共查询到20条相似文献，搜索用时 93 毫秒
1.
提出了应用图像关联度的图像模糊分类新方法。该方法在求得每幅图像相对各个类别的关联度的基础上,求得每个类别图像关联度的均值和标准差σ;然后计算每幅图像的关联度与所在类别关联度均值之差Δi,差值Δi≤2σ,该图像应“留“在该类中;否则,该图像应归入与另两个类别的关联度较大的类别。每幅图像都经过这样的检验,实现图像的再划分,直到这一过程稳定为止。实验结果表明,该方法的图像分类质量有一定优势。 相似文献
2.
小样本学习旨在利用非常少的监督信息识别出新的类别,由于忽视了样本之间的关联信息,现有的小样本分类方法用于遥感图像小样本分类时往往不能获得令人满意的精度。为此,本文利用图来建模图像在特征空间的相似关系,使用图卷积运算平滑同类别图像的特征,增强不同类别图像特征的区分度,提升分类精度。所提方法在现有图卷积运算的基础上,使用多阶次的邻接矩阵线性加权的方法代替传统的一阶邻接矩阵,通过图谱分析得出这种改进方法能够让不同阶次邻接矩阵的频率响应函数在高频部分正负相抵,有效抑制图信号的高频分量,更显著的提升同类别节点特征的聚集程度;同时,在训练过程引入了微调的方法,使用新类别中的标记数据对最后一层图卷积网络进行少量次数的训练,能够进一步提高精度,增强模型的迁移能力。实验使用AID、OPTIMAL31以及RSI-CB256这3个常用的遥感数据集对方法的有效性进行了测试,结果表明提出的方法在同数据集小样本分类任务和跨数据集小样本分类任务中,在分类精度方面均优于原型网络等比较方法。 相似文献
3.
《武汉大学学报(信息科学版)》2016,(4)
提出带有确定度的关联度的图像模糊分类新方法。该方法在求得每幅图像相对各个图像类别的关联度基础上,求得一幅图像相对各个类别的确定度,将一幅图像的确定度作为相应图像关联度的权,以带权的关联度为最大准则,确定待识别图像类别的属性。识别图像类别的第二个准则是,以带有确定度的关联度为特征,采用与聚类中心距离最小准则,确定待识别图像的类别。通过由三种不同类别图像组成的多种组合的试验,试验中满足两个准则之一的实验结果表明,该方法的结果具有一定的优势。 相似文献
4.
利用遥感影像识别土地利用类型及监测其变化情况在城市规划和土地利用优化等领域发挥着重要作用。当前,相关数据集存在样本量少、类别划分不合理、数据不开源等局限,难以满足样本驱动的深度学习遥感信息提取范式的需求。本文构建了一个面向深度学习的大规模场景分类与变化检测数据集MtSCCD (Multi-temporal Scene Classification and Change Detection)。该数据集包括MtSCCD＿LUSC (MtSCCD Land Use Scene Classification)和MtSCCD＿LUCD (MtSCCD Land Use Change Detection)两个子数据集,分别用于土地利用场景分类与变化检测任务。该数据集具有以下特点：（1） MtSCCD是目前规模最大的公开的土地利用类型识别与检测数据集,包含10种土地利用类型共65548幅图像,并且样本覆盖中国5个城市的中心区域;（2）由于MtSCCD数据集根据城市划分训练集、验证集以及测试集,对于新增的城市土地利用数据,可以根据需求划分为训练集与验证集或测试集,因此可扩展性较高;（3） MtSCCD... 相似文献
5.
基于欧式距离的K-均值聚类算法是一种硬分类(把每个待辨识的对象严格地划分到某个类中)方法,面对具有不确定性和混合像元特征的遥感图像数据,传统K-均值聚类算法很难得到满意的分类结果.为解决这一难题,将集对分析(set pair analysis,SPA)理论推广到遥感图像聚类算法,通过引入一个能统一描述同一性、差异性和对立性的同异反(identical discrepancy contrary,IDC)联系度,提出了基于IDC联系度的改进的K-均值聚类算法.该方法克服了传统K-均值算法硬分类的缺陷,可以有效地提高遥感图像聚类精度.对Landsat5 TM卫星数据的聚类分析实验表明,在含有混合像元的遥感图像地物覆盖分类中,改进的K-均值聚类方法的分类效果要优于传统K-均值聚类方法. 相似文献
6.
通过训练样本采样处理改善小宗作物遥感识别精度 总被引：1，自引：0，他引：1
训练样本质量是决定农作物遥感识别精度的关键因素,虽然高空间分辨率卫星的发展有效地解决了农作物遥感识别过程中的混合像元问题,但是当区域内不同作物种植面积差异较大时,训练集中不同类别样本数量往往相差较大,这样的不均衡数据集影响分类器的训练,导致少数类别的识别精度不理想。为研究作物遥感识别过程中的不均衡样本问题,本文基于GF-2号卫星数据,首先挖掘了地物的光谱信息、纹理信息,用特征递归消除RFE (Recursive Feature Elimination)方法进行特征优选,然后从数据处理的角度采用了5种采样算法对不均衡训练集进行处理,最后使用采样后的均衡数据集训练分类器,对比数据采样前后决策树与Adaboost(Adaptive Boosting)两种分类器的识别结果,发现:(1)经过采样处理后两种分类算法明显提升了小宗作物的分类精度;(2)经过ADASYS (Adaptive synthetic sampling)采样处理后,分类器性能提升最多,决策树的Kappa系数提高了14.32%,Adaboost的Kappa系数提高了10.23%,达到最高值0.9336;(3)过采样的处理效果优于欠采样,过采样对分类器的性能提升更多。综上所述,选择合适的采样方法和分类方法是提高不均衡数据集遥感分类精度的有效途径。 相似文献
7.
