随机森林分类算法提取柑橘果园的样本数量敏感性分析

随机森林算法,凭借处理高维度数据、模型泛化能力强、训练速度快等优点,被广泛用于土地利用遥感分类中,但该算法的训练样本对分类结果的影响问题一直没有受到重视。以提取南丰县柑橘果园为案例,探讨在不同柑橘果园训练样本下,以随机森林算法提取柑橘果园的精度差异,定量评价训练样本差异对该算法提取柑橘果园精度的影响。研究结果表明:1)对于县级尺度,随机森林训练样本在240,总体精度达到89.66%,Kappa系数为0.87,整体分类效果最优。对于提取柑橘果园,则训练样本数量为2 400时最优。2)南丰县柑橘果园的主要分布于高程100～150 m,坡度0°～5°临近河流的区域范围内,分别占总柑橘果园面积的46.78%和26.67%。     

面向对象的高分辨率遥感影像变化检测方法

变化信息是遥感图像中的一类重要信息,变化信息的自动检测是遥感图像智能解译的重要研究领域.利用面向对象分类技术,对一种同一地区不同数据源的高分辨率遥感影像采用了分类后比较的变化检测方法.介绍了方法原理,建立规则以及实现过程;最后利用提出的方法对同一地区不同时相的QuickBird影像和IKONOS高分辨率遥感影像实施了变化检测实验,结果表明将基于面向对象技术的变换检测方法用于不同数据源的高分辨率遥感影像变化信息的检测是切实可行的,并具有较高的提取精度.     

基于模糊C均值和BP神经网络的遥感影像自动分类算法

针对非监督分类算法分类精度不高、监督法分类算法的训练样本需要人工选择且容易误选的问题,提出了一种基于模糊C均值聚类(FCM)和BP神经网络相结合的遥感影像自动分类算法。首先利用FCM对影像进行初始聚类,然后根据聚类结果,由该算法自动选取其中的纯净像元作为训练样本,并送入BP网络进行学习,用最终训练得到的BP神经网络分类器对TM遥感影像进行分类,实验结果表明该算法具有较高的分类精度,能够满足大尺度地物类别判定的需要。     

基于RGB NDVI图像的桉树人工林区森林覆盖变化年度监测

【目的】监测桉树(Eucalyptus)人工林区森林覆盖的年度变化。【方法】基于2014年和2015年资源3号卫星遥感图像,分别计算研究区不同时段的归一化植被指数及其差值,得到NDVI₂₀₁₄、NDVI₂₀₁₅和NDVI_d,按R-G-B=NDVI₂₀₁₄-NDVI₂₀₁₅-NDVI_d作假彩色合成,得到RGB-NDVI图像,对该图像分别作基于规则的面向对象分类和非监督分类,提取采伐迹地和更新林地信息,并与NDVI差值法结果进行比较。【结果】RGB-NDVI图像面向对象分类的总体精度为98.4%,Kappa系数为0.906 1,略高于传统的NDVI差值法结果(分别为97.3%和0.817 4),RGB-NDVI图像非监督分类效果(总体精度和Kappa系数分别为96.1%和0.790 4)略低于NDVI差值法。【结论】RGB-NDVI图像可读性强,直观地反映了研究区森林覆盖变化的区域和类型信息,在快速变化林区的森林覆盖年度监测中具有良好的应用前景。     

面向对象的高分辨率遥感影像建筑物变化检测

以武汉市东湖高新技术开发区部分区域为研究区,提出基于面向对象的高分辨率遥感影像建筑物变化检测法.利用BMI算法提取建筑物,利用CVA算法进行变化检测得到全部对象差异度,利用EM算法的贝叶斯阈值计算方法确定变化阈值.结果表明,基于面向对象的变化检测总体精度为89.48％,Kappa系数为0.86,优于基于像元的变化检测,...     

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...     

纹理信息在遥感影像分类中的应用

从不同森林类型的纹理差异入手,首先利用离散小波变换提取出图像的纹理特征,然后利用面向对象分类方法将纹理信息与原有的光谱信息结合进行分类。对小波变换提取纹理信息的分解层数、滑动窗口及纹理测度等问题进行系统的分析,并找出了有效反映植被纹理差异性的6个纹理特征因子。该方法可用于解决林业遥感中的诸如林种、树种的分类等问题。最后得到的总体分类精度达到92.7 %,与传统的基于像素的分类方法相比效果有所提高。 关键词：森林类型分类;高分辨率影像;纹理;小波变换     

利用卷积神经网络提取高分辨率遥感图像喀斯特森林信息

针对喀斯特地区受山区复杂地形的影响岩溶山峰在太阳辐射下存在阴坡和阳坡,高分辨率遥感图像中喀斯特森林植被的光谱特征较复杂,"同物异谱"和"异物同谱"现象严重,导致传统的机器学习算法提取森林植被精度不高的问题,根据实践经验将多源多特征融合构成提取喀斯特森林信息特征,改进标准的卷积神经网络(convolutional neural network,CNN),将支持向量机(support vector machine,SVM)与卷积神经网络相结合(CNN-SVM)应用于遥感分类,并与CNN、随机森林(random forest,RF)、支持向量机等方法进行比较。结果表明,CNN-SVM、CNN两种深度学习方法的提取喀斯特森林信息精度均明显高于RF和SVM等浅层模型方法。CNN-SVM综合了CNN提取遥感高阶特征的能力和SVM的分类性能,分类精度在90%以上,高于标准的CNN。深度学习CNN可有效地区分农作物,提高喀斯特森林植被信息的提取精度。     

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.     

基于空频域纹理特征的高分辨率遥感图像居民地提取

为了解决高分辨率遥感图像中居民地信息因光谱和结构复杂度高造成的提取精度低,速度慢等问题。提出一种基于空频域纹理特征的高分辨率遥感图像居民地提取算法,该算法首先对高分辨率居民地图像分别进行特定方向Gabor滤波和分形维数的计算,然后依据得到的空频域纹理图像的局部纹理灰度特征对居民地信息进行提取,最后对提取初步结果进行形态学优化得到最终的提取结果。实验结果表明,该算法对乡村地区和山区居民地信息提取的总体精度达到97%以上,与传统的分形维数方法和Gabor滤波方法相比,误提率降低了45%以上。实现了全自动、有效的提取平原、山区两种地貌的居民地信息。