基于混合分类规则的成像光谱数据分类研究

分类方法的选择对于成像光谱数据的分类精度有着直接影响,然而由于成像光谱数据的特点,使得分类器的选择变得十分困难。提出了一种基于混合分类规则的成像光谱数据分类方法。实验表明,按照该方法进行成像光谱数据的分类处理,可以得到很高精度的分类结果。     

海岸带高光谱影像分类技术研究

以海岸带地物分类研究为重要对象,针对传统海岸带区域地物及海水等目标分类技术的局限性,通过分析海岸带地物的光谱特征以及在高光谱数据中的表征,研究高光谱成像技术在海岸带遥感应用中的有效性。实验结果表明相对传统的遥感影像分类技术,高光谱海岸带分类显得更为精细,也展示了高光谱技术在海洋遥感中的巨大应用前景?     

低通滤波器在高光谱影像分类中的应用

研究了低通滤波器对类别可分性的改善原理,指出将其应用于高光谱影像分类有利于获取更为准确的类别分布信息,进而提高影像分类精度。最后通过实验对低通滤波器在高光谱影像分类中的表现进行了验证。     

一种基于众数赋值的高光谱图像地物分类方法

提出了一种融合监督分类与非监督分类结果的高光谱遥感影像分类新方法——众数赋值分类法。采用ISODATA非监督分类方法对高光谱遥感影像进行分类,并对非监督分类结果的图斑进行标记,同时用最大似然法(ML)和支持向量机(SVM)法进行监督分类,然后以监督分类结果对非监督分类后各斑块进行类别赋值。方法是:统计每个非监督分类斑块中由监督分类所获得的各类别像元数及所占比例,将非监督分类斑块的类别赋予所占比例最高的监督分类结果的类别,最终获得高光谱图像分类结果。研究表明:(1)非监督分类类别数量大于10时,其与ML分类结果融合的总体分类精度和Kappa系数均较监督分类法的分类结果好;(2)ML和20个类别的ISODATA分类结果融合的总体精度最高,为87.35%,比单独ML的总体精度高约2个百分点;(3)SVM和10个类别的ISODATA分类结果融合的总体精度提高最大,较SVM的总体精度提高近3个百分点;(4)随着非监督分类类别数量的增多,分类结果的总体精度呈现由低到高再到低的变化过程。     

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。     

联合Bi-LSTM和注意力加强多尺度卷积的黄河三角洲湿地高光谱图像分类方法研究

近年来,面向黄河口的监测需求日益增大,如黄河入海流路改道至清水沟路以来,在新老河道的交汇处存在着丰富的地物类别,对于这些地物类别的检测识别研究有助于掌握生态环境状态,对于黄河口的湿地保护以及国家改善环境的战略支持具有重要意义。因此,本文提出一种新的湿地高光谱图像分类方法,分双路分别提取图像的空谱特征并融合分类。光谱维采用分组预处理的双向长短期记忆网络(Bi-LSTM)有效学习光谱特征;空间维采用注意力加强的多尺度卷积网络有效增强所提取的空谱特征,使得分类结果更具准确性。本文实验应用覆盖黄河入海口新老河道交界处的成像光谱仪(Compact High Resolution Imaging Spectrometer,CHRIS)所采集的数据和黄河三角洲自然保护区滨海湿地高分5号传感器(GF-5)所采集的高光谱图像开展。结果表明:分组与双向长短期记忆网络(Bi-LSTM)的有效结合显著提升了网络性能,同其他监督分类方法相比提升约3%~8%,此外注意力机制的加入同比增加约3%,在使用1%的极少训练集下数据集CHRIS和GF-5的总体分类精度分别达到92.3%和86.11%。     

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。     

高光谱影像分类及组合分类器的应用

高光谱影像包含有丰富的地物类别信息,但由于受分类方法等因素的限制,这些信息并不能得到充分的挖掘。组合分类器由于可以实现各分类结果信息的互补,因而总有着较各单分类器效果更好的分类性能。将组合分类方法引入到高光谱影像的分类实践中,并对组合的关键问题一组合规则进行探讨,提出了混合组合规则的概念。实验表明,利用该组合分类方法对高光谱影像进行分类,可以得到良好的处理结果。     

