简介：摘要基于云理论的遥感影像分离方法，主要具有理论兼容模糊性、随机性等特点。其可利用逆向云发生器进行云模型的生成制作，结合相应的云数字特征进行定量数据分析。还可以在特定事件发生背景下进行遥感影像隶属性的分析判断，达到良好的遥感影像分类结果。本文以现阶段云理论在遥感影像分类不确定性问题处理方面的优势，从浮动云、评语云、正态云三个方面对云理论下遥感影像分类方法进行了分析。

简介：摘要：本研究旨在探讨基于深度学习技术的遥感影像地物分类方法，以提高遥感影像解译的准确性和效率。研究使用了深度卷积神经网络（CNN）和循环神经网络（RNN）等深度学习模型，对高分辨率遥感影像进行了特征提取和地物分类。实验结果表明，与传统方法相比，深度学习方法在地物分类任务中表现出更高的精度和鲁棒性。此外，研究还考察了不同遥感传感器和数据预处理方法对分类性能的影响，并提出了进一步改进的可能性。这项研究为遥感影像地物分类领域的发展提供了有力支持，可广泛应用于城市规划、环境监测和资源管理等领域。

简介：通过对扎龙湿地Landsat7ETM+影像进行计算机自动分类的实验研究,探讨了提高湿地遥感分类精度的方法与途径.实验所采用的首先对遥感影像进行非监督分类,再利用非监督分类生成的分类模板加以修改补充后进行监督分类的方法,经过误差矩阵的精度评价,可以获得研究区湿地遥感分类较高的分类精度.利用上述分类方法对3种ETM+不同波段组合的影像进行具体的遥感分类比较研究发现,选择ETM+7、5、3影像进行分类有助于提高扎龙湿地遥感分类的精度.为了提高湿地遥感分类的精度,还必须运用人机互译判读方法.

简介：摘要本研究利用缨帽变换获取绿度、亮度以及湿度三个特征波段，并结合植被覆盖度（VFC）构建地物光谱特征曲线。此外，通过估算上述各波段的灰度共生矩阵构建地物纹理特征曲线。在此基础上，分析地物的光谱特征和纹理特征，建立分类决策树模型，并在envi软件中实现决策树分类。为了探究决策树分类法的可行性，以史灌河地区TM30m分辨率影像进行了土地覆盖决策树分类试验与分析，并利用混淆矩阵对其结果进行精度评价。结果显示分类精度可达77.72%，Kappa系数0.69，具有一定的参考价值。

简介：Curvelet变换用于影像融合能有效保持影像的光谱信息，利于提取影像不同尺度、不同方向的细节特征。为检测Curvelet变换对影像分类的影响，文章首先采用PCA方法、Curvelet变换方法对IKONOS影像进行融合；然后对原多光谱影像和融合影像进行监督分类，分类时采用相同的训练样本；最后运用多种参数对结果进行目视、定量评价。总体结果显示：基于Curvelet变换的融合影像各波段的信息熵以及与原影像的平均结构相似性程度均高于基于PCA的融合影像，原多光谱影像、基于PCA的融合影像和基于Curvelet变换的融合影像的总体分类精度分别为：77．27％、70．00％和80．09％，其中基于Curvelet变换的分类影像的地物边缘光滑度最高。

简介：摘要：21世纪随着科学技术的飞速发展，各种新兴产业层出不穷，遥感图像技术就是其中的佼佼者。遥感图像可以收集到丰富的信息，但也使相关人员面临信息分类和整理的困难，而新的人工智能技术解决了这一问题。人工智能就是为机器编写程序，使其具有相应的学习能力，能够有效地利用互联网或计算机资源实现无人或人为遥感图像信息分类。

简介：摘要：本文针对遥感影像的图像分类与地物识别问题展开研究，提出了一种基于深度学习算法的新型解决方案。首先，采用卷积神经网络（CNN）对遥感影像进行特征提取与学习，提高了图像分类的准确性和效率。其次，引入了多尺度和多模态数据融合技术，进一步提升了地物识别的精度和鲁棒性。实验结果表明，所提出的算法在遥感影像分类与地物识别任务上取得了优异的性能，具有较强的实用性与推广价值。

简介：摘要遥感影像在很多领域都发挥着不容忽视的作用，科学技术的发展不仅使得遥感影像的分辨率越来越高，对于影像分类也提出了更高的要求。在这种情况下，以往高分遥感影像分类算法的计算精度逐渐无法满足分类要求，需要对算法进行改进和创新。基于此，本文提出了卷积神经网络分类算法，能够有效减少图像分类处理过程中比例缩放、平移等变形所引发的误差问题，提升分类精度。

