基于面向对象方法的GF-2影像桉树信息提取对比分析

为研究不同面向对象分类方法对GF-2影像桉树信息提取的可靠性,以广西平朗乡为研究区,首先对GF-2影像做多尺度分割处理,然后采用贝叶斯(Bayes)、决策树(DST)、K最近邻法(KNN)、支持向量机(SVM)、随机森林(RDT)等5种分类器进行分类提取,最后对提取结果进行混淆矩阵精度分析。结果表明:在这5种分类方法中,支持向量机方法的精度最高,总体精度达86.4%,Kappa系数为0.73,贝叶斯方法的精度最差。可见GF-2影像可以作为桉树信息遥感监测的数据源之一,且支持向量机分类方法是桉树提取的较优选择。     

基于随机森林的大姚县TM遥感影像分类研究

随机森林(Random Forest)是一种组合多棵决策树分类器的新的分类算法。以楚雄州大姚县为例,采用Landsat-TM数据,通过最大似然、支持向量机、随机森林3种分类器进行分类对比研究。结果表明,支持向量机和随机森林的分类精度明显优于最大似然法,两者分类精度相差不大;在分类时间上,最大似然法明显比随机森林和支持向量机快,支持向量机最慢。综合分析,随机森林算法表现更优,它在保证分类精度的前提下,也能保证一定的时间效率,更适宜实际生产应用。     

基于LBP-DEELM的木材纹理分类算法

为解决传统木材纹理分类的准确率低且难度大的问题,提出了一种基于LBP-DEELM(局部二值-差分演化优化极限学习机)模型的木材纹理分类算法。在阐述局部二值算子(LBP)和差分演化优化极限学习机(DEELM)算法的基础上,使用均匀旋转不变的LBP模式提取纹理的特征值,结合差分演化算法进行极限学习机优化,通过训练得到每类纹理所对应的分类器模型参数,构造分类器,实现了对木材纹理准确高效的分类。实验结果表明,相比于BP神经网络,SVM支持向量机等分类算法,该模型的实验误差率为2%左右,准确率高,实用性强。     

基于高光谱和激光雷达数据的林分类型识别

【目的】探讨随机森林、支持向量机分类器下机载高光谱影像和激光雷达点云数据源对林分类型识别的影响,并检验叶绿素在林分类型识别中的作用,为提高林分类型分类精度提供科学依据,为森林资源管理和监测提供技术支持。【方法】以东北林业大学帽儿山实验林场老山施业区为研究区,以机载高光谱影像和激光雷达点云为数据源,在多尺度影像分割基础上,从高光谱影像中提取光谱、纹理和叶绿素指数等特征,从Li DAR点云中提取高度、强度等特征。通过随机森林的特征选择,选取重要性较高的特征变量,在随机森林和支持向量机分类器下,以影像分割数据为试验样本,设置6种分类方案(随机森林分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据,支持向量机分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据),对阔叶混交林、樟子松林、落叶松林、红松林和蒙古栎林5种林分类型进行识别,比较不同分类器下不同数据源的分类效果。【结果】高光谱影像数据共提取34个特征变量,激光雷达点云数据共提取72个特征变量,经特征选择后,高光谱影像数据和激光雷达点云数据各选取11个重要性较高的特征(共22个),其中高光谱影像数据提取的归一化植被指数(NDVI)重要性最大。6种分类方案中,随机森林分类器下高光谱影像与激光雷达点云数据结合的分类精度最高(88.02%),支持向量机分类器下激光雷达点云数据的分类精度最低(76.19%)。多源数据协同的平均分类精度(86.22%)高于单源数据(79.98%),随机森林分类器的平均分类精度(82.92%)高于支持向量机分类器(81.19%)。叶绿素指数参与分类后,分类精度提高约3.32%。5种林分类型中,阔叶混交林分类效果最好,平均分类精度为92.62%,红松林分类效果最差,平均分类精度为49.67%。【结论】多数据源较单源数据可更好地提高分类精度,即2种数据协同可以提高林分类型识别精度;单一数据源相比,高光谱影像数据源的分类效果更好,光谱特征是林分类型识别的重要影响因子;林分类型识别时,不同机器学习模型相比,随机森林分类器较支持向量机分类器分类效果更优;叶绿素作为生物化学参数对林分类型识别有积极影响。     

