基于波段子集的独立分量分析的特征提取的高光谱遥感影像分类

针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。     

结合小波变换、SVM和投票法的ASTER影像岩性分类——以东天山尾亚地区为例

为了更加准确地利用ASTER影像辅助填图，提出了一种结合小波变换、支持向量机（SVM）和投票法的ASTER影像岩性自动分类方法。首先，采用Haar小波对ASTER影像进行多尺度小波分解，统计小波系数的均值作为纹理特征，同时提取灰度共生矩阵（GLCM）方差、同质性、均值纹理特征；然后，利用小波纹理、GLCM纹理及光谱特征构造SVM分类的特征向量，并进行10次重复分类；最后利用投票法确定岩性单元。对结果进行统计评估，结合多种纹理，并利用投票法得到的岩性分类精度为92.1934%,Kappa系数为0.9202，比仅用光谱分类精度提高了13.3369%。小波纹理能提取更细节的岩性信息；投票法可以避免岩性因样本的空间变异性产生的动态变化，优化分类结果；SVM较最大似然法（MLC）更适合于训练数据集高维且非正态分布的岩性分类；采用人工蜂群算法搜索SVM的最优参数，可避免参数局部最优。     

多级融合的珠海一号高光谱影像冬小麦分类

研究基于珠海一号高光谱影像的冬小麦识别提取技术,提出基于多级融合的多时相高分辨率高光谱冬小麦提取方法。本文从珠海一号高光谱影像入手,利用高分辨率影像改善高光谱影像空间分辨率,通过主成分分析降维、多种特征提取技术,大幅减少计算量的同时提高分类精度,Kappa系数提升0.05。针对融合影像是否有效、高程特征如何正确使用、U型语义分割网络（U-Net）和深度卷积语义分割网络（DeepLab）如何选择等问题,文中以4个实验对比说明,验证了该方法可以有效改善分类结果。     

基于多层形状特征提取与融合的城市高光谱影像解译

以前的研究往往从像素光谱的角度来解译高光谱影像,忽略了像素间的空间上下文关系。本文提出一种基于像素和对象层形状特征提取与融合的方法,把多层形状特征和光谱信息用支持向量机(SVM)输出函数方法进行融合,用于提取城市高光谱影像的形状特性,利用影像的空间关系。实验用HydICE-DC航空高光谱数据对提出的方法进行了验证,结果表明:像素级形状指数能够提供比对象级形状指数更优的结果,但像素—对象级形状特征的融合,能够给出更高的精度。     

基于SVM的多源信息复合的高空间分辨率遥感数据分类研究

遥感图像尤其是高空间分辨率（1—4m）遥感图像在土地利用和土地覆盖变化方面有着广阔的应用前景，传统高空间分辨率遥感图像信息提取方法存在精度和分类效率低的不足。本文提出的基于SVM的分类方法，复合光谱、纹理和结构信息等多源数据信息，对IKONOS高空间分辨率图像进行分类，并与最大似然法和单源数据（光谱）SVM分类结果进行定性和定量比较分析。研究结果表明，多源数据复合的SVM高空间分辨率遥感图像分类方法，能够有效解决单源数据信息图像分类效果破碎的问题；总精度达到68．38％，Kappa达到0．5993；对高维输入向量具有高的推广能力；比单源信息的SVM和最大似然方法图像分类精度更高，适合高空间分辨率遥感图像分类。     

高光谱遥感影像的广义判别分析特征提取

高光谱遥感影像具有丰富的光谱信息,在地物分类识别方面具有明显的优势.针对复杂高光谱影像分类问题,应用了一种广义判别分析特征提取技术.将输入样本通过非线性函数映射到特征空间,在特征空间中应用线性判别特征提取方法;算法求解过程中涉及到在特征空间的内积用核函数代替,简化计算的同时也使得算法与非线性函数的具体形式无关.通过影像分类试验表明,该方法较常用特征提取方法更有利于分类精度的提高.     

高光谱遥感影像的广义判别分析特征提取

高光谱遥感影像具有丰富的光谱信息,在地物分类识别方面具有明显的优势。针对复杂高光谱影像分类问题,应用了一种广义判别分析特征提取技术。将输入样本通过非线性函数映射到特征空间,在特征空间中应用线性判别特征提取方法;算法求解过程中涉及到在特征空间的内积用核函数代替,简化计算的同时也使得算法与非线性函数的具体形式无关。通过影像分类试验表明,该方法较常用特征提取方法更有利于分类精度的提高。     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题，提出了一种显著性特征提取方法。首先，利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后，基于分割得到的小区域计算反映不同区域的显著性特征。最后，沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合，并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明，与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比，提取的显著性特征能够获得更高的高光谱影像分类精度，且结合光谱特征能够进一步提高分类精度。     

联合局部二值模式的CNN高光谱图像分类

卷积神经网络CNN（Convolutional Neural Networks）具有强大的特征提取能力，应用于高光谱图像特征提取取得了良好的效果，双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征，并实现了特征的决策级融合。局部二值模式LBP（Local Binary Patterns）是一种简单但有效的空间特征描述算子，能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力，提出一种双通道CNN和LBP相结合的高光谱图像分类方法，首先，采用1维CNN（1D-CNN）模型处理原始高光谱数据提取深层光谱特征，同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征，然后，将两个CNN模型的全连接层进行连接，实现深层光谱特征和空间特征的融合，并将融合特征输入到分类层中完成分类。实验结果表明，该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度，甚至在有限数量的训练样本条件下也能取得较好的分类效果。     

