一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进行拼接,实现土地利用分类.结果表明,与传统的面向对象分类方法相比,该方法的分类精度更高.     

面向对象方法支持下的土地利用分类

面向对象的影像分析技术在高分辨率影像地物信息的提取中有着重要应用.利用Sentinel-2高分辨率多光谱影像数据,以合肥市包河区作为研究区域,应用多尺度分割技术将影像分割成对象,并对特征空间进行选择和优化,基于面向对象分类方法提取出研究区域最近邻的六种典型地物,分类结果与面向像元的最大似然分类、支持向量机、神经网络的结果进行比较.结果表明:利用面向对象方法进行土地利用分类的总体精度88.90％,Kappa系数为0.8579,优于三种传统的监督分类方法.证明了面向对象的影像分析技术在土地利用分类中的实用性.     

最优分割尺度的滑坡信息提取

针对面向对象的遥感影像分析技术这一热点问题,通过研究滑坡的地学特征和影像特征,基于QuickBird多光谱影像,提出了一种先对Quickbird影像进行多尺度分割,然后利用改进的分割质量评价函数来选择滑坡最优分割尺度,最后在最优分割尺度上构建滑坡提取规则集并进行滑坡信息提取的方法。该方法通过对提取的滑坡信息进行精度验证与分析,能使对象内部异质性和对象之间异质性达到综合效果最好。结果表明:滑坡体的正确提取率为75.86%,本文方法具有一定的可靠性和准确性。     

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。     

无人机高空间分辨率影像分类研究

本文利用无人机影像进行土地利用类型研究,面向对象方法对影像分割,获取了最佳分割尺度;根据各土地类别的特征信息建立分类定义,提出了快速、准确获取土地利用类型的方法。研究结果表明,运用面向对象方法能很好地解决无人机高分辨率影像分类问题,其中关键是影像分割尺度的选择和影像对象特征信息的提取。     

基于光谱特征的湿地湿生植物信息提取研究

基于湿生植物光谱特征分析,采用面向对象分类方法提取湿地典型植被信息。在大量的野外实地调查基础上,确定提取的典型植物类型为芦苇(Phragmites australis)、长芒稗(Echinochloa crusgallii)和睡莲(Nymphaeatetragona);采集湿地优势植物光谱数据,将优势植物与提取对象芦苇、长芒稗和睡莲的光谱特征进行相关性分析,获取物种间区分性好的波段及波段组合,参与影像分割权重的设置;根据典型植被的分布特征,确定面向对象分割尺度(其中芦苇的分割尺度为50,长芒稗的分割尺度为20,睡莲的分割尺度为100)。通过研究发现:基于光谱特征分析的面向对象的分类精度为96%,而未利用光谱特征的面向对象的分类精度为87.3%,传统监督分类精度仅为82.3%。证明在面向对象提取前对植物光谱特征分析得到区分性好的波段及波段组合参与分割,对提高分类精度起关键作用。     

基于对象级的ADS40遥感影像分类研究

针对ADS40影像的空间分辨率高而光谱分辨率相对不足的特点,提出了一种基于多尺度分割的对象级遥感分类方法.首先通过多尺度分割获得影像对象,然后利用对象所包含的光谱特征、几何特征、拓扑特征来确定地物识别中可能要用到的各种特征参数,并建立对象间的分类层次结构图,最后利用模糊分类器逐级分层分类来提取地物信息.研究结果表明,面向对象的分类方法与传统方法相比,可显著提高分类精度,有效抑制"椒盐现象"的产生,更加适合于几何信息和结构信息丰富的ADS40影像的自动识别分类.通过对太原市ADS40影像进行分类验证了此方法的有效性.     

多种特征信息在高分辨率遥感影像目标识别中的应用研究

以Quickbird影像为研究对象,探讨了利用多种特征信息识别地物目标的技术方法.首先采用区域生长法将影像分割为若干个具有语义信息的对象,然后在此基础上提取对象的光谱、形状和纹理特征并进行描述,最后根据提取的特征参数,采用最近邻方法将影像分为建筑物、公路、铁路、水塘、耕地、林地和荒地7类地物目标,综合分类精度达到91.03%.研究表明,多种特征信息的综合利用,在目标分类与识别方面明显优于传统的基于单一光谱特征的方法,在一定程度内提升了遥感信息的智能化水平.     

