像元信息分解和决策树相结合的影像分类方法

该文提出了一种基于像元信息分解和决策树相结合的遥感自动分类方法。选择广州市番禺区作为研究区。用像元信息分解和多变量决策树法把TM影像分为水体、植被、水泥地、土壤4种基本组分,分离成4类树枝;分别以4种基本地物组分作为分类掩膜,采用BP神经网络分类、形状指数提取、光谱特征提取等复合方法进行分枝,并开展野外遥感调查,以提高和验证分类精度。结果表明：该方法保证了分枝时地物的纯洁度,有效地避免了地物提取时多余信息的干扰和影响,提高了分类精度。结合实地调查数据与最大似然分类算法进行对比实验,表明该模型比最大似然总体分类精度高16％。     

干旱区稀疏芦苇盖度遥感信息提取

选择对角线法、之字型法、随机采用法及全采样法提取干旱区稀疏芦苇覆盖度,对比分析不同采样方法获取参数的精度,同时结合遥感影像,采用线性混合像元分解模型、亚像元变密度分解模型、三波段最大梯度差模型提取样地覆盖度信息,与地面实测覆盖度参量信息进行对比分析,探讨适宜的干旱区植被盖度野外监测方法及遥感模型。研究表明:对角线法及之字型法所获取参数可以满足样地总体植被覆盖度参数精度要求;地面验证结果表明:2006年线性混合像元分解模型所提取的覆盖度精度最高,为19.72%,与地面实测值20%最为接近,证明该模型可有效提取干旱区低覆盖度植被信息,但端元的正确选取较难,从而影响其运用;亚像元分解模型预测值为22.30%,高于实际覆盖度值,绝对误差为11.5%;而三波段最大梯度差法模型与实测值相差最大,绝对误差达到了-75%,说明该模型对于极端干旱区稀疏植被敏感度低。     

极端干旱区荒漠稀疏河岸林遥感分类研究

研究以位于极端干旱区的塔里木河干流中下游地区为例,基于Landsat TM影像,结合决策树分类、几何光学模型与光谱角匹配,解决混合像元信息分解,实现干旱区稀疏荒漠河岸林类别识别。首先从遥感视角的角度,将地物分解为目标和背景,提出塔里木河干流荒漠河岸林植被分类系统;其次以多变量决策树法将非荒漠植被信息剔除,采用几何光学模型模拟各类荒漠植被的像元光谱,最后以光谱角匹配的方法将荒漠植被进一步进行分解,得到塔里木河干流中下游地区典型研究区的植被分类专题图,分类精度结果表明:基于混合像元分解与几何光学模型的分类方法总精度达到了79.43%,Kappa系数为0.718,表明分类质量良好。     

不同分辨率遥感图像混合像元线性分解方法研究

混合像元的存在是传统像元级遥感分类和面积量测精度难以达到实用要求的主要原因,为了提高遥感应用精度,须解决混合像元分解问题。传统的方法主要通过改进分解模型提高分解精度,该文在不改变线性分解模型的条件下,分析不同分辨率尺度对于线性分解精度的影响。实验中运用像元合并的方法,得到不同分辨率的TM系列遥感图像,分别选取植被、裸地、水体3种典型地物进行线性分解;以分辨率更高的Quickbird图像分类结果作为真值进行精度评价。实验结果表明:随着图像分辨率的降低,植被的RMSE值不断缩小,在30 m分辨率尺度上均值为0.36,在150 m尺度上均值为0.17,分解精度提高了1倍左右;但随着分辨率进一步降低,由于混合像元现象加剧,RMSE值上升,分解精度随之降低。     

