基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

基于TITAN软件面向对象分类方法研究——以呼和浩特市满都海公园和青城公园为例

本文根据RS、GIS和GPS原理和方法,以Quick Bird遥感数据为数据源对呼和浩特市满都海公园和青城公园的园林景观信息提取.采用TiTan遥感图像处理软件进行遥感数据预处理,并利用面向对象分类方法先对影像进行多尺度分割,再选择合适的特征参数,通过多次试验建立影像对象的隶属度函数,实现了对研究区的景观分类,在此基础上进行景观对比分析.研究结果显示:利用面向对象分类方法可以快速方便地实现对研究区的遥感影像景观信息提取,精度为85％,为高分辨率遥感影像的信息提取提供了更为快速、有效的技术途径.     

基于SVM的多光谱影像与SAR图像融合地物分类研究

多光谱遥感图像反映了不同地物的光谱信息,而SAR图像则反映了地表不同地物的后向散射强度信息。通过二者结合,可以实现优势信息互补,提高遥感影像分类的精度。多光谱影像与单波段单极化SAR图像融合分类有2种策略：一种是将SAR图像作为一个波段加入多光谱影像中进行分类;另一种先把多光谱影像与SAR图像融合,然后对融合后的图像进行分类。以成都市使用支持向量机分类方法对2种分类策略下的分类精度进行验证。结果表明,后者分类精度要高于前者,同时2种分类方法的分类精度都明显高于单独使用多光谱影像的分类精度。     

基于卷积神经网络的高分二号影像林分类型分类

目的基于遥感影像的林分类型分类在现代林业中是一项重要的应用。本文试图构建一个基于高分二号（GF-2）影像林分类型分类的卷积神经网络（CNN）模型,探索CNN在遥感图像像素级分类这一领域的发展潜力。方法以GF-2卫星遥感影像为数据源,利用Tensorflow（一种开源用于机器学习的框架）构建4种不同图像斑块大小（m = 5,7,9,11）为输入的CNN,同时以传统的神经网络模型——多层感知器（MLP）为基准,比较不同图像斑块大小下的CNN分类图的分类效果和分类精度。结果实验分类结果表明:CNN（m = 9）得出最高的分类精确度,总体精度比MLP和CNN（m = 5,7,11）分别高出10.91%和6.55%、1.3%、2.54%。分类图的可视化结果也表明CNN（m = 9）更好地解决了“椒盐现象”与过度平滑后的边界不确定性问题。结论CNN能够在利用高分影像光谱特征的同时充分挖掘影像的空间特征,从而提高分类精度,同时在利用CNN基于遥感影像分类时,根据数据源以及地物的特点选择合适的图像斑块大小作为输入是提高分类精度与分类效果的关键措施。      

喀斯特石漠化地区遥感影像的决策树分类——以贵州省黔南州长顺县凯佐乡为例

喀斯待石漠化是在自然和人为因素相互作用下土地退化的现象.石漠化地区的遥感影像分类以往采用的是监督分类和非监督分类,但它们单纯地利用像元的亮度特征,分类精度低,往往不能满足实际的应用需要.决策树分类是一种新的遥感影像分类技术.以凯佐乡为研究对象,使用了ASTER影像数据、DEM和岩性数据,通过提取归一化植被指数、比值植被指数、地形坡度等数据建立分类规则,构建决策树.在ENVI软件支持下,获得了研究区的决策树分类影像.通过计算影像分类精度和Kappa系数.得到了以下结论：运用决策树分类法对石漠化地区遥感影像进行分类,可取得较理想的分类效果;实现了石漠化信息的自动化提取;若采用的遥感影像波段更多,DEM分辨率更高并减少数据处理中的误差将能够进一步提高分类精度.     

