基于颜色空间的矿区地表彩色点云分类

矿区地表点云数据量大,地物比较丰富且地物间色彩差别明显,研究点云分类算法,对矿区点云数据的管理与分析有较强的支持作用。作者从点云数据的RGB颜色特征和HSV颜色特征两个方向入手分类矿区地表点云数据,选取各类地物的样本点,然后根据样本点计算的点云分类的颜色阈值,将观测的数据的颜色特征与样本所求的阈值进行比对分析,将属于同一类地物的彩色点云数据分离出来,实现彩色点云数据的分类。采用Riegl VZ-1000扫描仪采集矿区地表数据并采集照片,通过试验分析获得点云分类的完整率与正确率,证明了基于点云颜色特征分类点云数据方法的可行性、准确性以及高效性。为进一步的研究矿区的沉降监测及模型建立提供支持。     

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。     

遥感影像预分类精度对地物面积空间抽样估算的敏感性分析

传统的地物面积测量受精度和效率制约,为此引入了结合遥感影像的空间分层抽样方法.首先以遥感影像的预分类结果作为模拟地物的真实分布,在地物外沿等概率随机添加不同比例的错分像元,从而获得准真实地物区的摸拟预分类结果,并依此设定各层等比例取样的样本人层标志,指导地物样本的选取,然后以抽中样本地物的准真实值之和按比例推算出总量.通过比较分析各水平含量的地物类别、不同预分类精度、层内随机和系统抽样下的多次总量估计精度及其稳定性变化情况,结果表明:该方法不需要背景数据库等先验知识,在预分类达到一定精度之上时,依分类区域设立层标志的分层抽样方法所获得的总量估计精度及标准差均好于无分类支持的随机和系统抽样;当预分类精度达到50%以上时,具有较高的成本效率比,其中在60%时,各类地物在0.5%抽样率、95%的置信度下可以保证估计量精度在92%以上.     

基于地物空间信息的浮动先验概率最大似然分类研究

利用遥感影像对地物进行分类识别时，既需要考虑地物波谱信息，也需要考虑其空间信息。现有遥感分类方法主要集中在利用像素的波谱信息，对各个像素进行独立分类，忽略了地物空间信息。考虑到传统最大似然分类（MLC）方法包括先验概率和条件概率密度函数两个核心环节，提出基于空间信息的浮动先验概率MLC方法，融合空间信息和波谱信息，以提高分类精度。在分析地物空间信息的基础上，总结了基于空间信息的浮动先验概率确定原则和依据，包括地物几何空间特征、情景特征、临近像素空间自相关定律、景观参数等，并设计了基于地物空间特征和临近像素空间自相关定律的浮动先验概率确定算法和分类流程。通过分类试验和误差矩阵分析，结果表明：基于空间特征和临近像素空间自相关定律的浮动先验概率MLC方法，能够融合地物的波谱信息和空间信息，克服最小距离、MLC等基于像素波谱信息的分类方法的缺点，显著提高地物分类精度。     

用基于知识的决策树方法分层提取矿区土地类型——以湖北大冶为例

以湖北大冶为研究区,采用多时相陆地卫星遥感图像,通过不同波段组合,以及ironoxide指数和归一化差异植被指数(NDVI)等,详细分析了各地表地物光谱特征和空间特征,建立了研究区分类知识库表,采用决策二叉树法进行分类,得到了高精度分类结果图。基于不同时相分类结果的变化检测,通过对研究区水体污染、矿区复垦、耕地变化等分析,认为从1986～2002年,研究区水质虽有一定改善,但矿区植被退化严重,耕地大量减少,停产矿区复垦仅为20%,为合理保护矿区生态环境和科学管理采矿企业提供了有用资料。     

面向对象结合深度学习方法的矿区地物提取

为了快速准确获取煤炭矿区的地物信息,以达到辅助安排和部署矿区安全生产工作的目的,采用无人机低空遥感拍摄的方式获取了矿区内的高清影像数据,并提出一种基于面向对象和深度学习的矿区无人机影像地物提取方法。首先利用面向对象的分类方法配合人工校正,制作用于深度学习语义分割的标签,再采用FCN-32s,FCN-8s和U-Net 3种深度学习语义分割模型提取图像特征,训练出3种不同的分类模型,并基于此提出多数投票和打分算法2种集成模型改进地物提取精度。实验结果表明,面向对象结合深度学习方法的地物提取准确率、Kappa系数较传统面向对象方法均有明显提升。其中打分集成模型识别效果最好,在测试集上的整体准确率为94.55%,高出面向对象方法 5.96百分点; Kappa系数为0.819 1。     

