基于多通道数据融合的无人机遥感影像地物目标提取方法

针对仅使用无人机遥感RGB影像进行目标检测时精度不高、高程信息利用不足等问题,该文采用通道叠加和类IHS变换两种多通道数据融合方法对RGB影像与高程数据进行融合,使用DeepLabv3+卷积神经网络语义分割模型提取两种融合影像地物目标,并与RGB影像提取结果进行对比分析.结果表明,基于上述两种融合影像的地物目标识别精度高于仅使用RGB影像的识别精度,其中通道叠加影像的整体像素精度、平均像素精度和Kap-pa系数分别提高了3.52％、1.42％ 和14.99％.由于不同地物目标与周围地物的高程差不同,致使各融合方法对不同地物目标识别精度的提升效果不同,道路、建筑和地面识别精度的提升效果较好.     

利用规则对Worldview-2影像进行地物信息提取研究

研究针对Worldview-2影像的地物特征,采用一种多层次规则的面向对象地物提取方法,通过建立和执行各类地物的提取规则,从多尺度分割产生的影像对象中提取不同地物。实地验证结果表明,该方法提取地物的总精度为84.2%,Kappa系数为0.791。建筑物、道路、耕地和裸地相混合误提现象较多,主要是由于这4种地物的光谱特征相似导致,应选用更敏感的识别参量或建立更高效的识别规则以提高识别精度。     

面向对象的遥感影像分类方法在土地覆盖中的应用

本文基于面向对象的分类思想,以SPOT-5影像为数据,采用分层分类的方法,利用对象的多特征构建合适的特征空间,建立知识库,结合最邻近分类器与模糊规则两种方法,并使用空间关系对分类进行优化,结果表明该方法对高分辨率影像分类在减少分类不确定的同时还提高了分类精度。     

阴影辅助下的面向对象城市建筑物提取

分析高分辨率遥感影像城市建筑物提取的难点,探讨建筑物阴影与建筑物之间的关系,提出一种阴影辅助的建筑物提取方法:首先在高分辨率影像中提取出建筑物阴影对象,通过建筑物与其阴影的空间关系特征分离相互连接的建筑物对象并确认漏提取的建筑物对象,从而提高了建筑物的提取精度;将该方法运用于Quick Bird影像的建筑物提取实验中,取得理想的实验效果.     

面向对象的干旱区盐渍地信息提取方法研究

随着高分辨率遥感影像的广泛应用,面向对象的高分辨率遥感影像信息提取技术得到了迅速发展。本文针对高分辨率遥感影像的盐渍地信息提取,探索了面向对象的信息提取技术运用在盐渍地信息提取方面的最优参数选择和规则建立等关键技术,并且将从ALOS影像中提取盐渍地信息的结果与传统分类方法的提取结果进行对比分析。结果表明,利用面向对象方法的盐渍地信息提取总体精度为89.38%,较传统方法提高8.24%,Kappa系数为0.88,较传统方法提高0.08。该方法能实现较为精确地提取盐渍地信息,在高分辨率遥感影像盐渍地信息提取中具有一定的优势。     

基于特征基元的高分辨率遥感影像城市空间信息提取

结合人类视觉机制和计算机尺度空间理论,设计了基于特征基元的高分辨率遥感影像多尺度信息提取技术模式,即先在大尺度上进行粗分割,再进行精细分割,获得特征基元并进行特征表达,通过样本分类和知识推理等实现信息的提取与目标识别。针对城市空间信息的特点,在特征基元提取的基础上,采用马尔可夫随机场纹理分类方法、直方图阈值分割方法、支撑向量机分类方法等完成对城市水体、建筑区、道路和绿化用地的分类提取,构建了一套从高分辨率遥感影像中提取城市空间信息的方法体系。     

基于语义和边缘特征融合的高分辨率遥感影像水体提取方法

利用卷积神经网络从遥感影像中提取水体时,水体对象边缘像素的特征与内部像素的特征之间往往存在较大差异,导致提取结果中边界模糊、内部像素与边缘像素的提取精度差异较大,影响了整体精度的提高。针对如何从高分辨率遥感影像中进行水体高精度、自动化提取的问题,文章首先以高分辨率遥感图像为基础,利用边缘提取算法生成边缘图像,然后以高分辨率遥感图像和边缘图像作为输入,建立了语义特征和边缘特征融合的高分辨率遥感图像水体提取模型（Semantic Feature and Edge Feature Fusion Network, SEF-Net）,用于从高分辨率遥感图像中提取水体对象。实验结果表明,SEF-Net模型在3个数据集中的召回率（91.97%、92.07%、93.97%）,精确率（91.12%、98.37%、97.88%）,准确率（89.56%、95.07%、94.06%）和F1分数（91.54%、95.12%、95.88%）均优于对比模型,说明SEF-Net模型从高分辨率遥感图像中提取水体时,具有更高的精度和泛化能力。     

