遥感图像分类方法在土地利用分析中的比较

介绍了最大似然分类法的特性及存在的问题,提出了解决这些问题需要采用的方法,论述了人工神经网络分类技术和图像纹理特征参与分类。     

基于遥感影像的最大似然分类算法的探讨

通过对最大似然分类算法的研究,并将其与马氏距离分类法在相同情况下进行对比试验,结果表明,最大似然分类方法对于光谱特性呈正态分布的遥感影像能提供较高的分类精度,而对于光谱特性呈非正态分布或偏离正态分布总体的遥感影像,最大似然分类法的实际分类效果并不理想,进而分析最大似然分类法的适用性.     

植被高光谱遥感分类方法研究

结合具体的OMISI高光谱遥感数据,对各种常用植被高光谱遥感分类方法进行分类训练,通过比较分类性能,得到各种方法在植被高光谱分类中的若干应用规律和分类过程中选择最优分类方法的一些技巧。在此基础上,提出将传统分类方法与基于光谱特征匹配的分类方法相结合对高光谱图像进行分类的方法。     

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.     

基于视觉显著性波段选择的高光谱分类

波段选择是一种能够减少高光谱图像数据量的同时不改变其物理信息的处理方式,然而,大部分波段选择方法都以选择信息量最大的波段子集为思路,而信息量最大的波段子集却并不一定在后续的分类中有着最佳表现.为达到更好的高光谱分类效果,引入视觉显著性方法,定义基于显著图的波段评价指标,以充分利用各波段图像的空间信息,结合固有的光谱信息...     

关于最大似然谱估计

该文给出了有关最大似然谱估计的相容性若干定理。其证明是基于过程的一个现实，它不同于Ｐｅｓａｒｅｎｋｏ基于独立性样本段的证明。     

高光谱遥感波段选择的非线性投影寻踪方法

针对高光谱遥感波段选择问题，提出了一种非线性投影寻踪指标，构造了投影寻踪迭代算法．对植被高光谱遥感图像的实验分析表明，该方法所选出的三个特征波段基本上相当于三个主成分方向所包含的信息量，特别是提高了易混类别的分类精度．     

基于模糊先验的惩罚最大似然重建算法

传统的二次先验算法不能有效的保持图像的边缘信息.为了解决这些问题,在最大似然算法中引入Hubber先验,同时结合模糊数学知识,形成了基于模糊先验的惩罚最大似然估计重建算法(PML-FuzzyHubber).仿真结果表明,相对于基于传统的Hubber先验等传统算法,PML-FuzzyHubber算法参数选择简单方便,能有效的抑制噪声和保持图像的边缘信息,重建出高质量的图像.     

一种基于BP网络和决策融合的高光谱遥感图像分类方法

BP神经网络在用于高光谱遥感图像分类时,其初始权值的选取对分类结果有很大影响.针对这种情况,提出了一种将BP神经网络与决策融合理论相结合的高光谱遥感图像分类方法,该方法将多个结构相同、初始权值不同的BP神经网络的分类结果进行融合,最后把融合结果作为原图像的最终分类结果,以实际的高光谱遥影像为例,说明该方法能够有效地提高遥感影像的分类精度.     

高光谱遥感图像特征提取及分类研究——基于离散余弦变换(DCT)及支撑向量机技术

高光谱遥感图像具有波谱连续,维数高的特点．当样本较少时,在原始特征空间采用传统的统计识别方法分类达不到理想的效果．经研究发现有两种方法可以解决小样本高维的非线性分类问题．一是将原始空间通过离散余弦变换（DCT）压缩到低维空间,再用统计识别方法分类;二是利用支撑向量机的内积函数,将原始空间映射到高维空间,使其在新的特征空间线性分类．实验表明,这两种方法比利用马氏距离判别法直接对原始图像分类有更好的分类效果．     

基于集合论的光谱相似性度量及在影像检索中的应用

将高光谱遥感中光谱向量相似性度量转换为相应的集合相似性度量,提出了两种适用于光谱的相似性度量方法,即基于光谱多边形面积和基于特征波段位置匹配度量.实验结果表明,基于光谱多边形的方法能够更有效地综合应用反射率和波长二维信息,有效度量光谱向量相似性.     

遥感图像分类方法的研究

本文较全面地讨论了遥感图像监督分类和非监督分类中的各种分类方法，及该方法的优缺点、适用场合，并作了简单评价，以期对遥感图像分类方法的研究有新的突破．     

基于贝叶斯分类器的图像分类

通过对朴素贝叶斯分类器的讨论, 提出将贝叶斯方法应用于医学图像分割后的图像分类思想. 给出一种基于朴素贝叶斯分类器的图像分类方法, 对从尿沉渣图像中识别出的微粒进行正确分割及特征提取与选择, 并利用朴素贝叶斯分类器进行分类. 实验结果表明, 所提出的方法用于解决图像分类有效.     

最优代表向量法及其在冰川分类中的应用

针对同物异谱现象以及分类过程中样本代表性差、人工参数设置等原因导致高光谱遥感影像分类精度差的问题,提出了一种样本集优化的最优代表向量分类法,对感兴趣区中的样本进行密度峰值聚类提纯,并对每类地物提纯后样本的均值向量集进行隶属度聚类择优,获取最优代表向量集作为该类地物的中心向量,最终依据距离准则进行分类.通过对比实验验证,本文算法总体分类精度高于90%,表明最优代表向量分类法能够有效消除样本差异性的影响,提高冰川分类精度.      

浅论面向对象的遥感图像的模糊分类

介绍了面向对象与基于像素的分类方法,分析了模糊分类方法,阐述了面向对象的模糊分类技术的软件应用。     

几种典型矿物的偏振高光谱特性研究

矿物和岩石的系统光谱学研究是当今高光谱遥感发展的基础。目前对矿物岩石光谱的研究主要集中在可见—近红外波段的传统光谱,基于两个波段（A：630~690 nm,B：760~1 100 nm）,波段范围不连续,同时观测数据的精度与目前常用的遥感数据源之间有一定的差距;利用高光谱对矿物的偏振反射特性目前还少有研究。文章在传统光谱测量基础上,利用偏振高光谱技术对矿物波谱进行实验,绘制波谱曲线图,直观表现矿物在偏振高光谱条件下的连续波谱特性,为遥感找矿技术提供新的发展方向。     

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。     

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.