一种高分辨率遥感影像阴影去除方法

基于阴影属性提出了一种全自动彩色影像阴影去除算法.首先将影像变换到HSI空间,依据阴影区域亮度值低和饱和度高的特性,结合小区域去除和数学形态学处理,得到精确的阴影区域.然后,分别对I、H、S分量图上各个独立阴影区域与其邻近的非阴影区域进行匹配补偿,再反变换回RGB空间,完成阴影去除操作.实验结果表明,该方法能在不改变非阴影区域信息的情况下,有效地去除阴影的影响.     

改进支持向量机的高分遥感影像道路提取

针对支持向量机受分类数的限制在高分辨率遥感影像中无法直接获取高精度道路网信息的问题,该文提出一种新的混合的基于支持向量机的方法:首先,利用模糊C均值聚类方法将输入的遥感影像分为3类,以减少支持向量机的错分现象;其次,运用支持向量机将不同类别的像素分为道路类和非道路类;最后,应用马尔科夫随机场对分类结果进行噪声去除,并采用形态学进行后处理,进而得到精确道路网信息。实验结果表明:该算法不仅能够从高分辨率遥感影像中提取出道路网,而且精度优于直接使用支持向量机算法以及对比算法。     

多特征融合的建筑物点云检测方法

当前各种影像数据以及Li DAR数据获取能力不断增强,仅利用一种数据进行建筑物的检测,其结果往往并不理想。本文对Li DAR点云数据的特征和影像的相关特征进行了分析,融合这些特征,利用支持向量机的方法对建筑物点云进行检测。实验结果表明,综合利用具有不同特征的点云和影像数据的方法比单纯使用点云数据进行建筑物的检测能够取得更好的效果。     

融合LiDAR和多光谱影像的建筑物自动检测

针对已有的从机载激光雷达(LiDAR)点云提取建筑物的方法多需要设置阈值及分类规则,造成算法适应性不强的问题,该文提出了一种LiDAR点云和多光谱影像进行自动化建筑物检测的方法。首先通过数据预处理从LiDAR点云中分离出建筑物点和树木点,然后综合LiDAR点云的表面曲率、强度信息和对应多光谱影像的NDVI值构建特征向量,最后基于支持向量机完成自动化的建筑物检测。试验结果表明,基于支持向量机的方法可将两种数据源有效结合起来用于自动化的建筑物检测。     

影像边缘特征与LS-SVM的点云边缘残缺区域修补方法

针对点云修补过程中点云边缘的残缺区域边界信息的不确定性问题,本文提出了一种基于影像边缘特征与LS-SVM的点云边缘残缺区域修补方法:首先将影像与点云进行配准,并利用亚像素边缘检测算法提取目标边缘特征;然后构造一特征平面,同时将训练样本集与目标边缘特征投影至该平面,以确定重采样范围与点位;通过利用最小二乘支持向量机回归方法,获得残缺区域的曲面方程并进行重采样,最终完成修补。实验证明,该方法得到的修补点云与原始数据融合平滑,修补效果符合实际目标的特征。     

利用对象和支持向量机的遥感信息提取方法探讨

土地利用/覆被专题信息的快速、高效、准确提取是遥感图像处理研究的重要方向。传统的遥感分类方法常依靠像元的光谱值,未充分利用影像的空间信息。本文将面向对象影像分割和支持向量机方法相结合,复合光谱和纹理信息,建立了Object-SVM分类模型,并与面向对象的模糊函数和基于像元的SVM方法相比较,探寻区域尺度土地利用/覆被信息提取方法。结果显示,Object-SVM模型有效地提高了遥感图像的分类精度和分类效率,对于区域尺度影像的快速、准确、客观的信息提取具有实际意义。     

多特征融合的LSSVM遥感影像道路提取

针对高分辨率遥感影像上道路与相邻近地物的光谱信息相似导致提取道路不理想问题,提出多特征融合的最小二乘支持向量机(least squares support vector machine,LSSVM)遥感影像道路提取方法.该方法首先对原始影像进行色彩变换(HIS)提取光谱饱和度(Saturation,S)分量;然后,采用多尺度分割算法获取道路区域影像对象,并提取影像对象的多种特征作为最小二乘支持向量机分类器的输入;最后,通过最小二乘支持向量机对道路信息进行提取,并通过数学形态优化道路提取结果.结果表明,该方法能够有效地提取复杂场景下的道路信息,提高道路提取的精度.     