基于决策树的典型荒漠草地遥感分类策略

【目的】在遥感影像和地形图基础上对干旱半干旱地区天然荒漠草地进行分类,旨在为干旱半干旱地区草地分类及监测提供参考。【方法】采用基于决策树的天然草地分类方法,以天山北坡新疆阜康地区的TM遥感影像(2010-09-24)多光谱波段特征为主要分类变量,结合研究区数字高程模型(DEM),辅以影像目视解译结果,构建了对天然荒漠地区草地进行分类的决策树分类模型,对研究区主要地物类型进行了分类,并对分类精度进行了评价。【结果】综合考虑了遥感图像植被指数(NDVI)特征、DEM特征的分类策略,可以忽略山区的地形影响,简化分类过程,提高分类精度;与传统的非监督分类精度评价结果相比,基于专家知识的分类方法中总分类精度提高了37.4%,Kappa系数提高了78%,错分误差和漏分误差大幅减小;调整NDVI和DEM阈值可以使分类结果更加精准,模型适用区域更加广阔。【结论】基于决策树的典型荒漠草地遥感分类模型适用于荒漠区天然草地类型的提取与划分,可以提高利用遥感图像进行荒漠草地类型分类的精度。     

基于ETM遥感数据的昆明地区土地利用研究

以美国Landsat-7陆地卫星ETM^＋ 遥感影像数据为信息源,利用遥感图像处理软件PCI V7.0进行波段4/3比值增强处理和波段1、3、4、5主成分分析,采用主组分加比值合成影像图的方法,即ETM^＋ 4/3（R）＋PC3（G）＋PC1（B）,提取各类地物分类信息,研究昆明地区土地利用情况。结果表明,主组分＋比值合成影像图的影像分类方法是一种可行的影像分类方法;研究区的土地利用类型组成结构和分布情况大致反映了昆明地区的现状,结果是可靠的。     

基于SPOT5的县级土地利用现状调查技术研究

以浙江省台州市三门县为例,运用SPOT5不同空间分辨率的融合影像进行土地利用类型调查及面积遥感调查,通过对数据进行选择与预处理工作,利用ERDAS IMAGINE 8.4图像处理软件,对遥感影像进行配准、几何精纠正、融合等,在对研究区土地利用类型的分类中,采用人机交互判读方式,并提出一套适宜高分辨率遥感影像土地利用分类的技术路线.     

基于TM影像植被信息提取研究

基于TM遥感影像,提取研究区内植被专题信息,通过对TM多光谱影像进行K-T变换,得到亮度、绿度、湿度3个新的分量,计算各组分分量和归一化植被指数NDVI的相关系数,从而进行波段组合,将其分类结果与K-T变换基础上分类结果、以及原始图像基础上分类结果进行比较。分析表明,波段的合成与K-T变换均能提高遥感影像分类精度,并且波段组合基础上植被分类与信息提取效果良好,精度更高。     

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。      

基于模糊C均值聚类的林地遥感图像分类研究

在以往国内外相关研究的基础上,以我国东北长白山系典型林区为试验区,以2007年7月Landat5卫星TM多光谱图像为遥感数据,运用模糊C均值聚类方法对遥感图像进行分类试验．分类结果显示：模糊C均值分类方法在总分类精度和Kappa系数上都占有一定的优势,比传统分类方法有着更好的分类效果．模糊C均值方法在林地植被的遥感分类中具有较好的应用前景．     

遥感影像土地覆被分类研究进展

传统的遥感影像土地覆被分类技术主要有监督分类和非监督分类,随着遥感探测技术和计算机技术的不断发展,遥感分类技术得到了长足发展。在传统遥感分类技术的基础上,结合当今遥感影像分类技术领域内的一些新进展和应用,对土地覆被分类技术做出较为全面的阐述。     

