基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比单纯运用光谱特征进行分类效果要好。     

多时相影像的典型区农作物识别分类方法对比研究

基于甘蔗和玉米的物候特征差异,对多时相影像典型分类方法处理的适宜性和准确性进行了比较研究。并以目视解译结果作为参考数据,利用全样本检验法,对自动分类的结果进行了精度检验。试验结果表明:面向对象法的分类精度最高,总体Kappa系数为0.655,是最适宜的方法;其次是BP神经网络法和光谱角制图法,总体Kappa系数分别为0.635和0.631;而最大似然法和分类后比较法则是不适宜采纳的分类方法,总体Kappa系数分别为0.601和0.577。上述分析可见,它们对遥感分类处理多时相影像识别算法的适用性选取有一定参考意义。     

证据推理的遥感图像分类方法与应用

遥感图像分类一直是遥感研究领域的核心问题。然而,传统遥感分类方法在地物复杂地区不能取得满意效果。不但分类精度不够理想,分类灵活性也存在不足。本文尝试引入证据推理"软"分类方法,选择小兴安岭山区一景TM遥感图像,基于用户知识和经验,通过人机交互处理,以累计信任度(CBV)最大为划分像元归类的原则得到证据推理方法的分类图像。结果表明,整体分类精度从最大似然法的78.74%提高到82.28%,kappa系数从0.67提高到0.71。但该方法对于裸地分类精度不高,通过人为设定各类别CBV阈值的方法,获得了人为干预的证据推理方法分类图,其整体分类精度达到了87.80%,kappa系数也达到了0.81,所有类别的生产者和用户精度相比于最大似然法都有提高。研究表明,证据推理方法在遥感分类精度和分类灵活性方面都具有优越性。     

遥感土地覆被分类的空间尺度响应研究

不同空间分辨率遥感影像对区域土地覆被类型识别精度的影响是目前土地资源遥感研究中的热点议题。本文基于准同步的卫星传感器影像,以福建省长汀县河田盆地为研究区,结合野外调查的实验样本,依次采用最大似然法（MLC）、支持向量机（SVM）和人工神经网络（ANN）3种分类器,分析土地覆被分类结果在中高空间尺度序列（1~50 m）下的变化响应特征。结果表明：不同空间尺度下的地物分类结果存在显著差异（P<0.05）,其中总分类精度和Kappa系数均随影像分辨率的降低而先升高后降低,并于4 m分辨率处达到峰值,该结果与各类地物光谱反射率的空间尺度变化特征密切相关;而不同分类器对各空间尺度影像分类结果的影响程度差异较大（P<0.05）,其中SVM的分类精度最优,MLC次之,ANN的结果较差。此外,伴随影像空间分辨率的降低,不同土地覆被类型面积提取结果的变化规律不同,导致同类地物在不同空间尺度下的提取结果出现较大差异,表明在使用多源分辨率遥感数据进行土地监测等相关研究时,其伴随的结果误差不容忽视。     

多时相Landsat数据动态监测城市土地利用变化——以上海市为例

近年来,上海市由于经济的快速发展,城市用地急剧增加,利用多时相的遥感影像,可以动态地定量监测这种城市化的现象。该文采用平行六面体分类法、最小距离分类法、最大似然分类方法,对上海市2002年和2009年Landsat5遥感影像进行分类并对比,发现最大似然分类方法精度最高,在此基础上,分析利用ENVI获取的土地利用类型转移矩阵,可以发现,上海市土地利用发生重大变化,城市用地面积急剧增加,耕地面积快速减少。大量的耕地资源流向了城市用地,但其他用地很少转移到耕地,这种占用不可逆。上海市各区县城市用地的扩张不仅存在数量上的差异,同时还存在着空间上的差异。     

基于多尺度纹理分类及矿物识别的ASTER地质填图

遥感技术已经成为基础地质调查必不可少的手段。为提高地质填图效率及精度, 本研究提出了基于ASTER的岩性自动分类加主要和典型造岩矿物识别的填图方法。首先, 对ASTER数据进行主成分变换, 对选取的第一主分量采用Haar小波进行多尺度小波分解, 将小波系数的统计特征作为纹理特征, 构建纹理及光谱多维特征空间; 接着, 运用支持向量机(SVM)进行岩性分类; 同时, 根据光谱特征提取主要造岩矿物; 最后将主要造岩矿物叠加在分类结果上, 结合野外调查背景进行岩性填图。混淆矩阵结果显示光谱+小波纹理分类精度可以达到83.496 2%, 较光谱+灰度共生矩阵纹理分类精度提高了2.675 6%, 较光谱特征分类精度提高了6.318 9%。与最大似然法(MLC)分类相比, SVM分类精度提高了6.623 7%。矿物提取结果表明, 构造的提取指数可有效提取白云母、黑云母、方解石、角闪石等矿物。野外工作证明, 填图结果与野外调查结果的相关系数为0.7, 可见, 基于ASTER数据利用图像处理技术、机器学习算法及波段运算可作为植被覆盖较少地区有效的地质填图手段。      

