基于多分类器联合的遥感图像监督分类方法研究

遥感图像分类是遥感图像处理的一个重要内容,根据遥感图像监督分类方法适用范围不同且分类机制各有优劣的特点,将多分类器联合对遥感图像进行分类,结果表明,与单一分类器的分类结果相比,多分类器结合的监督分类技术能有效提高遥感图像专题信息提取的精度。     

小样本条件下的半监督遥感影像分类方法研究

遥感图像监督分类需要充足精确的标注数据训练分类器,然而数据标注需要人工参与,很多任务难以及时获得符合要求的监督信息,不利于影像分类。半监督学习是一种利用少量标注数据和大量未标注数据共同训练分类器的机器学习方法,能从机理上减少人工参与,提高效率。本文引入一种半监督方法——平方损失互信息归一化模型(squared-loss mutual information regularization,SMIR)实现遥感图像分类。实验结果表明,在小样本监督信息的条件下,SMIR能够利用标注数据与未标注数据,直接构建多类分类器,其影像分类结果优于经典的支持向量机(support vector machine,SVM)方法。     

土地覆盖分类中遥感与GIS的应用原理

阐述了遥感与GIS在土地覆盖分类中的应用原理。遥感自动分类主要依赖地物的光谱特性,采用数理统计的方法,基于单个像元来进行,主要有监督分类和非监督分类的方法。GIS可以使分类结果更加精确,在GIS的支持下对遥感数据分类结果进行叠加分析,使分类图像与土地利用分区信息集合起来,可以很大程度上提高精确度。     

基于混合核函数的极限学习机遥感图像分类

针对遥感影像数据集庞大,地物复杂难辨等特性导致分类难度加大的问题,文中构建了一种基于混合核函数极限学习机的遥感图像分类方法。运用该方法对遥感图像数据集进行分类处理,并将其与单核极限学习机、无核极限学习机、支持向量机等方法进行了对比。实验结果表明,基于混合核函数的极限学习机在对遥感图像进行分类时,其总体精度更优,且一致性效果更好。     

遥感土地利用分类方法应用研究

随着科技的发展已经在统计土地利用分类这种大数据采集有了质的跨越,从人力采集时代逐渐跨步为影像采集时代而土地分类主要有监督分类和非监督分类。采用2018年Landsat-8遥感影像作为基础数据对四川省游仙区采用监督分类的神经网络法和非监督分类的ISODATA进行分析对比,最终结果是监督分类与遥感影像最为贴近虽然非监督分类的效果没有监督分类好。     

遥感图像分类有损压缩的定量分析

本文使用基于回归模型的定量方法评估有损压缩对遥感图像压缩的影响,介绍了核函数的选择和模型参数的计算,研究了遥感图像分类回归分析模型的建立。通过实验分析了压缩比尺度分类的精度变化,结果表明,所建立的回归模型实现了遥感图像压缩性能分析。     

基于遥感图像特征的分类方法研究

基于光谱特征的遥感图像信息提取方法存在分类精度和效率低的不足,在ENVI软件下采用基于灰度共生矩阵提取纹理特征的方法,将纹理特征参与到光谱特征中进行分类,并与基于光谱单源数据分类进行分析和比较。实验结果表明,纹理特征参与分类在一定程度上提高了遥感图像的分类精度。     

ICA新算法在遥感图像分类中的应用

遥感图像分类中的关键目的在于获取高精度的遥感图像,便于目视解译和自适应智能化.为了减少运算量和达到高分类精度的目的,本文提出了基于JADE和SOBI结合的ICA算法,通过对Alos卫星图像的试验,得到了极好的分类精度,为从信号处理方向进行遥感图像分类提供了参考.     

遥感图像分类技术的发展现状

遥感图像自动分类一直是遥感技术中一项重要工作,它压缩原始图像的信息量,提高其他工作阶段的效率.本文就此阐述了近年来遥感图像分类技术的发展现状.     

遥感图像中微小红外目标的分类定位识别

遥感图像中存在大量微小红外目标,对其准确的分类和定位识别是实现远程目标识别和遥感测量的基础。目前对该类红外小目标的识别方法采用单层正方形网格生成方法,对随机标定的红外目标点的识别效果不好。提出一种基于Harris角点检测的遥感图像中微小红外目标的分类定位识别算法。构建遥感图像的红外目标数据采集模型,对图像进行角点特征提取预处理,采用Harris角点检测算法实现对红外目标微小特征点的信息标定,实现对其准确分类定位。仿真实验表明,采用该算法进行微小红外目标的分类定位识别,具有较高的准确性,对红外目标的特征提取和定位识别效果较好,在远程目标探测和遥感监测等领域具有较高的应用价值。     

基于遥感影像的土地覆盖分类方法研究

20世纪90年代卫星遥感在全球和区域尺度土地覆盖研究与应用方面取得了突破性进展,土地利用/覆盖遥感研究的新方法不断出现。对国内外土地覆盖遥感图像分类的研究现状进行了综合阐述,初步探讨了提高土地覆盖遥感影像分类精度的方法与途径     