新疆岩石2.0—2.5微米地面光谱数据的特点分析

本文介绍使用2.0—2.5微米多通道辐射计,对新疆金矿区、油田及多金属矿区的岩矿所进行的地物光谱采集、整理和分析工作。在岩矿的地物光谱中—OH、CO_3~(-2)的作用相当明显,因此应用该方法对于寻找蚀变带十分有效。不同地区同类岩矿的地物光谱特征相同,受表面色调的干扰比可见—近红外波段要少,故有利于开展光谱工作和区分岩性。通过实验室工作论证,该方法对于Fe~( 3)和微量烃类渗漏也有相当强的探测潜力。文中最后以某矿区岩(矿)为例,介绍岩(矿)分类工作,通过空间变换,减少参量间的相关性和特征参量的维数,分类正确率可达95.3％。     

面向对象的LiDAR数据多特征融合分类

针对单源遥感数据分类精度不高的问题,提出一种基于多特征融合的面向对象分类方法.该方法利用LiDAR点云数据的高程信息,并融合地物粗糙度特征,以及航空影像的地物光谱、形状和上下文信息等多种特征,再基于SVM分类器构建面向对象的分类方法,以提高城区环境下遥感数据分类的可靠性.试验表明,该方法可有效地提高城区地物的分类精度,且分类结果更符合人的视觉认知规律.     

基于无人机遥感的信息提取研究

无人机遥感系统可以获取矿区高分辨率遥感影像,具有较强的灵活性和现势性,成图速度快,能广泛应用于各种调查任务。本文以江西省定南县稀土矿区为研究区,介绍了无人机遥感系统的组成、航拍流程和数据处理的方法,通过面向对象的多尺度分割技术,建立不同地物类别对应的分类层次,然后根据地物特征进行信息提取,最后总结出一套基于无人机遥感的矿产信息提取方法。     

多光谱激光点云卷积神经网络的地物分类研究

针对商用激光传感器Optech LiDAR Titan系统获取的多光谱激光点云数据进行地物分类试验的探索,该文提出一种基于卷积神经网络(CNN)模型的多光谱激光LiDAR点云数据地物分类方法.新数据源多光谱激光点云具有多通道和多次散射回波的典型特性,生成感兴趣的热力图,根据热力图特征值和nDSM辅助数据进行感兴趣地物分类.采用CNN模型学习结果与面向对象影像分析OBIA分类方法相结合对分类结果进行精化,并用随机采样参考点对地物分类结果进行精度评估,解决CNN模型分类的正确性和可靠性问题.实验表明,地物分类整体精度OA达到89.8％,Kappa值0.858,该方法在多光谱激光点云地物分类方面具有稳健性、有效性和通用性.     

火烧迹地信息遥感快速提取方法研究

利用福建省福州地区ETM图像，在分析火烧迹地光谱特征的基础上，研究了火烧迹地信息遥感快速提取方法。文中设置了4种提取方案，即监督分类法、NDVI参与的监督分类法、NDVI差值法及谱间关系法，最后，对提取结果进行了精度评价。     

运用多尺度图像纹理进行城市扩展变化检测

 应用遥感数据检测城市扩展变化时，单纯基于光谱信息的变化检测法很难取得理想效果。本文将多尺度的纹理与光谱信息结合应用于变化检测，并评价其在检测城市扩展变化中的性能。变化检测采用分类后比较法。研究表明，如果纹理尺度与数据组合合适，与单纯基于光谱信息的检测结果相比，纹理特征与光谱特征结合的变化检测精度显著提高，而多尺度纹理辅助变化检测得到的检测精度最高。研究还发现，纹理辅助变化检测在某些地物类别的边缘会产生假变化信息。     

基于地统计学的图像纹理在岩性分类中的应用

纹理是遥感图像的重要特征,它揭示了图像中辐射亮度值空间变化的重要信息。本文运用地统计学中的对数变差函数计算图像纹理,并与图像的光谱信息结合,进行图像岩性分类,分析了不同大小窗口纹理信息对分类精度的影响。结果表明,运用地统计学原理进行图像分类,可大大提高图像的分类精度;采用较大窗口提取的纹理信息参与分类能使总体分类精度提高,但某些岩性类的分类精度有所下降,建议在实际应用中,根据具体情况选择窗口的大小。     

Does environmental data increase the accuracy of land use and land cover classification?

