基于迁移学习和非监督分类的制种玉米遥感识别方法

作物遥感识别主要基于监督分类方法,对样本的数量、分布要求较高,而农作物样本目视解译困难。为提高已采集样本的利用率,同时降低精细分类中对样本的依赖,本文将迁移学习与非监督分类方法相结合,在源域内构建特征工程,包括:BLUE、GREEN、RED、EDGE1、EDGE2、EDGE3、NIR、SWIR 8个原始光谱波段,以及NDVI、EVI、RVI、GNDVI、TVI、DVI、MSAVI、GCVI、RNDVI、NDRE、RRI1、RRI2、MSRRE、CLRE、IRECI、LSWI、GCI、SIPI 18个植被指数,提取出最能表征制种玉米与大田玉米冠层光谱差异,且在不同的源域内制种玉米之间差异最小的特征,将其作为先验知识用于目标域的分类任务中,再基于K-means进行制种玉米识别和制图。结果表明,在众多特征中,近红外原始波段表现出最强的优势,且在制种玉米母本去雄期后表征效果最好。计算此时间段内NIR的线性回归斜率作为特征,相较于直接基于NIR原始波段特征分类精度有所提升。利用K-means方法对2019年、2020年石河子市和奎屯市的制种玉米分类,2个目标域制种玉米2019年F1值分别为74.35%和64.97%,2020年F1值分别为72.50%和75.69%。本方法通过提取先验知识,引入非监督分类器,有效提高了样本利用率。通过提取波段回归斜率作为特征为原始波段的特征增强提供了思路,同时也为无样本场景下农作物精细分类绘图提供了方法。

高分二号影像树种分类最优分割尺度的非监督选择

良好的影像分割结果能够提高树种分类的精度,而分割效果取决于最优分割尺度(optimal scale parameter,OSP)的选择。以往研究依赖人为设置的尺度序列,结果具有主观性。为避免此问题,以高分二号影像(GF-2)为数据源,提出一种基于有效尺度区间的非监督OSP选择方法,用于确定不同森林类型最佳分割结果出现的分割尺度。影像分割采用多分辨率分割(multi-resolution segmentation,MRS)算法,通过构建有效尺度区间估计函数(effective scale interval estimation functions,ESF),结合总体优度函数(overall goodness F-measure,OGF)得出不同森林类型在不同尺度区间下的OSP,最后依据监督分割精度分析结合谷歌地图目视判读确定最佳分割结果。结果表明,OGF在有效尺度区间Ⅲ获取的OSP得到了各森林类型的最佳分割结果,监督分割评价方法(F-measure)的最低和最高值分别为0.7311和0.8733。同时,在GF-2影像树种分类的分割任务中,OSP与树种和森林类型有关。研究结果为高分辨率遥感影像树种分类的对象提取提供技术支撑,同时为不同地物组成的复杂影像分割尺度参数选择提供方法。

基于非监督分类和图优化的GNSS多路径误差削弱方法

基于城市环境下采集的多系统GNSS数据研究非监督分类算法和图优化(factor graph optimization,FGO)算法对多路径误差的抑制能力。伪距单点定位(single point positioning,SPP)结果表明,基于K-means++的非监督分类算法进行多路径信号分离时,在N、E、U方向的定位精度分别为3.61 m、2.90 m、8.14 m,较传统算法分别提升53.18%、55.18%、44.96%。图优化方法利用伪距和多普勒约束因子进行最优估计,在N、E、U方向的定位精度分别为0.94 m、1.34 m、2.78 m,精度分别提升82.1%、78.5%、82.0%。图优化算法对城市环境下GNSS定位的多路径误差抑制具有显著效果,可用于GNSS精密定位预处理阶段的异常卫星剔除和精确坐标初值获取,提高城市环境下GNSS定位性能。

基于差值主成分分析和图像非监督分类的水土保持遥感监管图斑提取应用

为了贯彻落实习近平生态文明思想,围绕“水利工程补短板、水利行业强监管”发展总基调,水土保持工作要“在监管上强手段,在治理上补短板”。自2018年开始,水利部大力推进信息技术手段在水土保持监管工作中的应用,为及时精准发现、依法查处人为水土流失违法违规行为提供了有力支撑。绍兴市继2018年实施水土保持“天地一体化”试点后,不断对遥感监管技术进行迭代升级,在2021年遥感监管工作中引入主成分分析和图像非监督分类的方法进行水土保持遥感监管图斑的快速提取,可以及时快速发现大部分未批先建的违法违规项目和存在重大水土流失隐患的生产建设活动,实现生产建设项目和生产建设活动监管全覆盖。

