萤火虫算法优化的高光谱遥感影像极限学习机分类方法

机器学习方法在高光谱遥感影像分类中广泛应用,本文使用新型的极限学习机（Extreme Learning Machine,ELM）进行高光谱遥感影像分类,针对ELM中正则化参数C和核参数σ,提出以萤火虫算法（Firefly Algorithm,FA）进行优化。首先,采用萤火虫算法进行高光谱遥感影像的波段选择,以便降低维数;然后,利用萤火虫算法以分类精度最大化为准则对ELM的参数组合（C,σ）进行寻优;最后,利用参数优化后的ELM分类器,对3个不同传感器的高光谱遥感影像进行分类。实验中将新型的萤火虫算法与遗传算法（Genetic Algorithm,GA）和粒子群算法（Particle Swarm Optimization,PSO）进行了对比,并将ELM的性能与支持向量机（Support Vector Machine,SVM）方法作对比。结果表明,FA优化方法优于传统的GA和PSO优化方法,ELM方法的效果在训练时间和分类准确率2个方面都优于SVM方法。实验说明,本文提出的方法具有较好的适用性和较优的分类效果。     

基于加权指数函数模型的高光谱图像分类方法

高光谱图像的众多波段为地物分类提供了充分的特征信息,同时也为如何有效利用这些特性带来难题。为了充分利用高光谱图像的光谱信息实现地物目标的精确分类,根据其像素光谱曲线所呈现出的多峰特性,提出一种基于加权指数函数模型（Weighted Exponential Function, WEF））的高光谱图像分类方法。首先,采用WEF建立像素光谱曲线的理想模型,其中WEF模型由多个具有不同权重的指数函数相加而成。由于该模型中参数较多,导致参数求解较为困难。因此,为简单起见固定所有像素WEF模型中的峰值位置,并将由所有峰值位置构建矢量集。然后,根据最小二乘原理求解WEF模型的参数,以拟合光谱曲线。利用求得的参数集代替光谱测度矢量作为像素特征。最后,采用模糊C均值（Fuzzy C-means, FCM）算法实现图像分类。为了验证提出方法的可行性和有效性,分别以提出的分类方法、基于主成分分析（Principal Component Analysis, PCA）的分类方法、基于最小噪声分离（Minimum Noise Fraction, MNF）的分类方法和以光谱测度矢量为分类特征的FCM方法对Salinas和PaviaU图像进行分类实验,并据此对实验结果进行定性和定量评价。在Salinas图像中提出的分类方法比其它方法的分类精度从51%提高到了60%,在PaviaU图像中分类精度从43%提高到了51%。此外,提出的分类方法在降低了高光谱图像数据量的同时,保留了高光谱图像丰富的光谱信息。     

基于同质区和迁移学习的高光谱图像半监督分类

针对高光谱遥感图像分类中标记样本难获取的问题,提出了一种基于同质区和迁移学习的新型半监督分类方法。首先对高光谱图像进行分割得到高纯度的同质分割斑块,获取大量扩展训练样本。并在此基础上引入迁移学习,将扩展训练样本作为源域,剩余未标记样本作为目标域,实现多次迁移,从而减少同一幅图像上各地物的分布差异,并保留其各自的内部属性。实验结果表明,该方法是一种有效的高光谱图像半监督分类方法。     

基于光谱-空间残差网络模型的高光谱遥感图像分类

残差网络是近几年提出的一种新型深度卷积网络,通过增加网络深度提高分类的准确率,也解决了网络退化问题。基于残差学习原理,设计了针对高光谱遥感图像分类的光谱-空间残差网络模型。首先,将原始高光谱遥感数据三维立方体输入网络模型,并使用特定的卷积核对光谱特征进行降维;然后,利用光谱残差模块和空间残差按模块分别且连续地学习光谱和空间特征;最后,对提取到的特征进行池化操作并分类。此外,为规范训练数据和防止过拟合,学习过程中使用了批量归一化和dropout的方法。所设计网络模型在Indian Pines和Pavia U数据集上进行了验证实验,结果表明,所提方法有效地缓解了网络退化的问题,且在分类精度上也高于支持向量机、卷积神经网络等现有算法。     

