利用局部稀疏不变特征的遥感影像检索

为了增强遥感影像局部特征的表征能力并充分利用过完备字典的稀疏分解,提出了基于稀疏表示特征构建视觉词典的遥感影像检索新方法。首先,提取遥感训练影像库的局部不变特征,对大量的局部特征训练过完备字典并将在该字典更新下获取的稀疏表示作为图像的特征描述;然后,对稀疏表示特征构建视觉词典,并进行空间金字塔匹配,获取稀疏直方图特征;最后,使用稀疏特征训练SVM分类模型,通过分类模型输出与查询影像属于一个类别的影像,在该类别的影像集中进行相似度匹配,返回与查询影像最为相似的图像,实现检索。实验结果表明,新方法提取的特征不仅具备局部不变特征的鲁棒性,还提供了必要的语义信息,在影像检索领域具有较强的实用性和适用性。     

面向对象的遥感影像模糊分类方法研究

传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富,地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像,传统的分类方法,就会造成分类精度降低,空间数据的大量冗余,并且其分类结果常常是椒盐图像,不利于进行空间分析。本文采用面向对象的影像分类方法,考虑了对象的不同特征值,例如光谱值,形状和纹理,结合上下文关系和语义的信息,这种分类技术不仅能够使用影像属性,而且能够利用不同影像对象之间的空间关系。在对诸多对象进行分类后,再进行精度分析。在此研究提出了一种面向对象的方法结合模糊理论把许多的对象块分成不同的类别。这一过程主要有两个步骤：第一个步骤是分割。图像分割将整个图像分割成若干个对象,在这个过程中,分割尺度的选择会影响到后续的分类结果和精度。第二个步骤是分类。在这个步骤中,特征值的选择和隶属度函数的选择都对分类结果有着至关重要的影响。     

一种基于SVM的无人机影像中单个建筑物的角点检测方法

针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。     

联合稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类

零样本影像分类技术旨在通过学习数据集的部分类别（可见类）,获得识别在训练阶段未出现类别（不可见类）的能力。该技术在遥感大数据时代具有重要现实意义。目前,遥感领域的零样本场景分类方法对于映射后的语义空间优化关注很少,导致已有方法的整体分类性能较差。基于这一考虑,本文提出了一种基于稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类方法。在训练的有监督学习模块,基于可见类的类别语义向量和场景影像样本,实现深度特征提取器学习和视觉空间到语义空间的稳健映射。在训练的无监督学习阶段,基于全体类别的类别语义向量和不可见类遥感影像样本,分别通过协同表示学习和k近邻算法来渐进修正不可见类类别的语义向量,从而缓解可见类语义空间与不可见类语义空间的漂移问题和自编码跨域映射模型映射后不可见类语义空间与协同表示后不可见类语义空间的偏移问题。在测试阶段,基于学习所得的深度特征提取器、自编码跨域映射模型和修正后的不见类语义向量,实现对不可见类遥感影像场景的分类。本文整合多个已有公开的遥感影像场景数据集,组建了一个新的遥感影像场景数据集,在此数据集上进行试验。试验结果表明本文提出的算法在多种不同的可见类与不可见类的划分情况下都明显优于已有公开零样本分类方法。     

基于核半监督判别分析的高光谱影像特征提取

针对高光谱影像特征提取中地物类别训练样本获取代价较高的情况,在线性判别分析的基础上,结合核方法和半监督学习理论,提出了一种基于核半监督判别分析(KSDA)的高光谱影像特征提取方法。该方法同时利用少量已知类别和大量未知类别样本数据进行模型的学习和训练。通过OMIS高光谱影像数据实验表明:在少量已知类别训练样本的条件下,经KSDA特征提取的样本数据在特征空间中能更好地聚集成团,且类别之间的距离较大,增加了类别之间的可分性,得到了较高的分类精度;同时,提取的特征影像能够较好地区分各种地物类别。     

