利用视觉词袋模型和颜色直方图进行遥感影像检索

基于内容的遥感影像检索已经成为遥感领域的研究热点,因此,本文提出了一种综合视觉词袋模型和颜色直方图的遥感影像检索方法,利用尺度不变特征算子提取影像的局部不变特征,通过视觉词袋模型组合局部特征,生成每幅影像的金字塔直方图,接着结合每幅影像的颜色直方图生成更有区分性的特征向量,利用新的特征向量集训练支持向量机分类器,通过分类器输出与查询属于一类的影像,完成遥感影像检索。试验结果表明,本文方法不仅提高了影像检索的查准率和查全率,并且验证了该方法能有效克服影像光照、噪声、方向等变化,鲁棒性较好。     

基于主题模型的高分影像人工地物在线检索

传统遥感影像检索系统主要是基于遥感影像的元数据、底层视觉特征或语义标注来实现检索功能,面对海量的高分辨率遥感影像时,会因为计算量大或人力标注工作量大而无法兼顾时效性和准确性。提出了基于高性能云计算的海量高分辨率遥感影像的存储组织、底层视觉特征提取和基于主题模型的遥感影像及人工地物检索总体框架,并进一步实现了原型系统,为高分辨率遥感影像中人工地物在线检索研究进行了有益尝试。     

结合主动学习和词袋模型的高分二号遥感影像自动化分类

高分卫星遥感影像空间分辨率的提高，使得地物的光谱和纹理变得更加丰富和复杂，这给遥感影像的自动化分类带来严重挑战。因此，本文提出了一种结合主动学习和词袋模型的高分二号遥感影像分类方法。首先，对研究区域进行多尺度分割，建立影像分割对象集；然后，采用词袋模型构建影像对象的语义特征向量；最后，充分考虑位于分类边界的不确定性样本分布，迭代选择最优样本用于训练支持向量机，用于分类遥感影像。为了验证本文方法的有效性和稳健性，以山东省某市的高分二号遥感影像为试验数据进行了试验分析。结果表明，本文提出的方法可以有效地将研究区域分为水体、地面、植被和建筑物四类，正确率达到90.6%以上。     

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。     

珠海一号高光谱场景分类数据集

高空间分辨率、高光谱分辨率、大幅宽与大数据量是高光谱卫星数据发展趋势,传统高光谱影像的像素级分类面临难以处理海量数据、无法高效获取复杂海量影像中隐含信息的困境。已有研究开始关注高光谱影像的场景级分类,并逐步建立完善高光谱遥感场景分类数据集。然而,目前的数据集制作过程多参考高空间分辨率可见光遥感场景数据集的制作方法,主要采用遥感影像的空间信息进行场景类别解译,忽视了高光谱场景的光谱信息。因此,为构建高光谱影像的遥感场景分类数据集,本文利用“珠海一号”高光谱卫星拍摄的西安地区高光谱数据,使用无监督光谱聚类辅助定位、裁剪与标注待选场景样本,结合Google Earth高分影像进行目视筛选,构建6类场景类型和737幅场景样本的珠海一号高光谱场景分类数据集。并基于光谱与空间两个视角开展场景分类实验,通过视觉词袋、卷积神经网络等方法的基准测试结果,对不同算法在现有多光谱和高光谱遥感场景分类数据集下的性能进行深入分析。本研究可为后续的高光谱影像解译研究提供了有力的数据支撑。     

顾及遥感影像场景类别信息的视觉单词优化分类

传统词包模型的视觉词典忽略了场景本身包含的类别信息,难以区分不同类别但外观相似的场景,针对这个问题,本文提出一种顾及场景类别信息的视觉单词优化方法,分别使用Boiman的分配策略和主成分分析对不同场景类别视觉单词的模糊性和单词冗余进行优化,增强视觉词典的辨识能力。本文算法通过计算不同视觉单词的影像频率,剔除视觉词典中影像频率较小的视觉单词,得到每种场景的类别视觉词典,计算类别直方图,将类别直方图和原始视觉直方图融合,得到不同类别场景的融合直方图,将其作为SVM分类器的输入向量进行训练和分类。选取遥感场景标准数据集,验证算法,实验结果表明:本算法能适应不同大小的视觉词典,在模型中增加场景类别信息,增强了词包模型的辨识能力,有效降低场景错分概率,总体分类精度高达89.5%,优于传统的基于金字塔匹配词包模型的遥感影像场景分类算法。     