一种遥感影像分类精度检验的新方法 总被引：7，自引：0，他引：7
遥感影像中属于某类别的特征向量服从正态分布，基于此理论，根据统计学原理，提出一种新的基于类别分布的分类精度检验方法，该方法与常规基于混淆矩阵的分类精度检验方法完全不同，不需检验数据，仅需要一定的样本数据来估计总体的分布，可直接利用监督分类的训练区进行，因此对监督分类而言工作量极小。该方法能够进行的关键是类别总体的分布能通过某一分布的假设检验，在这种情况下可方便地计算出该类别的生产者精度，同时根据类别均值向量对应的像元数目和均值向量在类别总体中出现的概率计算出类别总体的数目后，可计算出各类别的用户精度，然后根据各类别的用户精度和分类后各类别分布面积比例计算出分类总精度。最后以郑州市高密度建设用地分类的生产者精度数据的获取为例进行了实证研究。研究表明：对于总体分布与正态分布最接近的两个波段的分类结果，本方法的计算结果与常规方法的计算结果在统计意义上可以认为一致。 相似文献
8.
针对因样本量小而导致的遥感图像场景分类精度不高的问题,结合非下采样Contourlet变换(NSCT)、深度卷积神经网络(DCNN)和多核支持向量机(MKSVM),提出了一种基于多尺度深度卷积神经网络(MS-DCNN)的遥感图像场景分类方法。首先利用非下采样Contourlet变换方法对遥感图像多尺度分解,然后对分解后的高频子带和低频子带分别用DCNN训练得到了不同尺度的图像特征,最后采用MKSVM综合多尺度特征并实现遥感图像场景分类。对标准遥感图像分类数据集的试验结果表明,本算法能够结合低频和高频子带对不同类别场景的识别优势,对遥感图像场景取得较好的分类结果。 相似文献
9.
合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。 相似文献
10.
如何有效地提取和融合不同模态的特征是高光谱图像和激光雷达数据联合分类的关键。近年来,得益于深度学习强大的特征学习能力,其在高光谱图像和激光雷达数据联合分类领域受到了越来越多的关注。然而,现有的深度学习模型大多基于监督学习的模式,分类性能依赖标注样本的数量和质量。为此,本文提出了一种基于模态间匹配学习的联合分类方法,充分利用未标注样本的信息,减少对标注信息的依赖性。具体而言,本文首先通过高光谱图像和激光雷达数据之间的匹配关系和KMeans聚类算法,构造模态匹配标签。然后,利用该标签训练含有多个卷积层的匹配学习网络。该网络由两个并行分支构成,每个分支负责提取单个模态的特征。最后,以该网络为基础,构造高光谱图像和激光雷达数据联合分类模型。该模型的参数由匹配学习网络进行初始化,因而只需要少量标注样本进行微调即可达到理想的分类效果。为了验证本文方法的有效性,在Houston和MUUFL两个常用的高光谱图像和激光雷达数据联合分类数据集上进行了大量的实验。实验结果表明,与已有的分类模型相比,本文方法能够获得更高的分类性能。 相似文献
11.
针对传统的Co-training和Tri-training协同训练算法中基分类器独立性低、迭代过程中误差累积和整体泛化性能低的问题,将多视图理论、编码理论和万有引力公式引入协同训练分类算法中,提出了改进算法,算法有效地防止了迭代过程中的误差累积,同时提高了分类系统的泛化性能。在高光谱图像分类实验中,随机地从数据集中抽取5%、10%和20%样本作为已标记训练集时,码字匹配的协同训练分类算法对比Co-training和Tri-training算法,在分类精度上平均分别提高了12.38%和6.13%,在Kappa系数上平均分别提高了0.2和0.07。进一步加入引力筛选机制,对比Co-training和Tri-training算法,在分类精度上平均分别提高了21.30%和10.99%,在Kappa系数上平均分别提高了0.26和0.13,结果表明了本文算法的有效性。 相似文献
12.
针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力。利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验,试验结果表明,该算法能够在训练样本较少的情况下（每类地物仅选取5个标记样本作为训练样本）取得优于传统半监督分类方法的分类精度。 相似文献
13.