天水市近30年林地动态变化遥感监测研究

[目的]以甘肃省天水市为例,基于遥感影像变化监测技术,探讨黄土高原丘陵沟壑与小陇山-西秦岭山地交接过渡区域近30年来森林(林地)资源空间分布规律、时间变化趋势及变化影响因素。[方法]以1988—2015年5期夏季Landsat TM/OLI遥感影像为主要数据源,结合辅助数据和外业实地样本点,以光谱特征和指数特征为特征变量,分别利用随机森林(RF)和参数优化支持向量机(POSVM)分类器对土地覆盖类型进行分类,然后基于分类后比较法进行森林资源动态变化监测。[结果]分类结果表明,两种分类器的分类效果均较好,且随机森林分类器在分类精度、效率和稳定性方面明显优于参数优化支持向量机分类器。变化监测结果表明,近30年来森林资源总体变化趋势为林地面积先减少后增加。1990—1996年,林地面积减少0.74%;1996—2002年,林地面积减少2.74%;2002—2008年,林地面积增加1.06%;2008—2015年,林地面积增加8.89%。[结论]本研究采用的基于非参数分类器分类后比较法的变化监测技术是复杂地形地貌过渡区森林资源动态变化监测的一种有效途径,在分类结果分析统计的基础上,得出研究区森林资源变化的总体趋势:以2002年(2002年影像)为界,林地总体趋势为先减少后增加,2002年后林地面积增加显著。     

基于ALOS遥感影像植被分类方法的比较研究

以云南省宜良县ALOS影像为基础数据,利用最大似然法、支持向量机方法和面向对象的支持向量机方法对ALOS影像进行植被分类研究。实验结果:最大似然法分类精度为79.33%,支持向量机方法分类精度为82.25%,面向对象的支持向量机分类方法精度为86.13%,面向对象的支持向量机分类方法取得较好的分类效果。研究结果可为中高分辨率遥感影像分类研究提供参考。     

近红外光谱结合支持向量机快速识别树种

利用阿达玛变换近红外光谱结合支持向量机,对制浆造纸常用木材树种的快速识别进行研究。将各树种近红外光谱先进行多点平滑和标准正态变换预处理以消除噪音干扰和光散射导致的测量偏差,然后基于不同建模策略建立一对多和一对一两种支持向量机模型,考察这两种模型对多树种属间分类和种间分类的预测能力,并与传统的偏最小二乘判别分析分类法进行对比。结果表明,支持向量机预测模型对桉木、相思木、杨木、水杉等树种的属间分类正确率达到98%以上,种间分类正确率均达到95%以上,在处理复杂分类问题时模型稳健性明显优于传统分类方法,从方法上证明了近红外技术工业化应用的可能性,为进一步建立近红外在线检测木片材性分析系统奠定了基础。     

原木内部孔洞缺陷二维超声图像构建

采用超声波手段,以椴木圆盘为研究对象,在试样完好和含不同大小孔洞时,测试并提取超声波信号特征值。依据超声波特征值构建训练集和测试集,利用支持向量机对原木孔洞缺陷的大小进行分类辨识,进而提出一种定量判别原木横截面内缺陷点位置的方法,分析并改进该方法存在的不足;在此基础上,实现原木横截面孔洞缺陷二维超声图像构建。结果表明：1)支持向量机用于原木横截面孔洞缺陷直径大小的分类识别是可行的,准确率达到84.78%;2)原木横截面孔洞缺陷二维图像模拟图与实物图重合度高,模拟效果较理想。     

