LS-WTSVM的遥感多光谱影像云检测

研究基于最小二乘小波孪生支持向量机(least squares wavelet twin support vector machines,简称LS-WTSVM)的遥感多光谱影像云检测.首先根据云在不同波段中大气的辐射特点,结合Landsat7 ETM+影像数据的光谱特性获得云像元的光谱特征,再通过提取每个图像块的灰度共生矩阵得到相应像元的纹理结构特征,根据像元的光谱特性和纹理结构特征构造特征向量,最后利用最小二乘小波孪生支持向量机多分类算法进行Landsat7 ETM+影像像元的云检测,实现不同类型云区的多分类识别.仿真实验结果表明,该算法能准确地检测出多光谱影像中的厚云和薄云.     

基于模糊聚类SVM的混合像元分类方法

针对遥感影像分类过程中混合像元难判别的问题, 提出一种基于Gustafson-Kessel模糊聚类算法的支持向量机（SVM）分类模型. 以Gustafson-Kessel算法优选训练样本方式提高支持向量机的分类性能. 为验证其有效性, 将该模型应用于森林覆盖类别分类, 并与标准支持向量机模型分类结果对比. 实验结果表明, 该方法能提高支持向量机对混合像元划分的精度.     

基于SVM的遥感影像监督分类方法研究 ——以天水市三阳川地区为例

遥感影像分类技术是研究土地利用、规划与地理空间信息分析的重要技术手段,遥感影像分类的模型算法在各类遥感图像分类应用中起着重要作用.文章通过实地踏勘数据与图像纹理与光谱信息对比分析选择训练样本,对SVM支持向量机等6种分类方法进行结果分析与分类精度评定并得出结论.通过分类实验数据对比分析,得出基于SVM分类方法的精度高于...     

基于多类支持向量机的遥感图像分类及其半监督式改进策略

基于神经网络的遥感图像分类取得了较好的效果,但存在固有的过学习、易陷入局部极小等缺点.支持向量机机器学习方法,根据结构风险最小化(SRM)原理,表现出很多优于其他传统方法的性能,本研究的基于多类支持向量机分类器的遥感图像分类取得了达95.4％的分类精度.但由于遥感图像分类类别多,所需训练样本较大,人工选择效率较低,为此提出以人工选择初始聚类质心、C均值模糊聚类算法自动标注训练样本的基于多类支持向量机的半监督式遥感图像分类方法,期望能在获得适用的分类精度的基础上有效提高分类效率.     

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.     

基于支持向量机的遥感图像分类研究

支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的新型机器学习算法.通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.将支持向量机理论应用到遥感图像分类的研究还处在初级阶段,传统分类算法应用于遥感图像分类存在运算速度慢、精度比较低和难以收敛等问题.从支持向量机基本理论出发,建立了一个基于支持向量机的遥感图像分类器.用遥感图像数据进行实验,并将结果与其它方法的结果进行了比较分析.实验结果表明,利用SVM进行遥感图像分类的精度明显优于神经网络算法和最大似然算法分类精度.     

基于遥感和GIS的土地利用分类方法研究

本文基于遥感卫星数据,在遥感软件ENVI 5.1和地理信息系统软件Arc GIS 10.0的支持下,通过最大似然法(MLC)、支持向量机(SVM)、人工神经网络(ANN)三种方法,对研究区土地利用/覆盖(LUCC)分类进行信息提取,并对不同分类方法的结果进行比较分析和精度检验.研究表明:使用支持向量机进行遥感图像分类,精度优于最大似然法和人工神经网络,且学习速度也较快,可更好地区分土地利用类型,提高土地利用信息的精度,适用于不同地貌单元,能够作为小尺度范围内遥感影像LUCC分类研究的有效工具.     

基于光谱与纹理信息的Worldview-2影像地物分类

高分辨率遥感影像分类是遥感影像处理领域中的一个重要的研究方向.选取Worldview-2影像,分别以光谱信息和光谱结合纹理信息为分类数据,采用最大似然法(MLC)和支持向量机法(SVM)进行监督分类,用混淆矩阵对分类结果进行评价.结果表明,9×9为最佳纹理窗口;SVM法分类精度明显优于MLC法;基于光谱结合纹理信息的分类精度明显优于单纯基于光谱信息的分类结果.辅以影像纹理特征,采用SVM法可以较为有效提取Worldview-2地物信息.     

