融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。     

面向对象的成都平原多源遥感影像分割尺度研究

要对高分辨率遥感影像进行分类,采用面向对象的遥感影像分析技术比传统的面向像元的遥感影像分析技术优越。要使用面向对象的遥感影像分析技术,关键的第一步是要对遥感影像进行分割,以便得到一系列与地物有密切联系的影像对象。分割的准确性与分割的尺度选择有关。本文针对成都平原高分辨率卫星影像分割尺度选择进行试验和研究,采用不同尺度对试验区不同分辨率遥感影像进行影像分割,并比较分割结果,得出成都平原高分辨率遥感影像数据分割最佳尺度与影像对象亮度均值标准差最大值所对应的分割尺度一致;并且遥感影像空间分辨率越高,最佳分割尺度越大,反之亦然。     

面向对象的多特征分级CVA遥感影像变化检测

变化矢量分析CVA方法在中低分辨率遥感影像变化检测中已得到广泛应用,但由于高分辨率遥感影像存在不同地物尺度差异大、不同类别地物光谱相互重叠的问题,因此对于高分影像的变化检测具有局限性。为提高高分影像变化检测精度,提出了一种面向对象的多特征分级CVA变化检测方法,首先,利用基于区域邻接图的影像分割方法分别对两时相遥感影像进行多尺度分割,提取分割图斑的光谱、纹理和形状特征;然后,在各级尺度下,分别运用随机森林方法进行特征选择,计算CVA变化强度图;最后,根据信息熵对多级变化强度图进行自适应融合,利用Otsu阈值法检测变化区域,并与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行比较分析。实验表明:与比较方法相比,本文方法的变化检测精度较高,误检率和漏检率较低。     

成都平原高分辨率遥感影像分割尺度研究

对高分辨率遥感影像进行分类,面向对象的影像分析技术优于传统的面向像元的影像分析技术。要使用面向对象的影像分析技术,关键是分割遥感影像,以得到一系列与地物有密切联系的影像对象。分割的准确性与分割的尺度选择有关。针对成都平原高分辨率卫星影像,采用不同尺度对试验区影像进行分割,并比较分割结果,确定成都平原高分辨率遥感影像数据分割最佳尺度为30,该尺度分割的影像对象亮度均值标准差最大。     

面向对象和规则的高分辨率影像分类研究

随着航天遥感技术的发展,遥感数据的空间分辨率、光谱分辨率和时间分辨率极大提高,高效解译并处理海量的、具有空间几何信息和纹理信息的地物高分辨率遥感影像数据已成为遥感领域研究的重点与难点。对此,本文提出一种面向对象和规则的遥感影像数据的分类提取方法,即通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识,建立影像对象多层次网络分割分类结构,实现对遥感影像准确快速的地物分类和精度评价。以藏南地区WorldView-2影像数据为试验研究对象,采用面向对象和规则的影像分类方法进行验证试验,即综合采用均值方差法、最大面积法、精度比较法进行分析,选择3种最佳分割尺度建立多层次影像对象网络层次结构进行影像分类试验。结果表明,采用面向对象规则分类方法对高分辨率影像进行分类,能使高分辨率影像分类结果近似于目视判读的结果,分类精度更高。面向对象规则分类法的综合精度和Kappa系数分别为97.38%、0.967 3;与面向对象SVM法相比,分别高出6.23%、0.078;与面向对象KNN法相比,分别高出7.96%、0.099 6。建筑物的提取精度、用户精度分别比面向对象SVM法高出18.39%、3.98%,比面向对象KNN法高出21.27%、14.97%。     

适用于遥感分类的多邻域粗糙集加权特征提取方法

邻域粗糙集是一种有效的影像特征提取方法,邻域粗糙集模型存在稳定性不高和邻域半径需要反复调整的不足,难以实现地物特征的自动化提取。提出一种多邻域粗糙集加权特征提取方法用于高分辨率遥感影像特征提取。该方法首先利用不同半径的邻域粗糙集对影像的光谱和纹理特征进行提取,求得不同邻域半径下的有效特征子集;然后统计所有邻域半径下各个特征出现的概率,将概率作为权重与特征进行加权得到最终地物特征。QucikBird影像上分类试验表明本文算法优于传统邻域粗糙集特征提取方法,分类总精度平均提高3.88%,Kappa系数平均提高5.16%。在GeoEye-1影像上的分类试验同样证明了本文方法的有效性。     

