结合ReliefF、GA和SVM的面向对象建筑物目标识别特征选择方法

提出结合ReliefF算法、遗传算法(Genetic algorithm,GA)和支持向量机(Support Vector Machine,SVM)的高分辨率遥感影像建筑物目标识别特征选择算法。首先使用ReliefF算法进行初步的特征筛选,然后将SVM参数和特征子集编码到GA染色体中,以SVM识别精度构建适应度函数,同时优化特征子集和SVM参数。实验结果表明,将文中算法应用于建筑物目标识别,能以较小的特征子集和较短的优化时间达到较高的识别精度。     

高分辨率遥感影像目标形状特征多尺度描述与识别

在高分遥感影像中,同类地物目标形状具有多样性,单一尺度或单一形状模版不足以描述同类目标的形状。本文利用小波变换和Fourier描述子构建了一种目标形状的多尺度描述模型,并基于该模型给出了一种新的面向对象的高分遥感影像目标识别方法。从上到下,该模型采用尺度依次减小的小波近似系数对原始形状进行近似表示,并利用Fourier描述子对其进行定量描述。利用语义规则综合考虑多个尺度下的识别结果,得到最终识别结果,减小小尺度下分割目标破碎和大尺度下小目标无法识别造成的影响,提高识别精度。基于本文方法分别对高分遥感影像中的飞机和建筑物进行识别,对比实验表明,该方法具有较高识别精度。     

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。     

耦合GF-2遥感影像与街景影像的广州市城中村识别

及时准确地获取城中村的空间分布及其环境质量信息对于优化城市空间、改善人居环境具有重要意义。本文以广州市越秀区为例,提出了耦合GF-2高分遥感影像和百度街景影像的城中村识别方法。首先,从街景影像中提取越秀区的街道空间品质特征;其次,在对高分遥感影像预处理并进行多尺度分割的基础上计算光谱、形状、纹理、场景特征和建筑结构5类共计23个特征;最后,融合两种影像的特征用于构建随机森林分类器进行城中村识别。结果表明,基于高分影像和基于街景影像的城中村识别整体精度分别为94.5%和85.7%,Kappa系数分别为0.58和0.31,而两者融合后的分类精度和Kappa系数为96.1%和0.67;其中基于街景影像获取的度量街道空间品质的5个指标贡献了31.6%的特征重要性。鸟瞰视野高分影像和人本视角街景影像提供的信息综合互补,构建了更有区分度的特征空间,减少了城中村的错分现象。本文证实了高分影像和街景影像在特征尺度的融合提升了城中村识别精度。街景影像中的信息可以融入到高分遥感影像等数据源中,辅助进行城中村等非正规居住空间的识别。     

一种高分辨率可见光遥感影像中车辆目标检测方法

在高分辨率遥感影像中检测车辆目标是影像识别和检测的重要研究方向,能够为宏观交通状态判别提供支撑.本文设计了一种快速有效的基于高分卫星影像的车辆目标检测方法.该方法首先将与遥感影像对应区域的已有矢量面状道路对影像进行掩膜处理,仅留下影像中道路部分,再采用Otsu双阈值法分割道路中的暗色车目标和亮色车目标,最后利用车辆目标的形态特征对其进行检索,以获得车辆目标的检索结果.试验表明,本文方法具有较好的检测效果.     

面向对象的高分一号铁尾矿遥感信息提取与分析

针对高分一号遥感数据铁尾矿信息提取精度较低的问题,文中分析了铁尾矿高分遥感图像光谱、纹理及空间特征,构建了铁尾矿遥感光谱特征强化的数学模型RTI和IOT,建立了面向对象的铁尾矿高分遥感信息提取的技术流程。并以唐山典型矿山地区为研究对象,进行了铁尾矿遥感信息的提取实验和精度分析,验证了RTI和IOT强化数学模型在面向对象决策分类规则中的有效性,为铁尾矿资源的目标提取和自动监测提供了一种新的处理方法。     

迁移学习支持下的高分影像山地滑坡灾害解译模型

无人机低空遥感是近年来新兴的一种快速获取灾情信息的手段,如何利用无人机高分影像构建滑坡灾害解译模型是实现快速自动解译滑坡的关键。针对该问题,对比了多种影像特征提取方法,将迁移学习(TL)特征和支持向量机(SVM)引入到构建滑坡灾害自动解译模型中,提出了一种TL支持下的高分影像滑坡灾害解译模型。选取5·12汶川地震及4·20芦山地震系列无人机影像构建了滑坡灾害样本库并进行了实验,TL特征方法整体分类准确度ACC为95%,ROC达到0.98,识别准确率达到97%。结果表明,所提方法可用于高分影像滑坡自动解译,同时可用于大面积高分影像中快速山地滑坡灾害定位及检测。     