基于Sentinel遥感数据的红树林信息提取研究——以广西茅尾海为例

基于2018年的Sentinel-1雷达影像和Sentinel-2光学影像数据,采用面向对象技术获取影像的光谱、几何、纹理、自定义特征和多极化后向散射系数5个种类的90个特征变量,基于随机森林算法进行特征选择,并构建多种特征组合方案,利用随机森林分类器对保护区内的地物进行识别并提取红树林信息。结果表明:多特征耦合优化模式的分类效果最好,总体精度为89.60%,Kappa系数为0.8756,其中,红树林的制图精度与用户精度分别为96.39%、97.56%;识别出的茅尾海红树林面积为19.2km2,占整个研究区的2.67%。该研究揭示了Sentinel-1和Sentinel-2数据在红树林监测中的应用潜力。     

利用面向对象的信息提取技术进行城市用地分类

针对城市用地分类问题,利用面向对象的高分辨率影像信息提取技术,对高分辨率影像进行影像分割,寻找影响对象提取精度的最优分割尺度,在得到最优分割尺度的基础上针对研究区城市用地的特点,有针对性地建立不同对象的提取规则,实现对目标对象的信息提取,从而形成最终的城市用地分类图,并将其与基于像元的光谱信息分类的方法进行对比,结果表明:视觉方面,面向对象信息提取技术克服了监督分类最大似然方法仅利用光谱信息分类的缺陷,充分考虑了像元间的空间关系特点,有效消除了"椒盐"噪声的影响;精度方面,面向对象信息提取技术的总体精度高达86.1166%,比最大似然法的总体精度提高了9.8851%,KAPPA系数也高达0.8131。     

地学应用中的遥感图像处理若干问题的分析

遥感技术在地理学应用中是如何从遥感影像上直观、准确的得到所需的信息,为本专业服务。文章从地学应用部门在进行遥感影像处理时遇到的几个问题:多光谱数据的选取与合成;多源信息的复合;新型图像分类器的应用;专题提取的精度等方面的进展作了分析。     

东亚飞蝗生境的遥感分类——以河北省黄骅地区为例

东亚飞蝗生境的分类研究是东亚飞蝗监测和防治的一项重要基础工作。本文以河北省黄骅地区为研究区,基于两个时相的TM图像,采用三种遥感波段组合方案,以及最大似然分类和基于知识的分层分类两种分类方法,进行了东亚飞蝗生境的分类研究。结果表明,三种组合方案的分类总精度相差不大,其中加入图像纹理信息的最大似然分类法的分类总精度最高。但是,基于知识的分层分类法的分类精度在各单项生境类型之间相差较小,从而显示出该方法在应用上仍有一定的优越性。     

基于低空无人机的草原灌丛遥感辨识方法

以位于中国科学院内蒙古草原生态研究定位站灌丛化样地实验平台为研究区，基于低空无人机遥感影像，结合实地调查，开展草原灌丛遥感辨识方法研究。通过对灌丛、草地和裸地归一化植被指数（NDVI）的方差统计分析，确定了裸地与植被的分割阈值为-0.08，并使用该阈值提取植被覆盖区，然后分别利用面向对象的决策树（DT）、贝叶斯（Bayes）、K最邻近（KNN）、支持向量机（SVM）机器学习分类器进行灌丛辨识。研究表明：借助Estimation of Scale Parameter（ESP）最优分割尺度评价工具可以快速确定分割参数，获取灌丛、草地影像对象；利用特征空间优化工具选取了18个的对象特征，可以有效避免盲目选择而导致的计算量增大；通过对不同分类器分类结果的对比和样本数量敏感性实验得出：Bayes分类器精度稳定、无需设置参数，灌丛分类精度最高，总体精度和Kappa系数分别达到92%和0.83，结果与影像地物嵌合最好，能够精确识别单株灌丛；根据Bayes分类器分类结果统计得研究区灌丛盖度为14.74%，平均冠幅为0.6 m²，与样方调查结果基本一致。由于4种分类器的算法特征以及对训练样本数量的敏感性各不相同，因此选择合适的分类器还需根据具体影像的地物特征、空间分辨率和研究区范围来确定。     

Incorporating spatial association into statistical classifiers: local pattern-based prior tuning

ABSTRACT

This paper proposes a new classification method for spatial data by adjusting prior class probabilities according to local spatial patterns. First, the proposed method uses a classical statistical classifier to model training data. Second, the prior class probabilities are estimated according to the local spatial pattern and the classifier for each unseen object is adapted using the estimated prior probability. Finally, each unseen object is classified using its adapted classifier. Because the new method can be coupled with both generative and discriminant statistical classifiers, it performs generally more accurately than other methods for a variety of different spatial datasets. Experimental results show that this method has a lower prediction error than statistical classifiers that take no spatial information into account. Moreover, in the experiments, the new method also outperforms spatial auto-logistic regression and Markov random field-based methods when an appropriate estimate of local prior class distribution is used.     