遥感尺度内涵及遥感像元尺度效应分析的改进分形方法

本文首先分析了遥感影像尺度的三层次内涵。重点针对遥感像元尺度,分析了遥感像元尺度效应及其分形机理,由于现有分形方法没有考虑影像本身尺度(空间分辨率),造成尺度间分形维数的比较时像元尺度效应变化难以有效反映,本文针对此问题提出了基于表面积的加窗分形布朗运动和加窗双层地毯两种改进分形方法。为验证改进分形方法的可靠性,采用了不同像元尺度下系列监督分类进行验证。试验结果表明,每种地物的分维数都随着空间分辨率的降低或像元尺度的缩小,呈总体下降趋势,在某些特征尺度上会出现预示着某些地物结构的拐点,这些拐点对观测该区域地物具有一定指示意义。系列监督分类精度也一定程度上证明了以上两种改进分形方法在分析尺度效应中的可行性。因此本文的方法对于分析遥感像元尺度效应和探索地物尺度聚合规律具有一定的理论意义。     

面向对象分类提取高分辨率多光谱影像建筑物

初步测试利用基于知识规则的面向对象分类方法从高分辨率Ikonos卫星影像上提取建筑物,包括:融合1 m全色和4 m多光谱波段影像,生成1 m分辨率的多光谱融合影像;分割融合影像;利用影像对象的光谱和空间特征执行基于对象的分类。面向对象分类提取结果与传统的基于像元最大似然分类结果进行对比,表明面向对象分类方法更适用于提取高分辨率遥感影像中的建筑物。     

面向线性光谱混合分解的邻域像元集螺线型构建方法

高时间分辨率遥感影像在地表景观破碎区域易形成混合像元,难以发挥其高时间维度优势。现有方式多是基于线性光谱混合模型,借助邻域像元所构成的像元集合组成线性方程组,求出组分光谱值的最小二乘解,提高其空间分辨率。然而,现有方法依赖窗口形式来构建邻域像元集合,在某些区域易造成方程组无解的欠定问题。本文在分析其问题原因的基础上,引入阿基米德螺线代替传统的矩形窗口,对邻域各像元依次遍历,构建空间邻近、组分相近的邻域像元集合来解决该问题。在GlobeLand 30数据上的试验表明,螺线型构建方法对5种混合尺度上多种类型地物均具有稳定的精度,与传统窗口构建方法相比,可从构建邻域像元集合方面将总体理论精度提高2%,分解结果精度提高近1个数量级。     

条件随机场模型约束下的遥感影像模糊C-均值聚类算法

遥感影像具有丰富的空间相关信息,而传统的基于像元光谱的聚类算法并不能将空间信息融入聚类,聚类结果往往不好。针对这一问题,本文提出了一种条件随机场模型约束下的模糊C-均值聚类算法,通过邻域像元的分类先验信息对中心像元的类别进行约束从而提取空间相关信息,基于二阶条件随机场将光谱信息和空间相关信息同时融入聚类,并使用环形置信度迭代算法得到像元分类后验概率的全局最优推测。试验证明,本文算法能够有效地保持地物的形状特征,分类精度相比传统算法有所提高。     

区域多尺度马尔可夫随机场的遥感影像分类

多尺度分析技术广泛应用于高分辨率遥感影像的特征提取和建模。分解层数受制于影像的大小,下采样小波变换实现的影像多尺度表达难以描述大范围的空间模式,导致分类结果出现"胡椒盐"现象;面向对象的影像分析技术虽避免了"胡椒盐"现象,但由于仅利用了单尺度的的特征,也难以描述影像多层次的空间模式,导致分类精度较低。为改善分类结果中的"胡椒盐"现象和提高分类精度,提出了一种结合区域多尺度遥感影像分割和马尔可夫随机场的分类方法。首先,获得原始影像过分割区域,依据区域内亮度均值以及区域间的共享边界长度信息,提取影像低频和高频特征,采用该低频特征波段代替原始影像,重复分割与特征波段提取过程,形成影像的区域多尺度表达。然后,以原始图像为初始尺度,以分割区域为处理单元,以更细尺度分类结果为标记场先验,以当前高频特征建立特征场,逐层分类、投影,获得最终尺度分类结果。合成纹理影像和多光谱遥感影像的实验表明:相比于小波域多尺度建模方法和单尺度区域建模方法,本文提出的方法可以有效提高分类精度,并避免"胡椒盐"现象的产生。     