面向对象的森林植被图像识别分类方法

 森林植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取森林植被的类型,本文以门头沟区森林植被占主要土地覆被类型为研究对象,选择HJ-1影像面向对象提取不同地物信息。由于研究区地形复杂,采用多尺度分割方法,对不同地物设置不同分割参数,实现不同地物分层提取。根据光谱、纹理及几何等特征选择合适的特征参数,构建隶属度函数,逐级提取研究区的土地覆被类型,并与传统的最大似然法进行对比。结果表明:面向对象的分类方法在门头沟区森林植被二级信息提取的精度为83%,与传统方法相比有了较大的提高。     

利用Landsat8和Worldview2数据进行协同岩性分类

提出了一种对Landsat8和Worldview2协同后的岩性分类方法。首先对Landsat8和Worldview2影像进行协同:在对Landsat 8全色波段与其多光谱进行自协同后,与Worldview2多光谱第8波段数据协同,将协同后的Landsat8中短波红外数据与Worldview2数据进行叠加,得到最后协同结果。对协同后的数据进行岩性分类:利用基于最大似然法(maximum likelihood,ML)进行初始分类,由马尔科夫随机场法(Markov Random Field,MRF)对结果进行优化得到最终分类结果。采用新疆西昆仑地区遥感数据进行了实验,结果证实协同后数据的分类结果具有更高的分类精度。      

湖南省道县土地利用变迁研究

针对高分辨率多时相遥感影像数据,通过提取不同视角的特征,表达影像内容的不同方面,在多特征融合的基础上采用支持向量机或者最大似然分类算法对多时相遥感影像进行分类,并对土地利用程度变化和土地利用动态度进行了分析。     

近20年来福州市土地利用时空变化的遥感分析

以1986、1996和2006年三期Landsat TM影像为基本数据源,采用最大似然法分类,并以同期高分辨率的SPOT5影像进行分类后处理,最后分类后变化检测法监测了福州市1986~2006年的土地利用变化及其转移模式。结果表明,福州市近20年间土地利用发生了较大的变化,城乡建筑用地处于快速增长阶段,而耕地数量却在不断下降。经济发展、人口增长、政府决策等因素是福州市土地利用发生变化的主要驱动力。     

基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。     

基于决策树的多角度遥感影像分类

快速准确地获取土地利用/覆被信息是遥感领域研究的一个热点课题.本文用5种决策树分类器及MISR多角度数据,对塔里木河下游地区进行土地覆被分类研究.通过对不同波段和观测角数据组合形成的6个数据集进行分类比较发现:(1)无论使用哪种分类器,相比于天底角观测方式,多角度观测都能获得更高的分类精度,特别是能显著提高灌木,林地和草地类型的分类精度,说明多角度观测能有效地反映地物的反射异质性信息,更好地区分地物.(2)与MLC分类法相比,决策树算法的分类精度更高,特别是随机森林和C 5.0方法最为突出,说明决策树的分类能力要优于MLC法.使用多角度数据集时,这种差别更明显,说明决策树能更有效地利用多角度信息.(3)4种决策树算法(J48,Random Forest,LMT,C 5.0)使用近红外波段的分类效果好于使用红光波段的分类效果,说明近红外波段能提供更多的地物反射异质性信息.     

基于框架数据控制的全国土地覆盖遥感制图研究

土地覆盖研究是全球变化的一个重要内容。本文针对中国土地覆盖实际情况,从遥感制图角度和陆地生态系统观点出发,建立了一种基于陆地生态系统特点的土地覆盖遥感分类体系。充分利用目视解译的精确性和自动分类的快速性,在高精度目视解译数据提供的基本覆盖类型及其位置、边界的控制下,以250m分辨率的2005年MODIS植被指数产品为遥感分类信息源,获取主要类型的详细分类信息,并结合人机交互判读分析与相关资料等的综合运用,实现2005年全国土地覆盖遥感制图。对比实地调查结果的精度分析表明:土地覆盖制图的类型分类准确,基本上反映了各地区的土地覆盖特点和分布趋势,图斑格局与影像地理特征基本吻合,全国土地覆盖制图总体准确率为91%,各类型准确率也达89%以上。     

