基于空间异质运算的结构信息提取辅助遥感影像分类研究

以Landsat-8和高分一号数据为例,采用仅有光谱特征、3种纹理特征(概率统计、灰度共生矩阵、空间异质运算)辅助光谱特征的方法提取影像空-谱信息,并通过支持向量机分类器进行基于像元的地物分类。结果表明:1)纹理特征辅助光谱特征的地物分类精度明显优于仅使用光谱特征的分类,可提高8.62%~24.36%;2)相较于概率统计、灰度共生矩阵方法结果,空间异质运算结果分类精度在GF-1影像中分别提高了13.31%和2.03%,在Landsat-8影像中分别提高了11.62%和7.79%;3)对于线状地物,相较于概率统计、灰度共生矩阵方法结果,空间异质运算结果分类精度在GF-1数据中分别提高了29.31%和0.80%,在Landsat-8数据中分别提高了11.90%和6.64%,有效减小了分类误差。因此,空间异质运算提取的空间结构信息辅助光谱特征的分类方法能显著改善遥感图像的分类精度,为空间结构信息辅助遥感影像地物分类及线状地物的提取提供一种新的思路和方法。

领域知识辅助下基于多尺度与主方向纹理的遥感影像土地利用分类

基于灰度共生矩阵(GLCM)的纹理特征在影像空间分析中具有重要作用,提出了一种在领域空间知识辅助下构建GLCM多尺度窗口与主方向权值的方法,从而提高纹理特征的有效性,并解决影像土地利用分类中存在的不确定性问题。为此,根据人类目视解译的特点,对GIS与RS数据进行集成计算:首先,在图像配准的基础上,利用经典的GIS空间数据挖掘算法,渐近式地提取领域形态知识;接着,采用关联分析法建立其与GLCM构造因子之间的响应机制,并设计了基于地类形状指数的多尺度窗口建立算法,以及基于地类主方向分布指数的方向权值测度算法。试验结果表明,领域形态知识与GLCM空间因子之间具有强相关关系,该方法提取出的纹理特征可以描述复杂地物的空间意义,算法复杂度低,性能优越,有效提高了影像土地利用分类的精度。

基于小波变换特征的遥感地貌影像纹理分析和分类

本文基于图像的正交小波变换特征，研究了遥感地貌纹理影像的特征提取和分类方法，并对２５幅地貌影像进行了分类。结果表明，所述方法不仅对同一分辨率的影像有较高的分类正确率，而且对不同分辨率的影像也有较高的分类正确率。

灰度和纹理特征组合的SAR影像SVM分类

针对利用单一特征进行分类的效果不理想、普适性不强等问题,提出了一种灰度和不同纹理特征组合的支持向量机(support vector machine,SVM)分类方法,将由不同特征组合的SVM分类器用于SAR影像分类,并对几种不同的分类结果进行定性和定量比较分析.实验结果表明,灰度和不同纹理特征组合的SVM分类方法能够取得较高的分类精度,其结果要优于传统的单一纹理特征分类,是一种有效的SAR影像分类方法.

广义马尔可夫随机场及其在多光谱纹理影像分类中的应用

在二维马尔可夫随机场模型的基础上,提出顾及波段间的空间相关性,发展了一种适用于多光谱纹理影像分类的广义马尔可夫随机场模型。鉴于广义马尔可夫随机场模型的复杂性,利用最大伪似然法建立了求解模型参数的简化方程式,实现了纹理特征的快速提取。结合提取的纹理特征影像和光谱特征影像,采用概率松弛算法实现影像的分类。实验证明,提出的基于广义马尔可夫随机场的多光谱纹理影像分类算法克服了传统的基于光谱特征的分类算法的局限性,提高了纹理影像的分类精度。

基于Naive Bayes Classifiers的航空影像纹理分类

在Naive Bayes Classifiers模型中,要求父节点下的子节点(特征变量)之间相对独立,然而在现实世界中,特征与特征之间是非独立的、相关的。提出一种预处理方法,实验结果表明,该方法明显地提高了分类精度。

方向无关遥感影像的纹理分类算法

首先根据遥感影像空间分辨率较低 ,局部区域内图像纹理变化不大的特点 ,对遥感影像进行合理的分块 ,使得各分块具有单一的主纹理特征 ;然后利用Gabor小波变换提取各图像块的纹理特征向量 ,并通过简单的循环移位算法 ,方便的形成方向无关的纹理特征向量 ;进而引入改进的棋盘距离来描述图像块间的相似度 ,最后使用无监督聚类算法对影像块进行分类 。

结合纹理的SVM遥感影像分类研究

针对传统统计模式识别分类方法分类精度不高,分类时未加入像元灰度的空间分布和结构特征以及分类时样本不足等缺陷,采用一种结合纹理的支持向量机(SVM)遥感图像分类方法。该方法在对Landsat7 ETM遥感影像进行纹理特征提取的基础上,构建了结合纹理的SVM分类模型。以河南省汝阳县为试验区,利用此模型对该区域的土地利用类型进行分类研究,并将分类结果与最大似然法和单源数据(光谱)SVM分类结果进行定性和定量比较分析。研究结果表明:该方法能够有效地解决单数据源分类效果破碎、分类精度不高等问题;对高维输入向量具有较高的推广能力;总精度达到90%,比单源信息的SVM分类法提高了6%,而与最大似然法相比,总精度提高了近9%,取得了良好的效果。