无人机多光谱影像土地利用信息提取方法研究

以无人机多光谱和倾斜影像为数据源,运用面向对象自动分类的方法,首先利用分型网络演化分割算法(Fractal Net Evolution Approach,FNEA)进行分割实验,确定研究区每个地类最优分割尺度,并结合多光谱影像的光谱特征、纹理特征、空间特征、语义关系以及通过倾斜摄影提取的数字表面模型(Digital Surface Model,DSM)和其衍生的坡度数据等,构建研究区分类规则集,并采用多尺度分割后的多层次信息提取方法,将地物分为3个尺度,在不同尺度下提取相应的地物,总体精度为88.03%,Kappa系数为86.12%,分类结果较好。同时设置对比实验,利用传统的决策树方法分类,其总体精度仅为77.78%,Kappa系数为74.23%。研究表明,针对无人机的高分辨率多光谱影像面向对象的多尺度信息提取方法在信息提取时要优于决策树分类方法,同时验证了该多光谱传感器在信息提取上应用的可行性。     

集成学习和条件随机场的影像招弧角识别

无人机巡检是目前电力部门主推的一种巡检方式,招弧角是一种重要的电网设备、但其呈现细长的几何形状特征,其测量需要优于1 cm空间分辨率的影像.为了从无人机获取的高分辨率影像上提取招弧角,该文提出了基于随机森林、集成学习、全连接条件随机场的无人机影像分类和招弧角提取方法.首先,提取了影像的12个光谱和纹理特征.接着,建立训练样本库,训练了多个独立的随机森林分类器、并形成随机森林集成模型进行影像分类.最后,利用全连接条件随机场优化分类结果.该文采用5000张无人机影像进行了实验.实验表明,该文提出方法的整体分类精度达到85.5％,招弧角识别的正确率为98.3％、完整率为74.3％,表明该方法具有潜在的工程应用价值.     

基于地形区域分割的复杂地区遥感影像分类

提出了一种基于地形区域分割的分类方法,在影像中利用地形特征数据预先划分出每种地物的分布区域,然后以区域为基本单位对影像进行分类,同时利用DEM数据对影像进行地形校正,减小了同种地物内部由于地形起伏造成的光谱离散的现象。利用湖北西部山区的TM影像和DEM数据的试验证明,利用地形特征数据进行分割的分类方法与仅考虑光谱特征的分类方法相比较,分类精度有了明显的提高。     

纹理特征辅助遥感影像分类技术的探讨

随着卫星遥感影像分辨率的不断提高,人们希望从遥感图像中获得更多有用的数据和信息,所以遥感影像的分类变得尤为重要.但是基于光谱特征的影像分类精度过低,不能满足生产的需要,所以研究利用其他辅助手段来提高遥感影像的分类成为未来发展的一个重要方向.本文研究了利用灰度共生矩阵提取纹理特征的方法并对利用纹理特征影像辅助光谱特征分类的方法进行了研究.实验结果表明,纹理特征辅助光谱特征分类能够提高遥感影像分类的准确性和精度.     

面向对象的多尺度无人机影像土地利用信息提取

选取面向对象的方法,对无人机影像进行土地利用信息提取.通过对获取的原始无人机影像进行预处理,选取合适的分割参数对实验区进行多尺度分割,找出不同地物最优分割尺度,建立多尺度分割分类的层次结构体系,然后依据地物分类特征差异,在各自最优分割尺度层建立地物特征提取规则,实现土地利用信息的提取.研究结果表明,针对无人机高分辨率影像,运用面向对象的多尺度分割影像信息提取技术,可充分利用影像中包含的纹理、形状、大小及其相互空间信息,快速、准确地进行土地利用信息提取.     

利用高光谱遥感影像纹理滤波的城市居民地识别

高光谱影像具有丰富的光谱和空间结构信息,传统的基于光谱特征的分割方法易使分割区域过于细碎,从而降低了居民地信息提取的精度。尝试将纹理信息引入到特征空间,以提高信息识别、提取的精度。纹理信息采用多尺度3D-Gabor滤波器对经过特征选择后的高光谱影像进行滤波,进一步计算纹理能量和纹理特征,然后利用多特征聚类实现图像的初步分割,最终通过形态学方法获取影像中的居民地信息。实验表明,基于3D-Gabor滤波的方法能有效地识别、提取高光谱影像中的居民地信息。     