基于光谱与纹理信息的Worldview-2影像地物分类

高分辨率遥感影像分类是遥感影像处理领域中的一个重要的研究方向.选取Worldview-2影像,分别以光谱信息和光谱结合纹理信息为分类数据,采用最大似然法(MLC)和支持向量机法(SVM)进行监督分类,用混淆矩阵对分类结果进行评价.结果表明,9×9为最佳纹理窗口;SVM法分类精度明显优于MLC法;基于光谱结合纹理信息的分类精度明显优于单纯基于光谱信息的分类结果.辅以影像纹理特征,采用SVM法可以较为有效提取Worldview-2地物信息.     

模糊均值聚类和最小二乘支持向量机相融合在遥感图像分类中的应用

为了提高遥感图像分类精度,提出一种模糊均值聚类(FCM)和最小二乘支持向量机(LSSVM)相融合的遥感图像分类方法(FCM-LSSVM).首先对遥感图像样本进行模糊均值聚类,得到隶属度矩阵,然后根据隶属度矩阵选择遥感图像的训练样本,最后将训练样本输入到最小二乘支持向量机进行学习,并采用粒子群优化最小二乘支持向量机参数,建立遥感图像分类模型.通过仿真实验对算法性能进行测试,结果表明FCM-LSSVM提高了遥感图像分类效率和分类精度.     

基于机器学习的多源遥感影像融合土地利用分类研究

为了快速获取准确的城市土地利用信息,提高西南地区遥感影像城市土地利用分类信息提取的精度,探讨了当前快速发展的机器学习技术在该领域中的分类实验.选用昆明市主城区作为研究区域,以Landsat8与Sentinel-1A影像为原始数据,使用GS变换法对影像进行融合,使用卷积神经网络(Convolutional Neural Network,CNN)和BP神经网络(Back Propagation Network)2种分类算法对融合前后的遥感影像进行土地利用分类信息提取,对分类结果进行分析.研究结果表明:基于Landsat8和Sentinel-1A的融合影像数据的卷积神经网络分类算法具有最好的分类效果,其总体分类精度和Kappa系数分别为85.8091%,0.8124,认为基于多源遥感影像融合的卷积神经网络分类方法是获取准确的城市土地利用分类信息的一种可行的方法,可以为高原地区城市的土地利用分类提取研究参考.     

基于人工神经网络遥感图像分类的应用研究

阐述了遥感图像分类处理中应用BP神经网络的方法,在ENVI平台下,对基于BP神经网络的分类方法进行了研究。结果表明：基于BP网络神经的遥感图像分类效果是相当突出的,是一种非常有效地处理遥感图像的方法。     

基于偏微分方程的遥感成像雷达距离图像分类方法

针对传统方法分类遥感成像雷达距离图像时, 未对图像进行平滑处理, 导致其易受环境干扰, 分类性能较差的问题, 提出一种基于偏微分方程的遥感成像雷达距离图像分类方法. 首先通过偏微分方程对遥感成像雷达距离图像进行平滑处理, 然后采用基于偏微分方程的多区域分割模型, 将分割后的遥感成像雷达距离图像分类过程视为泛化函数最小化过程, 通过分割对能量泛函数进行最小化处理, 实现遥感成像雷达距离图像的多区域分类. 实验结果表明, 该方法成像速度快, 去噪和图像分割效果好, 分类精度和Kappa系数值均较高.     

基于偏微分方程的遥感成像雷达距离图像分类方法

针对传统方法分类遥感成像雷达距离图像时, 未对图像进行平滑处理, 导致其易受环境干扰, 分类性能较差的问题, 提出一种基于偏微分方程的遥感成像雷达距离图像分类方法. 首先通过偏微分方程对遥感成像雷达距离图像进行平滑处理, 然后采用基于偏微分方程的多区域分割模型, 将分割后的遥感成像雷达距离图像分类过程视为泛化函数最小化过程, 通过分割对能量泛函数进行最小化处理, 实现遥感成像雷达距离图像的多区域分类. 实验结果表明, 该方法成像速度快, 去噪和图像分割效果好, 分类精度和Kappa系数值均较高.     