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。     

基于局部空间信息KFCM的遥感图像聚类算法

针对模糊C均值(Fuzzy C-Means, FCM)算法,不能有效地对夹杂噪声的遥感图像聚类的问题,本文提出了一种基于局部空间信息核模糊C均值(Kernel Fuzzy C-Means, KFCM)的遥感图像聚类算法。首先,运用核函数将遥感图像的所有像元映射到高维特征空间,通过非线性映射优化遥感图像的有用特征;然后,根据相邻像元之间的相关性,利用一种空间函数重新定义像元的模糊隶属度,将像元的局部空间信息引入到FCM算法中,并在高维特征空间中使用这种基于局部空间信息的FCM算法对像元聚类。由于引入了像元的局部空间信息,算法可以直接应用于原始遥感图像,不需要滤波预处理。大量实验结果表明,本文提出的基于局部空间信息KFCM的遥感图像聚类算法具有较强的抗噪能力,可得到较好的同质区域,优于现有的FCM算法、模糊局部信息C均值(Fuzzy Local Information C-Means, FLICM)算法及KFCM算法。     

高光谱图像模糊识别分类及其精度评价

高光谱遥感是在特定光谱域以高光谱分辨率同时获取连续波长的地物光谱图像,并能提供更多的精细光谱信息,有利于选择各种单一地物光谱差异明显的波段,使得高光谱遥感应用于更广的地物识别中。文中采用模糊识别的绝对值指数法对高光谱图像进行识别分类,并对分类结果进行像元级的评价。     

时空轨迹分类研究进展

时空轨迹分类旨在为一条轨迹预测类别。时空轨迹分类在城市规划、个性化用户推荐等方面具有重要应用价值,其过程主要包括轨迹数据预处理、特征提取、建立分类器3个阶段。本文综述了近年来时空轨迹分类的研究进展,首先对时空轨迹分类的过程进行概述;然后将时空轨迹分类算法按特征提取的方式分为基于运动特征的轨迹分类算法、基于分类规则的轨迹分类算法和基于图像信号分析的轨迹分类算法3类,分别论述了这些算法的基本思想和优缺点;之后对现有的轨迹分类算法从数据来源、分类器、特征提取方式等方面进行对比分析;最后讨论现有的时空轨迹分类算法面临的挑战。     

高光谱技术在书画检测中的应用研究——以王震《三秋图》为例

书画作品是人类文化遗产的重要组成部分。高光谱成像技术具有"图谱合一"以及无损检测的特点,本文结合拉曼光谱和荧光光谱,利用高光谱成像技术对王震《三秋图》进行分析,主要研究颜料识别、受损提取和隐含信息挖掘。实验不仅对画作中的颜料进行了分析,而且运用主成分分析方法与SAM分类等算法对其进行图像增强与特征提取,实现了书画隐含信息的挖掘。实验结果表明高光谱技术将会是书画研究的一种有效方法。     

高空间分辨率遥感影像分割定量实验评价方法综述

GEOBIA（Geographic Object-Based Image Analysis）技术针对高空间分辨率遥感影像分析的效果和精度远优于基于像元的传统方法。影像分割作为GEOBIA中的关键技术,学者们对此已经做了大量的研究,提出众多分割算法。对分割算法进行评价和分割技术本身同样重要,通过分割评价可以对分割算法的性能进行评价,比较不同分割算法的优劣,为影像选择合适的分割算法并设定合适的分割参数。影像分割的目的是为了实现影像分析操作的自动化,而主观评价法、系统评价法和分析评价法,因其无法给出客观定量指标的特点,难以应用于实时、自动化的高分辨率影像信息提取与分析系统当中。加之近年来针对分割评价方法的研究远远落后于分割算法本身,因此对定量分割评价方法进行综述对于影像分割方法及其应用研究意义重大。本文对现有的评价方法进行系统总结,建立了针对高空间分辨率遥感影像分割评价方法的分类体系。对各种方法,特别是定量的实验评价法进行对比,分析其应用范围和优劣,最后指出了高空间分辨率遥感影像分割评价未来的改进方向和应用前景。     

遥感影像混合像元的分解——基于加权后验概率的支持向量机分类算法

混合像元是遥感影像中普遍存在的现象,对此,本文提出基于加权后验概率的支持向量机进行影像混合像元分解。该分类算法可判定端元种类的同时得到每种地物的后验概率,从而进行非线性模型的混合像元分解。由于加权后验概率的支持向量机分类算法能够减少分类器受土地覆盖类型模糊样本点的干扰,因此,改善了非线性混合像元分解模型的精度。首先,由样本点计算得到核函数参数值,然后,计算影像中每一种土地覆盖类型的后验概率,将其作为各个两类支持向量机分类器的权系数并求得多类后验概率值,确定影像每一种土地覆盖类型并得到丰度值。本文采用TM多波段遥感影像验证该方法的可行性,实验区位于我国东北部的大兴安岭中北段地区,土地覆盖类型包含农田、居民地、水体、荒地等。将本文提出的混合像元分解方法结果与标准支持向量机模型分解的结果对比表明,以加权后验概率的支持向量机遥感影像混合像元分解方法精度优于标准支持向量机模型。     