结合地形因子与分层策略的喀斯特地区无人机影像分类

西南喀斯特山区地形起伏较大,地物分布较为破碎,致使传统的光谱特征一次分类方法的精度较低。本文基于高分辨率无人机正射影像和地形指标,充分利用无人机遥感影像空间特征、光谱特征、纹理特征及地形特征,采取面向对象CART决策树算法与分层策略提取了研究区土地覆盖类型。研究表明,结合空间地形因子和分层策略的方法减少了破碎区地物间的相干扰,故具有较高的分类精度,总体分类精度达91.2%,Kappa系数为0.87,较传统一次分类精度提高了9.8%,Kappa系数提高了0.13。该方法对西南喀斯特地区土地覆盖解译精度较好,可为土地利用监测提供参考。     

基于面向对象特征提取的BP神经网络分类——以武陵源地区为例

采用面向对象影像分类与BP神经网络分类相结合的方法,对高分辨率无人机影像进行土地利用分类。利用光谱、形状、纹理、对象间关系等影像特征,通过基于面向对象的方法对影像提取特征进行初步分类,再将初步分类结果应用于BP神经网络,结合原影像数据进行进一步分类,提高分类精度、纠正分类错误。结果表明,该方法最终分类结果达到了88.9%的总体分类精度和0.863的Kappa系数,影像分类结果对比传统影像分类方法的总体精度与Kappa系数均有所提高。     

高分一号汶川极震区滑坡提取研究

选择汶川地震极震区的高分一号卫星影像,通过面向对象的分析技术提取滑坡信息;采用多尺度分割算法,结合高分影像和滑坡特点将以往经验式参数选取方法进行优化,分析极震区滑坡的特征,选择合适的特征参数,构建分类规则,实现滑坡的识别与提取。滑坡灾害信息的提取结果采用野外实际调查的滑坡点进行精度评价,滑坡提取总精度为84%,表明利用高分一号高分辨率卫星数据可以较好地提取滑坡灾害信息,基本满足滑坡灾害识别的要求。     

基于知识的水体信息提取研究

随着遥感技术的不断发展,使用遥感手段自动提取地表水体信息已成为全球信息提取研究方面的热点,其研究具有重要的现实意义。本文利用基于知识的遥感信息提取方法对地貌复杂的ETM遥感影像进行水体信息提取:首先,对其进行几何校正和目视解译,进行光谱特征分析和纹理分析;然后,利用光谱间关系和NDWI法,在ERDAS和ENVI软件的支持下,将基于各种知识形成的判决规则进行概念化描述,构建数据模型,对遥感影像进行自动分类,并取得了较好的分类结果。经精度评价,分类总精度为98.05%,Kappa系数为0.808 2,证明该方法具有可行性。同时,灵活地运用纹理特征等专家知识可以有效地弥补单纯使用光谱特征进行自动分类的不足,提高分类的精度。     

基于GF-1号影像的南方水稻种植信息提取

针对南方复杂地区水稻遥感信息提取研究中机器自动学习分类研究较少、分类精度不高的问题,以福建省三明市建宁县溪口镇为研究区,基于GF-1号卫星影像,采用面向对象的随机森林遥感分类算法对研究区内水稻田信息进行提取。首先通过优化面向对象分割参数和随机森林分类模型参数,提取并调用了影像中的多种特征;再对光谱特征、植被指数特征、纹理特征、几何特征进行特征空间优选;最后通过设置4种特征优选试验进行对比,得到最优分类模型。实验结果显示,基于特征空间优选的面向对象随机森林分类算法的水稻提取精度高达90%,分类总体精度可达87%,Kappa系数为0.85;与其他试验结果相比,漏分和误分现象较少,实现了南方地区水稻信息高精度自动识别。该方法计算特征少、实现简便,对于国产高分卫星影像在南方复杂地区作物自动提取中的应用具有参考性。     

基于时序Sentinel-2影像的农作物分类研究

特征选择是提高农作物分类精度的一个重要手段.本文基于时序Sentinel-2影像提取影像的波段特征、植被指数、纹理特征,以这三类特征构建分类特征集,使用随机森林算法对分类特征集进行特征选择和分类实验.根据分类混淆计算的研究区总体分类精度为92.5％,Kappa系数为0.904,高精度地提取了研究区内冬小麦、大蒜等主要冬季作物的种植信息,这表明随机森林算法在对特征降维的同时,也能保证较高的分类精度.