基于GF-2遥感影像的面向对象分类方法比较研究

基于eCognition软件分别采用K-最近邻(KNN)分类、支持向量机(SVM)分类和CART决策树分类对GF-2遥感影像进行面向对象分类,并对3种分类方法的结果进行比较分析。结果表明:K-最近邻分类在影像准确性、复杂多样性、影像光谱混淆以及分布边界模糊等方面具有较高的识别能力。     

稳健稀疏线性判别分析方法在人脸识别中的应用

线性判别分析(LDA)是一种在机器学习领域众所周知的监督分类方法,在特征提取方面效果显著.传统的LDA解决了散度矩阵中存在奇异矩阵的问题,但却没有考虑人脸图像中可能存在的椒盐噪声,且无法确定低维空间维数.为此,采用稳健稀疏线性判别分析(Robust Sparse Linear Discriminant Analysis,RSLDA)进行人脸识别,选取公开的人脸库(ORL、CMU PIE、YaleB)对LDA、PCA+LDA、ULDA、OLDA、L21FLDA和RSLDA这6种方法进行系统地比较.实验结果表明,在原始人脸图像中,RSLDA的识别率均在94.82％以上,均高于其他5种方法.当人脸图像存在椒盐噪声时,RSLDA的识别率远高于其他方法.     

基于遥感生态指数的生态环境质量评价——以黎川县为例

随着城镇化建设的不断推进,生态环境问题受到越来越多的关注.通过生态环境质量评价可以发现城镇化建设对生态环境的影响,进而采取积极的措施以实现人与自然的可持续协调发展.遥感生态指数因具有客观、快速、准确地提取多种地表信息的能力在生态环境质量评价中被广泛采用.因此通过获取2004年和2014年的遥感影像,采用遥感生态指数对黎川县进行生态环境质量评价.研究结果表明:2004—2014年黎川县整体生态环境质量略微变好,但不同等级的分化程度有所增加,其RSEI均值从0.69增加至0.73,标准差从0.10提升至0.14.     

基于主成分分析和支持向量机的鲁棒稀疏线性判别分析方法

为了提高人脸图像的识别率、识别效率和鲁棒性,提出一种基于主成分分析（Principal Component Analysis, PCA）和支持向量机（support Vector machine,SVM）的鲁棒稀疏线性判别分析方法,通过ORL和YaleB人脸库、COIL20物体库和UCI机器学习库中部分数据集,将本文方法与线性判别分析、鲁棒线性判别分析、基于 范数和巴氏距离的鲁棒线性判别分析、鲁棒自适应线性判别分析和鲁棒稀疏线性判别分析等六种方法进行比较。实验结果表明,在ORL人脸库、COIL20物体库和UCI机器学习库的部分数据集中,在原始图像条件下,本文方法的识别率均值依次为92.80%,97.76%和89.61%,均高于其它5种方法。在YaleB人脸库加入椒盐噪声的条件下,本文方法的识别率均值为81.35%,比其它五种方法高1.37%以上。     

高分辨率遥感图像场景线性回归分类

线性回归分类是图像识别领域中一种简单而有效的分类方法,目前通常采用最小二乘方法对分类模型进行参数估计。然而,同一场景中不同的遥感图像相对应位置的灰度值不完全相同,而且遥感图像还可能包含椒盐噪声和高斯噪声,这些均会造成遥感图像场景分类精度的降低。为了解决这一问题,笔者提出采用稳健加权总体最小二乘方法对线性回归分类模型的参数进行估计。采用两组高分辨率遥感图像场景数据进行实验,将该方法与最小二乘方法、稳健最小二乘方法和加权总体最小二乘方法进行比较评估。实验结果表明,稳健加权总体最小二乘方法能够同时考虑观测向量和系数矩阵的误差,能够有效减少椒盐噪声和较大高斯噪声的影响,从而获得更高的总体分类精度。     

基于改进遥感生态指数的南昌市生态环境质量监测与评价

城市生态环境质量监测是实现城市绿色发展必不可少的环节，遥感技术以其监测范围大和能实时传输的优势被广泛应用于城市生态环境质量评价。为了客观全面地反映城市生态环境质量，采用遥感生态指数（RSEI）模型进行评价，而RSEI模型存在PC1贡献率不高的问题，使得评价结果不够准确。因此本研究采用改进遥感生态指数（IRSEI），将原RSEI模型中的绿度指标归一化差值植被指数替换为通用归一化植被指数，从而构成IRSEI模型，以提高模型对生态环境质量评价的准确性。对南昌市2003—2021年Landsat遥感影像进行处理，得到南昌市生态环境质量的分布情况和变化趋势。实验结果表明:IRSEI的第一主成分贡献率较RSEI平均提高3.6%，湿度、绿度、干度、热度各年份平均相关度的均值提高7.2%；2003年至2021年南昌市IRSEI总体均值变化不显著，生态质量较高的区域主要分布在鄱阳湖区域、梅岭和安义县，较低的区域主要分布在中心城区和西南方向的流湖镇。总体而言，2003至2021年南昌市总体生态环境质量呈先下降后持续上升的趋势。