基于决策树与监督、非监督分类方法相结合模型的遥感应用研究

遥感影像解译中的决策树分类法一般是引入NDVI植被指数、亮度阈值法、DTM、空间结构、纹理、和其它一些地貌特征来实现地物类别的分离;而传统的监督分类、非监督分类是直接基于像元的亮度值而进行的分类,两者各有优缺点。将两者在遥感影像解译中结合使用,建立统一的分类模型,并以皖东地区TM影像为例进行了分类实验,结果证明,采用该模型分类比单一的最大似然法分类精度提高了4.45%,Kappa指数提高了0.107,该模型能有效地提高影像分类的精度。

遥感影像监督分类与非监督分类的比较

遥感影像的分类方法按照是否有先验类别可以分为监督分类和非监督分类,这两种分类法有着本质的区别但也存在一定的联系.从分类原理、分类过程、分类方法等不同角度分析了这两种方法的区别与联系,并展望了遥感影像分类的发展趋势与发展前景.

非监督数字化分类与GIS在土地沙漠化动态监测中的应用

介绍了地理信息系统(GIS)在沙漠化动态监测中的应用和遥感图像计算机监督数字化自动分类的理论和方法,对遥感图像计算机非监督自动分类的精度做了检验。对调查区土地沙漠化动态进行了分析。结果表明,从1991年到1997年间该区土地沙漠化趋势有所减弱,综合治理取得了一定效益。

基于情绪词的非监督中文情感分类方法研究

情感分类任务旨在识别文本所表达的情感色彩信息(例如,褒或者贬,支持或者反对)。该文提出一种基于情绪词的中文情感分类方法,使用大规模未标记数据和少量情绪词实现情感分类。具体来讲,首先使用情绪词从未标注数据中抽取高正确率的自动标注数据作为训练样本,然后采用半监督学习方法训练分类器进行情感分类。实验表明,该文提出的方法在产品评论与酒店评论两个领域的情感分类任务中取得了较好地分类效果。

基于Cloude-Pottier目标分解和聚合的层次聚类算法的全极化SAR数据的非监督分类算法研究

本文提出了一种新的基于Cloude-Pottier分解和聚合的层次聚类的全极化SAR(Synthetic Aperture Radar)数据的非监督分类算法.作者使用极化总功率SPAN来改进常规的初始化方法,并采用聚合的层次聚类算法对初始化结果进行类的合并,提高非监督分类器的性能.实验表明,该算法能获得有效的分类中心,分类结果明显优于常规的WishartH/α/A分类算法.

基于贝叶斯信息准则的极化干涉SAR图像非监督分类

该文提出一种利用贝叶斯信息准则自动确定聚类类别数的极化干涉SAR非监督分类算法。该方法首先利用Shannon熵特征对极化干涉SAR图像进行初始分类,然后利用期望最大化(Expectation-Maximization,EM)算法和标号代价(LabelCost)优化算法对分类结果进行迭代优化,同时通过贝叶斯信息准则(Bayesian InformationCriterion,BIC)自动确定非监督分类的最佳类别数。实验结果表明该算法能够较准确地确定分类类别数,并具有较为满意的分类效果。

一种基于空间一致性降元的高光谱图像非监督分类

为了提高分类精度和边缘辨识性,该文引入图像空间一致性降元(pixels reduction with spatialcoherence property,PRSCP)及线性回归分析,提出了一种基于空间一致性降元的非监督分类。该方法从像元光谱相似性出发,利用像元最小关联窗口合并相邻相似像元为像块完成降元。使用线性关系建模像块内像元的光谱向量,并利用F检验判断像块数据的线性显著性。利用一元线性回归(one dimensional linear regression,ODLR)估计出像块的基准向量,根据基准向量合并相似(同类)像块完成分类。利用AVIRIS数据评估了该方法性能,实验结果表明:与K-MEANS和ISODATA方法相比,该方法精度高、边缘辨识度好及鲁棒性强。

加权全极化SAR图像非监督Wishart分类方法

为提高基于极化目标分解与复Wishart非监督分类方法中对不同类别地物中心散射相关矩阵的估值精度与合理性,本文提出了加权全极化SAR图像非监督Wishart分类方法,该方法通过对求解每一类地物散射相关矩阵时,进行数值加权,使得求解的散射相关矩阵更能代表地物类别的中心。本文详细阐述了该方法的原理和实施步骤,并通过对AIRSAR的L波段实际数据进行分类实验,可知该加权算法无论在分类精确度上还是在迭代速度上,性能都有所提高。

SAR图像的极化干涉非监督Wishart分类方法和实验研究

该文在合成孔径雷达图像的极化非监督Wishart分类的基础上,给出了一种利用极化干涉信息对合成孔径雷达图像进行非监督分类的方法。该方法主要利用一(6×6)的极化干涉相关矩阵,从而可以同时考虑单幅图像的全极化信息以及两幅像对之间的互相关信息。该文详细阐述了该方法的具体实现,并利用NASA/JPL的SIR-C/X-SAR系统在中国天山地区的L波段实测数据进行了实验研究。给出了利用该方法对实验数据进行分类的结果,并与极化非监督Wishart分类的结果进行了比较。结果表明,该方法能够很好地分辨不同类型的地物,保持地物的细节,并且比极化非监督Wishart分类结果有很大改善。