基于混合熵模型的遥感分类不确定性的多尺度评价方法研究

不确定性是影响遥感图像分类质量的最主要因素,针对在遥感图像分类过程中同时存在随机不确定性和模糊不确定性的特点,提出基于混合熵模型来综合测度这两种不确定性的方法,并建立起多尺度的评价指标.在分析混合熵模型基本原理的基础之上,提出利用特征空间的和模糊分类器的统计数据来建立信息熵、模糊熵以及混合熵的方法.同时,在像元和类别尺度上,分别建立像元混合熵和类别混合熵的指标对分类不确定性进行评价.最后,应用湖北省黄石市的遥感影像对上述评价方法进行验证分析,实验结果表明,混合熵模型能有效地反映分类过程中随机不确定性和模糊不确定性的综合影响,并从不同尺度反映出遥感影像分类的质量问题.     

基于面-点协同克里格和多点地统计模拟的遥感影像融合方法

提出了一种基于多点地统计学理论的遥感影像融合方法,旨在用多点地统计模拟提高融合后影像的空间分辨率。模拟从训练图像中提取包含空间相关性信息的模型,再通过基于模式的判别准则实现局部相似图案的重现。其中采用面-点协同克里格法为模拟提供制约条件,以解决不同数据支撑间的转换问题。实验用于Landsat ETM+影像的融合,结果表明,基于面-点协同克里格的多点地统计模拟方法与未考虑数据支撑差异的模拟相比较能达到更高的融合精度。该方法亦可用于其他类型空间数据的套合。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于ImageNet预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

一种基于变分自编码器的高光谱图像分类方法

深度学习可以有效表达影像的深层特征,在遥感图像处理特别是在分类方面取得了良好的效果。提出了一种基于变分自编码网络的高光谱遥感影像深度学习分类方法,该方法利用变分自编码器进行无监督训练,用分类层替换解码层,输入训练样本进行分类网络的微调,最后在分类器预测的类别概率图基础上使用条件迭代模型求解马尔可夫随机场,对分类结果进行优化。在两幅通用高光谱数据集上进行分类实验,结果表明基于变分自编码器的高光谱遥感影像分类方法取得了优于其它方法的分类效果。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

基于像斑空间关系的遥感图像分类

为充分挖掘遥感图像本身包含的空间关系信息,弥补基于光谱信息的传统图像分类方法的不足,提高分类精度,提出了一种基于像斑空间关系的遥感图像分类方法.通过图像分割获取像斑,利用最大似然法获取初始分类结果,引入马尔科夫随机场对像斑的空间关系予以描述,通过地物的类别邻接矩阵定量地描述各地物类别之间的空间关系,从而对图像的分类结果进行修正,最后采用条件迭代的方法获取最终的图像分类结果,精度较好.实验结果表明,该方法应用于高分辨率遥感图像可取得较好的分类效果.     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

面向对象的高分辨率影像单值分类耕地提取方法研究

遥感技术已广泛地应用于土地覆盖/土地利用分类中。在专题应用中,用户只对某一类地物感兴趣,例如耕地提取,即单类别分类问题。随着影像分辨率的提高,基于像元的分类算法难以满足高分辨率影像高精度信息提取的需求。本文采用结合面向对象分类思想和基于正样本、未标记样本遥感单值（PUL）分类方法从多源高分辨率影像中提取耕地信息,并与基于像素的分类实验进行对比分析。结果表明,在缺少部分地类的不完全训练集下,基于面向对象的单值分类较传统神经网络分类有更较稳定的表现,并且远优于基于像素的分类结果。     

