比值居民地指数在城镇信息提取中的应用

TM图像中由于裸地与城镇光谱特征相似,利用传统的分类方法难以区分二者,城镇提取精度很难令人满意.针对这一问题,本文提出了一种新的方法即比值居民地指数(RR I)法用于城镇信息提取,同时与最大似然监督分类法作对比,研究结果表明,RR I法(精度达87.50%)优于最大似然分类法(精度为78.13%),是一种提取城镇居民地信息的理想方法,尤其适合裸地较多的干旱半干旱地区.

基于CART决策树与最大似然比法的植被分类方法研究

结合阿坝若尔盖县大骨节病典型病区植被分布特点,选用不同时相SPOT4及ETM遥感数据,提出了将较易实现的CART决策树算法与最大似然比分类法有机结合在一起进行植被分类的方法。决策树算法能很好地区分植被大类,分类精度达到96%,但是无法确定区分乔木亚类的阈值;最大似然比法整体分类精度不高,仅为84%,但是针对乔木亚类的分类精度能达到94%,将两种算法综合利用,最终总分类精度达到95.05%,Kappa系数达到0.9016。良好的分类结果不但为研究该区植被覆盖状况与发病率关系提供了很好的一手资料,并且分类算法较易实现,尤其对于新入门者较为实用和快捷。

基于波段运算最优方法的冰川遥感信息提取及其变化监测

精确提取冰川的轮廓对于计算冰川的面积至关重要。对比分析了3种冰川提取方法。结果表明:最大似然法由于很难将阴影内部的冰川提取出来,所提取的冰川面积偏低;波段运算法的比值法、NDSI法与目视解译法所提取的冰川面积接近,但是目视解译法费时费力;基于NDSI波段运算方法具有运算速度快、结果准确和算法简单等优势。基于NDSI方法提取希夏邦马峰地区的冰川变化结果表明,1990—2010年期间该地区冰川面积在不断退缩,并且有加剧的趋势。

基于基本竞争型神经网络的TM影像分类研究

【目的】针对传统遥感图像分类方法精度低的缺点,运用基本竞争型神经网络模型对TM影像进行分类研究。【方法】在考虑TM影像光谱信息和地表结构变化信息的基础上,应用经过基本竞争型神经网络训练后的分类器对TM影像进行分类研究,并与利用最大似然法的分类结果进行比较。【结果】研究区TM影像采用基本竞争型神经网络进行分类的总体分类精度和Kappa系数分别为89.1%和0.873,而采用最大似然法分别为70.6%和0.646,前者的分类精度明显高于后者。【结论】基本竞争型神经网络的分类结果明显优于最大似然法的分类结果。

平衡设计单向分类随机模型参数的极大似然比检验

对平衡设计单向分类随机模型参数的假设H0:μ=μ0,σα2=σ2α0,σ2=σ02H1:μ≠μ0或σ2α≠σ2α0或σ2≠σ02,利用极大似然比方法导出了检验H0的统计量.求出了检验统计量的渐进分布,并给出了检验规则.最后给出一个应用实例.

基于人工神经网络法的遥感影像分类研究

在遥感和GIS的支持下,采用人工神经网络(ANN)法对研究区土地利用/覆盖进行信息提取,并对ANN改进前后的分类结果和最大似然法(MLC)的分类结果进行对比分析.实验发现采用改进后的ANN分类总体精度达到了93.91%,较改进前提高了2.16%,较MLC提高了6.44%.研究表明:使用ANN进行遥感图像分类,精度优于MLC,改进后的ANN精度优于改进前的ANN.与传统方法相比,ANN分类达到的精度更高,可更好地区分土地利用地类,提高土地利用信息的精度.

瑞利衰落信道下MPSK信号调制方式识别

调制识别是非协作通信系统接收机设计中的重要研究课题。在实际环境中,噪声和信道衰落是影响信号调制方式识别的重要因素。针对瑞利衰落信道上MPSK较难识别的情况,提了基于似然比的识别算法,并根据最大似然准则对瑞利信道的参数进行了估计完成对2种调制信号的识别。仿真结果表明:在存在高斯白噪声的瑞利衰落信道的环境下,以BPSK和QPSK为例,正确识别率达到90%。

一种基于活动轮廓模型的PET-CT肺肿瘤分割方法

针对PET-CT肺肿瘤分割中存在的没有充分将医生临床经验融入到算法设计的问题,该文利用PET高斯分布先验,结合区域可伸缩拟合(RSF)模型和最大似然比分类(MLC)准则,提出一种基于变分水平集的混合活动轮廓模型RSF;L。进一步,借鉴人工勾画肺肿瘤过程中融合图像的重要价值,提出了基于RSF;L的PET-CT肺肿瘤融合图像分割方法。实验表明,所提出方法较好地实现了有代表性的非小细胞肺肿瘤(Non-Small Cell Lung Cancer,NSCLC)的精确分割,主客观结果优于对比方法,可为临床提供有效的计算机辅助分割结果。

样本特征对参数/非参数分类器分类精度的影响分析

为验证理论训练数量（10～30 p）对参数分类器（如最大似然分类）、非参数分类器（如支撑向量机）的适用性以及样本特征（光谱统计、空间分布特征）对分类器分类精度的影响,选择不同规模的训练样本进行最大似然分类和支撑向量机分类,分析分类精度与样本之间的关系。实验结果表明：随着样本量的增加,最大似然、支撑向量机分类精度均随样本量增多而提高并趋于稳定,最大似然分类精度的增长速度要快于支撑向量机。MLC受样本量的影响较大,在小样本的时候（5个）,分类精度不稳定,超过30个样本的时候,分类精度稳定下来;对于SVM分类器,在小样本的时候（5个）,分类精度较高且稳定,因此SVM分类适合于小样本分类,不受限于理论样本量的影响。当样本量超过最小理论样本量值（30个）的时候,最大似然分类精度要优于支撑向量机,主要是由于当样本量增加后,最大似然更易于获得有效的信息量样本,而对于支撑向量机边缘信息样本的增加数量不大。研究结果为进一步优化样本进行分类打下前期的实验基础。