基于深度学习的高分辨率遥感影像目标检测

传统的目标检测识别方法难以适应海量高分辨率遥感影像数据,需要寻求一种能够自动从海量影像数据中学习最有效特征的方法,充分复挖掘数据之间的关联。本文针对海量高分辨率遥感影像数据下典型目标的检测识别,提出一种分层的深度学习模型,通过设定特定意义的分层方法建立目标语义表征及上下文约束表征,以实现高精度目标检测。通过对高分遥感影像目标检测的试验,证明了该方法的有效性。     

基于多特征U-Net网络的工程活动图斑快速识别

为有效监测具有填挖、采剥等行为的工程活动情况,本文提出了一种用于像素级露天工程活动图斑提取的遥感多特征语义分割模型。该模型以高分二号(GF-2)光学遥感影像为数据源,采用U-Net深度神经网络架构,通过人工标注构建了反映露天工程活动的影像样本集,并提取样本的多维特征投入模型进行训练,从而实现了工程活动图斑的快速识别。试验结果显示,本文方法对露天工程活动图斑的总体识别精度可达87.36%,平均精度达86.78%,优于KNN、SVM两种传统分割方法,为工程活动自动化监管提供了技术参考。     

MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法

为了进一步提高遥感图像建筑物区域的识别精度,提出了一种基于中值稳健扩展局部二值模式(median robust extended local binary pattern,MRELBP)、Franklin矩和布谷鸟优化支持向量机(support vector machine,SVM)的分类方法。首先,通过MRELBP特征算子计算图像块的纹理特征向量,并根据Franklin矩得到形状特征向量,组合图像块的纹理特征向量和形状特征向量得到综合特征向量;然后,利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化;最后,通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明,与基于三原色(red green blue,RGB)和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比,本文提出的方法所识别的遥感图像建筑物区域准确度更高。     

ANFIS Based Land Cover/Land Use Mapping of LISS IV Imagery Using Optimized Wavelet Packet Features

Digital image classification is the process of sorting all the pixels in an image into a finite number of individual classes. But, it is difficult to classify satellite images since they include both pure pixels and boundary pixels. The boundary pixels are ‘mixed’ pixels, representing an area occupied by more than one ground cover. That is, class boundaries represented by pixels, are not sharp but fuzzy. This paper discuses the application of Adaptive Neuro-Fuzzy inference system (ANFIS) for classification of remotely sensed images that contains mixed pixels. Decision making was performed in two stages: feature extraction using the Wavelet Packet Transforms (WPT) and the ANFIS trained with the back propagation gradient descent method in combination with the least squares method for classification. Genetic Algorithms (GA) based approach is analysed for the selection of a subset from the combination of Wavelet Packet Statistical Features (WPSF) and Wavelet Packet Co-occurrence (WPC) textural feature set, which are used to classify the LISS IV images. GA has been employed to reduce the complexity and increase the accuracy of classification. Four indices—user’s accuracy, producer’s accuracy, overall accuracy and kappa co-efficient are used to assess the accuracy of the classified data. Experiments show that the proposed approach produces better results compared to the results obtained when classical classifiers are used.     

混合智能优化算法的SAR图像特征选择

为提高SAR图像自动目标识别的准确率及实时性,提出了一种基于混合智能优化的SAR图像特征选择算法。首先,采用分形特征对SAR图像进行增强,基于分割后的图像提出了一种基于图像矩的方位角估计方法。然后基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征集合,使用遗传算法结合二值粒子群的混合优化算法实现SAR图像特征选择。最后,采用MSTAR数据库验证本文算法的有效性。实验结果表明,优化后的特征集合具有一定泛化能力,一方面提高了SAR目标识别的准确率,另一方面减小了SAR图像目标识别的时间。     

顾及分类器参数的全极化SAR图像特征选择与分类

全极化SAR获取的信息量远多于传统SAR,但信息量的增加并不能确保分类精度的提高,如何有效进行特征选择至关重要。针对自适应特征选择问题,提出一种顾及分类器参数的特征选择和分类方法。该方法以支持向量数为评估依据,结合遗传算法进行特征选择,并同时对分类器参数进行寻优;最后利用优选的特征集和模型参数进行分类。为验证算法的有效性,利用两组全极化数据进行了监督分类实验。实验结果表明,提出方法降低了SVM分类器对自身参数的敏感性,而且能在较少特征个数下具备良好的泛化性能,分类精度优于未经过特征选择和参数优化的方法。     

基于小波与遗传算法的特征提取与特征选择

高维遥感数据的分类与识别与传统的多光谱遥感分类技术具有明显的区别。本文提出了一种基于遗传算法和小波／小波包分析相结合的特征提取方法用于高维遥感数据降维与分类。该方法综合了遗传算法的全局优化和小波／小波包分析的多尺度、多分辨率的特点。首先,通过离散的小波变换(DWT)或小波包变换(WP)将高光谱信号变换到特征域进行光谱分解。由于DWT变换是一种线性变换,不同尺度的DWT系数可作为线性光谱特征。然后,对这些线性光谱特征利用遗传算法结合训练样本计算类内／类间距离搜索最优分类子集,其具体染色体编码取可能的特征号,适应度函数基于样本平均Jeffries-Matusita距离计算。所用的分类器采用最大似然分类器。试验结果表明该方法与常规特征提取算法如主成分变换(PCA)、判别分析特征提取(DAFE)、决策边界特征提取(DBFE)相比,能提高分类精度约1.1％-6.5％。     

