基于多值免疫网络的多光谱遥感影像分类

提出了一种基于多值免疫网络的多光谱遥感影像分类方法.该方法用选取的训练样本对多值免疫网络进行网络训练,得到具有记忆功能的免疫网络结构,然后利用多值免疫网络对多光谱遥感影像进行分类.实验结果证明,该算法分类精度上优于传统的分类方法,总精度和Kappa系数分别达到了88.84%和0.8605,因而具有实用价值.

基于人工免疫系统的遥感图像分类

提出了一种基于人工免疫系统(ArtificialImmuneSystem)的分类方法。该方法首先应用人工免疫系统的克隆选择算法对样本进行自学习,得到全局最优的聚类中心,然后利用学习得到的聚类中心对整幅影像进行分类。由于人工免疫系统继承了生物免疫系统的自组织、自学习、自识别、自记忆的能力,从而使得人工免疫系统具有非线性的分类能力,并能够快速准确地得到全局最优解,克服了传统分类方法约束条件多,容易陷入局部最优的缺点。实验结果证明,该算法分类精度上优于传统的分类方法,总精度和Kappa系数分别达到了89.80%和0.8725,因而具有实用价值。

基于面向对象的无监督分类的遥感影像自动分类方法

为了实现无任何先验知识的高分辨率遥感数据的自动分类,并进一步提高自动分类精度和效率,提出了一种基于面向对象的无监督分类方法(Object Oriented Unsupervised Classification).具体步骤如下:首先对遥感影像进行分割,得到一系列空间上相邻、同质性较好的分割单元,然后对分割单元进行特征提取,得到分割单元的对象特征(光谱特征、纹理特征等多特征信息),进而对分割单元进行基于对象特征马氏距离聚类.最后,通过分类后处理(类别合并、错分类别调整等)得到最终的分类结果.通过实验表明:本文提出的方法不仅能够利用影像中更多的特征信息进行聚类而且还可以有效地减少聚类对象的个数,从而使自动分类的精度和效率都得到较大的提升.

遥感图像分类方法综述

从遥感图像分类方法的基本原理入手,介绍了传统遥感图像的分类一些方法,以及它们近年来的发展,此外还对遥感图像分类研究的新方向作了一些介绍,并对发展趋势作了展望。

基于相似系数的1种算法在遥感图像分类中的应用

用基于向量夹角余弦的相似系数方法对黄河三角洲 1 998年 1 2月份的 Landsat- 5TM遥感影像进行了分类 ,分类精度分析表明用夹角余弦作为分类的相似性度量指标是合理的。这种遥感图像的分类方法简单 ,在实际分类中可以作为常用的方法之一。

遥感图象地面植被的分类识别

对图象自动纹理分类识别中的纹理特征和分类判别方法进行了讨论.利用三类图象纹理特征组合(二阶统计量,一阶统计量及付里叶功率谱)设计出fisher线性分类器,对广州郊区的地面航空照片进行了大量植被分类判别试验,得到较好的分类结果.使用“留出一个”的分类器测试方法,最高正确率达95％.

基于资源限制性人工免疫系统的多光谱遥感影像分类方法

提出了一种基于资源限制性人工免疫系统(resource limited artificial immune systems,RLAIS)的多光谱遥感影像分类方法。该方法采用RLAIS对遥感影像分类中选取的感兴趣样区进行样本训练,得到全局聚类中心,利用聚类中心对遥感影像进行分类。实验证明,该方法在分类精度上优于传统方法,其总精度和Kappa系数分别达到了91%和0.88,具有实用价值。

基于遥感的城市典型地物信息的快速获取方法

为了及时快速地得到城市中水体、植被、不透水面和裸土四类城市典型地物的覆盖信息,建立了一种使用归一化植被指数、改进型水体指数以及基于光谱分析后新建立的比例指数,结合伪彩色合成分类的方法。通过对分类地物的光谱特征分析,综合使用比例指数和改进型水体指数对不透水层信息进行了提取。验证结果表明,该方法仅需要通过颜色特征就可快速生成四类地物信息分布图,无需任何分类器算法。通过与同时相高分辨率影像中的200个随机点信息进行比对后,得到该方法可达到83%的总体分类精度,Kappa系数0.803,四类地物的用户精度和制图精度均达到80%以上。

基于知识的遥感图像分类系统

本文应用问题求解的黑板模型并利用产生式系统作为基本软件结构,设计并实现了一个基于知识的遥感图像分类系统;对知识获取与表示进行了研究;通过实验论证了系统的可行性.

OIF辅助BP神经网络模式识别的土地覆盖分类

精准高效的土地覆盖分类不仅能提高土地利用类型研究与制图质量,也有助于有序地组织土地的保护与开发。以2020年7月28日银川市三区的美国陆地卫星8号陆地成像仪(Landsat8 OLI)影像为数据源,建立最佳指数法(OIF)辅助前馈(BP)神经网络的模式识别模型,借助遥感影像处理平台(ENVI)选取训练样本集,对银川市三区土地覆盖类型进行分类。结果表明,OIF辅助BP神经网络模式识别的总体精度为86.95%,Kappa系数为0.8435,优于最大似然法和支持向量机(SVM)分类法;从生产者精度来看,该方法在林地、草地、水域和未利用地的分类中优势明显,精度都超过了90.00%,但在建设用地的分类中精度较低,只有70.73%。实验证明,OIF辅助BP神经网络的模式识别在遥感影像的监督分类中是一种精准高效的分类方法。

一个基于多重推理的遥感图片解译专家系统

本文研究了在图象模式识别过程中引入人工智能的知识学习、知识表达和知识推理的理论和技术,设计并实现了一个应用于遥感图片解译的计算机视觉专家系统。 为使系统具有较高的智能化程度,本文提出了一种新的推理方法——多重推理法,它具有处理某些不完全知识和错误知识的能力,并且推理过程所运用的部分知识(规则)是从已知样本中自动归纳学习生成的。

专家系统在 TM 图像分类中的应用

提高TM图像的分类精度,是图像处理及应用领域中一个很重要的研究课题。本文在总结已有成果基础上,首先利用现有的统计分类技术,对待分类图像进行预分类,并检测出“不确定”像元。然后综合光谱、地理、土壤类型、早期判别结果、目视判读经验等各种知识和信息,充分发挥专家系统的推理判断能力,对“不确定”像元的类别作进一步判别,使得整幅图像的分类精度得到改善。并据此初步建立了一个土地利用的分类系统。试验证明,这种分类方法的精度比仅用单一多光谱信息的统计分类法(最大似然法)提高约8％。