基于多时相遥感影像去除朵云及阴影的改进方法

利用多时相遥感影像进行相应区域替换是一种有效的去除朵云及阴影的方法。针对常规方法存在的不足,对去除过程中的一些关键技术进行改进。利用矩形区域表示不规则的云区域进行替换,并给出了矩形区域的确定方法;替换前采用多图像亮度规格化技术改善两幅影像的亮度差异;对替换后矩形区域边界与背景图像之间的拼接缝进行消除,得到最终去云影像。     

基于多特征的GF-1影像阴影检测研究

针对高分影像阴影检测精度易受水体、偏蓝色地物影响的问题,结合GF-1影像自身特点,提出一种集主成分变换、图像特征计算、逻辑非运算和形态学闭运算于一体的阴影检测方法。对GF-1影像多光谱数据、全色数据进行正射校正和信息融合,可实现光谱与分辨率信息的最大化利用,并最大程度地突出阴影信息,增大阴影与其他地物的差异。其次,建立基于主成分变换的阴影检测方法 PC1/NIR和图像特征计算Rg_nir,得到初始阴影信息和水体信息;用初始阴影信息与水体信息作逻辑非运算,剔除水体,并利用形态学闭运算使得阴影区域更加连续、饱满。实验表明,该方法既能准确地检测出GF-1影像中的阴影信息,又能有效削弱水体、偏蓝色等地物的影响。     

利用无人机高光谱影像的红树林群落物种分类

近年来红树林群落中物种结构简单、功能退化等环境问题日趋严重,为了及时准确掌握红树林群落的物种空间格局与分布,本文首先基于深圳福田红树林自然保护区无人机高光谱影像,利用归一化差值植被指数和归一化潮间红树林指数提取植被区域;然后在植被区域根据最佳指数法选取信息量大、波段相关性小的波段组合,分别采用基于像素支持向量机分类方法和面向对象影像分类方法对红树林物种进行分类。试验结果表明,基于像素支持向量机分类方法的总体精度为81.03%;利用面向对象影像分类方法的总体精度为85.58%。面向对象影像分类方法能有效去除椒盐噪声,充分利用对象光谱、形状及纹理信息,提供更准确的红树林分布信息。     

一种地物点云数据栅格化分类新方法

激光技术的不断发展对利用点云数据进行地物分类的方法提出了更高的要求。基于此提出了一种结合遥感领域地物分类特点,利用地物反射率的不同来实现地物分类的方法。该方法首先提取数据的反射率信息,然后将其作为栅格化后的属性值,最后利用监督分类、非监督分类和支持向量机分类方法对栅格化后的栅格影像进行地物分类。通过实验表明,支持向量机方法在保持较高训练和分类速度的同时还具有较高的分类精度,总精度和Kappa系数达到了88.69%和0.86,为点云数据分类提供了一种新的途径。     

利用视觉词袋模型和颜色直方图进行遥感影像检索

基于内容的遥感影像检索已经成为遥感领域的研究热点,因此,本文提出了一种综合视觉词袋模型和颜色直方图的遥感影像检索方法,利用尺度不变特征算子提取影像的局部不变特征,通过视觉词袋模型组合局部特征,生成每幅影像的金字塔直方图,接着结合每幅影像的颜色直方图生成更有区分性的特征向量,利用新的特征向量集训练支持向量机分类器,通过分类器输出与查询属于一类的影像,完成遥感影像检索。试验结果表明,本文方法不仅提高了影像检索的查准率和查全率,并且验证了该方法能有效克服影像光照、噪声、方向等变化,鲁棒性较好。     

Landsat TM遥感影像中厚云和阴影去除

提出了一种新的利用多时相Landsat TM影像数据进行的厚云及其阴影去除的方法。该方法通过分析厚云及其阴影的光谱特征, 设计了厚云和云阴影识别模型。该算法的实现是采用图像配准技术、非监督分类、像元替换等运算, 计算出厚云和云阴影区域的TM影像替换数据, 进而得到消除或者减少云影响的TM遥感影像。试验结果表明本文提出的厚云及其阴影去除方法效果很好, 能消除或者弱化云对TM影像数据的影响。     

A Cloud Removal Algorithm to Generate Cloud and Cloud Shadow Free Images Using Information Cloning

One of the main problems of optical remote sensing is clouds and cloud shadows caused by specific atmospheric conditions during data acquisition. These features limit the usage of acquired images and increase the difficulty in data analysis, such as normalized difference vegetation index values, misclassification, and atmospheric correction. Accurate detection and reliable cloning of cloud and cloud shadow features in satellite images are very useful processes for optical remote sensing applications. In this study, an automated cloud removal algorithm to generate cloud and cloud shadow free images from multitemporal Landsat-8 images is introduced. Cloud and cloud shadow areas are classified by using process-based rule set developed by using spectral and spatial features after applying simple linear iterative clustering superpixel segmentation algorithm to the image to find cloud pixel groups easily and correctly. Segmentation-based cloud detection method gives better results than pixel-based for detection of cloud and cloud shadow patches. After detection of clouds and cloud shadows, cloud-free images are created by cloning cloudless regions from multitemporal dataset. Spectral and structural consistency are preserved by considering spectral features and seasonal effects while cloning process. Statistical similarity tests are applied to find best cloud-free image to use for cloning process. Cloning results are tested with the structural similarity index metric to evaluate the performance of cloning algorithm.     

