模糊分类在邛崃地区土地利用分类中的应用

随着模糊理论的发展,将模糊分类方法运用于遥感图像土地利用分类是一个很好的选择,本文以邛崃地区2002年的Landsat ETM＋遥感图像为研究对象,基于ENVI软件将模糊分类和最大似然法监督分类的结果与检验数据进行比较,结果表明在一个受各种因素影响并具有模糊性的土地分类问题上（遥感图像的林地、耕地、园地地类识别）,模糊分类较传统的遥感图像分类方法有更好的效果。     

基于遥感影像的土地利用分类研究

土地利用信息对于土地利用的动态监测、非点源污染物的迁移、生态环境保护规划和决策都有重要意义。以河南境内的丹江口水库汇水区2007年9月份的TM影像为数据源,结合遥感图像处理软件,利用监督分类方法对该区域的土地利用进行分类,最后利用ArcGIS软件对提取的土地利用信息制作出土地利用专题图。     

高分辨率遥感影像在大比例尺土地利用图件更新中的应用探讨

通过对 IKONOS 米级高分辨率遥感影像在大比例尺土地利用图件更新中的应用技术研究,提出采用基于知识的土地利用覆盖分类以及变化监测系统方法。首先利用 NDVI 植被指数和半方差纹理特征的知识进行影像大类区域分割;其次结合光谱知识对各影像区域进行详细分类,同时利用区域生长技术与地类空间知识进行区域分类;最后是分类后处理与变化信息提取,以便利用基础图件提供的知识与各区域分类进行比较来发现变化的区域。基于知识的分类与变化信息自动提取可以为在 GIS/RS 环境下的目视数字化提供目标,缩短土地利用基础图件的更新作业过程。     

Kohonen神经网络在遥感影像分类中的应用研究

根据Kohonen网的生物学基础 ,基本结构和学习算法 ,提出了解决遥感影像分类的途径。依据实验区土地利用类别的光谱特征 ,采用主成分分析对遥感影像进行预处理 ,结合地理辅助数据的量化输入训练出Kohonen自组织图后对融合有地理辅助数据的影像进行土地利用分类 ,并与BP网和最大似然法分类结果进行分析比较。结果表明 ,地理辅助数据的参与对提高Kohonen网影像分类精度具有意义     

改进的区间二型模糊聚类遥感影像变化检测

遥感影像的复杂模糊性问题会干扰影像变化检测的结果,可引入区问二型模糊C均值聚类算法解决此问题,但算法参数的随机性导致检测结果不稳定.本文首先利用局部最优解优化萤火虫算法中的候选解,引入可变步长因子,以此自适应寻优区问二型模糊C均值聚类算法的模糊因子;然后结合寻优得到的模糊因子进行区问二型模糊C均值聚类,迭代更新隶属区问...     

遥感影像分类中的模糊聚类有效性研究

通过不同遥感影像对常用的模糊聚类有效性指数进行测试,检验这些指数能否适用于遥感影像分类。实验结果证明,Xie-Beni系列指数能够有效地获得遥感影像最优分类数,相对于其他模糊聚类有效性指数更适用于遥感影像分类。     

遥感影像的全模糊监督分类

设计了一个基于神经元网络的全模糊训练,分类和精度评估方法,并成功应用于一个城郊型土地覆盖分类,结果表明。该方法灵活,适应性强,并能取得较好的分类精度。     

不同时相遥感影像的土地利用分类精度分析

土地利用调查对遥感影像的获取有很强的时间性、季节性要求。本次研究选取研究区不同时相的SPOT5遥感影像进行计算机自动分类试验,结合野外实地调绘工作,统计分类精度,拟合分类误差与时相间的回归关系,推导相关回归函数,对遥感影像开展综合分析与评价,提高遥感数据在土地利用调查中的利用率。     

面向对象的遥感影像模糊分类方法研究

传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富,地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像,传统的分类方法,就会造成分类精度降低,空间数据的大量冗余,并且其分类结果常常是椒盐图像,不利于进行空间分析。本文采用面向对象的影像分类方法,考虑了对象的不同特征值,例如光谱值,形状和纹理,结合上下文关系和语义的信息,这种分类技术不仅能够使用影像属性,而且能够利用不同影像对象之间的空间关系。在对诸多对象进行分类后,再进行精度分析。在此研究提出了一种面向对象的方法结合模糊理论把许多的对象块分成不同的类别。这一过程主要有两个步骤：第一个步骤是分割。图像分割将整个图像分割成若干个对象,在这个过程中,分割尺度的选择会影响到后续的分类结果和精度。第二个步骤是分类。在这个步骤中,特征值的选择和隶属度函数的选择都对分类结果有着至关重要的影响。     

