高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

基于S3VM模型的高光谱遥感影像分类

针对传统的高光谱遥感影像分类受限于训练样本的个数,难以取得较好分类结果的不足,提出了一种基于聚类核的半监督支持向量机（S³VM）模型的高光谱遥感影像分类方法。该算法在半监督支持向量机的体系上加入未标记样本来辅助构建核矩阵,从而获得更优异的分类器,在小样本的基础上提高分类精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。     

高光谱地物要素识别潜力分析与前景展望EI北大核心CSCD

近年来,人工智能方法在高光谱遥感领域得到了广泛应用,特别是基于深度学习的影像分析和信息提取技术已成为持久的热点,有力地推动了地物光谱探测的精细化和智能化水平。本文在分析地物要素光谱探测潜力与需求的基础上,系统地介绍和总结了高光谱影像分析方面的进展,针对高光谱地物探测的智能化问题,重点讨论了近年来深度学习的新思路。首先,结合地形要素分类体系和高光谱探测能力,将高光谱地物要素划分为植被、土质、水域和人工建筑物4大类及若干子类,并分析4种地物要素的光谱响应特性和高光谱地物探测的优势。然后,在影像分析方面,重点梳理了波段选择、特征提取、模式分类和分类后处理等影像分析技术的研究进展,给出研究方向和热点;在智能化处理部分,按照监督学习、半监督学习及自监督学习的思路,系统总结了当前应用于高光谱地物探测的深层神经网络模型,同时分析了迁移学习、元学习等机器学习策略的研究情况。最后,结合上述分析,对高光谱影像地物探测的发展趋势加以展望,以期拓展下一步的研究思路。     

基于MATLAB的遥感影像纹理特征分析

随着遥感技术的飞速发展,遥感影像计算机分析也随之成为遥感技术应用的一个重要组成部分.传统的遥感影像分析方法大都是基于影像光谱特征的计算机自动分类,忽略了影像的空间结构信息,精度不高.研究了利用灰度共生矩阵提取遥感影像的纹理特征,实现了MATLAB下采用监督分类方法应用最短距离分类器及滤波完成了全色遥感影像的分类分析.     

珠海一号高光谱场景分类数据集

高空间分辨率、高光谱分辨率、大幅宽与大数据量是高光谱卫星数据发展趋势,传统高光谱影像的像素级分类面临难以处理海量数据、无法高效获取复杂海量影像中隐含信息的困境。已有研究开始关注高光谱影像的场景级分类,并逐步建立完善高光谱遥感场景分类数据集。然而,目前的数据集制作过程多参考高空间分辨率可见光遥感场景数据集的制作方法,主要采用遥感影像的空间信息进行场景类别解译,忽视了高光谱场景的光谱信息。因此,为构建高光谱影像的遥感场景分类数据集,本文利用“珠海一号”高光谱卫星拍摄的西安地区高光谱数据,使用无监督光谱聚类辅助定位、裁剪与标注待选场景样本,结合Google Earth高分影像进行目视筛选,构建6类场景类型和737幅场景样本的珠海一号高光谱场景分类数据集。并基于光谱与空间两个视角开展场景分类实验,通过视觉词袋、卷积神经网络等方法的基准测试结果,对不同算法在现有多光谱和高光谱遥感场景分类数据集下的性能进行深入分析。本研究可为后续的高光谱影像解译研究提供了有力的数据支撑。     

融合半监督学习的无监督遥感影像场景分类EI北大核心CSCD

自监督学习可以不依赖样本标签对遥感影像进行特征提取,但是特征分类仍然依赖有监督方法。为了克服有监督特征分类过程的不足,实现遥感影像特征的无监督自动分类,本文提出一种融合半监督学习的无监督语义聚类方法。首先,使用自监督学习提取遥感影像特征,抽象出图像包含的高层语义信息;然后,基于特征相似度寻找每个样本最相似的近邻,使用在线聚类将相似样本聚为一类,训练一个线性分类器;最后,根据聚类结果为高置信度样本生成伪标签,构造标注样本集,使用半监督方法对模型微调。在4个公开遥感影像场景分类数据集EuroSAT、GID、AID和NWPU-RESISC45上进行验证,分类精度分别达到了94.84%、63.55%、76.42%和86.24%。本文方法结合了在线聚类和半监督学习的优点,缓解了已有方法存在的误差积累和样本利用不充分的问题,在完全不使用标注样本的情况下,充分利用自监督特征训练分类模型,对遥感影像进行场景分类,达到接近有监督学习的分类效果,具有良好的应用价值。     

