基于决策树分类的雾霾遥感识别

以河北省省域为研究区,以MODIS遥感影像为数据源,选取AQUA卫星2013-2014年两年的遥感影像为实验数据,运用影像的光谱特征,辅助地面观测数据,统计确定雾霾判识阈值,以此为基础构建决策树分类模型,利用决策树分类法对实验影像样本进行了雾霾分类识别。研究表明,所构建的决策树能够将雾霾与背景进行分类并识别,雾霾识别有效率为84.71%。     

遥感影像分类的一种二叉决策树自动生成方法

提出了一种决策树自动生成的方法,介绍了其阈值确定方法、数据结构、决策树生成流程,给出了一个自动生成的实例,并与人工生成的决策树进行了比较。     

基于多特征对象的高分辨率遥感影像分类方法及其应用

提出了基于多特征对象的高分辨率遥感影像分类方法，分析了该方法相对于基于像元的和单纯依靠光谱特征的传统处理方式所具有的优势，总结了该方法的特点，并给出了相关实验结果。实验表明，对于高分辨率遥感影像，基于多特征对象的分类技术能产生较好的结果。     

一种基于决策树方法的遥感影像分类研究

以江苏省泗阳县的Quick Bird影像为研究对象,基于影像的光谱信息、纹理信息、植被指数,采用CART决策树对影像进行分类,并将结果与最大似然分类结果进行比较。结果表明,此方法分类精度与Kappa系数均得到提高。     

基于多特征的遥感影像分类方法

提出了一种基于多特征的遥感分类方法。首先 ,制定类方案并分解各个类 ,据此得到相应的子类 ;然后 ,通过选用适当的特征 ,使得每一个类都能以一个独特的特征组合来表达。与此同时 ,通过影像分割得到影像对象 ,并测量这些对象的各个特征 ,如光谱特征、几何特征及拓扑特征等。凭借这些特征 ,影像对象可以较为容易地被识别和分类。与传统的分类方法的比较表明 ,文中所提出的分类方法具有明显的优越性和良好的前景。     

一种干旱半干旱地区决策树分类方法

以内蒙古自治区伊金霍洛旗为研究区,利用Landsat TM影像,对干旱半干旱地区土地利用信息进行提取。在ENVI软件的支持下,分析了影像的光谱特征及NDVI,NDBI,NDWI特征变量,并运用灰度共生矩阵对影像进行纹理特征提取,得到熵纹理特征图像,确定各类地物的阈值,运用决策树分类法对影像进行分类。结果表明,结合光谱特征和纹理特征的决策树分类方法,提取干旱半干旱地区土地利用信息可行且准确性较高。     

基于SIFT特征的多源遥感影像自动匹配方法

本文提出一种基于SIFT特征的不同源遥感影像自动匹配方法。首先利用Harris算子结合SIFT特征提取影像上均匀分布的特征点,建立高维SIFT特征描述符;然后以待匹配点与参考点间的欧氏距离为相似性测度,实施两种不同源遥感影像的特征匹配;最后将SIFT特征匹配结果作为初始值,采用将搜索范围扩大到尺度空间后的改进最小二乘影像匹配方法对SIFT特征匹配获得的同名像点进行精匹配。经对同一地区SPOT-5 HRG全色影像与航空摄影影像的匹配试验,取得了较好的结果。     

决策树算法在西藏遥感影像分类中的应用研究

将决策树算法引入到遥感影像分类中,以提高分类的精度。首先对影像进行预处理,然后利用C5.0算法在分析地物光谱特征、纹理特征、归一化植被指数的基础上,自动提取分类规则,构建决策树,实现地物的自动分类。为验证该算法的有效性,选取西藏某地区TM影像作为实验数据,与监督分类的精度进行对比,实验结果表明,决策树分类方法能取得较好的分类效果。     

基于改进决策树算法的山区遥感影像变化检测方法

为了能够精准检测山区遥感影像变化,提出一种基于改进决策树算法的山区遥感影像变化检测方法。利用K-SVD算法始化处理过完备字典,采用带有噪声的山区遥感影像训练字典,通过学习获取的字典稀疏表示含噪山区遥感影像,得到每个小块影像的稀疏表示系数,平均处理小块影像,获得去噪后的山区遥感影像。采用邻域相关分析技术获取描述上下文信息的邻域相关影响,通过邻域像素间的相关性展开模板匹配得到匹配误差。同时根据方向梯度信息提取山区遥感影像的结构特征,将邻域相关影像、匹配误差和结构特征输入改进后的决策树算法,将其作为分类属性,检测出山区遥感影像变化,实现山区遥感影像变化检测。实验结果表明,所提方法可有效检测出山区遥感图像的变化,并且检测500个样本图像的时间仅为335.4 s,因此,该方法可以获取准确率更高且检测时间更短的山区遥感影像变化检测结果。     