绿洲植被覆盖度遥感信息提取——以敦煌绿洲为例

以敦煌绿洲为研究区,利用Landsat TM遥感数据,通过归一化植被指数(NDVI)和混合像元分解两种方法,提取了敦煌绿洲的植被覆盖度信息。在基于NDVI提取植被覆盖度时,选取了基于NDVI的像元二分模型; 在混合像元分解过程中,对遥感影像进行波段反射率归一化处理和最小噪声变换(MNF),确定了3个类型端元:植被、不透水表面/土壤、水体/阴影; 最后利用高分辨率遥感影像验证对比了两种提取方法的精度。结果表明:混合像元分解更能准确地提取敦煌地区植被覆盖度信息,其线性相关系数为0.8915,均方根误差为0.0882,而且提取结果更符合实际情况,可以为敦煌植被状况监测及生态环境保护提供科学建议。     

新疆荒漠稀疏植被覆盖度信息遥感提取方法比较

植被覆盖度信息是荒漠生态环境表征的重要指标之一。荒漠区地表植被稀疏,在遥感光谱信息中表现较弱,通用的植被覆盖度遥感提取方法应用于干旱荒漠区存在一定的局限性,为了探寻一种满足大尺度荒漠地区的植被覆盖度信息的提取方法,必须对比和分析现有的遥感方法在干旱荒漠区的应用效果。以新疆荒漠区为例,利用MODIS遥感影像和野外植被覆盖度实测数据,对常用的6种遥感植被覆盖度提取方法（改进的三波段梯度差法、像元二分法、线型混合像元分解法、归一化植被指数法、增强型植被指数法和修正型土壤调整植被指数法）的结果进行精度验证和对比分析。结果表明：MODIS影像上较难提取纯荒漠植被像元,用农作物的像元值代替会降低像元二分法和线性混合像元分解模型的模拟精度;植被指数法对地面实测数据依赖性较大,模拟的精度差异很大,仅考虑红光和近红外的归一化植被指数法模拟精度最低,而综合考虑土壤和大气因素的增强型植被指数法的模拟结果精度最高;改进的三波段最大梯度差法虽然模拟精度稍次之（R²=0.74;RMSE=13.46）,但依据光谱的物理特性,能显著地反映南、北疆荒漠植被覆盖度的差异,是目前大尺度的荒漠区覆盖植被信息提取较为适宜的方法之一。     

点特征相似与卷积神经网络相结合的SAR图像分类算法研究

基于CNN的像素级SAR图像分类利用了输入图像块的邻域信息,但没有凸显出邻域像元对中心像元分类结果的影响力,导致在高噪声条件下中心像元易出现类别误判。针对该问题,该文提出了一种基于点特征相似性的卷积神经网络(Point feature Similarity-based Convolutional Neural Network,PSCNN),并将其用于SAR图像分类,以凸显邻域像元对中心像元分类结果的影响力,从而减小误分,提升分类精度。实验结果表明,相比传统基于CNN的SAR图像分类方法,该算法一方面能更充分利用图像块的邻域信息,有效抑制相干斑的影响,提升匀质区域的分类精度;另一方面借助块匹配方式,能够充分保留图像块的结构信息,有效提升边界定位精度。     

基于GF-1遥感影像的艾比湖区域田间尺度土壤盐渍化监测方法

土壤盐渍化是制约农业生产和发展的主要障碍。目前土壤盐渍化的遥感监测主要基于中、低分辨率卫星影像,并采用传统的基于像元分类方法,对盐渍化信息的细节描述不足,监测精度不高。本文使用国产GF-1影像,结合自上而下的多尺度分割技术和面向对象的信息提取技术,针对田间尺度下的盐渍化信息进行精确地提取、分类,并与传统分类方法进行了对比。结果表明：面向对象法和最大似然法的分类总体精度分别为92.72%和84.31%,Kappa系数分别为0.90和0.78。该技术能准确提取田间尺度下的盐渍地信息,在未来的农田盐渍化高精度监测研究中具有一定应用价值和发展潜力。     