Optical image classification converts spectral data into thematic information from the spectral signature of each object in the image. However, spectral separability is influenced by intrinsic characteristics of the targets, as well as the characteristics of the images used. The classification process will present more reliable results when aspects associated with natural environments (climate, soil, relief, water, etc.) and anthropic environments (roads, constructions, urban area) begin to be considered, as they determine and guide land use and land cover (LULC). The objectives of this study are to evaluate the integration of environmental variables with spectral variables and the performance of the Random Forest algorithm in the classification of Landsat-8 OLI images, of a watershed in the Eastern Amazon, Brazil. The classification process used 96 predictive variables, involving spectral, geological, pedological, climatic and topographic data and Euclidean distances. The selection of variables to construct the predictive models was divided into two approaches: (i) data set containing only spectral variables, and (ii) set of environmental variables added to the spectral data. The variables were selected through nonlinear correlation analysis, with the Randomized Dependence Coefficient and the Recursive Feature Elimination (RFE) method, using the Random Forest classifier algorithm. The spectral variables NDVI, bands 2, 4, 5, 6 and 7 of the dry season and band 4 of the rainy season were selected in both approaches (i and ii). The Euclidean distance from the urban area, Arenosol soil class, annual precipitation, precipitation in February and precipitation of the wettest quarter were the variables selected from the auxiliary data set. This study showed that the addition of environmental data to the spectral data reduces the limitation of the latter, regarding the discrimination of the different classes of LULC, in addition to improving the accuracy of the classification. The addition of soil classes to spectral variables provided a reduction in errors for vegetation classification (Evergreen Forest and Cerrado Sensu Stricto), as it was able to inform about nutrient availability and water storage capacity. The study demonstrates that the addition of environmental variables to the spectral variables can be an alternative to improve monitoring in areas of ecotone in Neotropical regions.     

山区植被类型信息提取方法研究

根据遥感图像的光谱信息和空间信息特征及不同植被的分布规律,研究利用计算机处理技术提取山区植被类型的方法。分类过程采用四个步骤完成：①均一目标的象限四分树提取分类；②多光谱数据的最小距离分类；③综合利用波谱曲线的形态和地形数据进行分类；④高程数据修正分类。在分类处理过程中,分别利用了图像的空间信息、光谱信息以及地形数据。利用该分类方法在实验小区内进行植被类型提取试验,其精度为90%.与最大似然分类方法所得结果相比较,其分类精度提高了10%.     

多尺度空间下的云南山地流域遥感土地利用分类对比研究

以云南山地流域为研究区域，利用实证理论方法及3S（RS、GIS、GPS）技术手段，进行了多尺度空间下多模型的遥感土地利用分类对比研究。结果表明： 率先建立地学主导因子下的遥感地学分异规律，对提高云南遥感土地利用/土地覆盖（LUCC）分类精度效果显著； 遥感分类模型效应与尺度空间有较大的关联性； 对大区域及地形因子和地貌差异大的研究区，构建专家系统模型和推理分类模型是提高遥感分类精度的有效途径。     

加入不变矩的高分辨率遥感图像分类

不变矩是表达图像几何形状信息的参数,具有几何变换的稳定性,在图像识别领域已经得到广泛应用。本文将3种常用的不变矩,即胡氏矩、Zern ike矩和小波矩,运用到高分辨率遥感图像分类中,并与只利用光谱信息的图像分类结果进行对比。结果表明,在高分辨率图像分类中加入不变矩图像可以显著提高分类精度,尤其是对那些具有相似光谱特征但同时具有不同形状和结构特征的地物分类更加有效。     

基于光谱相似性的多光谱数据纹理编码算法研究

基于多光谱纹理“映射模式”概念，提出了基于光谱数据相似性的多光谱、高光谱数据的编码方法。利用光谱相似测度对不同类型的纹理进行编码，表征地物的全局纹理特征，将纹理提取的算法扩展到多维光谱图像分析中，提出了多尺度纹理组合算法。试验证明，该方法合理有效，可大大提高分类的准确性和精度。     

INDUSTRIAL IMPACTS ON VEGETATION IN THE MONCHEGORSK REGION FROM MULTISPECTRAL SPACE IMAGERY

Results are presented of analysis of Landsat MSS imagery for the purpose of assessing damage to northern taiga and tundra vegetation caused by emissions generated by nonferrous metallurgy on northwest Russia's Kola Peninsula. Unlike earlier studies, the present project attempts to provide spatially comprehensive coverage of vegetation impacts, according to a standardized methodology for their assessment. A reduction in the number of feature classes identifiable upon a change from visual interpretation to automated classification based on spectral brightness values made it necessary to test alternative classification procedures (based on brightness ratios and the normalized vegetation index).     

基于多光谱分析的HJ-1B数据云检测算法

云检测是遥感数据预处理中的一个重要环节。本文通过分析云及典型地物光谱特性,结合HJ-1B传感器波段设置,提出了一种基于多光谱分析的云检测算法。该方法针对不同下垫面类型,选取合适的波段组合逐一建立云掩模。利用该算法对多幅影像进行去云处理,结果表明,该方法能够很好地检测出不同时期不同背景上空的云像元。