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。     

基于粗糙理论的RBF网络及其遥感影像分类应用

将粗糙集合概念与模式分类过程相联系，构造粗糙集意义下的RBF网络表示形式，并利用遗传算法实现其粗糙逻辑机制。研究粗糙集意义下RBF映射理论在遥感影像分类应用中的具体算法和实现过程，以Landsat TM影像进行的土地覆盖分类实验为例，对分类过程和结果进行综合分析，认为该方法在网络结构、收敛性和分类精度等方面具有一定的优势。     

基于标识的遥感影像部分监督模糊聚类

根据遥感影像的特点引入了部分监督模糊聚类的方法,并对其进行改进,加入了标识参数flagk,使其在训练过程中对参与计算的数据进行筛选,使得训练的速度加快,去除了非样本类数据对类心数据的影响,获得了较高精度的分类结果。     

基于支持向量机的遥感影像分类比较研究

支持向量机是建立在统计学习理论基础上的一种新的人工智能算法,较好地克服了传统分类方法中存在的小样本、非线性、过学习、高维数、局部极小点等问题,是一种极具潜力的遥感影像分类算法。本研究采用Landsat-5的TM影像,用支持向量分类法对影像进行分类,分析了支持向量机不同参数组合情况下的分类精度,并对支持向量分类法与传统分类方法进行了比较,发现支持向量分类算法具有参数选择范围宽,不要求对待分类区域地物光谱特征和影像分布特征具有先验知识,分类精度高等特点,对于在没有现场同步实测数据的区域进行精确的分类具有特别重要的价值。     

粗糙集理论在遥感影像分割中的应用

结合粗糙集理论和K—均值聚类算法,提出一种遥感影像的粗糙聚类分割方法。根据遥感影像中特征属性的相互依赖关系,应用粗糙集理论的等价关系,求出K—均值聚类所需要的初始类的个数和均值,然后采用聚类算法对图像进行分割。实验结果表明该方法比随机选取聚类的中心点和个数减少了运算量,提高了分类精度和准确性。     

BS-GEP算法在水利遥感图像分类中的应用

在地物环境状况较为复杂时传统基于统计学遥感分类算法难以得到较高的分类精度。针对这一问题,这里将基于分组策略的改进基因表达式编程算法(BS-GEP)应用到遥感图像分类问题中,避免传统的基因表达式编程算法由于种群多样性破坏引起局部收敛,解决地物状况复杂时难以得到较高分类精度的问题。实验结果表明:基于分组策略的基因表达式编程算法的分类器提取的分类规则能转为数学表达式形式并能获得较高的分类精度,与基因表达式编程算法(GEP)相比分类结果混淆程度相对较低,与最大似然法相比分类结果相对清楚,模型分类精度达到93%。     

基于马尔科夫随机场与模糊C均值的遥感影像分类

模糊C均值聚类是一种经典的非监督聚类模型,成功地应用于遥感影像分类。但是该方法对初始值敏感,容易陷入局部最优解;同时聚类时仅考虑光谱信息,忽略了空间信息。本文提出了一种新的基于马尔科夫随机场的模糊C均值聚类方法,该方法把马尔科夫随机场和模糊C均值结合在一起。初始值依据第一主成分的密度函数确定,这样克服了对初始值的依赖性,又在聚类的时候考虑了空间信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊C均值模型。     

用模糊ARTMAP算法对CBERS-2数据进行分类

用模糊ARTMAP（fuzzy adaptive resonance theorymap）神经网络算法对CBERS-2数据进行了分类实践。首先介绍了模糊ARTMAP神经网络的算法原理和具体训练分类过程；然后用2004年9月新疆石河子地区的影像数据进行土地利用分类试验，并将分类结果与基于统计的最大似然法（MLC）、反向传播神经网络（BP）的分类结果作比较，总分类精度比MLC和BP算法分别提高9．9％和4．6％。结果表明，模糊ARTMAP对试验区CBERS-2影像上的裸地识别能力很强，对高分辨率的CBERS-2影像可获得很好的分类结果。