基于分类回归树分析的遥感影像土地利用／覆被分类研究

以专家知识和经验为基础,综合影像光谱信息和其他辅助信息进行分类的基于知识的遥感影像解译方法,是提高遥感影像分类精度,实现自动解译的有效途径之一。然而,知识的获取一直是其得以广泛应用的“瓶颈”问题。以江苏省江宁试验区土地利用/覆被分类为例,利用分类回归树分析(CART)从训练样本数据集中发现分类规则,集成遥感影像的光谱特征、纹理特征和空间分布特征进行分类实验,并与传统的监督分类和逻辑通道分类方法进行比较。结果表明,基于CART的分类方法的精度基本在80%以上,与另两种方法相比,有了较大的提高,而且该算法复杂性低,效率高。由此说明,利用CART算法构建决策树获取的分类规则是合理的。它可以快速、有效地获取大量分类规则,是促进基于知识的遥感影像分类方法在土地利用/覆被分类中广泛应用的一项有效手段。     

基于知识的遥感影像模糊分类方法

介绍了目前遥感影像分类的常用方法, 提出了一种基于知识的信息提取的遥感影像模糊分类方法.采用GIS数据辅助进行遥感影像模糊法分类,从GIS数据库中提取一定数量的样本信息或挖掘知识形成规则,进行样本的训练学习或辅助进行分类判定.提高了分类的效率和精度,是对模糊分类方法一次有效改进.     

基于知识的遥感影像模糊分类方法

介绍了目前遥感影像分类的常用方法,提出了一种基于知识的信息提取的遥感影像模糊分类方法。采用GIS数据辅助进行遥感影像模糊法分类,从GIS数据库中提取一定数量的样本信息或挖掘知识形成规则,进行样本的训练学习或辅助进行分类判定。提高了分类的效率和精度,是对模糊分类方法一次有效改进。     

GIS辅助下的Bayes法遥感影像分类

介绍了Bayes分类器,提出了从GIS空间数据库中挖掘知识用以辅助进行遥感影像分类的方法.文中以规则的形式表示遥感影像的解译知识,并使用其它地理辅助数据,从遥感影像处理、地理辅助数据、专家知识一体化的角度出发,使用基于知识的方法进行了分类研究,改善了分类精度.实验表明这是一种较好的分类方法.     

GIS辅助下的基于数据挖掘的林型遥感分类方法研究

在植被分类领域,各类植被光谱特征非常相近,纹理特征比较单一,并且受物候影响较大,使得影像上林地信息的分类识别的成为一个较复杂的过程。本文利用GIS平台构建由影像、DEM等组成的多元空间数据库,将数据挖掘的方法引入林型遥感分类中,充分利用了现有的空间数据资源,减少了同物异谱、异物同谱对林型遥感分类的影响,增强了分类知识获取的自动化和智能化程度。实验结果表明,该方法具有简化知识获取过程和提高分类精度等优点。     

GIS辅助下的Bayes法遥感影像分类

介绍了Bayes分类器 ,提出了从GIS空间数据库中挖掘知识用以辅助进行遥感影像分类的方法。文中以规则的形式表示遥感影像的解译知识 ,并使用其它地理辅助数据 ,从遥感影像处理、地理辅助数据、专家知识一体化的角度出发 ,使用基于知识的方法进行了分类研究 ,改善了分类精度。实验表明这是一种较好的分类方法。     

基于形式概念分析的遥感影像分类

针对目前遥感影像分类方法中存在分类知识难以获取的不足,尝试引入形式概念分析的数据挖掘理论,并基于族集最小覆盖理论实现概念内涵的缩减,从而保证分类规则的简洁与无冗余性。研究选取湖北省房县作为试验区,实现了该理论在研究区中土地利用类型分类规则的挖掘应用。基于挖掘出的分类规则构建了启发式分类器,实验结果表明形式概念分析理论挖掘出的分类规则可信度较高,基于挖掘出的分类规则构建的分类器相对于监督分类方法、决策树C4.5算法在分类精度上有一定优势,从而证明了它对遥感影像分类提供一种的新方法。     

面向应用的高光谱影像分类方法

提出了一种面向应用的高光谱影像分类方法,旨在从根本上、全方位地削弱各种不利因素对该类影像分类精度的影响.主要包括利用IEM算法获取更为精确的类别分布信息,采用Tabu搜索算法进行原始特征空间的降维,运用基于混合规则的组合分类器来判断待识样本的类别标签.实验表明,按照该方法进行高光谱影像的分类处理,可以得到很高精度的分类结果.     

基于蚁群智能的遥感影像分类新方法

智能式遥感分类是遥感研究的新热点.提出了一种基于蚁群智能规则挖掘(ant-miner)的遥感影像分类新方法.遥感数据各波段之间存在较强的相关性,这种相关性往往会导致分类产生误差.而ant-miner算法中的信息素是基于规则整体性能的,信息素的动态更新能有效地处理相关性较强的数据,所提供的正反馈信息能纠正启发式函数缺陷所造成的错误.因此,蚁群智能算法应用于遥感分类具有一定的优势.将该方法用于广州市地区的遥感影像,取得了较好的分类结果.并与See5.0决策树方法及最大似然方法(MLH)进行了对比研究,实验结果表明,蚁群智能算法分类精度比后两者的分类精度更高.     