顾及空间信息与全卷积神经网络的高分辨率遥感影像分类方法

针对高空间分辨率遥感影像分类中存在的特征选择困难和空间信息缺乏等问题,提出一种顾及空间信息与全卷积神经网络(fully convolutional network,FCN)的高分辨率遥感影像分类方法。该方法综合利用遥感影像的光谱信息与高程信息,首先,使用改进的全卷积神经网络逐层学习得到从底层到高层的特征映射;然后,利用Softmax分类器获得分类概率图;最后,将分类概率图和待分类影像同时输入条件随机场以强化空间信息约束,得到最终的分类结果。实验表明,该方法能有效提升高分辨率遥感影像的分类精度,减少分类噪声,在主观视觉效果和客观定量指标上均优于全卷积神经网络方法以及K近邻和支持向量机等传统分类方法,同时证明了数字表面模型用于高分辨率遥感影像分类的优势。     

基于视觉显著点特征的遥感影像检索方法

本文提出一种基于视觉显著点特征的遥感影像检索方法,首先采用SIFT算法提取遥感影像中的关键点及其特征,同时利用GBVS模型计算影像的显著图以分离影像显著区和背景,然后提取显著区内的关键点以构建视觉显著点特征,最后用其计算影像间的相似度并返回相似影像。实验表明,与传统检索算法相比,本文提出的算法能够有效提高影像查准率。     

多特征组合与自动加权K-Means聚类算法的影像分类技术研究

为了提高遥感影像地物分类精度,提出了一种基于多特征组合与自动加权K-Means聚类算法的影像分类方法。首先提取影像的SIFT,GIST,颜色,Census和Gabor等多种类型特征,然后通过实验分析确定最佳特征组合。针对一般K-Means算法没有考虑各个特征值权重的问题,提出利用自动加权K-Means算法计算不同特征分量的权值,分别对SIFT,GIST和Gabor特征构建了基于权重的影像特征词汇表;然后利用稀疏编码算法进行影像编码;最后使用SVM算法完成影像分类。通过实验表明提出的方法能有效提高遥感影像分类准确性,并且具有较好的稳定性和鲁棒性。     

一种基于组合特征的异源遥感影像配准方法

为实现大差异光学影像的高精度配准,充分利用各类特征检测算法的优势,提出一种基于多类型特征组合的异源遥感影像配准方法。在对获取的影像特征进行描述的基础上,通过影像分块均匀性分析和RANSAC整体一致性分析筛选高精度可靠的组合特征,构建和解算综合参数模型以实现影像的预配准和重采样。再利用最小二乘方法优化特征点匹配结果,使用小面元的方法进行影像的精配准和重采样。实验结果表明在异源光学遥感影像的亮度、分辨率差异较大时,可得到高精度的配准结果。     

地物空间关系匹配的高分辨率遥感影像检索

从低层视觉特征与地物空间关系特征对影像内容进行描述,建立检索模板与目标影像间的相似性直方图表达,提出一种适用于高分辨率遥感影像检索的新方法。首先,利用Quin+树将大幅面原始遥感影像分解为一系列同尺寸的序列子块;然后,分别提取各子块的低层视觉特征与地物关系特征,并以子块为基元构建候选子块的特征直方图;最后,对比检索模板与候选子块间的特征直方图相似性,实现高分辨率遥感影像的检索。使用多幅多源高分辨率遥感影像进行实验,结果表明本文方法对耕地、水系、建筑物等地类的检索精度大都维持在0.8以上,且各项检索性能指标均优于已有的两种遥感图像检索算法。     

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别，但是针对高分影像涵盖的细节多、类别复杂等特点，中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取，然后利用池化层对重要特征进行筛选，最后将提取到的特征进行组合，形成高阶语义特征，利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题，使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率，相比于传统方法，有效地提高了分类精度，同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