基于图像显著性与最小二乘法支持向量机的柿子识别

为了提高柿子采摘机器人果实识别的效率与准确性,本文设计了图像显著性特征性分割与最小二乘法优化的支持向量机的果实分割与识别算法。根据视觉显著性原理,选取Lab空间下a分量作为处理颜色因子后进行显著性处理,然后使用k-means算法对图像进行分割,经过形态学处理后提取果实轮廓。提取果实颜色与纹理等特征值作为输入量,使用训练好的LS-SVM分类器对特征值进行判别,经实验室得,平均识别率在82.5%,相应时间为1.3s。能够满足课题需要。     

基于ReliefF和PSO-SVM的木质材料超声无损分类技术

指出了木质材料是一种广泛使用的可再生原料,对其进行正确分类可提高原料的利用率并防止在交易时欺诈行为的发生。鉴于常用木质材料分类方法的不足和支持向量机参数选择困难导致分类准确率低的问题,以超声无损检测手段为基础,提出了一种基于ReliefF特征选择和PSO-SVM分类器的木质材料分类新方法。该方法根据接收到的木材超声信号,通过ReliefF算法选取出最有代表的特征,然后使用粒子群优化算法对支持向量机的参数进行优化,提高了木质材料的分类效率和准确率。实验表明,基于ReliefF和PSO-SVM的方法能有效解决木质材料的在线分类问题。     

基于多特征提取和SVM分类器的木材显微识别

将多种不同木材的显微细胞图片进行识别,对进行木材分类研究具有重大意义。通过利用支持向量机(SVM),结合图像的图像梯度方向直方图(HOG)、局部二值模式(LBP)特征以及图像均值方差,对小规模的木材细胞图像的识别分类效果进行了实验。实验结果表明,SVM分类器结合多特征融合适的特征向量会有较好的识别效果,平均最高识别率达到了98.11%。     

基于遥感影像的昆明中心城区绿地信息提取

以昆明中心城区遥感影像为研究数据,采用基于面向对象分类的研究方法,按照监督分类的思想,将地物分为城市绿地、林地、裸地、水体、建筑和道路6种类型,运用支持向量机的分类器对绿地信息进行提取,并根据总体分类精度和kappa系数的大小对分类结果进行验证,结果表明:城市绿地信息提取精度良好,符合城市绿地调查的精度标准,认为此种绿地信息提取方法值得推广运用。     

基于颜色和纹理特征的竹材分类方法研究

为了应用机器视觉技术实现竹条表面颜色等级的分类识别,提出了用颜色矩和灰度共生矩阵描述竹材颜色特征和纹理特征的方法,并采用支持向量机对竹材进行分类识别,正确率达92．3％以上。结果表明,用颜色矩和灰度共生矩阵的特征参数来识别竹条颜色等级是可行的。     

基于SVM方法的长白山森林植被信息提取的研究

本文以Landsat TM影像数据为基础,采用基于支持向量机分类方法对长白山地区大荒沟林场进行森林植被信息提取,并与传统的最大似然法分类进行对比。结果表明,基于支持向量机方法的森林信息提取精度,Kappa值分别为0.981 0、0.971 6、0.975 3,均超过了最大似然法(MLC)的提取精度和Kappa值0.963 4。该方法有很好的操作性和实用性,准确度满足了林业规划设计的基础数据材料精度要求。     

面向对象的SPOT5图像森林分类

为改善SPOTS图像森林分类精度,采用面向对象的图像分析方法,对图像分割、对象特征提取与筛选、多分类器分类与结合进行探索,采用大尺度分割-基于规则的分类-基于分类的分割-分区控制-底层分类-逐层向上合并的技术路线,试验了最小距离、马氏距离、Bayes、模糊分类和支持向量机5个分类器.结果表明:在森林分布破碎、类型和种类多样、结构复杂的南方人工林区,总体分类精度最高的Bayes分类器,对以龄组为基础包含22个类型的第3级分类的总体精度达到了79.38%,以树种为基础包含15个类型的第2级分类的总体精度达到了81.82%,以森林类型为基础包含9个类型的第1级分类的总体精度达到了86.33%.在景观复杂地区的森林分层分类中,由底层分类开始、逐层向上合并的方法,效果比由顶层分类开始、逐层往下分类的方法更好.ETM+作为辅助数据,较大程度地提高了SPOT5图像的分类精度,但ETM+图像不能实质性参与分割过程,只能用于提取对象特征,否则会导致对象同质性差、特征变异,降低分类精度.     