基于融合和IFLICM算法的非监督遥感影像变化检测

提出了一种基于多尺度小波融合和改进的非监督模糊聚类的多光谱遥感影像变化检测方法。该算法解决了目前很多算法造成虚警率较高,而且未能充分利用像元之间空间关系的问题。首先利用二维离散小波（DWT）多尺度分解的方式来构造差异图,通过对两种小波分解系数融合的方式来抑制噪声点和突出变化区域。考虑到像元之间的空间位置信息,在融合后的基础上采用改进的模糊局部信息聚类（IFLICM）的方法得到变化检测结果。对两个时相的多光谱遥感卫星影像进行变化检测试验,试验表明基于融合的变化检测结果精度更高,并且改进后的聚类算法效果比其他聚类算法效果更好。     

多尺度同质区域提取的高分辨率遥感影像分类研究

提出了一种监督的多尺度同质区域的提取、融合和分类方法(ECHO),该方法同时考虑了地物的光谱。和空间信息。利用空间分辨率为5 m的华盛顿商业街数据和空间分辨率为0.7 m的北京地区QuickBird数据,证明该方法能有效提高高分辨率遥感影像的解译精度。     

遥感图像分割的迭代上下文融合小波域HMT模型

由于已有小波域HMT(hidden Markov tree)图像分割算法在上下文融合阶段直接对数据块大小不等的相邻两尺度进行信息融合,导致细节信息分割不充分。为此,提出一种基于迭代上下文融合的小波域HMT模型图像分割算法。该算法在上下文融合阶段采用迭代融合方法,将每一尺度的融合结果作为该尺度的上下文信息再次融合,并设置变化阈值作为迭代终止条件。利用Brodatz纹理组合图像和Formosat-2遥感图像进行分割试验。定性和定量分析表明本文算法能改善图像分割的细节效果,进一步提高图像分割精度。     

Expert Classification Method Based on Patch-Based Neighborhood Searching Algorithm

The expert knowledge has been widely used to improve the remotely sensed classification accuracy. Generally, the ex-pert classification system mainly depends on DEM and some thematic maps. The spatial relationship information in pixel level was commonly introduced into the expert classification. Because the geographic objects were found spatially dependent relationship to a certain degree, the commonly used basic unit of spatial relationship information in pixel greatly limited the efficiency of spatial in-formation. A patch-based neighborhood searching algorithm was proposed to implement the expert classification. The homogene-ous spectral unit, patch, was used as the basic unit in the spatial object granularity, and different types of patches' relationship in-formation were obtained through a spatial neighborhood searching algorithm. And then the neighborhood information and DEM data were added into the expert classification system and used to modify the primitive classification errors. In this case, the classi-fication accuracies of wetland, grassland and cropland were obviously improved. In this work, water was used as base object, and different types of water extraction methods were tested to get a result in a high accuracy.     

基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测

飞机检测在遥感图像解译中具有重要的研究意义。针对现有目标检测算法对于复杂场景区域或飞机密集区域的小尺度飞机目标检测精度较低的问题，本文提出了一种端到端的多尺度特征融合飞机目标检测框架MultDet。该方法基于SSD多尺度检测框架，采用轻量级基础网络提取多尺度特征信息；然后设计反卷积特征融合模块，通过跳跃连接将高层语义特征与低层细节特征进行特征融合，得到结构层次丰富的多尺度融合特征；最后设计了一系列不同纵横比的候选框以适应多尺度飞机目标检测。本文在光学遥感图像数据集UCAS-AOD上进行数据分析试验，结果表明，MultDet512在飞机数据集上取得了94.8%的平均检测精度（average precision，AP），在Titan Xp GPU上达到0.050 0 s/img的检测速度。本文所提飞机目标检测算法在包含多种复杂场景的遥感图像中，能够实现多尺度飞机目标的高精度稳健检测。     