改进最大似然遥感影像分类方法——以SAR影像为例

针对常规最大似然分类算法中类别先验概率获取困难及遥感影像分类问题,提出了一种有效的改进最大似然遥感影像分类方法.该方法能使用类别样本的统计信息,实现类别先验概率的自动和最优提取,从而很好地解决了基于统计监督分类方法中无法直接获取类别先验概率的问题.以6景Radarsat-1 精细模式SAR影像数据为例进行的分类实验证明,该算法分类效果较好,针对单波段、单极化的SAR影像,其精度可望达到80%.     

基于空间数据发掘的遥感图像分类方法研究

采用数据发掘技术从 ＧＩＳ数据库和遥感图像中发现知识,用于改善遥感图像分类。提出了两种实施空间数据归纳学习的途径：在空间对象粒度上学习和直接在像元粒度上学习。分析了两种粒度学习的特点和适用范围,同时提出了一种归纳学习与传统图像分类法的结合方式。用北京地区 ＳＰＯＴ多光谱图像和 ＧＩＳ数据库进行土地利用分类的试验证明,归纳学习能较好地解决同谱异物、同物异谱等问题,显著提高分类精度,并且能够根据发现的知识进一步细分类,扩展了遥感图像分类的能力。     

Remote sensing image classification with GIS data based on spatial data mining techniques

Data mining techniques are used to discover knowledge from GIS database in order to improve remote sensing image classification.Two learning granularities are proposed for inductive learning from spatial data,one is spatial object granularity,the other is pixel granularity.We also present an approach to combine inductive learning with conventional image classification methods,which selects class probability of Bayes classification as learning attributes.A land use classification experiment is performed in the Beijing area using SPOT multi-spectral image and GIS data.Rules about spatial distribution patterns and shape features are discovered by C5.0 inductive learning algorithm and then the image is reclassified by deductive reasoning.Comparing with the result produced only by Bayes classification,the overall accuracy increased by 11% and the accuracy of some classes,such as garden and forest,increased by about 30%.The results indicate that inductive learning can resolve spectral confusion to a great extent.Combining Bayes method with inductive learning not only improves classification accuracy greatly,but also extends the classification by subdividing some classes with the discovered knowledge.     

Remote sensing image classification with GIS data based on spatial data mining techniques

Data mining techniques are used to discover knowledge from GIS database in order to improve remote sensing image classification. Two learning granularities are proposed for inductive learning from spatial data, one is spatial object granularity, the other is pixel granularity. We also present an approach to combine inductive learning with conventional image classification methods, which selects class probability of Bayes classification as learning attributes. A land use classification experiment is performed in the Beijing area using SPOT multi-spectral image and GIS data. Rules about spatial distribution patterns and shape features are discovered by C5.0 inductive learning algorithm and then the image is reclassified by deductive reasoning. Comparing with the results produced only by Bayes classification, the overall accuracy increased by 11% and the accuracy of some classes, such as garden and forest, increased by about 30%. The results indicate that inductive learning can resolve spectral confusion to a great extent. Combining Bayes method with inductive learning not only improves classification accuracy greatly, but also extends the classification by subdividing some classes with the discovered knowledge.     

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。     

基于面向对象和规则的遥感影像分类研究

讨论了面向对象和规则的光学遥感影像分类方法。首先利用多尺度分割形成影像对象，建立对象的层次结构，计算对象的光谱特征、几何特征、拓扑特征等，利用对象、特征形成分类规则，并通过不同对象层间信息的传递和合并实现对影像的分类。并以北京城市土地利用分类为例，对该方法进行了验证。     

基于GOODALL相近指数的遥感图像和其它空间数据综合分类方法

介绍ＤａｖｉｄＷ．Ｇｏｏｄａｌｌ基于概率的相近指数理论,研究它被应用在遥感图像和其它空间数据综合分类中的可能性,并首次在ＧＲＡＳＳ环境下实现了基于ＤａｖｉｄＷ．Ｇｏｏｄａｌｌ的相近指数的遥感图像和其它空间数据综合分类算法,并对该算法进行了测试,将分类结果 与其它几种较流行的分类方法结果进行了比较。     

基于GOODALL相近指数的遥感图像和其它空间数据综合分类方法

介绍 Ｄａｖｉｄ Ｗ． Ｇｏｏｄａｌｌ 的基于概率的相近指数理论,研究它被应用在遥感图像和其它空间数据综合分类中的可能性,并首次在 Ｇ Ｒ Ａ Ｓ Ｓ环境下实现了基于 Ｄａｖｉｄ Ｗ． Ｇｏｏｄａｌｌ 的相近指数的遥感图像和其它空间数据综合分类算法,并对该算法进行了测试,将分类结果与其它几种较流行的分类方法结果进行了比较。     

GABA算法的遥感图像分类

为了弥补蝙蝠算法后期收敛速度慢、寻优精度不高、易陷入局部最优值的缺点,本文提出了一种新的遥感图像分类算法--GABA算法,该算法将遗传算法中的选择、交叉、变异操作应用到蝙蝠算法中,使蝙蝠算法具有变异机制,避免种群个体陷入局部最优,提高了算法全局寻优能力,增加了蝙蝠算法的多样性。同时,为了突出本文算法的优点,试验将蝙蝠算法、K-means算法、粒子群算法与本文算法结果进行比较,分析评价遥感图像的分类结果。试验表明本文算法在遥感图像分类应用中既提高了分类精度又减少了分类时间,是一种可行、有效的遥感图像分类方法。