基于ENVI的遥感图像决策树分类

传统遥感图像分类方法一般是基于概率统计,然而人们一直致力于提高分类精度的研究。本文利用ENVI5.0对研究区分别进行了最大似然法、ISODATA法、决策树三种遥感图像分类;首先对三种分类方法进行简单阐述,然后图像预处理,选取训练样本,最后进行分类。通过数据比较和图表分析,可以看出这三种分类方法中,决策树分类精度最高,最大似然分类次之,ISODATA分类精度最低。决策树分类法可以有效地提高图像分类的精度。     

决策树分类法及其在遥感图像处理中的应用

首先阐述了决策树分类器的结构与理论基础,并就决策树算法的发展趋势进行了归纳总结。然后结合遥感图像分类的特点,探讨了决策树分类法的实现方法和关键问题。在此基础上,以徐州市TM影像为数据进行了分类试验。试验说明了决策树分类法在遥感图像处理中的具体实现过程,并且试验结果表明该方法在依据感兴趣区类别进行图像分类时效果较好。     

基于遥感影像光谱信息的二叉决策分类树自动生成方法研究

使用决策树方法进行遥感影像分类时需要人工辅助构建决策树,这种方法存在着一旦数据变化就要人工参与重新建立决策树的缺点。针对这一问题,文中提出了依据地物类的样本训练结果,自动构建二叉决策分类树的方法。从阈值的完整性、有效性以及自动选择满足用户需求最佳的建立决策树标准等方面保证决策树的精度以及合理性等。分类结果表明,与最大似然法相比,文中提出算法分类效果良好。     

决策树方法在土地荒漠化分类中的应用研究

阜新地区属于农牧交错带,是土地荒漠化类型齐全、结构复杂的典型研究区域。本文以遥感(RS)作为荒漠化信息获取与分析的工具,利用基于决策树的分析方法,结合区域环境特点,根据不同荒漠化类型的遥感影像特点,针对荒漠化类型、强度进行了分层次提取和分类。     

遥感影像提取土地覆盖信息的决策树优化方法

针对高分辨率遥感影像分类的传统ID3算法采用的信息增益熵为局部非回溯的启发式的缺点,提出了决策树引入模拟退火算法,得到一个面向影像特征优先级的优化的决策树分类算法。采用优化的决策树算法进行高分辨率遥感影像的分类,能较好地解决样本依赖性问题,并且得到一个全局优化的分类结果。通过实验,对农村地区的SPOT影像进行分类,并且通过对较优尺度下优化的决策树算法与神经网络算法和最大似然法对实验区域的影像分类精度的比较,证明了与ID3决策树分类方法相比较,优化的决策树方法能有效地提高农村地区在各尺度下SPOT影像的分类精度。     

基于云理论的遥感影像分类方法分析

采用基于云理论的遥感影像分类方法,该理论兼容模糊性和随机性,通过逆向云发生器生成云模型,进而得出云的数字特征隶属函数,使用X条件云发生器计算隶属度,最后用极大判别法实现分类。通过与传统方法的实验对比分析,基于云理论的遥感影像分类方法有效地改善分类中的不确定性问题,提高分类准确度。     

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。     

空间邻接支持下的遥感影像分类

传统光谱分类法的局限性促使了遥感“图谱耦合”认知理论的发展, 使其更加注重了空间信息的应用。 然而, 已有的分类方法虽也融入了空间形态、空间关系的应用, 在精度上有一定的提高, 但在空间规律定量描述、 地物实际分布边界跟踪等方面仍存在不足。本文发展了一种空间邻接支持下的遥感影像分类方法: 通过基准地物的 精确提取进而搜索与其邻接的目标地物, 对邻接范围内的地类混淆以及非邻接范围内的目标类误分一并进行修正, 并以近海地物分类为例进行试验, 获得了更为精确、合理的分类结果, 也为后续逐步精确地提取各地物提供了     

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、...     

特征提取和决策树法土地利用遥感分类

文章以安徽省淮南市为例,采用2005年Landsat-5 TM多光谱数据,分析地物谱间关系,选择改进归一化差异水体指数(MNDWI)、归一化植被指数(NDVI)、归一化建筑指数(NDBI)、TM4+ TM5、TM4+ TM5+TM7、DEM高程和坡度等特征值,构建决策树分类规则,完成研究区土地利用遥感分类.结果表明:MNDWI和TM4+TM5特征值能较好地区分水体与非水体;NDVI和NDBI可完成非水体区域植被与非植被信息分类;DEM和TM数据6波段和值可完成建筑用地、裸地和沙(旱)地分类;DEM和TM4+ TM5+ TM7能较好地解决耕地和园地混淆问题.决策树法分类总精度和Kappa系数分别为90.29％和0.87,相比较于最大似然分类法和基于特征提取波段的最大似然分类法,精度均有所提高.