基于PCA与t-SNE特征降维的城市植被SVM识别方法

以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,有效地提高了运行速率,进而更好地提取高光谱图像的本质特征,提高了高光谱图像中城市植被的分类精度。实验选取肯尼迪航天中心(KSC)数据为对象,结果表明,PCA-t-SNE-SVM算法总体分类精度可达92.06%,Kappa系数为0.91时,分类效果最优,相较于PCA-SVM和t-SNE-SVM算法,总体分类精度分别提高了13.51%和3.33%,Kappa系数分别提高了0.15和0.04,均表现出良好的性能。     

基于三维全卷积神经网络的高光谱图像分类

三维空间滤波能够同时利用光谱和空间信息提取图像中的光谱和空间特征,提高高光谱图像(hyperspectral image,HSI)的分类性能.本文提出了一种用于HSI分类的三维全卷积神经网络(3D Fully convolutional neural network,3D-FCNN)框架.该框架能够在不需要任何数据预处理及后处理的情况下有效地提取高光谱特征,实现对地物类型的分类.在Indian Pines高光谱数据集上进行的实验表明,与支持向量机、浅层神经网络及其他卷积神经网络算法相比,所提出的框架在总体分类能够有效提高高光谱图像的分类精度.     

一种基于引导滤波和MNF的高光谱遥感;图像分类方法

提出一种基于引导滤波和最大噪声分离变换的高光谱遥感图像分类方法。使用MNF对高光谱图像进行最大噪声分离变换并进行降维,然后使用引导滤波对降维后的图像进行滤波操作,使用的引导图像为MNF变换后的第一成份,得到滤波后的高光谱图像特征,最后使用支持向量机针对特征进行分类。在AVIRIS图像上的实验结果表明,与单纯的MNF方法相比,该方法的Kappa系数提高超过15%。     

基于土地覆盖分类的IKONOS影像融合与精度评价

遥感影像的融合,可以提高目视和自动影像提取的类别精度,已成为遥感应用研究领域的重要主题,不同的图像融合算法会产生不同程度的光谱畸变.概略介绍IHS变换、Brovey变换、PCA变换、SFIM变换、Gram-Schmidt变换五种融合方式,结合融合后影像的数据统计以及分类结果,得出对于此次试验区的IKONOS影像来说,在图像空间信息提高和光谱信息保真方面以SFIM变换和Gram-Schmidt变换相对较好,其中Gram-Schmidt变换对图像微小细节反差的表达能力优于SFIM变换.分类之后,在上述5种图像融合算法中Gram-Schmidt变换得到的融合影像分类精度最高,总体精度和Kappa系数分别为95.20%和0.93,表明利用Gram-Schmidt变换进行IKONOS影像融合更适合基于光谱的土地覆盖分类.     

基于卷积神经网络和光谱敏感度的高光谱影像分类方法（英文）

目的:由于高光谱成像的特性,高光谱遥感影像较光学、多光谱影像具有更多的光谱信息,因此对高光谱影像地物的分类也相对困难。为提高分类精度,本文提出一个新的高光谱遥感影像分类模型。创新点:考虑到不同的地物覆盖对不同波段范围的电磁波有不同的敏感度,本文提出一个基于卷积神经网络和光谱敏感度的深度学习模型,以提高对高光谱遥感影像地物分类的准确率。通过在最终的分类器后添加一个光谱权重,该模型能够更准确地分类地物。方法:1.将带标记的样本在光谱维度上分为可见光和红外波段,并将部分样本作为训练集和测试集输入到网络中进行训练。2.训练完成后利用模型对全图进行预测,并通过部分预测结果计算出未识别率δ和误识别率γ两个参数。3.利用δ和γ可计算出不同光谱范围的光谱权重并将其置于分类器前(图5)。结论:1.模型加入光谱权重后的分类准确率较之前提高了约2%。2.利用公共数据集测试后显示,使用了光谱权重的卷积神经网络模型的分类精度比未使用光谱权重的模型高约1%。3.本文结果显示,利用不同地物对电磁波的敏感性差别可以增加不同地物间的差异,从而提升分类模型的性能。     