遥感技术在城市规划中的应用——以石河子市为例

利用专业遥感图像处理软件,对石河子市不同时期的遥感影像进行几何校正、图像增强和非监督分类等处理,获取城市用地信息,通过对比分析不同时期的城市用地类型,评估城市用地的变化情况。结果表明：（1）研究区内土地利用处于发展期,各种土地利用类型变化大;（2）绿化率较高,但是区域分布差异大,表现为西部老城区绿化率高,而东部开发区绿化率低;（3）耕地面积不断减少,而绿化面积未能及时弥补,所以对市区的环境质量具有一定程度的负面影响。在未来的规划中,应该在保持耕地面积不再减少的情况下,继续增加绿化面积,尤其要增加开发区绿化率,为开发区的后续发展营造良好的环境氛围。     

基于粗集的遥感影像决策树分类新方法

土地利用信息是进行土地规划和管理的重要数据,有着重要的经济价值.采用计算机仿真技术对遥感影像进行自动分类是一种获取土地利用数据十分有效的手段.然而遥感影像的不确定、不一致现象易导致过度拟合,增加了分类难度.提出了一种新的基于粗集的决策树用于遥感影像分类.经试验表明该分类方法较CART树、ID3树等算法在分类精度、防止过度拟合方面均有所提高.     

基于量子粒子群算法选择特征的遥感图像分类

针对目前遥感图像分类算法存在精度低、 速度慢等问题, 提出一种基于量子粒子群算法的遥感图像分类算法, 以提高遥感图像的分类效果. 首先分析目前遥感图像分类算法存在的不足及其原因; 然后提取多种类型的遥感图像原始特征, 采用量子粒子群算法对特征进行筛选, 以提取对遥感图像分类结果较重要的特征; 最后采用最小二乘支持向量机(LSSVM)建立遥感图像分类器, 实现遥感图像分类和识别, 并进行遥感图像分类的仿真对比实验. 实验结果表明, 该算法克服了当前遥感图像分类算 法存在的局限性, 大幅度提高了遥感图像的分类精度, 有效减少了图像分类误差, 提高了图像分类效率.     

基于多特征的高光谱遥感土地利用信息提取

【目的】为了降低高光谱遥感数据噪声,提高土地利用分类信息提取精度,探索结合纹理和空间信息的分类方法。【方法】以河南镇平县Hyperion高光谱成像光谱仪获取的高光谱影像为数据源,借鉴决策树分类思想,采用了一种结合光谱、纹理和空间信息的高光谱遥感多特征地类提取方法,先通过提取光谱特征初步提取地类,再分别采用提取纹理特征和基于空间信息的植被提取进行详细地类信息的分层提取,最后,用地面实测样点验证各类土地利用类型的分类精度,比较了用不同方法对不同地类的提取效果。【结果】基于多特征的地类分层提取体系中,采用各波段光谱反射率区分大的地类,再用纹理特征进行光谱差异较小的地类划分,而基于空间信息进行植被的分类。通过结合纹理和空间信息提取方法的总分类精度达86.7%,较最大似然法分类精度提高13.3%。【结论】高光谱与纹理和空间信息相结合的遥感分类方法能有效减小噪声,提高分类精度,可为土地利用分类提取研究提供一定的参考。     

基于独立分量分析的遥感影像分类方法

多光谱遥感影像反映了不同地物的光谱特征,其分类是遥感应用的基础。独立分量分析对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析利用了信号的高阶统计信息,对于多光谱遥感影像而言,其去除了波段影像之间的相关性,获得的波段影像是相互独立的。最后通过TM遥感影像数据的分类试验,验证了基于独立分量分析的线性光谱混合分析模型应用于多光谱遥感影像非监督分类的有效性。