernels in SVMs classification and improve SVMs generalization ability, this paper proposes a fuzzy fusion model to combine multiple SVMs classifiers. To better handle uncertainties existing in real classification data and in the membership functions (MFs) in the traditional type-1 fuzzy logic system (FLS), we apply interval type-2 fuzzy sets to construct a type-2 SVMs fusion FLS. This type-2 fusion architecture takes considerations of the classification results from individual SVMs classifiers and generates the combined classification decision as the output. Besides the distances of data examples to SVMs hyperplanes, the type-2 fuzzy SVMs fusion system also considers the accuracy information of individual SVMs. Our experiments show that the type-2 based SVM fusion classifiers outperform individual SVM classifiers in most cases. The experiments also show that the type-2 fuzzy logic-based SVMs fusion model is better than the type-1 based SVM fusion model in general.     

基于多季相Sentinel-2影像的白洋淀湿地信息提取

白洋淀湿地是华北平原上重要的浅水湖泊湿地,对雄安新区绿色发展具有重要的生态价值。对白洋淀高度异质化的景观格局进行分类,能够为白洋淀湿地资源的遥感监测提供指导意义。针对湿地季节变化的特点,对白洋淀每个季节选取一期具有代表性的Sentinel-2影像,采用分类与回归树（CART）、支持向量机（SVM）、随机森林（RF）3种常用的机器学习分类器对15种季相组合实验方案进行分类,分析不同季相遥感影像及其组合对白洋淀湿地信息提取的优劣。结果表明：相较于使用单一季相影像分类,多季相影像的组合能够显著提高分类精度,春&夏季相组合能够得到最优的分类效果,相对单季影像总体分类精度提高了10.9%~25.5%,Kappa系数提高了0.09~0.29;SVM分类器的分类表现较为稳定,能够得到最高的平均分类精度,CART分类器在处理高维特征的能力不如随机森林和SVM;不同特征类型对湿地信息提取的贡献度从高到底依次是红边光谱特征、传统光谱特征、缨帽变换特征、主成分分析特征、纹理特征。实验成果能为湿地信息的遥感识别提供依据。     

Pixel- and feature-level fusion of hyperspectral and lidar data for urban land-use classification

The complexity of urban areas makes it difficult for single-source remotely sensed data to meet all urban application requirements. Airborne light detection and ranging (lidar) can provide precise horizontal and vertical point cloud data, while hyperspectral images can provide hundreds of narrow spectral bands which are sensitive to subtle differences in surface materials. The main objectives of this study are to explore: (1) the performance of fused lidar and hyperspectral data for urban land-use classification, especially the contribution of lidar intensity and height information for land-use classification in shadow areas; and (2) the efficiency of combined pixel- and object-based classifiers for urban land-use classification. Support vector machine (SVM), maximum likelihood classification (MLC), and object-based classifiers were used to classify lidar, hyperspectral data and their derived features, such as the normalized digital surface model (nDSM), normalized difference vegetation index (NDVI), and texture measures, into 15 urban land-use classes. Spatial attributes and rules were used to minimize misclassification of the objects showing similar spectral properties, and accuracy assessments were carried out for the classification results. Compared with hyperspectral data alone, hyperspectral–lidar data fusion improved overall accuracy by 6.8% (from 81.7 to 88.5%) when the SVM classifier was used. Meanwhile, compared with SVM alone, the combined SVM and object-based method improved OA by 7.1% (from 87.6 to 94.7%). The results suggest that hyperspectral–lidar data fusion is effective for urban land-use classification, and the proposed combined pixel- and object-based classifiers are very efficient and flexible for the fusion of hyperspectral and lidar data.