基于支持向量机遥感图像融合分类方法研究进展

总结了近年来国际上图像融合以及支持向量机的应用的研究进展,分析了支持向量机用于遥感图像融合分类的趋势、优势以及目前存在的问题,指出了该研究领域的研究方向。     

基于不同分类器的农用地分类提取

【目的】分析Landsat 8 OLI卫星遥感影像数据面向农用地分类的实际应用方法和效果,以新疆奇台县南部为研究对象。【方法】使用随机森林(RF)、支持向量机(SVM)和神经网络(Neural Net)三种分类器进行研究区农用地分类对比。【结果】通过对三种分类器参数设置参数精度检验,利用上述三种算法对农用地地物分类进行精度评价,在整体分类精度中,支持向量机算法(SVM)<随机森林算法(RF)<神经网络算法(Neural Net),分类精度分别为:90.75%,94.30%和94.84%。【结论】神经网络方法(Neural Net)在该地区的农用地物整体分类上,比支持向量机(SVM)和随机森林法(RF)相比具有一定的优势,并获得较好的分类精度。     

基于边界域修正粗糙熵模型的遥感影像分类不确定性评价

【目的】遥感影像分类是获取地表覆盖信息的有效技术手段,客观合理地评价遥感影像分类的不确定性对农业资源调查、作物估产等方面的遥感应用具有重要的意义。论文针对修正粗糙熵模型在评价遥感影像分类不确定性时存在的问题,构建基于边界域修正粗糙熵模型的遥感影像分类不确定性评价指标,以期更好地度量地物类别尺度上的遥感影像分类的不确定性。【方法】考虑边界域对遥感影像分类结果不确定性的影响,对修正粗糙熵模型进行改进,以类别的边界域被分类知识划分的结果取代所有像元被分类知识划分的结果作为衡量分类知识不确定性的依据,建立基于边界域的修正粗糙熵模型。首先依据粗集理论对所建模型的合理性进行数学推导,然后以北京市的Landsat TM影像和新疆石河子地区的IKONOS影像为例,分别应用修正粗糙熵模型和基于边界域的修正粗糙熵模型对分类结果在地物类别尺度上的不确定性进行评价,用不同空间分辨率和不同研究区域的试验数据的不确定性评价结果印证理论推导结论。【结果】与修正粗糙熵模型相比,基于边界域的修正粗糙熵模型在评价遥感影像分类的不确定性时能够更好地刻画分类知识所引起的不确定性,使遥感影像分类结果的评价更加客观和合理。通过对两种模型下试验数据的分析表明,当所研究的地表覆盖类型在研究区域内的分布比较零碎,成片区域不多,类别与类别之间的边界部分所占比重较大,混合像元现象比较严重的时候,采用修正粗糙熵模型计算遥感影像分类结果的不合理性还不是非常明显,还能够比较客观地反映遥感影像分类的不确定性问题。但是如果评价分布比较集中,面积比较大的地物类型的分类精度时,修正粗糙熵模型则难以客观地反映遥感影像分类的不确定性问题,其评价结果的不合理性也更为明显。【结论】采用修正粗糙熵模型进行遥感影像分类的不确定性评价时,放大了由于边界域存在所产生的不确定性,而基于边界域的修正粗糙熵模型则可以较好地避免这一情况的发生,更合理地度量地物类别尺度上的遥感影像分类的不确定性。     

遥感图像分类中混合像元分解方法研究

总结了几种解决遥感图像分类中混合像元分解问题的方法,对各种方法的基本理论、应用条件和优缺点进行阐述,并对未来提高分类精度的前景进行展望,为遥感图像分类应用提供有价值的参考。     

基于遥感影像的土地利用分类系统的设计——以石河子垦区为例

[目的]有效保护、合理开发利用土地资源,把握真实、准确和实时的土地利用信息.[方法]以石河子垦区为例进行了基于遥感影像的土地利用分类系统的设计.[结果]遥感影像处理、分析的方法在区别不同的目标、不同的状态时,效果也有很大的差异,针对具有明显区域特征的示范区,研究确定了最佳的土地类型分类的方法与模型.[结论]设计了在示范区建立适应的土地利用分类系统的技术路线,并介绍了数据分析、影像处理、遥感影像分类处理以及分类精度评价与方法验证等关键研究方法.