基于高分一号影像的雄安新区土地利用分析

土地利用的分类精度对土地资源开发有很大影响。选取雄安新区2017年5月12日的高分一号影像作为试验数据,分别运用监督分类方法中的最大似然分类器和面向对象的分类方法对影像进行土地利用分类,得到研究区域的土地利用分类情况。面向对象分类方法的Kappa系数和总体分类精度都高于最大似然分类器的分类结果,分别达到了0.968 8和97.500 0%。实验结果表明：针对高分一号影像,对比最大似然分类器,使用面向对象的分类能提高研究区域的土地利用分类精度。面向对象分类结果可以为雄安新区的土地利用分类提供参考。     

基于卷积神经网络高光谱影像土地利用分类方法研究

土地覆盖/土地利用变化信息是全球环境变化发展的最重要信息来源之一。本文以高分五号高光谱影像为数据源,采用主成分分析（Principal Component Analysis,PCA）方法进行特征提取,并选用前六个主成分作为分类数据,利用基于卷积神经网络（Convolutional Neural Networks, CNN）的分类方法进行分类,并以支持向量机（Support Vector Machine, SVM）和RF(Random Forest,RF)分类方法进行对比。结果表明,基于CNN的分类方法获得的总体分类精度最高,达到87.67%,Kappa系数为0.84,总体精度相较于基于SVM和RF分类方法的总体精度分别提高了9.00%和8.00%;基于SVM和RF的分类方法的分类结果“椒盐”噪声明显,基于CNN的分类方法可以很好地改善这种情况;基于SVM和RF的分类结果对草地、林地以及其他用地等的分类精度较低,错分比率较高,而基于CNN的分类方法可以有效地改善这种情况。     

基于遥感影像的矿区地物信息提取方法对比分析

以包头市白云鄂博矿区为试验区,以Landsat-8卫星影像为数据源,分别采用非监督分类、监督分类两种传统的分类方法与面向对象分类方法对遥感影像进行分类提取,并对三种方法的分类结果进行定性和定量比较。结果表明：传统的分类方法得到的分类图像连续性较差,很多点状分布的地物与实际地物不符合;而面向对象分类方法得到的图像各类地物之间边界明显,与实际的地物分布相似度高,更适合于矿区的空间信息提取工作。     

面向对象的武汉市街区公共遥感影像分类研究

面向对象的遥感影像分类方法克服了传统基于像元分类方法的弊端,将对象光谱、空间纹理等特征一并加入分类依据中,有效避免了“同谱异物”或“异物同谱”的问题,适合于高分辨率的遥感影像分类。以武汉市某街区公共遥感影像为例,采用上述方法,结合支持向量机分类方法进行地物分类识别,结果显示,分类总体精度达到了89.9913%,取得了良好的分类效果。     

结合分层技术和SVM监督分类的植被专题信息提取

比较最大似然法与“结合分层技术和SVM监督分类”方法,从神木县OLI图像上识别7种主要植被类型的精度。将神木县7种主要植被类型划入5个专题图层,对图像进行LBV变换后,通过阈值分割获取目标植被类型的概貌图像,以波段L、V、B作为有效特征进行面向对象分割和SVM监督分类,并在分类后执行开、闭运算操作,获得目标植被类型的精确提取结果,将该提取结果作为掩膜区域从原图上去除,重复上述过程依次处理5个专题图层,将各专题层提取结果叠加形成分类图,与最大似然法分类结果进行比较。结果表明,“结合分层技术和SVM监督分类”的方法能够有效降低OLI图像分类后的“椒盐效应”,准确识别神木县7种植被类型,总体分类精度和Kappa系数分别为85.32 %、0.796,较最大似然法分类结果分别提高了16.46%和17.93%。