粒子群优化算法在全极化SAR影像非监督分类中的应用

极化SAR影像高维数以及高分辨率带来的大数据量特点使得影像分类的复杂度不断增加。粒子群优化(PSO)算法作为新型进化计算技术,具有强大的全局寻优能力。本文研究了一种基于PSO算法的极化SAR影像的分类方法。该方法首先利用H/α方法对数据进行基于散射机理的初分类;然后利用分类结果对PSO算法进行初始化;最后采用PSO对极化SAR数据迭代分类。实验采用NASA-JPL实验室的极化SAR数据以及中国电子科技集团X波段原型样机的高分辨率数据。结果表明,H/α-PSO分类方法较H/α-Wishart分类精度及目视效果均有所提高。

基于遗传策略和神经网络的非监督分类方法

文章提出了一种新的基于遗传策略和模糊 ART(adaptive resonance theory)神经网络的非监督分类方法 .首先 ,利用原有的训练样本对模糊 ART神经网络进行非监督训练 ,然后 ,采用遗传策略为模糊 ART神经网络增加各类族边界邻域内的训练样本点 ,再对模糊 ART神经网络进行有监督训练 .这种方法解决了训练样本在较少条件下的 ART系列神经网络的学习与分类问题 ,提高了 ART系列神经网络的分类性能 。

结合特征选择和大尺度谱聚类的极化SAR图像非监督分类

非监督分类是极化SAR图像解译的重要手段,但其分类结果易受到高维特征的影响。针对此问题,本文提出一种结合特征选择和大尺度谱聚类的极化SAR图像非监督分类方法。该方法首先深入分析并提取了极化SAR图像分类中常用的特征参数,包括基于测量数据及其简单线性变换的特征和极化目标分解的特征。然后通过聚类森林特征选择算法进行特征降维处理,去除冗余信息。最后利用过分割产生代表点并构建原始数据与代表点间的二分图,通过大尺度谱聚类算法完成图像的非监督分类。实验结果表明,该方法能够选取有效的特征组合,并得到较为满意的分类效果。

高光谱数据非监督分类的改进独立成分分析方法

利用数据本身统计特性是实现高光谱数据非监督分类的有效方法之一。针对利用高光谱数据一阶、二阶统计量不能完全表征数据结构的问题,提出了一种基于数据高阶统计特性——峭度的改进独立成分分析方法(Improved Kurtosis-Based Independent Component Analysis,IKICA)的高光谱数据非监督分类方法,并针对利用峭度进行非高斯性度量时对噪声等敏感的问题进行了模型改进。利用同一航带的OMIS高光谱遥感数据对该算法的性能进行了评价,并分别与基于最大似然估计和基于负熵的独立成分分析(ICA)方法进行了性能比较。将该方法应用于PHI获取的方麓茶场航空高光谱数据的非监督分类,结果表明,本文提出的算法明显地提高了运算的收敛速度和鲁棒性,并具有较高的分类精度和较强的抗噪声能力。

基于全极化SAR非监督分类的迭代分类方法

本文在全极化合成孔径雷达 (SAR)特征分解和最大似然估计 (ML)分类的基础上 ,提出基于全极化SAR极化特征分解及最大似然估计的非监督分类迭代算法 .这种方法灵活性好、精度高 .本文提出了迭代分类方法的几种方案 .针对特征分解和ML分类的各自特点 ,进行了分析比较 ,可以根据实际需要选择适合的迭代方法 .并利用NASAJPL实验室的实测数据对该迭代分类算法进行了实验研究 ,得到了很好的实验结果 .

遥感图像非监督计算机分类方法的研究

通过对几种常用的非监督计算机遥感图像分类方法,如k-means、层次聚类和神经网络的分析研究发现,由于这些方法不能克服数据噪声点的影响,输出结果对输入参数依赖性较大,使其对图像的分类效果受到影响。为了提高图像的非监督分类效果,本文提出了一种基于密度和自适应密度可达聚类算法。实验分析表明,与常用的分类方法相比,该算法具有良好的分类效果。

一种基于混合概率PCA模型的高光谱图像非监督分类方法

提出了一种在期望最大化(EM)算法框架下同时实现混合概率主成分分析(PPCA)降维和聚类的高光谱图像非监督分类方法。它根据不同类别应各有自己代表性的特征集,将通常意义下的特征抽取和模式分类合并在一步内完成,尽可能地保留了可分性;同时该方法具有概率模型的优点,更适合高维数据处理。采用仿真数据和真实数据进行的比较实验表明,该算法较一般不加区分地对所有原始数据进行PCA降维再分类的方法能得到更好的分类结果。