ASSESSMENT OF THE SFIM ALGORITHM

Fusion of images with different spatial and spectral resolutions can improve the visualization of the images. Many fusion techniques have been developed to improve the spectral fidelity and/or spatial texture quality of fused imagery. Of them, a recently proposed algorithm, the SF1M (Smoothing Filter-based Intensity Modulation), is known for its high spectral fidelity and simplicity. However, the study and evaluation of the algorithm were only based on spectral and spatial criteria. Therefore, this paper aims to further study the classification accuracy of the SFIM-fused imagery. Three other simple fusion algorithms, High-Pass Filter (HPF), Multiplication (MLT), and Modified Brovey (MB), have been employed for further evaluation of the SFIM. The study is based on a Landsat-7 ETM sub-scene covering the urban fringe of southeastern Fuzhou City of China.The effectiveness of the algorithm has been evaluated on the basis of spectral fidelity, high spatial frequency information absorption, and classification accuracy.The study reveals that the difference in smoothing filter kernel sizes used in producing the SFIM-fused images can affect the classification accuracy. Compared with three other algorithms, the SFIM transform is the best method in retaining spectral information of the original image and in getting best classification resuhs.     

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.     

基于YOLOv5算法的飞机类型光学遥感识别

飞机类型检测是遥感影像分析领域的研究热点,在机场监控和情报分析等应用中起着重要的作用。其中,深度学习方法作为遥感影像分析领域广泛应用的手段之一,在飞机类型检测任务中仍面临许多问题,如使用未公开的自制数据集、实验复现困难、无法验证泛化能力等。同时,光学遥感影像易受光照条件、云雨变化等因素影响,使检测任务更加困难。为了解决这些问题,本文首先利用MTARSI数据集对样本进行筛选,再结合Google Earth等开源方法收集飞机影像,采用随机旋转、改变亮度等方法构建新的飞机类型检测数据集。其次,采用YOLOv5作为基础网络框架,针对其多层卷积和池化操作可能会削弱或完全丢失飞机特征的问题,进行多尺度优化训练,有效检测飞机类型特征。最后,利用跨数据集验证模型的泛化能力。实验结果表明,本文方法能准确、有效地检测出光学遥感影像中的飞机的具体类型,具有较强的鲁棒性和泛化能力,跨数据集进行飞机类型检测正确率达到82.12%,可为智能化的飞机目标语义分析、星上应用等研究提供技术支撑。     

基于Dense SIFT特征的无人机影像快速拼接方法

特征匹配是无人机影像拼接过程的关键步骤,针对传统的特征匹配方法在影像拼接过程中获取匹配点少、特征点分布不均匀、匹配耗时长等问题,本文提出一种基于Dense SIFT特征的无人机影像快速拼接算法。首先,利用影像POS信息构建连接矩阵以引导匹配过程;然后在降采样影像上进行影像分块,利用Dense SIFT算子获取初始匹配点,并采用两次NCC方法分别实现降采样影像和原始影像上匹配点的精化;最后,基于共线方程将影像投影至物方面上,完成影像的快速拼接。本文选取2组无人机影像进行拼接实验,将本文算法与SIFT和SURF匹配拼接方法进行对比,结果表明：在影像特征点匹配方面,本文方法获取匹配点数量是SIFT和SURF算法的5倍以上,且匹配点分布更加均匀;在影像拼接结果方面,本文方法不仅能够较快完成影像拼接,而且有效避免了拼接影像中的“重影”现象,保证了较好的拼接质量。     

光谱与空间维双重稀疏表达的高光谱影像分类

高光谱遥感影像的稀疏分类是当前遥感信息处理的研究热点。本文提出一种光谱与空间双重稀疏表达的高光谱遥感影像分类方法（WSSRC）。首先利用小波字典对光谱维进行稀疏表示,将光谱维稀疏分类转化到小波域稀疏分类;其次,考虑空间邻域地物光谱的统一性和差异性,对邻域内像元分别进行稀疏编码,并对编码进行累加聚合;然后,利用聚合后的稀疏编码构造线性分类器对高光谱影像进行分类;最后,通过2幅标准的高光谱影像数据验证了本文所提出的方法。实验结果表明,该方法能有效地提高影像的分类精度。