多光谱遥感图像土地利用分类区域多中心方法

针对遥感图像土地利用一种类别由多种地物组成,存在难以求取类别光谱特征多元分布模型的问题,分析了多光谱遥感图像土地利用的光谱特征和区域多中心特征,提出了一种光谱信息和区域信息基于规则的区域多中心分类方法,以类别的类内中心集合表征类别模式,以区域为分类单元,以区域单元含类别类内中心数和区域单元中属于某种类别的像元占单元总像元的百分比为分类准则;采用类内中心表征类别模式和基于规则的分类方法,较好地解决了土地利用类别由多种地物组成、类别模式不满足多元正态分布的问题,由于类别区域单元多中心特性差异大,分类规则的建立及训练样本的选择易于实现。实验表明:该方法能提高分类精度4%—6%。     

一种适用于多类别遥感图象分类的新方法——复合神经网络分类方法

该文提出一种由多层神经网络与自组织神经网络相结合进行类别遥感图象分类的复合神经网络分类方法。第１步半训练样本按其统计特征分成若干组，用不同级别的训练样本分别训练ＢＰ网络。第２步将这些训练好的ＢＰ网络并联构成有监督分类器，对遥感图象进行有监督分类。第３步用ＢＰ网络的分类结果对Ｋｏｈｏｎｅｎ网络进行自组织训练，用训练好的Ｋｏｈｏｎｅｎ网络构造无监督分类器，对遥感图象进行细分。通过对ＳＰＯＴ遥感图象的分     

基于核空间的多光谱遥感图像分类方法

提出了多光谱遥感图像分类方法中解决非线性问题的一种思路。通过引入核空间理论,将在输入空间中不能线性分类的问题映射到一个可以进行线性分类的高维空间,并利用核函数避免了在高维空间中运算的复杂度,较好地解决了非线性分类问题。利用这种思路,本文对一种比较简单的分类算法———自适应最小距离分类方法加以改进,并将其应用于多光谱遥感图像的分类中,提出了一种核函数的选择策略。     

一种加入空间关系的海岸带遥感图像分类方法

 海岸带作为海洋、陆地和大气共同作用的地带，其地物混杂度大，变化频繁，单纯利用光谱特征分类难以取得理想的精度。 但海岸带地物滨临水体，而水体与地物存在巨大光谱差异，易于识别。据此，本文尝试提出一种简单的加入空间关系的遥感图像分类 方法，即，先准确识别出海水类，然后统计非海水类的每一个像元到最近海水的空间距离。由于不同的海岸带地类距离海水的空间距 离有其自身的特点，因此，利用这一距离信息辅助分类能提高分类精度，尤其是针对那些光谱特征相近而距离相差较大的地类。     

基于决策树的遥感图像分类方法研究

在遥感领域中,遥感图像分类是一项十分重要的内容,也是运用遥感技术手段提取地物类别信息的一个关键环节。本文以TM影像为研究对象,采用决策树分类方法进行研究分析,详细地论述了该分类方法的整个研究流程,并得到分类后的结果图,最后利用混淆矩阵和Kappa系数对分类后的结果进行精度分析。通过与最大似然分类方法进行比较发现,决策树分类方法的分类效果明显,分类精度较高,总体分类精度、kappa系数均达到90%以上,为遥感图像分类提供了广阔的发展前景。     

结合地物空间特性的高光谱图像分类方法研究

以往的高光谱或多光谱图像分类与识别,往往只关注像元光谱维上的特性,其一切特征统计也只在光谱及波段维上展开。但是自然界的复杂性、混合像元问题的存在,仅靠像元的光谱特性是不够的,常会出现"麻点"现象。针对这一问题,本文提出一种结合地物空间特性的高光谱图像分类方法,其分类过程可以分为两个阶段,第一阶段是基于像元光谱特性的图像分类,获得影像分类图;第二阶段是针对第一阶段的分类结果,结合地物空间特性进行空间后分类处理。试验研究结果表明,该方法能够保持地块的连续性和均一性,同时克服了"麻点"现象,大大提高分类的精度。     

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。     

高光谱遥感图像的监督分类

图像分类是高光谱遥感图像分析与应用的重要手段。总结了目前用于高光谱图像监督分类的主要方法,包括最小距离法、最大似然法、神经元网络法和支持向量机法,分析了上述方法的特点,并探讨了高光谱遥感图像分类方法的发展趋势。     

遥感图像分类应用研究综述

对目前遥感图像分类方法应用研究进行了总结,在此基础上对其在地学应用研究中存在的问题进行了分析,得出了一些有益的结论,以期为遥感图像分类应用提供参考。     

遥感图像分类方法研究综述

 综述了遥感图像监督分类和非监督分类中的各种方法，介绍了各种方法的优缺点、适用领域和应用情况，并作了简单评述，最后，展望了遥感图像分类方法研究发展方向和研究热点。     

基于分类规则挖掘的遥感影像分类研究

分析了目前遥感影像的统计分类、神经网络分类及基于符号知识的逻辑推理分类方法的优缺点.以GIS为平台,构建了多源空间数据库,将数据挖掘的思想和方法引入遥感影像分类中,提出了面向分类规则挖掘的遥感影像分类框架.针对遥感光谱数据及其他空间数据的特点,定义了连续属性样本分类概念和分割点评价指标,提出了一种新的连续属性样本分类规则挖掘算法.选择一个试验区,采用该算法分别对遥感光谱数据、遥感光谱和DEM数据相结合的数据进行分类规则挖掘、遥感影像分类和分类精度比较.结果表明：（1）该算法具有较高的分类精度;（2）加入DEM等与分类相关的其他空间数据可以提高遥感影像的分类精度.通过挖掘分类规则进行遥感影像分类,扩展了基于知识的逻辑推理分类方法中知识获取渠道,提高了分类规则获取的智能化程度.新的连续属性样本分类规则挖掘算法,扩展了归纳学习算法对连续属性样本分类的适应性.     

