融合空间关系的遥感图像分类

针对光谱纹理特征分类方法的不足,提出了一种融合空间关系的遥感图像分类方法。利用直方图提取像斑特征,采用G统计量构建单像斑概率,通过迭代统计方法计算地物类别邻接概率,利用地物类别邻接概率表达像斑邻域概率,加权组合单像斑概率与像斑邻域概率构建像斑联合概率,依据最大后验概率准则获取图像分类结果。在QucikBird图像上的试验结果表明:与传统的光谱纹理分类方法相比,该方法能够提高图像分类的精度;整体分类精度与Kappa系数分别提高了1.5%和2.1%。     

考虑时空关系的遥感影像变化检测和变化类型识别

提出了一种基于时空关系的遥感影像变化检测及类型识别方法。该方法通过影像分割获取像斑,利用最大似然法(maximum likelihood method,ML)获取初始分类结果,通过地物的类别转移矩阵(class transition matrix,CTM)和类别邻接矩阵(class adjacency matrix,CAM)定量地描述各地物类别之间的时间关系和空间关系。实验结果显示,本方法优于分类后比较法。     

融合时间特征的遥感影像分类

为了克服基于光谱纹理特征的影像分类法的不足,提出一种融合时间特征的遥感影像分类方法。以历史时期土地利用矢量图为辅助数据,对新时期遥感影像进行带约束的影像分割以获取像斑;采用迭代统计的方法计算新时期遥感影像的地物类别转移概率;利用地物类别转移概率表达时间特征,将其融入到像斑的后验概率中,构建顾及时间特征的像斑联合概率;依据后验概率最大原则获取影像分类结果。采用Quick Bird遥感影像进行的实验结果表明:与基于光谱纹理特征的分类方法相比,所提出的方法能够显著提高影像分类的精度,总体分类精度与kappa系数分别提高了9.8%和17.9%,验证了所提方法的可行性和可靠性。     

融合时间特征的高分辨率遥感影像分类

为了充分利用历史矢量数据,并考虑地物类别的时间关联,提出了一种融合时间特征的高分辨率遥感影像分类方法。将历史时期矢量数据与新时期遥感影像相结合,利用二次分割获取像斑,通过支持向量机(support vector machine,SVM)算法获取像斑类别及像斑的单时期后验概率;依据历史时期及新时期像斑类别属性的关联,获取定量表达时间特征的地物类别转移概率;加权组合像斑的单时期后验概率与转移概率,采用迭代方法获取影像最终分类结果。在Quick Bird影像上的实验表明,该方法能够有效引入时间特征及先验知识,提高影像分类的精度。     

利用矢量影像法进行土地利用变化自动检测

为解决土地利用矢量图与遥感影像的变化检测问题,提出了一种基于类别的矢量图与遥感影像变化检测方法。在矢量图约束下,对遥感影像进行影像分割获取像斑;提取像斑在遥感影像上的直方图特征,采用G统计量度量像斑之间的特征距离;利用像斑与其他相同类别像斑之间的特征距离,构建单波段上像斑的类别异质度,自适应加权组合各波段上像斑的类别异质度构建像斑的类别异质度;依据最大熵方法获取各地物类别对应的异质度阈值,以类别为单位对各像斑进行变化判别,获取变化检测结果。在QuickBird遥感影像上的试验验证了本文方法的有效性,实现了矢量图与遥感影像的自动变化检测。     

自适应差分进化的遥感影像自动模糊聚类方法

遥感影像模糊聚类方法可以在无需样本分布信息的情况下获取比硬聚类方法更高的分类精度,但其仍依赖先验知识来确定影像地物的类别数。本文提出了一种基于自适应差分进化的遥感影像自动模糊聚类方法,该方法利用差分进化搜索速度快、计算简单、稳定性高的优点,以Xie-Beni指数为优化的适应度函数,在无需先验类别信息的情况下自动判定图像的类别数,并结合局部搜索算子对遥感影像进行最优化聚类。通过模拟影像以及两幅真实遥感图像的分类实验表明,本文方法不仅可以正确地自动获取地物类别数,而且能够获得比K均值、ISODATA以及模糊K均值方法更高的分类精度。     

遥感影像土地覆盖分类的多点地统计学方法

提出了一种基于多点地统计学理论的遥感影像分类后处理方法。此方法从训练图像中提取先验的空间结构信息,推断类别的空间分布模式和相关关系,训练图像中能够建立包含空间关系的模型,比传统变异函数模型所表达的点对之间的关系更为丰富。将此方法应用于从Landsat TM影像中提取湿地类别,与空间平滑法和基于马尔科夫随机场的分类方法相比,其总体分类精度有所提高,且对曲线分布的地物类别的处理具有明显优势。     

基于纹理特征和支持向量机的ALOS图像土地覆被分类

高空间分辨率遥感图像在土地覆被分类方面应用广泛,但传统的基于像元分类方法的精度较低.为了提高高分辨率图像的分类精度,通过灰度共生矩阵法快速提取纹理特征,利用支持向量机(SVM)并辅以纹理特征,对浙江湖州典型实验样区的ALOS图像进行土地覆被分类.结果表明:基于纹理特征和SVM的图像分类能更好地提取地物信息,分类总精度达...     

多光谱遥感图像土地利用分类区域多中心方法

针对遥感图像土地利用一种类别由多种地物组成,存在难以求取类别光谱特征多元分布模型的问题,分析了多光谱遥感图像土地利用的光谱特征和区域多中心特征,提出了一种光谱信息和区域信息基于规则的区域多中心分类方法,以类别的类内中心集合表征类别模式,以区域为分类单元,以区域单元含类别类内中心数和区域单元中属于某种类别的像元占单元总像元的百分比为分类准则;采用类内中心表征类别模式和基于规则的分类方法,较好地解决了土地利用类别由多种地物组成、类别模式不满足多元正态分布的问题,由于类别区域单元多中心特性差异大,分类规则的建立及训练样本的选择易于实现。实验表明:该方法能提高分类精度4%—6%。     

角度分类器与距离分类器比较研究——以盐渍土分类为例

选择理想的分类器是进行遥感图像自动分类的关键。距离分类器是以已知地物类别的亮度值作为分类基准，通过比较未知类别像元与已知类别像元亮度值间的距离进行分类。角度分类器是以光谱谱线角为分类基准，通过比较n维波段空间中未知类别像元与已知类别像元光谱角度进行分类。本通过上述两种分类器对同一遥感图像进行分类，对两种分类器的分类效果进行了比较。