自适应差分演化算法在图像监督分类中的应用

针对传统遥感图像分类算法存在约束条件多、容易陷入局部最优解、分类精度低的缺陷,提出了一种基于自适应差分演化的遥感分类新方法.实验结果表明,基于自适应差分演化的遥感图像分类算法在分类精度上优于传统方法,在收敛速度上优于标准的差分演化分类算法,其分类精度和Kappa系数分别达到了92.66％和0.901 7.     

改进分数阶达尔文粒子群的多Renyi熵图像分割算法

针对智能优化图像分割算法易陷入局部最优、分割精度不高等问题，本文融合改进的分数阶达尔文粒子群算法和二维Renyi熵多阈值，提出了一种新的多阈值遥感图像分割算法。算法利用粒子自身进化信息来定义进化因子，结合进化因子并利用高斯图函数调整分数阶次α系数以实现精确计算和快速收敛；根据局部最优概率因子对局部最优位置进行Levy飞行随机扰动以提高算法跳出局部最优的能力；同时将二维Renyi熵单阈值扩展到多阈值分割上，并结合改进的分数阶达尔文粒子群算法，将二维Renyi熵多阈值应用于遥感图像分割中。仿真结果表明，与其他2种智能优化分割算法相比，本文分割算法在细节处理和分割精度上均有明显优势，在PRI上至少提升7.27%、VOI至少降低6.5%、GCE至少降低10.4%。     

云环境下改进TLBO算法的图像边缘检测

针对TLBO算法在解决复杂高维问题时,表现容易陷入局部最优,多样性丢失过快等不足的问题,提出了一种基于云计算环境下改进的TLBO算法(ITLBO),并将其应用到图像边缘检测中。通过对基本TLBO算法中的‘教’与‘学’阶段进行改进,引入一种新的种群更新方法,提高算法的迭代寻优能力。利用云环境下将该方法应用到图像边缘检测中进行实际性能验证,实验仿真结果表明,该方法提取图像的边缘信息的有效性。本文研究可为智慧城市的建设提供关键技术参考。     

自适应蚁群和模糊聚类的SAR图像分割

针对传统蚁群算法及模糊C-均值聚类算法在合成孔径雷达遥感图像分割中精度低下和收敛速度较慢的问题,该文提出了一种改进的自适应阈值的蚁群及模糊C-均值聚类算法,实现对复杂合成孔径雷达图像进行分割。针对不同的合成孔径雷达图像,首先利用最大类间方差法获取最优阈值,通过最优阈值干预避免蚁群算法陷入局部最优解;再将自适应阈值蚁群算法得到的聚类中心和聚类类别数输入模糊C-均值聚类算法中,最终实现图像分割。实验结果证明,该算法在时间和误分率上较传统方法有显著的改进。     

优化BP神经网络的多特征融合遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值和单一影像特征缺乏有效地物判别信息的问题,该文提出了一种遗传算法(GA)结合指数粒子群算法(ExpPSO)优化BP神经网络的多特征融合遥感影像分类方法(GA-ExpPSO-BP).该方法将设计的基于指数函数的ExpPSO与GA结合构建GA-ExpPSO算法,利用GA-ExpPSO算法对BP神经网络的权阈值进行初始寻优从而构建GA-ExpPSO-BP模型.以高分二号、资源三号遥感影像为实验数据,通过制作多特征融合数据集训练及实验验证.结果 表明:该方法的类别精度、总体精度和Kappa系数均最高,且训练耗时和误差最小,能有效改善影像的分类效果,提高分类效率和精度.     

结合最大似然算法和波利亚罐模型的全色遥感图像分类

最大似然（ML）算法是一种应用广泛的遥感图像监督分类方法,该算法对样本区域的选择有很高的精度要求,选择难度降低了算法的效率。为此,本文提出了一种结合ML算法和波利亚罐模型的全色遥感图像分类方法。首先由ML算法得到各像素分属各类别的概率,根据得到概率计算此像素的罐模型中不同颜色小球的数量,完成图像罐模型的建立;根据波利亚罐模型随机采样过程,结合邻域,更新中心像素的罐模型中各类颜色小球的组成,直到各类小球数量比例达到稳定,得到最终分类结果。该方法可以进一步精确地对图像进行分类,且对样本选择无要求,简化了分类过程;分别对合成图像和真实遥感图像进行了试验,取得了较好的试验结果;定性和定量分析结果验证了该方法的可行性及有效性。     

人工蜂群算法优化的SVM遥感影像分类

SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。     

面向对象的农田信息遥感影像分割算法

为了提高农业遥感数据处理中多光谱影像分割的精度,文章提出了一种面向农田信息提取的遥感影像分割算法:利用KMeans非监督分类算法和Fisher标准估算多光谱遥感影像中各个波段的权值,并将估算的波段权值应用到光谱合并计算中,能够较好地提高农田区域的分割精度,实现基于全局最优合并的区域生长算法,得到最优化的分割结果;从分割结果中提取基于区域的NDVI信息可以较为快速、准确地区分农田和非农田区域。实验结果说明:该方法的分割精度优于传统的全局最优合并算法和FNEA算法,并对遥感影像中旱田和水田的提取均有较好的效果。     

