共查询到19条相似文献，搜索用时 127 毫秒
1.
2.
遥感影像决策级融合方法实验研究 总被引：1，自引：0，他引：1
遥感影像融合是遥感图像处理中的研究热点和难点之一.对下列两种遥感影像决策级融合方法进行了实验研究:一种是基于支持向量机(SVM),另一种是基于自组织神经网络.融合实验分别采用这两种方法对Landsat TM 多光谱数据(30 m/像素)与IRS-C 全色数据(5.8 m/像素)间分别进行影像融合.融合结果表明:基于SVM的方法可有效地融合不同影像的信息,并且可获得较高的融合分类精度.在分类精度方面,基于SVM方法的融合影像明显优于基于自组织神经网络方法的融合影像. 相似文献
3.
4.
针对BP神经网络在遥感影像分类中存在易陷入局部极值和单一影像特征缺乏有效地物判别信息的问题,该文提出了一种遗传算法(GA)结合指数粒子群算法(ExpPSO)优化BP神经网络的多特征融合遥感影像分类方法(GA-ExpPSO-BP).该方法将设计的基于指数函数的ExpPSO与GA结合构建GA-ExpPSO算法,利用GA-ExpPSO算法对BP神经网络的权阈值进行初始寻优从而构建GA-ExpPSO-BP模型.以高分二号、资源三号遥感影像为实验数据,通过制作多特征融合数据集训练及实验验证.结果 表明:该方法的类别精度、总体精度和Kappa系数均最高,且训练耗时和误差最小,能有效改善影像的分类效果,提高分类效率和精度. 相似文献
5.
为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。 相似文献
6.
基于改进的像素级和对象级的遥感影像合成分类 总被引：1，自引：0，他引：1
像素级和对象级的分类研究分别作为两个独立的方向开展,二者的结合与优势互补还没有引起关注。本文对像素级和对象级分类方法的结合做出新的探索,提出了基于改进的像素级和对象级的遥感影像合成分类方法。首先,以一种改进的RBF神经网络分类器进行像素级分类、以一种基于改进模糊支持向量机和决策树的层次分类模型进行对象级分类,获得多层次分类结果。然后,提出了一个具体的像素级分类与对象级分类的合成算法,对多层次分类结果进行合成。实验表明,合成分类方法能有效地提高分类结果的精度,提供比单一像素级方法或对象级方法更准确的分类结果。 相似文献
7.
8.
基于PCA-BPNN的多光谱遥感影像分类 总被引：7，自引：0，他引：7
基于BP算法的神经网络方法目前已广泛运用于遥感影像分类,提出一种主成分分析(PCA)与BP神经网络相结合的遥感影像分类方法——PCA-BPNN,实验证明该方法是可行并且有效的,在减少计算量和加快收敛的同时,提高了分类的精度。 相似文献
9.
基于分类规则挖掘的遥感影像分类研究 总被引：6，自引：0，他引：6
分析了目前遥感影像的统计分类、神经网络分类及基于符号知识的逻辑推理分类方法的优缺点.以GIS为平台,构建了多源空间数据库,将数据挖掘的思想和方法引入遥感影像分类中,提出了面向分类规则挖掘的遥感影像分类框架.针对遥感光谱数据及其他空间数据的特点,定义了连续属性样本分类概念和分割点评价指标,提出了一种新的连续属性样本分类规则挖掘算法.选择一个试验区,采用该算法分别对遥感光谱数据、遥感光谱和DEM数据相结合的数据进行分类规则挖掘、遥感影像分类和分类精度比较.结果表明：（1）该算法具有较高的分类精度;（2）加入DEM等与分类相关的其他空间数据可以提高遥感影像的分类精度.通过挖掘分类规则进行遥感影像分类,扩展了基于知识的逻辑推理分类方法中知识获取渠道,提高了分类规则获取的智能化程度.新的连续属性样本分类规则挖掘算法,扩展了归纳学习算法对连续属性样本分类的适应性. 相似文献
10.
基于RBF神经网络的遥感影像分类算法研究 总被引：3，自引：0，他引：3
提出了运用径向基函数神经网络和K均值法进行遥感影像分类的算法，以实际的遥感影像分类为例，通过与传统的最小距离法进行比较，对RBF神经网络分类器的优点进行了归纳，并就算法实施中的一些问题进行了探讨。分析结果表明，RBF神经网络是一种有效的图像分类器。 相似文献
11.
