多光谱遥感影像的光谱规则分类算法修正及海岛、海岸带应用

在光谱规则分类算法(Spectral Rule-based Classifier, SRC)基础上考虑大气校正对遥感影像光谱反射率的影响,提出了一种改进光谱规则的分类算法(Modified Spectral Rule-based Classifier, MSRC),从地物光谱响应曲线和光谱指数两个方面来修正光谱规则集,通过规则细化和补充、阈值改正优化光谱类别。以珠江三角洲海岛(佳蓬、淇澳)和海岸带(荃湾、惠东)的Landsat 8影像作为实验数据,对比了大气校正前后波段反射率和地物光谱响应曲线,分析了改进后MSRC算法的地物分类结果和精度,并与原SRC算法、最小距离分类(MDC)算法、最大似然分类(MLC)算法、支持向量机分类(SVM)算法、神经网络分类(NNC)算法以及基于光谱指数的算法等多种地物分类算法进行比较。结果表明,4组实验数据的MSRC算法分类结果总体精度分别为87.66%、82.38%、77.67%和80.05%,高于SRC、MDC、MLC和基于光谱指数的分类算法,在无需人工标注训练数据集的前提下接近SVM和NNC算法的分类精度。MSRC算法适用于海岛和海岸带的Landsat 8多光谱遥感影像。     

条带消除对于高光谱图像分类效果的影响——以CHRIS/PROBA图像为例

以CHRIS/PROBA高光谱图像数据为例,使用非监督分类的ISODATA和监督分类的最大似然法、支持向量机等3种经典的图像分类算法,对消条带前后的图像分别开展分类实验,并对分类结果做了分析。实验结果表明,消条带处理可以较好地改善高光谱图像分类结果的目视效果,能够消除不同类别斑块边缘因条带而产生的"毛刺"现象,这对地物斑块的形状及几何分布敏感的研究(如景观生态学)至关重要;但消条带处理对于提高分类精度的效果并不显著,精度提高最大值不到2%。     

基于地物光谱可分性的CHRIS 高光谱影像波段选择及其分类应用

本文以黄河口湿地为研究区,应用覆盖该区域的CHRIS高光谱遥感影像,提出了一种基于地物光谱可分性的滨海湿地高光谱影像波段选择方法。该方法利用研究区的7种典型地物的110余条现场实测地物光谱曲线,通过分析比对地物两两之间的光谱可分度,确定地物类型之间的光谱可分区间,基于此选取CHRIS高光谱影像的地物分类特征波段,应用三种经典的监督分类方法(支持向量机法SVM、人工神经网络法ANN和光谱角制图法SAM)开展利用全波段的和利用本文方法选择特征波段的分类对比实验。结果表明:(1)基于光谱可分性特征波段的方法较全波段分类精度有所提高,其中ANN分类精度最高,为82.52%,较全波段分类精度提高了约为5.1%;(2)芦苇、水体、黄河水和裸滩4种地物的识别能力高,生产者精度都在80%以上;(3)碱蓬的用户精度提升最为明显,约在7%。     

滨海湿地稀疏采样重构高光谱图像分类精度评价

高光谱遥感影像维数高、数据量大、波段之间的相关性强,分类时易出现"Hughes"现象,因此在分类过程中如何有效减小数据处理过程中的计算量,又保证原始数据重要的地物信息不丢失具有重要的意义。压缩感知理论可通过远低于耐奎斯特的采样率和少量观测数据实现信号的精确重构,具有对硬件读写要求低、图像恢复效果好等优势。通过利用基于小波变换的压缩感知算法对黄河口地区的高光谱影像进行图像重构,然后分别采用SVM算法、最大似然法以及神经网络分类法对重构后的影像进行分类,并对分类结果的精度分别从空域和小波域、不同的测量值等维度进行了分析和比较。结果表明:(1)压缩感知理论重构后的影像保留了原始影像的基本信息,保证了分类精度;(2)SVM算法的分类精度最好,空域和小波域的分类精度基本一致;(3)分类精度随测量值的增加先逐渐提高,然后趋于稳定。     