融合多尺度特征注意力的遥感影像变化检测方法EI北大核心CSCD

深度学习技术已经成为遥感影像变化检测研究的主流方法,现有的基于深度学习的变化检测方法主要是获取单一尺度的变化特征,而在现实场景中,变化区域的尺度具有多样性。为此,本文提出了融合多尺度特征注意力的遥感影像变化检测方法,通过关注多尺度融合策略来解决变化检测存在的多尺度问题。首先,利用特征金字塔网络自身的多尺度特性,使网络学习到不同尺度的变化特征,为了提升网络感受野和利用全局特征信息,在特征提取网络末端引入扩张卷积空间金字塔模块;然后,在不同变化特征融合时,使用变化特征融合模块来控制信息传播以减少特征融合时的差异性;最后,使用门控机制,将不同尺度预测的变化特征图进行加权求和,最终产生具有高精度的变化特征图。本文方法不仅能获取多尺度变化特征,还能利用全局信息和精确的空间细节来提升预测特征图的空间精度。对比试验表明,本文方法在变化检测基准数据集CDD和LEVIR-CD上取得了较好的结果,召回率分别提高了6.58%和5.26%。     

Improving Spectral–spatial Classification of Hyperspectral Imagery Using Spectral Dimensionality Reduction Based on Weighted Genetic Algorithm

This paper aims to improve the accuracy and the efficiency of high resolution land cover mapping in urban area. To this end, an improved approach for classification of hyperspectral imagery is proposed and evaluated. This approach benefits from both inherent spectral and spatial information of an image. The weighted genetic (WG) algorithm is first used to obtain the subspace of hyperspectral data. The obtained features are then fed into the enhanced marker-based minimum spanning forest (EMSF) classification algorithm. In this algorithm, the markers are extracted from the classification maps obtained by both support vector machine and watershed segmentation algorithm classifiers. For this purpose, the class’s pixels with the largest population in the classification map are kept for each region of the segmentation map. Then, the most reliable classified pixels are chosen from among the exiting pixels as markers. To evaluate the efficiency of the proposed approach, three hyperspectral data sets acquired by ROSIS-03, Hymap and Hyper-Cam LWIR are used. Experimental results showed that the proposed WG–EMSF approach achieves approximately 9, 8 and 6% better overall accuracy than the original MSF-based algorithm for these data sets respectively.     

Evaluating metrics derived from Landsat 8 OLI imagery to map crop cover

Developing techniques are required to generate agricultural land cover maps to monitor agricultural fields. Landsat 8 Operational Land Imager (OLI) offers reflectance data over the visible to shortwave-infrared range. OLI offers several advantages, such as adequate spatial and spectral resolution, and 16 day repeat coverage, furthermore, spectral indices derived from Landsat 8 OLI possess great potential for evaluating the status of vegetation. Additionally, classification algorithms are essential for generating accurate maps. Recently, multi-Grained Cascade Forest, which is also called deep forest, was proposed, and it was shown to give highly competitive performance for classification. However, the ability of this algorithm to generate crop maps with satellite data had not yet been evaluated. In this study, the reflectance at 7 bands and 57 spectral indices calculated from Landsat 8 OLI data were evaluated for its potential for crop type identification.     

高光谱-LiDAR多级融合城区地表覆盖分类

城市地区地表覆盖分类在城市研究中是一个十分重要的方向。遥感作为获取地物物理属性的一种重要技术手段,已初步应用于分类研究中。然而,随着城镇化的不断推进,城市内部地物类型越来越复杂,单一的遥感影像已无法满足城区地表覆盖分类中高精度的要求。高光谱影像和LiDAR数据能够分别表征地物的光谱信息及高程而被广泛应用。因此,根据两者之间互补的优势,本文提出了基于高光谱影像和LiDAR数据多级融合的城区地表覆盖分类方法。首先对两幅影像分别进行特征提取,将提取到的光谱、空间及高程信息进行层叠实现特征级融合。对得到的特征影像的所有像素点进行分类,然后利用LiDAR点云数据提取的建筑物掩膜,对非建筑物部分进行分类,再次实现特征级融合,以此改善建筑物区域与非建筑物区域的混淆。然后将未使用掩膜得到的分类结果与利用掩膜得到的分类结果进行投票实现决策级融合。最后利用条件随机场模型对分类结果进行后处理操作,达到平滑图像去除噪声点的目的。