基于神经网络的遥感影像分类研究

遥感图像分类方法研究综述

第2期,总第64期国　土　资　源　遥　感No.2,2005　2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005　 遥感图像分类方法研究综述 李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明　650092;2.云南省寄生虫病防治所,思茅　665000; 3.云南开远市第一中学,开远　661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。 关键词:遥感;图像分类;分类方法 中图分类号:TP751　文献标识码:A 文章编号:1001-070X(2005)02-0001-06 0　引言 随着卫星遥感和航空遥感图像分辨率的不断提 高,人们可以从遥感图像中获得更多有用的数据和 信息。由于不同领域遥感图像的应用对遥感图像处 理提出了不同的要求,所以图像处理中重要的环 节———图像分类也就显得尤为重要,经过多年的努 力,形成了许多分类方法和算法。本文较全面地综 述了这些分类方法和算法,为遥感图像分类提供理 论指导。 1　遥感图像分类研究现状 在目前遥感分类应用中,用得较多的是传统的 模式识别分类方法,诸如最小距离法、平行六面体 法、最大似然法、等混合距离法(I S OM I X)、循环集群 法(I S ODAT A)等监督与非监督分类法。其分类结果 由于遥感图像本身的空间分辨率以及“同物异谱”、 “异物同谱”现象的存在,往往出现较多的错分、漏分 现象,导致分类精度不高[1]。随着遥感应用技术的 发展,傅肃性等对P.V.Balstad(1986)利用神经网络 进行遥感影像分类的研究情况以及章杨清等在利用 分维向量改进神经网络在遥感模式识别中的分类精 度问题作了阐述[2], 孙家对M.A.Friedl(1992)和 C.E.B r odley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2　基于统计分析的遥感图像分类方法 2.1　监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-Nearest Neighbor)、决策树法(Decisi on Tree Classifi2 er)和贝叶斯分类法(Bayesian Classifier)。主要步骤包括:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。 最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre ma等提出的启发式像素分类估计先验概率法。Mclachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。

遥感图像几种分类方法的比较

摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)

1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)

BP神经网络的数据分类MATLAB源代码.doc

%%%清除空间 clc clear all ; close all ; %%%训练数据预测数据提取以及归一化 %%%下载四类数据 load data1 c1 load data2 c2 load data3 c3 load data4 c4 %%%%四个特征信号矩阵合成一个矩阵data ( 1:500 , : ) = data1 ( 1:500 , :) ; data ( 501:1000 , : ) = data2 ( 1:500 , : ) ; data ( 1001:1500 , : ) = data3 ( 1:500 , : ) ; data ( 1501:2000 , : ) = data4 ( 1:500 , : ) ; %%%%%%从1到2000间的随机排序 k = rand ( 1 , 2000 ) ; [ m , n ] = sort ( k ) ; %%m为数值，n为标号

%%%%%%%%%%%输入输出数据 input = data ( : , 2:25 ) ; output1 = data ( : , 1) ; %%%%%%把输出从1维变到4维 for i = 1 : 1 :2000 switch output1( i ) case 1 output( i , :) = [ 1 0 0 0 ] ; case 2 output( i , :) = [ 0 1 0 0 ] ; case 3 output( i , :) = [ 0 0 1 0 ] ; case 4 output( i , :) = [ 0 0 0 1 ] ; end end %%%%随机抽取1500个样本作为训练样本，500个样本作为预测样本 input_train = input ( n( 1:1500 , : ) )’ ; output_train = output ( n( 1:1500 , : ) )’ ; input_test = input ( n( 1501:2000 , : ) )’ ;