多视觉特征与K-centroid聚类的高分辨率遥感图像检索

目前基于单一内容的高分辨率遥感图像检索具有描述片面、信息不精确的问题。针对此问题,充分利用遥感图像的颜色、形状和纹理特征,将三者综合起来,形成多视觉特征的遥感图像检索,并通过一系列的迭代运算,得到这三种特征对待不同类遥感图像时各占的最佳比例系数,从而得到较好的检索结果。并针对分别计算遥感图像的颜色、形状和纹理特征,再将其融合导致在大图像库中进行检索时检索速度较慢这个问题,引入改进的K-centroid聚类算法,先对遥感图像库中的图像进行聚类,大大缩小了检索的范围,提高了检索速度。实验结果表明,该方法具有较好的检索结果。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

基于eCognition的遥感图像面向对象分类方法研究

随着高分辨率遥感图像越来越普及,传统的面向像元的图像分类方法不能满足对高分辨率遥感图像区域分类的需求,高分辨率遥感图像对图像处理的软件与硬件都有了更高的要求,因此,出现了相较于面向像元有着更高精度更为合理的面向对象分类方法,也更加适用于高分辨率遥感影像。本文通过采用面向对象分类的基本方法,运用eCognition软件,以山东省胶州市地区遥感影像为例,进行多尺度分割和面向对象分类。并用ENVI做监督分类,基于目视解译精度评定,对不同方法作出分析评价。结果表明:面向对象分类方法精度更高,更具有可靠性。     

联合显著性和多层卷积神经网络的高分影像场景分类

高分辨率遥感影像中的场景信息,对于影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征,但是高分辨率遥感影像的信息丰富,场景构成复杂,需要高层次的特征来表达。本文提出了一种联合显著性和多层卷积神经网络的方法,首先利用显著性采样获取包含影像主要信息的有意义的块,将这些块作为样本集输入卷积神经网络中进行训练,获得不同层次的特征表达,最后联合多层特征利用支持向量机进行分类。两组高分影像场景数据UC Merced 21类和Wuhan 7类试验表明,显著性采样能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,相比已有方法,本文方法能够有效提高分类精度。     

深度学习的半监督遥感图像检索

遥感图像数据的海量性、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求,其中特征提取是影响遥感图像检索效果的关键。本文方法首先对遥感图像进行预处理,然后基于稀疏自动编码的方法在大量未标注的遥感图像上进行特征学习得到特征字典,基于卷积神经网络的思想,使用训练出来的特征字典对遥感图像进行卷积和池化得到每幅图像的特征图;接下来使用特征图训练Softmax分类器;最后对待检索图像分类,在同一类别中计算特征间的距离,进而实现遥感图像的检索。实验结果表明,该方法能够有效提高遥感图像检索的速度和准确度。     

基于多特征CRF的无人机影像松材线虫病监测方法

利用无人机遥感技术进行林业调查，可以获取低成本、高分辨率、高时间密度的遥感数据，特别是为小尺度范围的森林病虫害监测提供了非常有效的监测手段。本文以小型无人机为影像获取平台，航摄获取可见光RGB影像，基于高分辨率影像进行松材线虫病松树提取方法研究。根据影像特点，提取影像中地物颜色、纹理特征，并采用CRF方法进行分类，识别出病害松树。通过比较多种分类方法的提取结果，验证了基于多特征CRF方法在松材线虫病监测中的可行性和有效性。     

基于支持向量机的SPIN－2影像与SPOT－4多光谱影像融合研究

遥感影像融合是解决多源海量数据富集表示的有效途径之一。针对高分辨率遥感数据SPIN-2(2m)与多光谱遥感数据SPOT-4(20m)的影像融合，提出了基于支持向量机(SVM)的遥感影像融合的新方法。建立了基于SVM的遥感影像融合模型，并进行了分类融合实验，实验效果较好。最后给出了分类融合评价。结果表明，支持向量机可用于遥感影像融合，且分类融合精度较高。