融合引导滤波和迁移学习的薄云图像中地物信息恢复算法

薄云覆盖遥感图像使图像上的地物信息模糊。本文给出了一种融合引导滤波和迁移学习的薄云图像中地物信息恢复算法。首先利用多方向非抽样对偶树复小波变换对薄云目标图像和无云引导图像进行多分辨率分解,再对分解后的低频子带分别进行支持向量引导滤波和迁移学习,对分解后的高频子带利用修正的Laine增强函数进行增强,然后应用基于区域能量的选择和加权相结合的方法对引导滤波输出和迁移学习模型预测的低频子带进行融合,最后对增强后的高频子带和融合后的低频子带进行多方向非抽样对偶树复小波逆变换重构,获得地物信息恢复图像。Landsat-8 OLI多光谱图像的试验结果表明,支持向量引导滤波能够有效保留目标图像的地物细节信息,域自适应的迁移学习能有效扩展可利用的多源多时相遥感图像范围,通过融合引导滤波和迁移学习能有效去除遥感图像上的薄云,获得较好的地物信息恢复效果。     

联合云量自动评估和加权支持向量机的Landsat图像云检测

针对ACCA（云量自动评估）算法难以检测Landsat图像中的半透明云问题,提出了一种ACCA和WSVM（加权支持向量机）相结合的云检测算法．首先根据云在不同波段中的大气辐射特点,结合Landsat ETM+图像数据的光谱特性,利用ACCA算法将图像像元初步分成云像元、非云像元和待定像元,再以云的光谱特性构造特征向量,利用WSVM算法进行待定像元的云层检测,最终获得全部图像的云检测结果．仿真实验结果表明,该方法既具有ACCA算法的云检测优势,还对ACCA算法难以识别的半透明云有很好的检测效果．     

矢量C-V模型的高光谱遥感影像分割

高光谱遥感影像除了包含普通2维影像所具有的空间信息还包含了1维光谱信息,传统的针对2维影像的分割方法不能很好地应用于高光谱遥感影像。为此,本文提出一种能够同时处理多波段影像的高光谱遥感影像矢量C-V模型分割方法。首先选出高光谱遥感影像中目标与背景对比度较大的波段,并通过计算波段相关系数,去除其中的冗余信息形成新的波段组合,进而根据所确定的波段组合构建高光谱遥感影像矢量矩阵;在此基础上,构造基于该矢量矩阵的矢量C-V分割模型。模型中通过引入基于梯度的边缘引导函数,在保留传统C-V模型基于区域信息进行影像分割的基础上,利用影像的边缘细节信息,增强了模型在异质区域和复杂背景情况下对目标边缘的捕捉能力,提高了对高光谱遥感影像的分割精度和速度。最后利用HYPERION数据进行仿真实验,并将实验结果和传统C-V模型和相关方法进行了对比,结果表明,本文方法能够在短时间内有效地分割高光谱遥感影像,与传统方法相比,具有分割精度更高运算速度更快的特点。     

支持向量机的建筑物激光脚点提取方法

本文提出了一种基于全色波段航空影像和激光雷达数据的建筑物检测方法.如何从激光点云数据中提取出建筑物激光脚点,是建筑物三维重建和轮廓提取的难点问题之一.植被密集区域以及与建筑物紧密相邻的树木的激光点很难与建筑物激光点区分开.本文利用支持向量机对单个激光点的特征进行两分类,特征向量包括激光点的高程、高程变化信息以及与激光点...     

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。     

多光谱遥感影像中云影区域的检测与修复

提出了一种有效针对多光谱遥感影像的云影检测与阴影区域修复方法。基于同一地区时相相近的两幅影像,充分利用碎云及阴影的光谱特性分别对云影区域进行融合增强,然后采用Otsu算法求解最佳阈值自动检测出云及阴影区域,根据云影的出现会引起两幅影像局部相应区域明显的亮度变化,可排除亮地物和水体的影响,建立归一化的云影密度图,在此基础上,采用线性加权组合与光谱直方图匹配相结合的方法对其加以修复,利用SPOT 4影像进行的实验表明其修复效果完全能够满足应用需要。