简介：摘要：遥感影像分类按照是否使用先验知识分为监督分类和非监督分类。研究表明，使用先验知识的监督分类效果更好，能减少“同物异谱”和“同谱异物”现象的影响。

简介：摘要

简介：摘要：本研究旨在探索在测绘工程领域中应用深度学习技术进行遥感影像分类的方法。通过收集大量的遥感影像数据，结合深度学习算法，构建了一个高效的分类模型。首先，采用卷积神经网络（CNN）对遥感影像进行特征提取和学习，然后利用池化和全连接层进行分类识别。实验结果表明，该方法在不同地区和不同场景的遥感影像分类中表现出良好的准确性和泛化能力，为测绘工程领域的遥感应用提供了一种有效的分类方法。

简介：

简介：摘要随着社会经济的发展，科学技术的进步，我国的城市化水平也越来越高。在这一过程中，土地资源的有效利用率也受到了社会各界人士的关注与重视。土地资源作为一种不可再生资源，就应该得到应有的重视。以往的土地覆盖调查方式不仅会浪费大量的人力、物力与财力，同时也会浪费大量的时间与精力。但遥感技术正好弥补了这一不足，凭借自身收集与获取信息时效性与经济性等特点，被广泛的应用到土地覆盖的过程中。本文章对面向对象的遥感影像分类方法在土地覆盖中的运用进行了深入的分析与研究。

简介：首先利用支持向量机（SVM）和人工神经网络（ANN）对Landsat8OLI多光谱影像进行基于光谱信息的土地利用监督分类;然后,对多波段进行主成分变换,提取第一主成分的主要纹理信息,与光谱信息一起进行融合光谱和纹理信息的SVM和ANN影像监督分类.对比分析发现：对中原地区,SVM是Landsat8多光谱遥感影像分类的较优方法,尤其适用于农业用地信息提取;光谱分类即可达到较高精度,纹理信息对提高分类精度的作用十分有限.

简介：利用影像的空间信息在图像局部范围内自动搜索和选择最佳样区位置，再用光谱匹配对寻找到的最佳样区从空间和光谱两个角度对样区进行了纯化，使得训练样本更适合遥感图像分类的要求，最后利用BP网络对遥感图像进行分类。实验结果证明，原始遥感图像经过样区纯化算法处理后，目视判读效果和数值分析都表明提高了分类精度。

简介：摘要：遥感影像在土地资源调查中发挥着重要的作用，可以提供全面的土地信息、监测土地利用变化、评估土地质量、管理水资源和监测土地灾害等，为土地管理和规划提供科学依据。

简介：摘要：土地是人类赖以生存和发展的物质基础，是社会生产的劳动资料，是农业生产的基本生产资料，是一切生产和一切存在的源泉。科学地进行土地利用分类，不仅有助于提高土地利用调查研究与制图的质量，而且有利于因地制宜、合理地组织土地利用和布局生产。随着深度学习的不断成熟，深度学习已成功的运用于遥感影像自动分类。本文将介绍两种深度学习网络，分别是卷积神经网络和胶囊神经网络，并通过分析其工作原理，进行优点缺点的相互比较。

简介：传统遥感影像分割处理方法的适应性受到限制,要求分类数据服从正态分布,同时地理辅助数据也难以加入检测.逆向传播(BP)神经网络算法灵活性好,具有综合分析的能力,能够很好地拟合遥感影像中存在的非线性数据.融合遥感影像光谱数据和地理信息系统(GIS)产生的地理辅助数据进行森林病虫害等级分类,快速、准确地识别和提取森林信息,利用逆向传播网络-可扩展的delta-bar-delta(BPN-EDBD)算法分类器把预处理后的遥感影像加入不同地理辅助信息〔数字高程模型(DEM)、近红外光谱(NIR)与归一化差值植被指数(NDVI)〕作为输入参数进行分类,提取不同健康状况的林分光谱特征值并与森林健康因子阈值相比较,输出林分病虫害等级分类结果,提高算法的收敛速度和分类精度.

简介：沈阳位于中国东北地区南部、辽宁省中部，是东北地区的中心城市、重要的重工业基地。沈阳是东北最大的交通枢纽，已建成由民航、铁路、高速公路交织的现代交通网络。本处先用1986年和2008年的TM图像R（7）G（5）B（3）假彩色合成，空间分辨率为30米。图像中绿色为植被覆盖区，中心蓝色区域为城区，淡红色区域为裸土。

简介：文章简要的介绍了遥感影像的处理过程和方法，并对遥感影像的应用进行阐述和探讨。