高光谱图像波段选择的改进二进制布谷鸟算法

波段选择是高光谱遥感图像分类的重要前提，本文提出了一种用于高光谱遥感图像波段选择的改进二进制布谷鸟算法，通过使用混合二进制编码算法更新子代鸟巢和使用遗传算法交叉方式更新被发现鸟巢两个方面对二进制布谷鸟算法进行改进，找出在图像中起主要作用且相关性低的波段，实现对高光谱遥感图像降维。将本文算法运用于PaviaU数据集和AVIRIS数据集，并与二进制布谷鸟算法、二进制粒子群算法、最小冗余最大相关算法、Relief算法等进行对比分析。结果表明，改进二进制布谷鸟算法波段特征选择效率更高，且选取的波段更具代表性，能够较好地提高后续分类精度。     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题，集成Lanczos算法与谱聚类算法，探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性，提出了一种面向高光谱遥感图像的快速谱聚类算法；通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果，发现面向高光谱遥感图像的谱聚类算法易于识别线性地物，且分类的速度能得到较大提升。     

基于混沌遗传算法的遥感影像分类

为提高遥感影像分类精度,本文提出基于混沌遗传算法(Chaos Genetic Algorithm)的遥感影像分类方法.首先应用混沌遗传算法对样本进行自学习得到全局最优的聚类中心,然后通过得到的聚类中心对整幅影像进行分类.该方法利用混沌变量的遍历性,进行粗粒搜索,优化遗传算法的初始种群,从而提高收敛速度;对经过选择算子、...     

混沌免疫算法在遥感影像分类中的应用研究

为提高遥感影像分类精度,采用基于混沌免疫算法(Chaos Immune Algorithm)的分类方法。利用混沌优化的遍历性,进行粗粒搜索,优化初始抗体群;通过选择算子、克隆算子、变异算子、抗体的循环补充等操作,得到全局最优的聚类中心,提高分类精度。实验表明该方法分类总精度、Kappa系数均优于传统分类方法。     

基于改进的模糊c-均值聚类方法遥感影像分类研究(英文)

Classification is always the key point in the field of remote sensing. Fuzzy c-Means is a traditional clustering algorithm that has been widely used in fuzzy clustering. However, this algorithm usually has some weaknesses, such as the problems of falling into a local minimum, and it needs much time to accomplish the classification for a large number of data. In order to overcome these shortcomings and increase the classification accuracy, Gustafson-Kessel （GK） and Gath-Geva （GG） algorithms are proposed to improve the traditional FCM algorithm which adopts Euclidean distance norm in this paper. The experimental result shows that these two methods are able to detect clusters of varying shapes, sizes and densities which FCM cannot do. Moreover, they can improve the classification accuracy of remote sensing images.     

分层神经网络分类算法

提高遥感图像分类精度一直是爱到普遍关注的焦点问题。近年来,人工神经网络技术和分 处理技术由于它们的许多优点受到广泛欢迎。本文把两种技术结合起来,提出了分层神经网络的概念,并基于此设计了一种分层神经网络分类算法。通过与最大似然法的对比实验表明,这种分层神经网络分类算法可以明显地提高分类精度,并对不规则分布的复杂数据具有很强的处理能力。     

A modified stochastic neighbor embedding for multi-feature dimension reduction of remote sensing images

In automated remote sensing based image analysis, it is important to consider the multiple features of a certain pixel, such as the spectral signature, morphological property, and shape feature, in both the spatial and spectral domains, to improve the classification accuracy. Therefore, it is essential to consider the complementary properties of the different features and combine them in order to obtain an accurate classification rate. In this paper, we introduce a modified stochastic neighbor embedding (MSNE) algorithm for multiple features dimension reduction (DR) under a probability preserving projection framework. For each feature, a probability distribution is constructed based on t-distributed stochastic neighbor embedding (t-SNE), and we then alternately solve t-SNE and learn the optimal combination coefficients for different features in the proposed multiple features DR optimization. Compared with conventional remote sensing image DR strategies, the suggested algorithm utilizes both the spatial and spectral features of a pixel to achieve a physically meaningful low-dimensional feature representation for the subsequent classification, by automatically learning a combination coefficient for each feature. The classification results using hyperspectral remote sensing images (HSI) show that MSNE can effectively improve RS image classification performance.     

无人机航摄影像的RANSAC自动定向方法研究

针对无人机在区域范围拍摄的低空遥感影像数量多,且相邻影像间存在旋转、尺度变化大等导致的立体定向困难问题,本文提出一种适用于无人机影像自动相对定向及模型连接的流程。即利用SURF算法对区域无人机影像进行特征提取后,连续相对定向及模型连接过程使用结合相对定向模型的RANSAC算法去除错匹配点,并针对RANSAC算法选取样本匹配点对容易陷入局部最优问题进行改进,提高了结果精度。     

基于BP神经网络高光谱图像分类研究

遥感影像常常存在"异物同谱"现象,影响了遥感影像的分类精度。为了提高分类精度,本文提出了基于BP神经网络的分类算法。采用环境一号卫星HJ-1A星上搭载的超光谱成像仪(HSI)获取的高光谱数据,利用BP神经网络对黄岛区进行遥感图像分类,根据得到的分类结果对原图像进行"异物同谱"现象纠正后重新选取训练样本,然后利用BP神经网络再分类,从而有效解决了"异物同谱"现象。实验结果表明,经处理后的高光谱影像的分类精度得到显著提高,分类总体精度为92.386 5%,比异物同谱纠正前提高了7.83%,Kappa系数也从0.768 2提升到了0.885 8。     

一种融合PSO和Isodata的遥感图像分割新方法

针对当前遥感图像分割方法存在的缺点,将人工智能领域的粒子群优化方法应用到遥感图像分割方面,提出了一种融合PSO和Isodata的遥感图像分割新方法。对不同分辨率遥感图像的分割实验结果表明,融合PSO和Isodata的遥感图像分割新方法能够自适应确定聚类数目,避免了聚类过程的随机性,使分割结果更加接近实际情况。