基于BP神经网络的遥感影像分类方法研究

本文用遥感影像监督分类的常用方法与基于BP神经网络的分类方法对黑龙江省鹤岗市某区域高分二号数据进行土地利用分类,并比较分类精度,得出基于BP神经网络的分类方法总体精度相对较高。     

宁波市土地TM遥感图像Bayes分类

遥感图像处理技术是进行区域国土资源监测的有效方法。该文采用贝叶斯（Bayes）判别分类方法对宁波市区的TM遥感图像进行土地分类研究，得到宁波市区的建成区分布状况、水资源状况、城乡接合部状况及其它土地资源利用状况，基本上达到了对不同地物的分类要求。     

基于支持向量机的土地覆被遥感分类

遥感图像的分类是研究土地变化的基础。传统的遥感图像分类存在着精度不高,不确定性强的特点。本文使用支持向量机（SVM,Support Vector Machine）技术对遥感图像分类,并与传统的最大似然分类进行对比试验。结果表明不同参数组合下SVM的分类总精度和Kappa指数普遍高于最大似然分类的结果,其最高总精度高出最大似然分类0.9779%。SVM和最大似然分类结果都存在着类别混分,但是SVM混分程度远小于最大似然分类,其精度保持在可接受的范围内,如对于低密度草而言,最大似然分类的用户精度下降到84.68%,而支持向量机的用户精度虽然也有下降但还是保持在92.31%。SVM在样本数目很少的情况下表现出了出色的学习能力,是机器学习领域很有希望的一种学习方法。     

基于LandsatTM影像的城市变化检测研究

通过LandsatTM影像研究城市空间形态,获知城市演变规律,服务于城市规划、建设和管理,已成为城市遥感应用的一个新领域。本文提出了监督分类方法在遥感图像分类中的应用,在此基础上提出了城市变化检测研究的方法,并对城市变化发展的驱动力进行的初步的探讨。     

遥感影像分类方法研究

为了遥感解译基础性工作的发展和提高,本文综述了近年来国内外多种分类方法的研究和进展。在分析当前主要遥感影像分类方法的基础上。从传统的分类方法、基于智能的分类方法、其他新分类方法三个方面,对遥感分类方法研究进展进行了阐述,本研究还存在不足,今后还需进一步研究利用各种分类方法相互结合在盖遥感影像分类中的应用。     

基于GE影像的土地利用状况分析——以武汉市为例

将GoogleEarth影像引入到土地资源分析领域,基于GE影像,利用ENVI遥感图像处理软件对图像进行辐射校正、几何校正以及去噪等预处理和增强处理,然后根据武汉市矢量地图裁剪出武汉市行政边界;对处理后的图像进行非监督分类得到初步处理图像,将获取的分类结果结合具体地形图再进行后续处理,最终得到较理想的武汉市遥感图像分类结果;最后对武汉市的土地利用情况进行统计,对土地资源的利用和管理加以分析。     

江苏省滨海湿地信息提取方法研究

湿地的现状及其变化趋势对于湿地开发、利用、管理及保护政策的制定至关重要。本次研究以江苏省典型滨海湿地为研究对象,利用2002年5月和2007年6月的Landsat7 ETM＋图像数据,在对湿地特征及其遥感图像表征分析的基础上,首先对2002年的影像进行基于知识规则的信息提取,接着采用监督分类与非监督分类相结合的方法对2007年的影像进行分类,两者都取得了较为理想的分类结果。可见,对于影像的分类要注意特征的选取,找出合适的知识规则或分类方法。     

基于支持向量机的遥感影像分类

遥感影像分类是提取遥感信息的基础步骤与重要手段,然而由于影像分辨率以及同谱异物与同物异谱现象,传统的分类方法难以实现高精度的分类。基于智能算法的非参数分类方法已开始应用于遥感分类中。本文以佛山市为研究区,对其遥感影像采用支持向量机方法进行土地利用覆盖分类研究,并对分类结果进行精度评价。结果表明:支持向量机分类有较高的精度,是遥感影像分类的有效方法。     

基于MODIS的西藏高原土地覆盖分类研究

嵌的MODIS遥感图像,用最大似然估计分类器对西藏高原的土地覆盖类型进行了分类,并采用西藏高原数字高程模型(DEM)对MODIS分类结果进行了分析和改进,最后分别用混淆矩阵和图集中西藏高原植被分类汇总面积对MODIS土地覆盖分类结果进行了分类精度评价。结果表明:①MODIS遥感图像能够有效地分类出西藏高原的主要土地覆盖类型;②根据西藏高原植被的垂直带性分布特点,由DEM改进的MODIS土地覆盖分类精度明显提高,主要土地覆盖类型的面积绝对误差都小于2%,其中,河流与湖泊、森林、高寒荒漠、作物和山地草原的绝对误差都在1%以下;③混淆矩阵分析的平均分类精度为87.68%。