利用主题模型的遥感图像场景分类

第36卷第5期2011年5月武汉大学学报#信息科学版 Geo matics and Informat ion Science of W uhan U niver sity V ol.36N o.5M ay 2011 收稿日期:2011-03-15。 项目来源:国家自然科学基金资助项目(40801183,60890074)。 文章编号:1671-8860(2011)05-0540-04文献标志码:A 利用主题模型的遥感图像场景分类 徐 侃1 杨 文1 陈丽君1 孙 洪1 (1 武汉大学电子信息学院,武汉市珞喻路129号,430079) 摘 要:提出了一种基于主题模型与特征组合相结合的遥感图像分类方法。该方法首先对图像进行尺度不变特征变换(SIF T )、几何模糊特征(G B)和颜色直方图特征(CH )提取,接着利用潜在概率语义分析(pL SA )模型分别对所得到的图像特征进行潜在主题的挖掘,然后对所得到的主题概率特征进行组合,最后利用支持向量机(SV M )分类器进行场景分类。实验表明,与传统分类方法相比,主题模型更具优势;与使用单特征相比,特征组合具有更高的分类准确率。 关键词:场景分类;特征组合;pL SA 模型;支持向量机中图法分类号:P237.4 近年来,为了跨越底层视觉特征与高层语义之间的障碍,使用中间语义来对场景进行分类的方法受到了广泛的关注。然而,中间语义的生成通常需要大量的人工标注样本。为了克服这一困难,一些文本主题模型的方法被应用到图像场景分类之中[1-4] ,这些方法可以将高维度的特征向量变换到低维度的潜在语义空间之上。但是,由于主题分析模型是根据图像中视觉词汇出现的总体情况来进行分析的,所以这种方法并没有考虑到视觉词汇在空间的分布特点,同时图像特征的使用也仅限于单一的特征。对于数量及分辨率都迅速增长的遥感图像而言,相对应的场景与地物类别也与日俱增,这使得人们对分类方法有了更高的要求[5-8]。本文提出了一种将主题模型与特征组合相结合的遥感图像分类方法。 1 图像特征 目前用于图像分类的特征主要包括纹理、颜色、形状、空间位置以及上下文先验信息特征等,这些特征在对图像进行表达时都有各自的侧重点。本文实验中主要使用三种特征的互补性分别对图像的结构、颜色和边缘进行描述,并将它们组合之后用于图像分类。1尺度不变特征变换(scale -inv ariant feature transform,SIFT )[5]。构 造SIFT 描述算子时,以关键点为中心选取一个16@16的像素区域,将其划分为4@4个子块,分 别在每个子块上计算8个方向的梯度直方图,最后产生的SIFT 特征向量就有16@8=128维。o颜色直方图(colorhist,CH )。基于不同的颜色空间,可统计出不同的颜色直方图。本文采用RGB 颜色空间,其中各通道上的直方图维数为40,然后将所得直方图串联,最终形成120维的颜色直方图特征。?几何模糊特征(g eo metr ic blur,GB)[9]。本文先对图像进行边缘提取,得到稀疏信号,然后分别在三个通道上利用高斯核函数与图像卷积计算GB 描述子。各通道上的维数均为68,将其串联得到204维的GB 特征。 2 语义模型 由于计算机与人对图像信息的理解存在着客观区别,因而语义提取的有效性从很大程度上影响了图像分类的准确性,因此,越来越多的语义模型被引入到图像分类中来。目前被广泛使用的两种语义模型pLSA (pr obabilistic latent semantic analysis)和LDA (latent dirichlet analy sis)都属于将特征向量降维到潜在语义空间上的生成模型。在降维之前,实验中所使用的三种特征组合起来共有128+120+204=452维。而在经过语

遥感影像分类envi

遥感课程教学实验之二： 遥感影像分类 实验二遥感影像的分类遥感影像的监督分类 ?实验目的

理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软ENVI 件对遥感图像进行分类的方法。 ?实验内容 1、遥感图像分类原理。 2、遥感图像监督分类。 3、最大似然法分类 ?实验条件 电脑、ENVI4.5软件。厦门市TM遥感影像。 ?实验步骤 1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色 影像，显示遥感影像。 2、从主图像窗口的工具Tools →Region of Interest →ROI Tools; 3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采 集的窗口类型，用Zoom（缩放窗口）进行采集。。

4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域 被红色充填，同时ROI Tools窗口中显示采集样本的信息。采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。。 5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元 像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。

6、在出现Classification Input File 对话框中，选择输入影像文件，出现 Maximum Likelihood Parameters 对话框。 7、输入常规的分类参数。 设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None” 按钮。要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。似然度小于该值的像元不被分入该类。 要为每一类别设置不同的阈值： ●在类别列表中，点击想要设置不同阈值的类别。 ●点击“Multiple Values”来选择它。 ●点击“Assign Multiple Values”按钮。 ●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。为每 个类别重复该步骤。 最后给定输出结果的保存方式：文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。 点击“OK”计算机开始自动分类运算。 8、在可用波段列表中显示分类图像。 ?实验总结

试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。

遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台

上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要

遥感影像的分类处理

摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程

神经网络在数据挖掘中的应用

神经网络在数据挖掘中的应用

————————————————————————————————作者：————————————————————————————————日期： ?