基于LLE低维嵌入的高光谱影像分类

针对高光谱数据中内在的非线性流行结构,分析了LLE低维嵌入算法的基本原理,给出了该算法的计算步骤。介绍了模糊ISODATA分类算法的基本思想,在计算目标函数中,利用测地距离代替欧氏距离,对模糊ISODATA分类算法进行改进。利用两套PHI高光谱影像数据,在LLE低维嵌入结果上实现了ISODATA分类实验。结果表明:LLE低维嵌入后的数据能够降低ISODATA影像分类的迭代次数与计算时间,提高分类的效率;与原始ISODATA分类算法相比,改进的ISODATA分类算法能够更好地挖掘类别之间的自组织关系,提高分类的可靠性。     

基于光谱特征空间的监督分类中包络线去除效能评价

对覆盖黄河口滨海湿地的PROBA CHRIS高光谱遥感影像进行包络线去除变换,采用6种常用的基于光谱特征空间的监督分类算法对变换前后的影像数据进行滨海湿地典型地物分类,通过目视对比分析和定量分析相结合的方法分析比较变换前后的分类结果,评价包络线去除方法对该类算法影响的效果和能力。结果表明,包络线去除方法能够提高部分监督分类算法针对滨海湿地典型植被类型的区分和识别能力;但由于滨海湿地内具有面积较大的裸滩和浑浊水体,这两类地物在影像中的光谱特征相近,而包络线去除方法并不能解决二者的误分问题,因此并不能提高该类算法针对CHRIS高光谱遥感影像的总体分类精度。     

基于空谱融合与AlexNet算法的滨海湿地植被分类研究

为提高遥感影像融合质量,提升资源一号(ZY-1 02D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-1 02D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-1 02D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。     

基于深度置信网络(DBN)的赤潮高光谱遥感提取研究

赤潮是严重的海洋灾害,有效监测赤潮对于保护海洋生态环境具有重要意义。高光谱遥感具有光谱分辨率高、图谱合一等优势,适合于海洋赤潮监测。深度学习是机器学习领域的前沿,为高光谱遥感分类提供了新的思路。深度置信网络(Deep Belief Network,DBN)兼具监督分类与非监督分类的特点,通过构建DBN模型,将DBN应用于赤潮灾害遥感监测中,应用渤海机载高光谱遥感数据开展赤潮分类,以达到提取高光谱图像中赤潮水体范围的目的。通过设置对照实验,对比经典的SVM监督分类方法与ISODATA非监督分类方法,发现DBN模型在相同实验条件下具有更高的分类精度,赤潮遥感提取精度提高了3%～11%。     

黄河口湿地典型地物类型高光谱分类方法

黄河口湿地地物类型具有复杂多样的特点,本文将线性光谱混合分析模型与归一化植被指数(NDVI)和归一化水体指数(NDWI)相结合,建立了一种新的滨海湿地遥感影像分类方法;开展了基于CHRIS高光谱影像的黄河口湿地芦苇、柽柳、碱蓬、大米草、潮滩和水体6种典型地物分类实验,整体分类精度为77.33%,Kappa 系数为 0.71,与经典的最大似然分类(MLC)方法相比较,整体分类精度提高1.6%,Kappa 系数提高0.02,尤其是芦苇、碱蓬、大米草和潮滩的分类精度明显提高。     

服务于赤潮高精度快速检测的决策树RX高光谱遥感算法

本文应用辽东湾鲅鱼圈研究区赤潮高光谱遥感数据,针对互信息RX(Reed-Xiaoli)和传统相关系数RX等单源算法赤潮检测结果不稳定,可能出现漏检和误检的问题,提出基于互信息和相关系数的决策树RX赤潮高精度检测模型,结果表明:与单源算法相比,决策树RX算法赤潮高光谱遥感检测得到的ROC曲线较稳定;与经典的非监督和监督遥感分类算法相比,决策树RX算法的错分情况明显减少,检测精度较高,总体精度达96%以上;子空间划分得到的特征波段组合,能够在不降低赤潮检测精度的前提下,检测速度提高3倍;耀斑抑制后数据1的特征波段组合赤潮检测总体精度提高了1.82%。