遥感影像分类专家系统是遥感分类研究中的一个重要发展方向,然而,传统的统计模式识别法和人工神经网络分类法除了能完成具体的影像分类外,不能提供易于被人类理解的分类知识,文中介绍一种基于扩张矩阵的示例学习方法,并将其应用于遥感影像分类知识的自动获取。 相似文献
12.
The mixed pixel problem affects the extraction of land cover information from remotely sensed images. Super-resolution mapping (SRM) can produce land cover maps with a finer spatial resolution than the remotely sensed images, and reduce the mixed pixel problem to some extent. Traditional SRMs solely adopt a single coarse-resolution image as input. Uncertainty always exists in resultant fine-resolution land cover maps, due to the lack of information about detailed land cover spatial patterns. The development of remote sensing technology has enabled the storage of a great amount of fine spatial resolution remotely sensed images. These data can provide fine-resolution land cover spatial information and are promising in reducing the SRM uncertainty. This paper presents a spatial–temporal Hopfield neural network (STHNN) based SRM, by employing both a current coarse-resolution image and a previous fine-resolution land cover map as input. STHNN considers the spatial information, as well as the temporal information of sub-pixel pairs by distinguishing the unchanged, decreased and increased land cover fractions in each coarse-resolution pixel, and uses different rules in labeling these sub-pixels. The proposed STHNN method was tested using synthetic images with different class fraction errors and real Landsat images, by comparing with pixel-based classification method and several popular SRM methods including pixel-swapping algorithm, Hopfield neural network based method and sub-pixel land cover change mapping method. Results show that STHNN outperforms pixel-based classification method, pixel-swapping algorithm and Hopfield neural network based model in most cases. The weight parameters of different STHNN spatial constraints, temporal constraints and fraction constraint have important functions in the STHNN performance. The heterogeneity degree of the previous map and the fraction images errors affect the STHNN accuracy, and can be served as guidances of selecting the optimal STHNN weight parameters. 相似文献
13.
数据与数据库的爆炸式增长导致了一个十分突出的问题,即如何高效、智能地从巨量的、有噪音的、随机的数据中提取有效的、潜在有用的信息和知识.近几年来,空间数据挖掘技术的广泛研究正是基于此目的.本文初步探讨了空间数据挖掘技术在遥感图像处理中的应用,其重点阐述了关联规则,以及数据挖掘技术在遥感图像数据处理中的基本方法以及如何对遥感图像数据进行离散化处理.文章最后简要介绍了遥感图像处理的决策树和人工神经网络数据挖掘技术方法. 相似文献
14.
15.
基于Hopfield神经网络模型的遥感影像分类算法 总被引：1，自引：0，他引：1
针对遥感影像的分类特点，提出了一种基于Hopfield神经网络模型的遥感影像分娄算法。首先阐述了Hopfield神经网络的结构及其工怍原理，分析了Hopfield神经网络优化规则；然后在Hopfield神经网络通用模型基础上，实现了Hopfield神经网络的算法。实验结果表明，这种分类器具有较高的精度与效率，分类结果优于最大似然分类法。 相似文献
16.
遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。 相似文献
17.
In 1999, the Ministry of Land and Resources (MLR) of China launched the National Land Use Change Program especially to monitor the scale and distribution of urban expansion and the decrease in cultivated land through remote sensing technology. This Program has been carried out annually and continuously for seven years since then and played an important role in the policy-making of MLR about land management and planning. This paper gives an overview about this Program and discusses several research issues. First, the remote sensing data sources and other ancillary data used in this Program are presented. The approaches for image preprocessing, i.e. radiometric normalization, image geometric rectification and image fusion are then introduced with an emphasis on the algorithm development for image registration. Second, land use change detection technique is the most critical and complex aspect of the Program. The methodologies for change detection using either bi-temporal image pair or one existing land use map and one remotely sensed image are detailed. Third, since the data of land use changes derived from remote sensing will be operationally used for local and central government, field validation and accuracy assessment are crucial to ensure the reliability of change detection results. The strategy of field work and the resulting accuracy evaluations is presented. The land use and change information derived from remotely sensed data has wide applications for land management, including land use database updating, verification of land use planning and monitoring of national high-tech parks. Last, suggestions on how to make full use of the images and change detection result, to improve the consistency of land use classification and to develop change detection algorithms for diverse and complex remote sensing data are given. 相似文献
18.
19.
联合卷积神经网络与集成学习的遥感影像场景分类 总被引：1，自引：0，他引：1
针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。 相似文献