基于 TM 影像的土地覆盖分类比较研究

以云南省文山壮族苗族自治州麻栗坡县2005年T M影像为试验数据,利用最大似然分类（M LC ）、支持向量机（SVM ）以及随机森林（RF）3种分类方法进行了土地覆盖遥感分类研究。从分类精度、样本数量对分类器的影响、模型复杂度、分类速度等几个方面进行了比较分析。结果表明：随机森林分类法最优,而经典方法之一的最大似然分类法最稳定。所得出的结论对在类似的应用中如何选择合适的分类方法具有一定的参考价值。     

基于极化目标分解地物类型识别方法研究

全极化SAR图像分辨率高,表达地物细节能力强,能够提供丰富的地物特征信息,从而能识别出不同地物类型。基于Cloude-Pottier目标分解方法,以GAMMA软件作为平台,对云南省宜良县北古城镇进行地物类型识别。结果表明:基于Cloude-Pottier目标分解以及H/A/α/Wishart分类方法可以识别出建筑用地、农用地、水体以及林地等地物类型。     

基于高光谱遥感卫星时序序列玉米种植面积的提取

为了提高玉米种植面积的提取,使用2019年玉米收获前后的卫星影像数据,建立了归一化植被指数时间序列,增强图像信息,结合实测点数据选择分类样本,采用最小距离、最大似然法、神经网络、支持向量机4种方法对合成归一化植被指数图像进行了分类提取。提取结果表明:最大似然法分类精度最高,其次是支持向量机、最小距离、神经网络,与2020年四平市统计年鉴中梨树县玉米耕种面积进行比较的结果也表明,使用最大似然法结合归一化植被指数序列提取的玉米种植面积与政府公布结果最相近。     

基于高斯混合模型的林业信息文本分类算法

为解决传统林业信息文本分类算法准确率低和正确率分布不均匀的问题,提出了一种基于高斯混合模型的林业信息文本分类算法。在阐述高斯混合模型和EM算法的基础上,使用TF-IDF方法计算林业信息文本特征值,对构造的林业信息文本特征矩阵降维,结合Kmeans算法,通过训练得到各类林业信息文本所对应的高斯混合模型的参数,构造分类器进行精准与快速分类。实验结果表明,该算法与神经网络分类方法、贝叶斯、决策树等常用分类算法相比,该算法有较高的准确率和实用性,为林业信息文本的分类研究开拓了新思路。     

基于ASD与Hyperion高光谱数据的主要针叶树种分类研究

以云南省香格里拉市为研究区,对ASD光谱仪实测的4种针叶树种光谱数据采用包络线去除法、光谱一阶微分法和光谱二阶微分法3种波段选择方法得到Hyperion高光谱影像数据的分类特征波段,采用最大似然法、支持向量机2种分类方法对所选的特征波段开展树种识别分类,对原始影像采用光谱角填图分类方法作对比实验。结果表明,基于ASD数据的光谱一阶波段选择方案的支持向量机分类方法精度最高,总体分类精度为81.95%,Kappa系数为0.725 1。采用ASD实测光谱数据能有效指导Hyperion进行树种分类,基于数据尺度和换算方式,一阶微分更适合特征波段选择;与传统的数理统计分类方法和光谱特征分类方法相比,基于机器学习的方法如支持向量机等在高光谱遥感分类中具有更大的应用潜力。