分形几何在影像纹理分类中的应用

本文基于分形几何中的分维值对影像纹理进行分类。系统地介绍了以影像分维值为依据，采用多分辨率分维值，以及本文提出的利用已有空隙（Ｌａｃｕｎａｒｉｔｙ）概念的拟合回归法，对影像纹理进行分类的全过程。试验表明该方法对标准纹理和航空影像纹理的分类都能取得较好的效果。

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。

辅以纹理特征的高分辨率遥感影像分类

为了提高对高分辨率影像的分类精度,通过灰度差矢量法快速提取纹理特征,利用BP神经网络并辅以纹理特征,对一幅江西某地0.2m分辨率的航空影像进行分类。结果显示,对比度纹理特征能较好地反映该影像的纹理信息;对光谱特征不典型、纹理特征明显的人工树林,分类精度可达到90%以上;增加纹理特征后,影像分类的总精度也由55%提高到94%。表明这种结合纹理特征和BP神经网络的分类方法,能提高对高分辨率影像分类的精度。

航空影像纹理分类的最小二乘法和问题的分析

本文介绍航空影像纹理分类的最小二乘法原理和算法，该方法是建立在影像纹理ＭＲＦ参数测定的基础上。七种航空影像纹理的试验表明这种分类方法是有效的。通过对影像纹理的分形维以及影像分辨力对纹理分类的影响分析。

基于支持向量机的航空影像纹理分类研究

提出一种用SVM解决航空影像纹理分类的方法。在利用一些常用的纹理特征的基础上 ,将SVM用于航空影像纹理分类 ,有效地解决了特征选择难和高维数问题。试验表明 。

基于小波变换的高分辨率影像纹理结构分类方法

该文提出了利用小波变换获取纹理结构子图像能量参数,并用这些参数进行高分辨率图像纹理结构分类的新方法。由阐述遥感影像纹理结构识别原理入手,提出影像纹理结构特征抽取的小波变换方法,构造了有明确的数学和物理意义的参数来描述影像纹理信息,在此基础上利用这些参数进行影像纹理结构分类。试验结果表明,小波变换方法适用于具有规则和较强方向性的纹理结构影像分类。

基于Tree Augmented Naive Bayes Classifier的影像纹理分类

提出了一种松弛方法,允许类别节点下的相邻子节点之间存在相关关系(有向边),这种方法称为树增强型简单贝叶斯分类器(tree augmented naive Bayes classifier,TAN)。实验结果表明,TAN比简单贝叶斯分类器(naive Bayes classifier,NBC)可以获得更高的分类精度。

基于纹理特征和神经网络算法的遥感影像分类方法研究

为了提高遥感图像的分类精度,获得更好的分类结果。以吉林省榆树市的周边部分地区为试验区,首先采用主成分分析对遥感影像进行数据压缩和几何信息增强;然后利用直接变差函数对图像的纹理特征值进行计算;然后利用神经网络算法对遥感影像的波段和由变差函数得到的纹理图像进行分类,得到遥感图像的土地利用分类结果。试验结果:变差函数纹理特征的加入提高了遥感影像的分类精度,比单纯依靠光谱特征进行分类的总体精度提高了7.41%,Kappa系数从0.8791提高到了0.9191。变差函数纹理特征的加入,使得分类结果有了较好的提高。

马尔柯夫随机场的参数估计与影像纹理分类

本文提出马尔柯夫随机场参数估计的算法，通过人工纹理和从航空像片上提取的自然纹理的试验表明多数估计的算法是正确的。除此之外，本文还讨论了不受图像边界形状影响的ＭＲＦ参数估计和利用ＭＲＦ参数进行纹理分类的问题。这些研究表明ＭＲＦ参数在航空像片纹理分类中具有很好的应用前景。

一种基于共生矩阵法的影像纹理分类方法

针对由共生矩阵法得到的影像纹理特征值，本文提出了用模糊聚类分析方法进行影像纹理分类。该方法不仅对纹理子样数量不作要求，而且易于统一多种类型的影像纹理的分类标准。

具有更佳分辨率小波分解的遥感影像纹理分类

首先提出了具有更佳分辨率的小波分解，然后研究了基于该小波分解特征的影像纹理分类，并对２５类地貌遥感影像在两种不同分解方式、两种不同滤波器长度及三种不同分辨率下进行了分类试验，取得了较高的分类正确率。

基于蚁群行为仿真的影像纹理分类

介绍了蚁群行为仿真的概念 ,提出蚁群行为仿真产生Tuned模板的数学模型和航空影像纹理分类的新方法。为了验证模型的正确性 ,与遗传算法作了对比试验 。