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%。     

基于双路图卷积的黄河三角洲湿地地物分类研究

黄河三角洲湿地地物精确分类对湿地资源的保护、开发和利用具有重要意义。目前的湿地分类算法大多存在着全局信息利用不足,地物类型边界不易区分等问题,导致分类精度不高。针对此问题,本文提出了基于双路图卷积的黄河三角洲湿地地物分类算法,包括图结构数据构建模块、特征提取与融合模块两部分。图结构数据构建模块,设计欧式图表示光谱值之间的绝对差异,衡量不同地物类型,设计余弦图表达不同像素光谱波形之间的差异,用以区分不同的地物边界;特征提取与融合模块,利用图卷积聚合全局信息,对欧式图利用双层图卷积进行特征提取,对余弦图使用图U-Net网络进行特征提取,之后将两个特征融合,得到同时具有光谱值绝对差异和光谱波形差异的融合特征,最后进行分类。在CHRIS和GF5两个数据集的实验结果表明,本文所提算法在黄河三角洲湿地地物分类中取得了具有竞争力的分类结果。     

基于Tabu搜索的高光谱影像特征选择

在高光谱影像的分类过程中,如何有效地降低特征空间的维数,又能保证原始数据所包含的丰富地物信息,是一项十分重要而繁琐的工作。在分析了传统降维方法所面临问题的基础上,将禁忌(Tabu)搜索算法引入到高光谱影像的特征选择研究,指出由于Tabu搜索算法所具有的良好全局寻优能力,因而在该类影像的降维研究中有着广阔的应用前景。实验表明,将Tabu搜索算法获取的波段进行高光谱影像分类,在求解的时间和分类结果的精度上都可达到令人满意的效果。     

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。     

Seafloor sediment classification from single beam echo sounder data using LVQ network

Seafloor sediment classification based on echo characteristics obtained from single-beam echosounder is very useful in remote and instant sediment classification. Results of different classification techniques using such data provide robust results when the acoustic beam has a normal incidence with the seabottom. This may not always be true and show poor classification, with the data acquired during rough sea periods corresponding to both oblique and normal incidence of the acoustic pulse, due to roll and pitch motion of the ship. In the present study, an attempt is made to exploit the artificial neural network (ANN) techniques for better classification with such data. Learning Vector Quantisation (LVQ) is a supervised learning algorithm of ANN that is found to be an effective tool and show good performance. The input data to the network include the roughness index (E1) and hardness index (E2) derived from echo characteristics. The network utilizes the competitive learning, a distance function in the first layer and a linear function in the second layer. The network was tried with a different size of hidden neurons and training data size to see the influence on classification. It is found that with ten neurons in the first layer and four neurons in the second layer good performance in classification for the data was achieved.     

高光谱分类EM算法及噪声的处理

简要介绍了高光谱遥感发展的现状,讲述了EM算法的工作原理及其在高光谱影像分类中的具体计算方法,对于噪声,采用一定的方法加以判断并予以剔除,对余下的未标识样本点给与适当的权值,并应用于EM算法的迭代过程中.通过实验验证,经过去噪处理的EM算法可以有效地改善高光谱影像分类结果.     

联合光谱和纹理特征的滨海湿地高光谱深度学习分类—以黄河三角洲湿地为例

本文基于CHRIS高光谱遥感影像，发展了一种结合地物光谱特征和多纹理空间特征信息，采用双全链接的8层深度卷积神经网络分类算法对滨海湿地高光谱影像进行遥感地物分类，并在黄河口滨海湿地进行了应用。结果表明：1）基于测试样本数据，联合光谱特征和K-L变换的纹理特征信息，采用DCNN模型方法展现了高的分类精度，精度高达99%；2）利用光谱特征和全纹理特征的精度比仅使用光谱特征和光谱特征联合K-L变换后纹理特征的分类精度低。利用K-L变换后的光谱特征和纹理特征的DCNN分类精度达到99.38%，相比于使用全纹理特征信息的精度提高了4.15%；3）基于验证图像，发展的DCNN分类方法精度优于其他算法，DCNN方法总体分类精度为84.64%，Kappa系数为0.80；4）相比于浅层分类方法，本文发展的DCNN模型分类算法保证了所有地物类型的分类精度更加均衡，保持了主要地物类型的分类精度几乎不变，同时提高了滩涂和农田的精度。基于DCNN模型，潮滩和农田的分类精度分别达到79.26%和56.72%。比其它浅层分类方法提高了2.51%和10.6%。     

近似支持向量机高光谱图像分类方法研究

介绍了近似支持向量机（PSVM）的原理及特点。为了将PSVM应用于高光谱图像的分类,提出了基于PSVM的有向无环图（DAG）多类分类方法（DAG PSVMs）。实验结果表明,DAG PSVM与传统的DAG SVM相比,性能基本保持不变,训练时间却大幅降低。