多源遥感影像土地覆盖分类结果一致性评价与集成应用

针对多源遥感影像土地覆盖分类结果一致性与分类精度改进的要求,对两组中等空间分辨率的光学影像进行土地覆盖分类,以支持向量机分类结果为基础,采用Kappa统计量、双错误测量、Q统计量、相同错误率从不同角度评价了不同分类结果的一致性。实验表明,多源遥感数据分类结果总体上常规一致性程度较好,二值先验一致性程度尚可,错误一致性程度较小;不同土地覆盖类别的一致性程度并不相同,有的类别甚至出现不一致现象。提出组合法和替换法两种策略以综合数据优点、实现多传感器数据集成应用,能够有效提高分类精度。     

城市植被尺度鉴别与分类研究

城市地物具有多尺度分布特点,尺度鉴别与确定是分类的前提。提出改进的面积相对差指标,根据城市植被的分布状态确定最优分割尺度。采用面向对象方法,利用对象的光谱和空间信息对高空间分辨率影像进行植被分类。与基于像元的传统光谱分类方法和单尺度分类结果比较,最优分割尺度的鉴别和面向对象的分类方法分类精度较高,6种城市植被的分类总精度达85.5%,Kappa系数为0.83;同时有效抑制了光谱数据分类中存在的地物破碎问题。     

Automatic classification of dome instabilities based on Doppler radar measurements at Merapi volcano, Indonesia: Part I

Monitoring lava dome instabilities is crucial to efficiently monitor active dome building volcanoes. The Doppler radar technique provides a unique opportunity to gather information about the number of instability events occurring at the growing dome and about the dynamic processes that take place during different types of instabilities. So far, three different kinds of processes have been identified: sliding material, gravitational break-offs and explosive outbursts. In addition, Doppler radars provide rain measurements, which can be used to investigate possible correlations between rainfall and dome activity. Two radar systems have been installed at Merapi volcano in October 2001 and January 2005 to continuously monitor dome instabilities. Due to the large number of instability events that occur during times of high activity, manual processing and analysis of instability events is not practical for monitoring purposes. Therefore, an automatic classification system has been developed, which is capable of identifying different kinds of instabilities as well as rainfall. Two different kinds of classifier models have been applied: (1) neural network and (2) K-nearest-neighbour classifier model. Both classify Doppler spectra according to the underlying dynamic process, that is, rain, sliding material, gravitational break-off or explosive outburst. The classifiers are able to identify disturbances, which have no physical source, but are merely artefacts from the radar device itself. Because radar events are sequences of Doppler spectra, a rule set has been defined, which finally determines the event class. All classifiers have been trained and tested on independent data sets to estimate the classification performance. The overall classification rate is about 90 per cent. Discrimination of instabilities and non-volcanic events reaches about 98 per cent accuracy.     

Direct induction of compact rule-based classifiers for resource mapping

Abstract

Rule-based classifiers are used regularly with geographical information systems to map categorical attributes on the basis of a set of numeric or unordered categorical attributes. Although a variety of methods exist for inducing rule-based classifiers from training data, these tend to produce large numbers of rules when the data has noise. This paper describes a method for inducing compact rule-sets whose classification accuracy can, at least in some domains, compare favourably with that achieved by larger less succinct rule-sets produced by alternative methods. One rule is induced for each output class. The condition list for this rule represents a box in n-dimensional attribute space, formed by intersecting conditions which exclude other classes. Despite this simplicity, the classifier performed well in the test application prediction of soil classes in the Port Hills, New Zealand, on the basis of regolith type and topographic attributes obtained from a digital terrain model.     

基于影像多种特征的CART决策树分类方法及其应用

以扬州市宝应县为研究区,采用主成分分析法对研究区影像进行数据压缩和单波段数据增强,利用灰度共生矩阵分析第一主成分的纹理信息。运用基于CART算法的决策树分类方法,选用影像的光谱特征值、NDVI值以及纹理统计量值为测试变量,并通过计算确定决策树的节点规则,提取影像中主要地物信息。将分类结果与单纯依靠光谱特征的监督分类法结果相比较,表明基于影像多种特征的CART决策树分类方法分类精度较高,尤其较好地提取了围网养殖区和建设用地。     

基于多重分割关联子的高分辨率遥感场景分类

高分辨率遥感影像提供了丰富的外观信息和空间结构信息,广泛应用于土地利用分类当中,源于文章领域的视觉词袋（Bag-of-Visual-Words,BoVW）模型现已成功应用于图像分类领域。传统的BoVW模型忽略了特征之间的空间布局信息和像素一致性信息,提出多重分割关联子特征,融合图像的外观信息、空间布局信息和像素一致性信息,实验表明该方法能够获取优于许多经典的遥感图像特征的性能。