广义马尔可夫随机场及其在多光谱纹理影像分类中的应用

在二维马尔可夫随机场模型的基础上，提出顾及波段间的空间相关性，发展了一种适用于多光谱纹理影像分类的广义马尔可夫随机场模型。鉴于广义马尔可夫随机场模型的复杂性，利用最大伪似然法建立了求解模型参数的简化方程式，实现了纹理特征的快速提取。结合提取的纹理特征影像和光谱特征影像，采用概率松弛算法实现影像的分类。实验证明，提出的基于广义马尔可夫随机场的多光谱纹理影像分类算法克服了传统的基于光谱特征的分类算法的局限性，提高了纹理影像的分类精度。     

条件随机场模型约束下的遥感影像模糊C-均值聚类算法

遥感影像具有丰富的空间相关信息,而传统的基于像元光谱的聚类算法并不能将空间信息融入聚类,聚类结果往往不好。针对这一问题,本文提出了一种条件随机场模型约束下的模糊C-均值聚类算法,通过邻域像元的分类先验信息对中心像元的类别进行约束从而提取空间相关信息,基于二阶条件随机场将光谱信息和空间相关信息同时融入聚类,并使用环形置信度迭代算法得到像元分类后验概率的全局最优推测。试验证明,本文算法能够有效地保持地物的形状特征,分类精度相比传统算法有所提高。     

关于多光谱和高光谱影像的纹理问题

提出了一种新的纹理概念 ,指出纹理是地物目标光谱空间到二维投影空间的映射模式 ,以表述多波段影像或高光谱影像的纹理 ,并蕴含了单波段或黑白影像纹理概念。同时 ,提出了实现空间映射的几种编码方式 ,即基于光谱相似性分析的编码、基于光谱空间密度分析的编码、以影像主成份分析为基础的编码、空间相关性的编码等五种方法。     

光谱解混下耕地土壤铬含量GMDH模型反演

针对遥感影像反射率与重金属元素间的光谱响应弱,土壤重金属经典反演模型精度较低等问题,本文以Sentinel-2号遥感影像为数据源,利用像元二分模型进行影像光谱解混,筛选出相关性较高的特征光谱作为光谱参量,构建基于像元线性解混和不同光谱变换下土壤反射率与重金属Cr含量的PLS模型和GMDH模型。研究结果表明,解混后的光谱与重金属Cr含量间的显著相关波段数增多,相关性增强。基于解混后的土壤光谱与重金属Cr含量构建的GMDH模型,其模型稳定性较好,预测能力更强,精度更好。该方法拓展了传统的利用遥感影像进行反演的思路,可为大范围监测土壤重金属的污染状况提供有益参考。     

融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。     

多种广义立体像对空间前方交会模型计算精度比较

本文依据广义立体像对的概念,利用覆盖同一区域的异源遥感数据分别作为左右影像,构建起该区域的广义立体像对,并以RFM模型为基础提出几种基于RFM的广义立体像对空间前方交会模型,结合现有影像数据,依次利用各空间前方交会模型进行地面三维坐标计算,进而针对各模型的计算精度进行了实验对比,并对精度影响因素进行了分析与探讨。最终证明了广义立体像对空间前方交会模型的计算精度能够满足遥感影像制图生产要求。     

一种基于高斯马尔可夫随机场的异常目标探测方法

利用高斯马尔可夫随机场模型描述像元的邻域相关性信息,并将这种邻域信息引入到局域异常探测器中,提出了一种顾及邻域信息的高光谱遥感影像局域异常目标探测算法。实验证明,该方法克服了传统异常探测方法仅仅利用光谱信息的不足,比经典的RX算法的探测效果更好,并且可以更有效地探测出大于一个像元的异常目标。     

模糊C均值聚类的波段修正法变化检测

针对遥感影像变化检测中同物异谱、异物同谱导致的波段间敏感性差异、孤立噪声干扰等问题研究的不足,文章提出了一种基于模糊C均值聚类的波段修正法变化检测算法:采用差值/比值复合法构造分波段对比差异影像,增强了复合影像的振幅及结构信息;基于差异影像的邻域熵权修正多波段联合的邻域互信息量建立修正影像,较好整合了影像不同波段间的反射差异和邻域空间信息;最后利用改进的模糊C均值算法对修正影像进行变化检测。多组实验结果表明,波段修正法缓解了单波段敏感性差异对变化检测的影响,有效避免了局部最优、孤立噪声干扰等问题,检测结果更接近客观实际。     

散射模型的多时相极化SAR斑点噪声滤波算法

本文提出了一种基于散射模型的多时相极化SAR数据斑点噪声滤波算法,该方法是利用多时相极化SAR数据,在保持像元主散射特性基础上实现斑点噪声抑制。其基本原理是对多时相极化SAR数据的主辅影像进行分类,并通过统计主辅影像中待滤波像元邻域窗口内类别分布情况自适应地选取参与滤波的像素进行滤波。实测数据的实验结果表明,该方法既能够有效地抑制斑点噪声,又能够良好地保持地物散射特性和边缘纹理特征。     