高分二号遥感影像提取冬小麦空间分布

精细的农作物空间分布数据对于资源、环境、生态、气候变化和粮食安全问题均具有重要的意义,卷积神经网络已经成为从遥感影像中提取农作物空间分布数据的主要方法,但提取结果中的种植区域边缘往往比较粗糙。本文以高分二号遥感影像为数据源,选择冬小麦为提取目标,利用RefineNet模型和最大后验概率模型构建冬小麦遥感提取模型WWRSE(Winter Wheat Remote Sensing Extraction),获取精细的冬小麦空间分布数据。WWRSE模型利用RefineNet网络提取像素的语义特征,使用改进的SoftMax模型生成像素的类别概率向量;以类别概率向量的最大分量与次大分量的差值作为置信度,根据置信度将类别概率向量分为可信和不可信两组,可信组直接使用最大分量对应的类别标签作为相应像素的分类结果;结合最大后验概率模型确定不可信组像素的分类结果。利用随机梯度法对WWRSE模型进行训练。选择SegNet、DeepLab、RefineNet作为对比模型进行实验,WWRSE提取结果的精度为92.9%,比SegNet提高了13.8%,比DeepLab提高了10.9%,比RefineNet提高了8.6%。实验结果表明WWRSE模型在提取冬小麦空间分布数据方面具有一定的优势。WWRSE模型提取的结果能够为大范围冬小麦种植面积统计提供依据。     

地理信息系统支持下的山区遥感影像决策树分类

山区遥感影像分类是遥感研究的一大难题。本文利用一种决策树生成算法（C 4.5算法）自动提取知识，基于知识建立决策树用于山区影像分类，并结合研究区土地利用类型与DEM空间统计关系的先验知识，在GIS空间分析的基础上进行影像分类的后处理。与传统的最大似然法分类结果相比，该方法极大地改善了山区地表覆被分类的精度，得到试验区较为可靠的遥感分类图像。     

综合机载LiDAR与高分影像的煤矿区典型地物提取方法

综合利用LiDAR点云数据与WorldView-2高空间分辨率遥感影像,采用面向对象分类的矿区地表覆盖信息提取方法,利用nDSM高度阈值区分候选分割对象,构建了基于决策树分类器的矿区典型地物提取模型,在此基础上将图像光谱信息、DSM数据和地形参数等多源数据进行了融合,提取了出矸石堆、煤堆等典型煤矿区地物要素及植被、道路、水体等地表覆被要素信息。     

遥感模式分类中的空间统计学应用——以面向对象的遥感影像农田提取为例

如何有效地从遥感图像中提取所需信息,是遥感图像处理和应用的关键,而尺度选择问题一直是影响遥感信息提取精度的关键问题之一。本文论述了利用空间统计学方法解决遥感影像模式分类中的尺度问题的理论基础。针对面向对象影像分析问题,将影响遥感影像多尺度分割的尺度分割参数概括为空间属性分割参数、光谱属性分割参数和影像对象面积阈值参数,并分别提出了基于统计学的尺度参数估计方法。以SPOT-5影像面向对象农田提取为例,基于变异函数方法进行了尺度优选试验,系列尺度分类试验结果表明基于空间统计学尺度估计得到的尺度分割结果进行分类能得到最高的精度,进而证明了基于空间统计学方法进行面向对象信息提取尺度估计的有效性。该方法是完全数据驱动的方法,基本不需要先验知识参与。不同于以往分割后评价的尺度选择方法会占用大量计算资源且耗费大量时间,本文提出的方法不仅能在一定程度上保证面向对象信息提取的精度,而且在一定程度上也提高了面向对象信息提取的效率和自动化程度。     

联合卷积神经网络与集成学习的遥感影像场景分类

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。     

一种基于纹理和光谱特征的高光谱影像信息向量机分类方法

针对高光谱影像中空间特征信息利用不足的问题,提出了一种基于纹理和光谱特征的高光谱影像信息向量机分类方法。该方法首先采用三维Gabor滤波器对高光谱影像数据立方体进行纹理特征提取,提取后的影像数据同时具有光谱和纹理特征,避免了传统纹理特征提取带来的高维特征和光谱不连续的问题;然后采用分类精度和效率都较高的信息向量机进行分类处理。通过AVIRIS高光谱影像实验,结果表明该方法不仅提高了影像的分类精度,而且还消除了分类结果图中的类别噪声现象。