Very high spatial and temporal resolution remote sensing data facilitate mapping highly complex and diverse urban environments. This study analyzed and demonstrated the usefulness of combined high-resolution aerial digital images and elevation data, and its processing using object-based image analysis for mapping urban land covers and quantifying buildings. It is observed that mapping heterogeneous features across large urban areas is time consuming and challenging. This study presents and demonstrates an approach for formulating an optimal land cover classification rule set over small representative training urban area image, and its subsequent transfer to the multisensor, multitemporal images. The classification results over the training area showed an overall accuracy of 96%, and the application of rule set to different sensor images of other test areas resulted in reduced accuracies of 91% for the same sensor, 90% and 86% for the different sensors temporal data. The comparison of reference and classified buildings showed ±4% detection errors. Classification through a transferred rule set reduced the classification accuracy by about 5%–10%. However, the trade-off for this accuracy drop was about a 75% reduction in processing time for performing classification in the training area. The factors influencing the classification accuracies were mainly the shadow and temporal changes in the class characteristics. 相似文献
14.
针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。 相似文献
15.
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
16.
针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。 相似文献
17.
粒子群优化算法是基于群智能的随机全局优化方法,它源于对鸟群简化社会系统的模拟。为了提高标准粒子群优化算法的收敛性能,将生物免疫系统的记忆能力和多样性引入标准粒子群优化算法,提出一种免疫粒子群优化算法。在提取纹理样本Laws纹理能量模板特征、小波特征等纹理特征的基础上,提出针对分类问题的粒子表达方法和群体寻优策略,实现了基于免疫粒子群算法的纹理分类。实验结果表明,与标准粒子群优化算法相比,免疫粒子群优化算法在获取训练样本类别中心时具有较好的收敛性能,并且基于该算法的影像纹理分类具有较高的分类精度。 相似文献
18.
E.A. Addink J.G.P.W. Clevers S.M. de Jong G.F. Epema F.D. van der Meer A.K. Skidmore W.H. Bakker 《International Journal of Applied Earth Observation and Geoinformation》2006,8(4):237-245
Objective comparison of classification performance of earth observation images, acquired at different spatial resolutions (e.g. NOAA-AVHRR, IRS-MOS, IRS-WiFS, Landsat-TM, IRS-LISS), is complicated because both class definition and training site selection are hampered by the inherent scale differences. This paper presents a new, generic method to compare the information content of such a set of images, the “Stained Glass Procedure”. It overcomes the stated problems by computing the scale-dependent, internal spectral variation in an image and by using this as an indicator for land cover information. The Stained Glass Procedure creates segments in the images and calculates the internal spectral variation in a high-spatial-resolution image for each segment. For each image from the set the average variance, weighted to area, is calculated. The Stained Glass Procedure can be used to predict the performance of sensors that are not available, yet, or to roughly determine the optimal spatial resolution for the classification of a specific area.The procedure was applied to images with pixel sizes ranging from 23 to 1100 m. Classification detail of Envisat-MERIS (300 m pixel size), not included in the image set, could be predicted accurately using the Stained Glass Procedure.The Stained Glass Procedure applies one procedure to all images, without any subjective decision during the analysis, thus offering a method to compare images with different pixel sizes in terms of classification detail that is truly objective. 相似文献
19.
本论文尝试讨论两个主题：主题一为利用主成分分析PCA方法应用于像元阶层资料融合技术的研究。主题二为应用Dempster-Shafer evidence theory方法于特征阶层数据融合技术的研究。在第一个主题中，由于合成孔径雷达的数据具有全偏极特性，在此选取了对植被较为敏感的HV极化合成孔径雷达数据，与具有光谱特性的光学SPOT数据做数据融合处理以利接下来的地物分类。首先，本研究利用小波转换技术来滤除合成孔径雷达斑驳噪声，在接下来融合步骤中，主成分分析出来的第一部分（PCI）是用做完滤除噪声后的合成孔径雷达取代，在数据融合后，进行地物分类是采用最大似然法来分类融合影像。在第二个主题中，利用全偏极雷达数据的极化特性结合SPOT数据的光谱特性，其主要目的是为了增加分类的精确度。首先使用李式滤波器滤除全偏极雷达数据噪声，接下来同样是使用采用最大似然法来分类融合影像，（不同的在于全偏极雷达影像使用Wishart几率分布，在光学影像采用multivariate Gaussian几率分布）将每个类别中每个像元属于某个类别的几率值计算出来，再利用Dempster-Shafer evidence theory来结合这些类别的机率值。最后产生出一张新的分类影像。实验的结果显示分类的精确度比较于未融合的资料都有明显提升的效果，也证明了此两个数据融合方法对于不同数据特性的融合都是很成功的。 相似文献
20.
基于专家知识的决策树分类 总被引：1，自引：0，他引：1
基于ENVI运用专家知识的决策树分类、监督分类、非监督分类手段来实现对于Landsat TM影像和快鸟影像数据的图像分类处理,简单介绍了决策树的建立过程,以及如何进行预处理、分类后处理、精度评价。通过3种分类方式的比较,基于专家知识的决策树分类法具有分类判别规则十分灵活、分类决策树看起来很直观、分类条件清晰、分类效果好、运算效率高等特点。实验中,其分类方式的缺陷表现为分类过多、过于复杂,可能会产生错误的速度加快;决策树判别规则复杂,树形分枝多导致用户难以识别、理解、应用。 相似文献