多光谱遥感影像的灰度与纹理信息测度方法

本文研究了一种基于参数熵模型的遥感影像信息量估算方法,用以量化影像的灰度信息量和纹理信息量及其组合后的信息量。该方法的支点是,利用基于差值脉冲编码调制的遥感影像波段内和波段间去相关算法,同时消除冗余信息和噪声对信息熵的影响,运用参数熵模型来估计遥感影像的有用信息量。本文利用Landsat影像进行了计算实验和分析。结果表明,该算法可以有效评价多光谱遥感影像的信息量,以便为分类和影像质量评价等应用问题提供信息论指标。     

结合高斯马尔可夫随机场纹理模型与支撑向量机在高分辨率遥感图像上提取道路网

在高分辨率遥感图像上,道路网的同物异谱现象更为突出,因此其提取难度更大。提出了一种马尔可夫随机场纹理模型与支撑向量机分类相结合的道路网提取方法。其基本过程是:利用高斯马尔科夫随机场模型6个归一化特征值进行支撑向量机的分类得到道路斑块,利用形态学算子对其进行初步连接并提取轴线,然后通过斑块轴线的启发式连接得到最终道路网。试验证明方法是有效的。     

空-谱融合的条件随机场高光谱影像分类方法

高光谱遥感数据具有光谱信息丰富、图谱合一的特点,目前已经广泛地应用在对地观测中。传统的高光谱分类模型大多过分依赖影像光谱信息,没有充分利用空间特征信息,这使得分类精度还有很大的提升空间。条件随机场是一种概率模型,能够较好地融合空间上下文信息,在高光谱影像分类中已经得到越来越多的关注,但大部分条件随机场模型存在超平滑的现象,会导致影像细节丢失。针对该问题,本文提出了一种优化融合影像空-谱信息的高分辨率/高光谱影像分类方法,该方法将影像的纹理信息与原始光谱信息进行融合,利用SVM分类器对其进行预分类,并将各类概率定义为一元势函数,以融合空间特征信息;然后将空间平滑项和局部类别标签成本项加入二元势函数中,以考虑空间背景信息,并保留各类别中的详细信息。最后,通过两组的高分辨率/高光谱影像数据进行试验。结果表明,与SVM算法、传统的条件随机场方法和面向对象的分类方法相比,本文提出的算法在整体分类精度上分别提高了10%、9%和8%以上,同时在保持地物边缘完整性、避免“同谱异物”与“同物异谱”的现象方面有较明显的优势。     

基于改进 GLCM 的侧扫声纳影像分类研究

提出一种基于改进GLCM的算法IGLCM用于侧扫声纳影像的分类,IGLCM反映像素与其邻域像素的灰阶联合分布,全面描述像素与其邻域像素所在区域的纹理特征。利用GLCM和IGLCM分别提取4种纹理特征,应用支持向量机对侧扫声纳海底底质进行分类。研究结果表明,IGLCM分类精度优于GLCM,更适合侧扫声纳分类。     

基于多样性特征协同技术的飓风前后森林破坏遥感监测

对被飓风破坏的森林进行变化监测与灾害评估是遥感技术的一个重要应用,遥感影像的特征信息提取对森林遥感监测的效果至关重要。多样性特征结合可以有效提高对森林变化的监测精度。然而,当前的空间信息如纹理特征的获取算法依旧保留着传统的固定式计算模式,一直面临着特征数量和邻域参考范围之间难以均衡的问题。为了解决以上问题,本文提出了基于多样性特征协同技术的飓风前后森林破坏遥感监测方法,首先计算出森林遥感影像变化前后的归一化植被指数差值和增强植被指数差值,并提出了基于复合窗口技术的来提取纹理特征,然后建立了多样性特性结合模型;其次提出了一种基于特征分离的旋转森林改进算法,最终,实现了内泽尔森林在暴风前后的高精度变化监测;另外,还测试了新模型在不同训练样本数量下的分类性能。实验结果表明,相对传统的基于光谱特征和单纯的纹理特征的变化监测方法,本文所提出的方法的整体精度、对变化区域和未变化区域的检测精度至多分别提高了3.68%、6.53%和3.46%。本文的研究方法可以有效提高森林变化监测的性能,为森林灾害评估与森林资源保护提供参考依据。     

高光谱遥感图像的空间邻域指数

通过高光谱遥感图像空间邻域内光谱特征的变化,研究了邻域光谱度量指数;根据邻域内端元光谱特征的变化,提出了邻域独立端元指数提取图像的空间维细节信息。通过真实高光谱遥感图像检验,两类邻域指数能够较好地提取高光谱遥感图像中的细节,为进一步结合空间维、光谱维特征的高精度目标探测与识别创造了有利条件。     

Multi-Feature Classification Approach for High Spatial Resolution Hyperspectral Images

High spatial resolution hyperspectral images not only contain abundant radiant and spectral information, but also display rich spatial information. In this paper, we propose a multi-feature high spatial resolution hyperspectral image classification approach based on the combination of spectral information and spatial information. Three features are derived from the original high spatial resolution hyperspectral image: the spectral features that are acquired from the auto subspace partition technique and the band index technique; the texture features that are obtained from GLCM analysis of the first principal component after principal component analysis is performed on the original image; and the spatial autocorrelation features that contain spatial band X and spatial band Y, with the grey level of spatial band X changing along columns and the grey level of spatial band Y changing along rows. The three features are subsequently combined together in Support Vector Machine to classify the high spatial resolution hyperspectral image. The experiments with a high spatial resolution hyperspectral image prove that the proposed multi-feature classification approach significantly increases classification accuracies.     