融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。     

基于对象的城市绿地信息提取技术的研究

依据高分辨率遥感影像的特征,采用基于对象的分类技术,并结合乌鲁木齐市的QUICKBIRD影像,提取城市绿地信息。研究结果表明,此种分类方法具有较高的分类精度和较快的分类速度。     

一种新的融合空间信息的半监督变化监测方法

基于改进的半监督FCM算法和马尔科夫随机场,提出了一种新的融合空间信息的半监督变化监测方法。首先将两幅遥感图像相减得到差值图像,并通过第4波段的差值给出了一种新的样本标记方法;然后,通过标记样本对差值图像利用半监督FCM算法进行聚类;最后,为了提高监测精度和去除聚类噪音点,利用像元点之间的空间邻接关系和马尔科夫随机场,通过更新后的隶属度矩阵得到了监测结果。为了验证本文方法的有效性,选取了两组TM遥感图像,监测了森林的变化。试验结果表明,改进的半监督FCM算法可以减少监测的漏检率,马尔科夫随机场方法可以很好地去除聚类过程中形成的噪声点,减少监测的虚检率。     

顾及上下文信息的混合广义高斯密度模型遥感影像分类方法研究

提出了一种基于混合广义高斯密度模型(generalize Gaussian mixture model,GGMM),并顾及影像上下文信息的遥感影像分类方法。试验结果表明,该方法具有较强的鲁棒性,分类精度较传统的分类方法要好,在细节保持方面,较某些尺度上的面向对象的分类方法要好。     

元胞自动机的遥感影像混合像元分类

通过对元胞自动机理论的研究,提出元胞自动机的遥感影像混合像元分解模型。利用多波段遥感数据验证混合像元分解算法的可行性,并将结果与线性分解模型进行比较。结果表明,元胞自动机混合像元分解模型在分解的准确性方面,明显优于一般线性模型的精度。最后,将分类结果与传统的监督分类算法比较,得出元胞自动机的混合像元分解模型明显优于监督分类精度的结论。     

基于TM影像的面向对象地表覆被信息提取

为验证基于TM影像的面向对象分类方法对复杂地区地表覆被信息提取的可行性,以地处西南地区的渝北为例进行实验。利用样本数据对各个波段的光谱特征进行分析,取得对各波段覆被探测能力的初步认识;基于光谱特征的多尺度分割,运用面向对象分类方法对其分类。面向对象的分类方法总精度和Kappa系数分别为88.42%和0.854 7,将其与监督、非监督分类结果对比分析。结果表明,该方法有效抑制了"椒盐"现象,取得较好的分类结果。     

基于证据理论的遥感图像分类方法探讨

遥感图像分类是一项十分重要而且复杂的问题。传统的图像分类方法多数是基于贝叶斯主观概率理论的图像分类方法,由于其在解决不确定性问题上存在诸多缺陷,近年来,将数学的证据理论应用于遥感图像分类已成为新的发展趋势。本文首先介绍了证据理论与贝叶斯主观概率理论对于解决不确定性问题的差异,证据理论的主要定义和算法。文中还重点介绍了证据理论用于模式识别的支持度函数,并将支持度应用于图像分类,得到像元级按大类（如土地利用的城镇用地、耕地、林地和水体）划分的支持度表面,然后进行硬分类叠加,得到初次分类结果,再进行精度评估。如果不满足精度要求,再对各类支持度小于某域值的像元进行二次分类,如此下去,直到达到分类所要求的精度。该方法的主要优点是可以进行分类后的再分类,且精度非常高,而贝叶斯分类不可以进行分类后的再分类,只能重新训练样本进行整体分类,效率低,精度也难提高。该方法理论可靠,实用性强,易操作,有研究潜力。     

基于面向对象的珲春地区高分辨率遥感影像分类研究

以吉林省珲春市春化镇为研究区,以Pleiades、高分一号、资源三号影像为实验数据,利用面向对象信息提取方法实现了对3种遥感影像进行信息提取。利用3D Filter边缘检测算子对多尺度分割进行优化,通过对影像进行多次实验得出地物要素的最优分割参数,并且建立不同地物要素的分割层级。分析实验数据的特点构建了合理的分类层级,选取能区分各个地物要素的特征进行组合,利用阈值分类和模糊分类实现地物要素的信息提取。利用混淆矩阵对数据进行客观分析,得到3种影像的总体分类精度和kappa系数。分析结果表明:Pleiades影像分类精度较高,更适合本实验区的遥感影像信息提取。     

国外四大遥感软件影像分类过程及效果比较

以Landset卫星影像为例,分别使用ERDAS、ENVI、ERMapper、PCI软件进行监督分类和非监督分类。通过对分类操作过程和分类结果的比较,对国外四大遥感软件做出来综合评价。