面向对象的湿地景观遥感分类——以杭州湾南岸地区为例

在ENVIEX软件的Feature Extraction平台上,利用LandsatTM影像数据,采用面向对象方法对杭州湾南岸地区湿地景观进行遥感影像分类;通过与基于最大似然法、人工神经网络法、支持向量机法等传统像元方法的相应分类结果进行比较,系统分析了面向对象方法在中低分辨率遥感影像的湿地景观生态分类中的有效性。研究结果表明:①较之单一依据像元光谱值进行分类的传统方法,面向对象方法综合考虑了对象的光谱、空间、纹理、色彩等多种属性特征,因而对于类型复杂多样、分布界限模糊、光谱混淆与混合像元现象严重的沿海滩涂、湖泊、河流等湿地景观具有更好的鉴别能力,也因此获得更高的分类精度(研究区景观分类总精度为88.80%,Kappa系数为0.8765);②面向对象方法在分类中提取的是由同质性像元组成的"对象",且在合理的影像分割下得到的对象破碎化程度较低,因而能在较大程度上减小分类结果中的"椒盐噪声"干扰;而基于像元方法提取的景观类型以离散像元形式组成,难以清晰表征景观的边界、形状等信息,所以分类结果中会有明显的噪声现象;③影像分割在运用面向对象方法进行遥感影像分类过程中具有重要影响,实验结果表明,60%的分割尺度和归并尺度组合较有利于中低分辨率影像的遥感分类;④面向对象分类过程中诸如影像分割精度的评价、最优分割尺度的选取、特征空间的优化等问题,则有待今后进一步探讨。     

基于多尺度空间ANN - CA模型的遥感影像超分辨率制图方法研究

为获取遥感影像混合像元中各组分的空间分布状况,提出一种新的遥感影像超分辨率制图方法,用于继混合像元分解之后的亚像元定位。将元胞自动机理论移植到不同空间尺度的演化上,建立基于神经网络的多尺度元胞自动机模型(ANN-CA),并利用该模型提取北京市海淀区城镇用地超分辨率信息。结果表明,该方法能有效表达图像像元之间的空间自相关性。     

面向对象解译方法在遥感影像地物分类中的应用

针对高分辨率遥感影像快速高效萃取有用信息这一遥感技术应用的热点问题,探讨了基于面向对象(Object-oriented)解译方法的遥感影像自动及半自动解译和提取的新思路.文中分析了面向对象解译方法在地物信息分类应用中的优势,并提出了基于此方法的高分辨率遥感影像多尺度信息提取技术流程.具体结合广州市新白云机场开发区IKONOS高分辨率遥感数据进行地物快速提取、自动分类的试验,并对解译效果进行了评估分析,证明此方法在高分辨率遥感影像地物分类中确实高效可行.     

遥感影像混合像元分解中的端元选择方法综述

端元选择是进行遥感影像混合像元分解的首要步骤,也是最关键的步骤,其直接影响混合像元分解的精度。该文对遥感影像混合像元分解中端元产生的特定背景、当前存在的端元选择途径和端元选择方法进行综述,并通过对当前端元选择方法的分析,提出了选择或构造端元选择方法应遵循的几个原则。     

形态学图像处理方法在扎龙湿地景观格局分析中的应用

以数学形态学图像处理技术为主要方法,对扎龙湿地景观格局进行分类,形成核心、斑块、边缘和孔隙4种格局类型,并在此基础上与土地覆盖类型图叠加处理,分析湿地不同景观格局与土地覆盖类型的关系。结果表明,基于形态学图像处理技术的景观格局分类保持了像元水平的精度,优于传统的分类方式。1979-2008年,扎龙湿地的核心湿地减少,斑块、边缘和孔隙都相应增加。作为湿地中的优势类型,含地表水的湿地逐渐转移到非核心的斑块、边缘和孔隙湿地中,原有的核心湿地逐渐变得破碎。     

利用卫星图像结构信息提高城市地物模式识别精度的研究

针对城市地物分布特征及其光谱特点，对卫星遥感数据的空间结构信息应用于城市分类进行了研究。分类结果与传统的统计模式识别方法（Bayes法）相比较简洁、快速，精度提高近2个百分点。     