Comparative Study on the Performance of Multiparameter SAR Data for Operational Urban Areas Extraction Using Textural Features

The advent of a new generation of synthetic aperture radar (SAR) satellites, such as Advanced SAR/Environmental Satellite (C-band), Phased Array Type L-band Synthetic Aperture Radar/Advanced Land Observing Satellite (L-band), and TerraSAR-X (X-band), offers advanced potentials for the detection of urban tissue. In this letter, we analyze and compare the performance of multiple types of SAR images in terms of band frequency, polarization, incidence angle, and spatial resolution for the purpose of operational urban areas delineation. As a reference for comparison, we use a proven method for extracting textural features based on a Gaussian Markov Random Field (GMRF) model. The results of urban areas delineation are quantitatively analyzed allowing performing intrasensor and intersensors comparisons. Sensitivity of the GMRF model with respect to texture window size and to spatial resolutions of SAR images is also investigated. Intrasensor comparison shows that polarization and incidence angle play a significant role in the potential of the GMRF model for the extraction of urban areas from SAR images. Intersensors comparison evidences the better performances of X-band images, acquired at 1-m spatial resolution, when resampled to resolutions of 5 and 10 m.      

Detail focused fusion of hyperspectral and multispectral imagesEI北大核心CSCD

Hyperspectral image (HSI) and multispectral image (MSI) are two types of images widely used in the field of remote sensing. These images are useful in certain applications, such as environmental monitoring, target detection, and mineral exploration. HSI contains a large amount of spectral information. Photons are typically collected in a larger spatial area on the sensor to ensure a sufficiently high signal-to-noise ratio (SNR). Accordingly, the HSI spatial resolution is much lower compared with MSI. This low spatial resolution greatly affects the practicality of HSI. Accordingly, fusing a low-spatial resolution HSI (LR-HSI) with a high-spatial resolution MSI (HR-MSI) in the same scene to obtain a high-resolution HSI (HR-HSI) is a method for solving such problems, which resolves the contradiction that the spatial resolution and the spectral resolution cannot simultaneously maintain a high level. From the analysis of fusion effect, the spatial and spectral reconstruction errors of the existing algorithms are mainly reflected in the edge and detail areas. The method proposed in this work was a fusion algorithm for dictionary construction and image reconstruction based on detail attention. In terms of maintaining spectral characteristics, the spectral distribution in the detail area is complex and diverse because of the proximity effect of the image. This work proposes to perform dictionary learning on the image and detail layers. The detail perception error terms and a constraint of edge adaptive directional total variation are proposed for spatial characteristic enhancement, which is combined with a local low rank constraint in the same fusion framework to estimate the sparse coefficient. Experiments were conducted on two datasets, namely, Pavia University and Indian Pine, to verify the effectiveness of the proposed method. The quantitative evaluation metrics contain peak SNR, relative dimensionless global error in synthesis, spectral angle map, and universal image quality index. Based on the experimental comparison, the fusion result of the algorithm proposed in this work is significantly improved compared with those of the other algorithms in terms of spatial and spectral characteristics. This work uses dictionary learning to propose a fusion algorithm for dictionary construction and image reconstruction with attention to details through the analysis of the existing hyperspectral and multispectral image fusion algorithms. A hierarchical dictionary learning algorithm is proposed to address the problem of large reconstruction error in the detail part of the existing algorithms. The detail perception error term and the direction adaptive full variational regularization term are used to improve the spectral dictionary solution and coefficient estimation, respectively. The result of the fusion is the error in the spectral characteristics and spatial texture of the detail, which achieves an accurate representation of the edge detail. © 2022 National Remote Sensing Bulletin. All rights reserved.     

多特征融合的高分辨率影像建筑物变化检测

为充分发挥遥感影像中各特征的优势，提高遥感影像建筑物变化检测精度，基于面向对象的分析方法，提出了一种基于模糊集合的证据理论特征信息融合的变化检测方法。首先，在影像分割的基础上，利用变化矢量分析法分别计算前后时相对应对象的光谱、纹理特征差异及形态学建筑物指数差异；然后，以Sigmoid函数作为隶属度函数，计算对象属于变化类和非变化类的隶属度并以之构建证据理论所需的基本概率分配函数；最后，利用证据理论对多种特征进行融合并通过规则判定得到建筑物变化区域。利用不同地区影像的试验结果表明，该方法能够有效融合影像的多种特征，提高建筑物变化检测的精度。