高分辨率彩色遥感影像变化检测方法研究

目前已有的对象级变化检测方法中的像斑对象特征提取算法大多只提取单波段的特征,无法对彩色影像有直观整体的描述,针对这一问题,本文提出了一种高分辨率彩色遥感影像变化检测方法。首先对分割后得到的像斑统计颜色直方图,计算其推土机距离作为光谱特征差异量,另外通过像斑的彩色图像灰度共生矩阵计算熵统计量,对应像斑间熵差值作为纹理特征差异量;最后结合在彩色空间计算的两种差异量构造差异影像,通过支持向量机（SVM）将差异影像中的像斑分为变化与不变化两类别。选择江苏省苏州地区资源三号影像进行了试验,结果表明该方法可以很好地实现高分辨率彩色遥感影像的变化检测。     

Utilizing the Potential of World View −2 for Discriminating Urban and Vegetation Features Using Object Based Classification Techniques

With the availability of very high resolution multispectral imagery, it is possible to identify small features in urban environment. Because of the multiscale feature and diverse composition of land cover types found within the urban environment, the production of accurate urban land cover maps from high resolution satellite imagery is a difficult task. This paper demonstrates the potential of 8 bands capability of World View 2 satellite for better automated feature extraction and discrimination studies. Multiresolution segmentation and object based classification techniques were then applied for discrimination of urban and vegetation features in a part of Dehradun, Uttarakhand, India. The study demonstrates that scale, colour, shape, compactness and smoothness have a significant influence on the quality of image objects achieved, which in turn governs the classified result. The object oriented analysis is a valid approach for analyzing high spatial and spectral resolution images. World View 2 imagery with its rich spatial and spectral information content has very high potential for discrimination of the less varied varieties of vegetation.     

A Robust Texture Analysis and Classification Approach for Urban Land‐Use and Land‐Cover Feature Discrimination

Abstract

Attempts to analyze urban features and to classify land use and land cover directly from high‐resolution satellite data with traditional computer classification techniques have proven to be inefficient for two primary reasons. First, urban landscapes are composed of complex features. Second, traditional classifiers employ spectral information based on single pixel value and ignore a great amount of spatial information. Texture plays an important role in image segmentation and object recognition, as well as in interpretation of images in a variety of applications. This study analyzes urban texture features in multi‐spectral image data. Recent developments in the very powerful mathematical theory of wavelet transforms have received overwhelming attention by image analysts. An evaluation of the ability of wavelet transform in urban feature extraction and classification was performed in this study, with six types of urban land cover features classified. The preliminary results of this research indicate that the accuracy of texture analysis in classifying urban features in fine resolution image data could be significantly improved with the use of wavelet transform approach.     

基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类

针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络（LDCNN）深层次特征进行多核SVM分类的场景分类方法。首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核函数加权融合成为一个新的合成核;最后进行多核SVM分类。试验表明,本文方法不仅特征维度低,且通过多核SVM能够充分结合各层特征的优点,在两个标准数据集上均取得了99%以上的分类精度。此外,该试验还证明了本文方法具有较强的迁移学习能力。     

GF-2影像面向对象典型城区地物提取方法

国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。     

城市道路的多特征多核SVM提取方法

针对高分辨率遥感影像中城市道路提取的复杂性及SVM的分类性能,提出了一种城市道路的多特征多核SVM提取方法。首先利用FCM算法将原始影像粗分为建成区和非建成区两类,剔除非建成区;然后根据分水岭分割算法分割建成区并提取分割对象的光谱特征与空间特征,以全局核函数和局部核函数加权组合的方式构建多核SVM对建成区进行二次分类,去除建成区中的建筑物等非道路信息;最后利用数学形态学处理,获得最终的道路提取结果。试验结果表明：文中所提方法能够较精确地提取城市道路信息,分类精度高于单核SVM提取及其他对比方法。     

Rule-based classification of high-resolution imagery over urban areas in New York City

This paper describes the integration of results from different feature extraction algorithms using spectral and spatial attributes to detect specific urban features. Methodology includes segmentation of IKONOS data, computing attributes for creating image objects and classifying the objects with fuzzy logic and rule-based algorithms. Previous research reported low class accuracies for two specific classes – dark and grey roofs. A modified per-field approach was employed to extract urban features. New rule-sets were used on image objects having similar or near-similar spectral and spatial characteristics. Different algorithms using spectral and spatial attributes were developed to extract specific urban features from a time-series of Multi-Spectral Scanner (MSS) (4 m × 4 m) IKONOS data. The modified approach resulted in a remarkable improvement in the accuracy of classes that registered low spectral seperability and therefore low accuracy. The spectral and spatial based classification model may be useful in mapping heterogeneous and spectrally similar urban features.     

高光谱影像的引导滤波多尺度特征提取

为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。