基于多源数据的地表覆盖制图与分析——以广东省广州市为例

地表覆盖数据是关于土地利用信息的重要来源,在地理国情监测、气候变化研究、生态环境评估等方面发挥着重要的作用。本文以广东省广州市作为研究区域,利用OSM数据结合FROM-GLC数据和Landsat-8遥感影像数据,对研究区域地表覆盖进行分类并完成地表覆盖制图。实验结果表明,利用OSM数据进行地表覆盖制图结果总体精度较高,具有可用性,但是OSM数据空白区域占比较大,有数据区域个别要素数量较少,在参考选取样本时,样本代表性不够高,部分类型的地表覆盖分类精度较低。     

基于eCognition平台的第三次全国国土调查应用研究

第三次全国国土调查是我国一项重要的调查工作,是全面查清国土资源的重要手段。本文基于eCognition的面向对象分类方法结合光谱特征、纹理特征和几何特征进行高分辨率遥感影像的土地利用分类,研究结果表明该分类方法具有较好的分类结果和较高的精度评价。该分类方法已应用于第三次国土调查成果的检查,提高了不一致图斑提取的工作效率,同时可为年度土地变更调查、自然资源调查监测工作提供技术支持。     

基于深度学习AlexNet的遥感影像地表覆盖分类评价研究

地表覆盖分类信息是反映自然、人工地表覆盖要素的综合体,包含植被、土壤、冰川、河流、湖泊、沼泽湿地及各类人工构筑物等元素,侧重描述地球表面的自然属性,具有明确的时间及空间特性。地表覆盖分类信息数据量大、现势性强、人工评价费时,其自动化评价长期以来存在许多技术难点。本文基于面向对象的图斑分类体系,引入深度卷积神经网络对现有地理国情普查-地表覆盖分类数据进行分类评价,并通过试验利用AlexNet模型实现地表覆盖分类评价验证。试验结果表明,该方法可有效判读耕地、房屋2类图斑,正确分类隶属度优于99%,而由于数据较少、训练不充分,林地、水体图斑正确分类隶属度不高,分别为62.73%和43.59%。使用本文方法,经过大量数据充分微调的深度学习AlexNet可有效地计算图斑的地类隶属度,并实现自动地表覆盖分类图斑量化评价。     

基于监督与非监督分割评价方法提取高分辨率遥感影像特定目标地物的对比研究

基于地理对象的影像分析方法已成为高分辨率遥感影像分析的重要手段。影像分割作为其关键步骤,如何设置合适的分割算法参数对后续分割和分类结果有重要的影响。目前分割参数优选方法的探讨分别从非监督与监督分割质量评价2个方面展开,而何者更适合高分辨率遥感影像特定目标地物分析仍缺乏对比研究。本文以城镇和乡村为例,选取多源遥感数据Quickbird、WorldView-2和ALOS影像中共有的3种典型土地覆被为研究对象,基于2种具有代表性的非监督与监督方法ESP2 (Estimation of Scale Parameter 2)与ED2 (Euclidean distance 2) 进行实验,对最优分割和分类的结果进行全面的对比分析。结果表明：① 相同实验参数下,监督方法均能以较少的分割数据集获得目标地物的最优分割结果,且与真实地理对象吻合度更高;② 非监督方法依靠影像自身特征分析进行分割参数优选,无法克服不同景观格局和影像分辨率的影响,而监督方法可通过改变参考数据集的面积和空间分布模式等来降低其影响;③ 非监督方法往往因为欠分割而漏分小目标地物,这样会严重影响局部分类结果。虽然本文中非监督与监督方法的整体分类精度均可达90.08%以上,但非监督方法的漏分率却是监督方法的1.43~4.65倍。因此,本研究认为监督方法更适合分析高分辨率遥感影像特定小目标地物。     

Fusion and classification of Beijing-1 small satellite remote sensing image for land cover monitoring in mining area

In order to promote the application of Beijing-1 small satellite(BJ-1) remote sensing data,the multispectral and panchromatic images captured by BJ-1 were used for land cover classification in Pangzhuang Coal Mining.An improved Intensity-Hue-Saturation(IHS) fusion algorithm is proposed to fuse panchromatic and multispectral images,in which intensity component and panchromatic image are combined using the weights determined by edge pixels in the panchromatic image identified by grey absolute correlation degree.This improved IHS fusion algorithm outper-forms traditional IHS fusion method to a certain extent,evidenced by its ability in preserving spectral information and enhancing spatial details.Dempster-Shafer(D-S) evidence theory was adopted to combine the outputs of three member classifiers to generate the final classification map with higher accuracy than that by any individual classifier.Based on this study,we conclude that Beijing-1 small satellite remote sensing images are useful to monitor and analyze land cover change and ecological environment degradation in mining areas,and the proposed fusion algorithms at data and decision levels can integrate the advantages of multi-resolution images and multiple classifiers,improve the overall accuracy and produce a more reliable land cover map.