联合像元-深度-对象特征的遥感图像城市变化检测

特征空间的构建和优化对遥感图像识别能力的提高具有重要作用。针对面向对象方法对波段光谱信息利用不足,以及像元识别法无法充分利用图像空间几何等信息的问题,本文建立了新颖的联合像素级和对象级特征的航摄遥感图像城市变化检测方法。首先,充分利用像素级和对象级特征的优势,建立考虑光谱、指数、纹理、几何、表面高度及神经网络深度特征的特征空间;然后,引入LightGBM(light gradient boosting machine)算法对大量特征进行选择研究;最后,采用随机森林识别器对宜兴市2012年和2015年两期遥感图像进行识别,利用变化矩阵进行城市的变化检测。结果表明:联合像元、深度、对象特征和LightGBM特征选择算法的识别效果最好,平均的总体识别精度达到了88.50%,Kappa系数达到0.86,比基于像元、深度或对象特征的识别方法分别提高了10.50%、15.00%和4.00%;城市变化检测精度达到了87.50%。因此,本文方法是利用甚高分辨率航摄遥感图像进行城市变化的检测的有效方法。     

多方位角图像决策融合的SAR目标识别

提出了一种基于多方位角图像决策融合的合成孔径雷达(SAR)图像目标识别方法。对目标切片图像用二维小波分解和主成分分析提取特征向量,利用支持向量机对特征向量进行分类,用贝叶斯方法对目标多幅不同方位角下图像的分类输出进行决策融合,得到最终类别决策。用MSTAR数据库中3个目标进行识别实验,实验结果表明,对3幅以上不同方位角的图像进行决策融合时,该方法可显著提高目标的正确识别率。该方法是一种有效的SAR图像目标识别方法。     

结合数据融合与特征选择的遥感影像尺度多样目标检测

基于深度神经网络模型的遥感影像地物检测取得了巨大成功,很大程度上得益于大规模数据集的支撑。但是,从现有遥感影像数据集本身来看,不同类别地物的数量分布不一致,同类地物对象以不同尺寸大小呈现,是导致地物样本的尺度不均衡问题的直接因素。对此,本文采用数据集内影像加权融合与地物多尺度特征选择的策略来缓解该问题。首先,将数据集内两张影像的像素值进行加权并得到融合后的影像,从而使不同类别地物样本更加均衡且具有较高的背景多样性;其次,通过选择合适尺度的特征图预测相应尺度的目标类别,且允许同一尺度目标在相邻特征图上进行预测,这样使模型能根据目标尺度进行训练;最后,基于目标中心区域的特征图预测目标边界框,预测的边界框更符合目标本身的尺度。通过在两个遥感数据集上分别进行实验,表明训练的模型在对复杂背景下的类别不均衡目标的识别更加准确,能够适应遥感影像下不同尺度目标的识别。     

PCA、ICA和Gabor小波决策融合的SAR目标识别

提出了一种基于主成分分析(PCA)、独立分量分析(ICA)和Gabor小波决策融合的合成孔径雷达SAR(Synthetic Aperture Radar)图像目标识别方法。首先用PCA、ICA和Gabor小波变换分别对SAR目标图像提取特征向量,再用3个支持向量机分类器分别对3种方法提取得到的特征向量分类,通过基于等级的决策融合方法对3个支持向量机分类器的输出进行决策融合,得到最终类别决策结果。采用MSTAR数据库中3个目标进行识别实验,实验结果表明,PCA、ICA和Gabor小波决策融合后得到的识别率高于单独用其中任何一个特征得到的识别率。因此,该方法可提高目标的正确识别率,是一种有效的SAR图像目标识别方法。     

Remote Targets Recognition Based on Adaptive Weighting Feature Dictionaries and Joint Sparse Representations

With the improvement in resolution, more and more useful information is contained in the space of remote sensing images, which makes the processing of remote sensing data become more complex, and it is easy to cause the curse of dimensionality and the poor recognition effect. In this paper, a remote target recognition approach named AJRC is proposed, which uses joint feature dictionary for sparse representation based on different feature information for adaptive weighting. Firstly, the features of the images are extracted to calculate the contribution weight of each eigenvalue in sparse representation, and each eigenvalue contribution weight is calculated in sparse representation. Through the adaptive method, the contribution ability of each feature value in sparse representation is strengthened, and new atoms are formed to construct feature dictionary, which makes the dictionary more discriminative. Then, the common features of each category image and the private features of a single image are extracted from the feature vector, and a joint dictionary is formed to represent the test image sparse and recognize the output of the target. Aiming at the problem that the target visual contrast difference, the low resolution and the rotation of the target with different angles, the experiment is carried out by different feature extraction methods. At the same time, we use the PCA method to reduce the feature dictionary in order to avoid dimensionality. Experiments show that compared with the existing SRC method and JSM method, this method has better recognition rate.