神经网络在数据挖掘中的应用 摘要：给出了数据挖掘方法的研究现状,通过分析当前一些数据挖掘方法的局限性,介绍一种基于关系数据库的数据挖掘方法——神经网络方法,目前,在数据挖掘中最常用的神经网络是ＢＰ网络。在本文最后，也提出了神经网络方法在数据挖掘中存在的一些问题． 关键词：BＰ算法;神经网络;数据挖掘 １．引言 在“数据爆炸但知识贫乏”的网络时代,人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。数据挖掘技术应运而生。并显示出强大的生命力。和传统的数据分析不同的是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。所得到的信息具有先未知，有效性和实用性三个特征。它是从大量数据中寻找其规律的技术,主要有数据准备、规律寻找和规律表示三个步骤。数据准备是从各种数据源中选取和集成用于数据挖掘的数据；规律寻找是用某种方法将数据中的规律找出来;规律表示是用尽可能符合用户习惯的方式(如可视化)将找出的规律表示出来。数据挖掘在自身发展的过程中，吸收了数理统计、数据库和人工智能中的大量技术。作为近年来来一门处理数据的新兴技术，数据挖掘的目标主要是为了帮助决策者寻找数据间潜在的关联(Rｅｌation），特征(Pattern)、趋势(Tｒend)等，发现被忽略的要素，对预测未来和决策行为十分有用。 数据挖掘技术在商业方面应用较早，目前已经成为电子商务中的关键技术。并且由于数据挖掘在开发信息资源方面的优越性,已逐步推广到保险、医疗、制造业和电信等各个行业的应用。 数据挖掘(Dａta Ｍiｎing)是数据库中知识发现的核心，形成了一种全新的应用领域。数据挖掘是从大量的、有噪声的、随机的数据中，识别有效的、新颖的、有潜在应用价值及完全可理解模式的非凡过程。从而对科学研究、商业决策和企业管理提供帮助。 数据挖掘是一个高级的处理过程,它从数据集中识别出以模式来表示的知识。它的核心技术是人工智能、机器学习、统计等，但一个ＤM系统不是多项技术的简单组合,而是一个完整的整体，它还需要其它辅助技术的支持，才能完成数据采集、预处理、数据分析、结果表述这一系列的高级处理过程。所谓高级处理过程是指一个多步骤的处理过程,多步骤之间相互影响、反复调整,形成一种螺旋式上升过程。最后将分析结果呈现在用户面前。根据功能，整个DM系统可以大致分为三级结构。 神经网络具有自适应和学习功能，网络不断检验预测结果与实际情况是否相符。把与实际情况不符合的输入输出数据对作为新的样本，神经网络对新样本进行动态学习并动态改变网络结构和参数,这样使网络适应环境或预测对象本身结构和参数的变化，从而使预测网络模型有更强的适应性,从而得到更符合实际情况的知识和规则，辅助决策者进行更好地决策。而在ANN的

BP神经网络的数据分类-语音特征信号分类

clear %% 训练数据预测数据提取及归一化 %下载四类语音信号 load data1 c1 load data2 c2 load data3 c3 load data4 c4 %四个特征信号矩阵合成一个矩阵 data(1:500,:)=c1(1:500,:); data(501:1000,:)=c2(1:500,:); data(1001:1500,:)=c3(1:500,:); data(1501:2000,:)=c4(1:500,:); %从1到2000间随机排序 k=rand(1,2000); [m,n]=sort(k); %输入输出数据 input=data(:,2:25); output1 =data(:,1); %把输出从1维变成4维 for i=1:2000 switch output1(i) case 1 output(i,:)=[1 0 0 0]; case 2 output(i,:)=[0 1 0 0]; case 3 output(i,:)=[0 0 1 0]; case 4 output(i,:)=[0 0 0 1]; end end %随机提取1500个样本为训练样本，500个样本为预测样本input_train=input(n(1:1500),:)'; output_train=output(n(1:1500),:)'; input_test=input(n(1501:2000),:)'; output_test=output(n(1501:2000),:)'; %输入数据归一化 [inputn,inputps]=mapminmax(input_train); %% 网络结构初始化 innum=24; midnum=25; outnum=4;