基于光谱和纹理特征的ALOS影像土地利用信息提取

针对高分辨率遥感影像易于反映地物纹理特征的特点,综合利用地物的光谱和纹理特征进行分类,探讨适用于ALOS影像的土地利用信息提取方法。以川东丘陵地区影像为例,基于GLCM提取纹理信息,将提取的纹理特征向量采用赋权值法融合为一个综合纹理信息波段,然后采用面向对象法将其与光谱特征信息共同参与分类。与最大似然法的提取结果对比表明,考虑了纹理特征的面向对象分类方法能明显提高分类精度,Kappa精度提高了0.12;避免了椒盐现象,分割的地类边界具有更好的语义表达,更贴合地物实际分布特征;建筑用地和林地具有明显的纹理特征,而旱地纹理特征不明显。该方法不仅分出了6个基本地物类型,而且对于林地、建筑用地等类型还能进一步细分。     

基于人工免疫克隆选择算法的遥感图像识别

遥感图像分类受自然环境的复杂性和实际样本数据的分布情况约束,其结果将直接影响对土地利用、覆盖情况的认知。人工免疫系统具有自学习、自组织、记忆的能力,可解决非线性分类问题中的局部极值、鲁棒性等难点。该文将人工免疫系统引入遥感图像分类领域,设计了基于克隆选择算法的遥感图像监督分类方法,并将其应用于广州市遥感影像分类。实验结果表明:与最大似然法相比,该方法具有更高的精度;同时该方法对公路、桥梁等线状城市用地较敏感,适用于快速发展的中心城市的遥感影像分类。     

Increasing the spatial resolution of agricultural land cover maps using a Hopfield neural network

Land cover class composition of remotely sensed image pixels can be estimated using soft classification techniques increasingly available in many GIS packages. However, their output provides no indication of how such classes are distributed spatially within the instantaneous field of view represented by the pixel. Techniques that attempt to provide an improved spatial representation of land cover have been developed, but not tested on the difficult task of mapping from real satellite imagery. The authors investigated the use of a Hopfield neural network technique to map the spatial distributions of classes reliably using information of pixel composition determined from soft classification previously. The approach involved designing the energy function to produce a ‘best guess’ prediction of the spatial distribution of class components in each pixel. In previous studies, the authors described the application of the technique to target identification, pattern prediction and land cover mapping at the sub-pixel scale, but only for simulated imagery. We now show how the approach can be applied to Landsat Thematic Mapper (TM) agriculture imagery to derive accurate estimates of land cover and reduce the uncertainty inherent in such imagery. The technique was applied to Landsat TM imagery of small-scale agriculture in Greece and largescale agriculture near Leicester, UK. The resultant maps provided an accurate and improved representation of the land covers studied, with RMS errors for the Landsat imagery of the order of 0.1 in the new fine resolution map recorded. The results showed that the neural network represents a simple efficient tool for mapping land cover from operational satellite sensor imagery and can deliver requisite results and improvements over traditional techniques for the GIS analysis of practical remotely sensed imagery at the sub pixel scale.     

利用BP算法进行新疆MODIS数据土地利用分类研究

土地利用信息获取已经成为遥感技术的重要应用领域之一。本研究以MODIS数据产品为信息源,用神经网络分类中的反向传播网络(BP)算法对新疆进行了土地利用分类研究。以新疆石河子为实验区,比较了BP算法与最大似然法的分类精度,前者的精度提高近10％。用BP算法对新疆全省进行了土地利用分类,统计分类结果各类别的面积和百分比,所得数据与相关部门公布数据非常接近。研究结果表明,250mMODIS数据对新疆地区的土地利用的类别信息获取比较实用：BP算法对中分辨率的MODIS数据能取得较高的分类精度。     

基于神经网络的区域生态环境分类方法研究

如何利用智能化信息提取技术,进行区域生态环境自动分类,一直是一种前沿性研究。该文在分析研究区自然景观特征的基础上,总结了影响区域生态环境的建模要素,基于神经网络技术,并根据生态环境的遥感探测机理,利用TM卫星遥感数据中的可见光、热红外、植被指数(NDVI)以及DEM数据,建立了基于BP神经网络的区域生态环境信息自动提取模型,形成了一种新的生态环境分类方法,其分类结果与实际情况完全一致。