基于数学形态学遥感影像分类后优化处理

遥感影像分类后处理是为了提高分类的精度，优化分类结果。参考传统的分类后处理方法，本文提出了基于数学形态学的遥感影像分类后处理方法，利用数学形态学的基本概念和算法，在遥感软件ERDAS的平台上，对结构元灵活的组合．分解，应用形态交换算法达到了消除噪声、填补孔穴和光滑边界的效果，最大程度的保留了影像的信息，同时优化了分类后的影像；并实际验证了本文方法较传统方法的优越性与可靠性。     

遥感影像监督分类与非监督分类的比较

遥感影像的分类方法按照是否有先验类别可以分为监督分类和非监督分类，这两种分类法有着本质的区别但也存在一定的联系．从分类原理、分类过程、分类方法等不同角度分析了这两种方法的区别与联系，并展望了遥感影像分类的发展趋势与发展前景．     

小样本学习在高分遥感影像分类与识别中的应用

遥感影像分类与识别是近年来深度学习以及图像分类与识别研究的热点,其中一个关键问题是因样本数据集的数据较少而极易出现过拟合。许多图像分类的模型和方法并不完全适用于遥感影像分类,将小样本学习与遥感影像处理结合起来,实现遥感影像数据增强和识别模型优化是一个可行的思路。根据小样本学习的发展现状,针对特征提取、模型分类方法,归纳总结了典型学习方法的原理及其在相关领域的应用; 分析遥感影像处理的现状和存在问题,基于适用场景、优缺点对各方法进行了比较; 通过分析小样本学习在高分遥感影像分类与识别上的应用,发现引入注意力机制和迁移学习后,小样本学习能够用于样本数据量小的遥感影像分类。     

利用ENVI软件处理遥感影像

遥感影像处理是对遥感影像进行辐射校正和几何纠正、图像整饰、投影变换、镶嵌、特征提取、分类以及各种专题处理的方法。本文结合实际遥感影像,主要介绍如何利用ENVI软件进行遥感影像的校正、重采样、融合、镶嵌、分类及分类后处理。     

量子粒子群优化核极限学习机的遥感影像分类

极限学习机初始参数具有随机性,容易导致其对高分辨率遥感影像的分类结果出现局部最优现象.为了解决上述问题,提出了一种基于量子粒子群优化核极限学习机的遥感影像分类方法.该方法利用量子粒子群算法对核极限学习机的核参数与正则化参数进行优化,根据参数优化后的结果构建量子粒子群优化核极限学习机的遥感影像分类模型（QPSO-KELM）.通过实验对比了SVM、KELM、PSO-KELM、QPSO-KELM这几种分类方法对高分二号遥感影像数据的分类精度与效率.结果表明：QPSO-KELM的分类精度、运行速度均优于其他几种分类方法,该方法能有效提取遥感影像上的地物要素信息.     

基于CART决策树的ZY-3卫星遥感数据土地利用分类监测

通过分析ZY-3卫星遥感影像光谱特征、数据质量,探讨其遥感影像在土地利用分类监测领域的应用前景.基于遥感影像特征,结合面向对象的分析思想,选择训练样本构建决策树分类模型,进行土地利用计算机自动分类,并通过混淆矩阵和Kappa分析对分类精度进行评价.研究表明：1)基于决策树模型和面向对象分类方法,ZY-3卫星遥感影像分类总体精度为88.76%,有助于提高影像分类精度;2)在分类模型中,ZY-3卫星影像对水域、耕地、公路用地和林地影像辨识度较高,而对于其它用地类型相对不足.3)ZY-3卫星数据高分辨率影像特征明显,影像可用于土地利用分类监测.     

基于相似系数的1种算法在遥感图像分类中的应用

用基于向量夹角余弦的相似系数方法对黄河三角洲1998年12月份的Landsat—5TM遥感影像进行了分类，分类精度分析表明用夹角余弦作为分类的相似性度量指标是合理的。这种遥感图像的分类方法简单，在实际分类中可以作为常用的方法之一。     

土地利用遥感分类技术探讨

土地利用的分类方法很多,将基于类神经网路的专家系统应用于土地利用遥感分类,是通过专家系统的知识来训练网路,利用网路的自学习和联想记忆能力来进行遥感影像的分类,以提高遥感影像处理的精度和速度。     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.     

基于BP神经网络的石漠化遥感影像分类方法的探讨

以由DEM数据提取出的坡度、地形特征信息与TM遥感影像的光谱信息相结合,应用BP神经网络方法进行石漠化遥感影像分类。并对比了BP神经网络分类法、ISODATA分类法、最大似然法三种分类方法。结果表明BP神经网络分类法有效地提高了石漠化信息的遥感分类精度。