遥感图像分类后处理

遥感图像分类后处理 一、实验目的与要求 监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。 因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。 本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。 二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理（Clump） ●过滤处理（Sieve） 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法 在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；

三、实验设备与材料 1.实验设备 装有ENVI 5.1的计算机 2.实验材料 以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述： ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除 应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面 积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。 1)Majority和Minority分析 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该 类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。 下面介绍详细操作流程： （1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"； （2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK； （3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。

matlab30个案例分析案例12-SVM神经网络的数据分类预测

%% SVM神经网络的数据分类预测----意大利葡萄酒种类识别 %% 清空环境变量 close all; clear; clc; format compact; %% 数据提取 % 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量 load chapter12_wine.mat; % 画出测试数据的box可视化图 figure; boxplot(wine,'orientation','horizontal','labels',categories); title('wine数据的box可视化图','FontSize',12); xlabel('属性值','FontSize',12); grid on; % 画出测试数据的分维可视化图 figure subplot(3,5,1); hold on for run = 1:178 plot(run,wine_labels(run),'*'); end xlabel('样本','FontSize',10); ylabel('类别标签','FontSize',10); title('class','FontSize',10); for run = 2:14 subplot(3,5,run); hold on; str = ['attrib ',num2str(run-1)]; for i = 1:178 plot(i,wine(i,run-1),'*'); end xlabel('样本','FontSize',10); ylabel('属性值','FontSize',10); title(str,'FontSize',10); end % 选定训练集和测试集 % 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台

上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要

遥感图像分类方法综述

遥感图像分类方法综述 刘佳馨 摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。 关键词：遥感图像；图像分类；分类方法 1 引言 遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised

遥感图像的分类

实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。

遥感影像分类方法实验报告

实验报告

目录 1 实验目的 (4) 2 实验数据 (4) 3 实验内容 (4) 4 实验步骤 (5) 4.1 对人口矢量数据（shapefile）进行投影转换 (5) 4.1.1 Census.shp文件投影坐标的检查 (5) 4.1.2 将投影坐标转换为WGS_1984_UTM_Zone_16N (6) 4.2 对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准） (6) 4.2.1 Census.shp在ENVI软件的加载 (6) 4.2.2 对遥感影像进行几何精校正（以矢量数据为基准） (7) 4.2.3 用矢量图层对遥感影像进行裁剪 (10) 4.3 将Pan波段和多光谱波段进行融合，并对融合效果进行定性和定量评价 (11) 4.3.1 两种融合方法的原理 (11) 4.3.2 进行 Gram-Schmidt Spectral Sharpening融合 (11) 4.3.4 融合效果进行定性评价 (14) 4.3.5 融合效果进行定量评价(软件提供的计算方法) (15) 4.3.6 融合效果进行定量评价(Matlab编程计算) (16) 4.3.7 遥感影像融合定量分析代码 (20) 4.4 生成住房密度栅格影像 (23) 4.4.1 两表的连接 (23) 4.4.2 计算房屋密度 (24) 4.4.3 直接栅格化 (25) 4.4.4 IDW插值 (25) 4.4.5 对房屋密度图进行重分类 (26) 4.5 将住房密度栅格影像作为额外的通道与ETM+多光谱波段进行叠加 (26) 4.6 监督分类（融合方法为HSV，波段为5，4，3） (27) 4.6.1 打开Google Earth影像作为监督分类的参照 (27) 4.6.2 建立兴趣区 (29) 4.6.3 训练样区的选择 (30) 4.6.4 训练样区的评价 (31) 4.6.5 执行监督分类 (33) 4.6.6 分类后处理 (35) 4.6.7 评价结果分析 (37) 4.6.8 分类结果面积统计 (38) 4.6.9 分类结果 (41) 4.7 分类结果评价与分析 (41) 4.7.1 未加入房屋密度图层的分类结果评价与分析 (41) 4.7.2 加入IDW插值房屋密度图层的分类结果评价与分析 (42) 4.7.3 加入直接栅格化房屋密度图层的分类结果评价与分析 (43) 4.7.4 加入重分类后IDW插值房屋密度图层的分类结果评价与分析 (44) 4.7.5 从总精度与Kappa系数对分类结果进行评价 (45)