高分辨率遥感影像解译中的机器学习范式

高分辨率遥感影像解译是遥感信息处理领域的研究热点之一,在遥感大数据知识挖掘与智能化分析中起着至关重要的作用,具有重要的民用和军事应用价值。传统的高分辨率遥感影像解译通常采用人工目视解译方式,费时费力且精度低。所以,如何自动、高效地实现高分辨率遥感影像解译是亟待解决的问题。近年来,随着人工智能技术的飞速发展,采用机器学习方法实现高分辨率遥感影像解译已成为主流的研究方向。本文结合高分辨率遥感影像解译的典型任务,如目标检测、场景分类、语义分割、高光谱图像分类等,系统综述了5种代表性的机器学习范式。具体来说,本文分别介绍了不同机器学习范式的定义、常用方法以及代表性应用,包括全监督学习(如支持向量机、K-最近邻、决策树、随机森林、概率图模型)、半监督学习(如纯半监督学习、直推学习、主动学习)、弱监督学习(如多示例学习)、无监督学习(如聚类、主成分分析、稀疏表达)和深度学习(如堆栈自编码机、深度信念网络、卷积神经网络、生成对抗网络)。其次,深入分析五种机器学习范式的优缺点,并总结了它们在遥感影像解译中的典型应用。最后,展望了高分辨率遥感影像解译的机器学习发展方向,如小样本学习、无监督深度学习、强化学习等。     

面向对象的高光谱遥感影像稀疏表示分类

稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的。文中提出一种面向对象的高光谱遥感影像稀疏表示分类方法。首先从高光谱影像中提取4个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,并选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类。实验结果表明,该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑。     

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.     

高分辨率多光谱影像城区建筑物提取研究

城区高空间分辨率遥感数据由于存在大量同物异谱和异物同谱现象,应用传统的基于像元光谱分类的方法进行建筑物分类提取难以取得满意的效果。本文发展了一种从高分辨率Ikonos卫星影像上基于知识规则的面向对象分类提取城区建筑物方法,包括如下步骤：(1)融合1m全色和4m多光谱波段影像,生成1m分辨率的多光谱融合影像;（2）分割融合影像;（3）执行基于对象光谱的最近邻监督分类;（4）应用模糊逻辑分类器结合光谱、空间、纹理和上下文特征等知识规则进行建筑物分类。精度统计结果表明,本文提出的分类方法提取城区建筑物取得了93%的精度。     

一种基于变分自编码器的高光谱图像分类方法

深度学习可以有效表达影像的深层特征,在遥感图像处理特别是在分类方面取得了良好的效果。提出了一种基于变分自编码网络的高光谱遥感影像深度学习分类方法,该方法利用变分自编码器进行无监督训练,用分类层替换解码层,输入训练样本进行分类网络的微调,最后在分类器预测的类别概率图基础上使用条件迭代模型求解马尔可夫随机场,对分类结果进行优化。在两幅通用高光谱数据集上进行分类实验,结果表明基于变分自编码器的高光谱遥感影像分类方法取得了优于其它方法的分类效果。     

基于形态学的空间信息和光谱信息SVM影像分类

提出一种基于数学形态学的空间信息和光谱信息集成的影像分类方法,并分析该方法相对于单纯基于像元光谱特征的分类方法所具有的优势。对ROSIS高分辨率高光谱影像、北京中关村地区OMIS高光谱遥感影像两组数据进行SVM分类验证,试验表明,基于空间信息和光谱信息的分类技术能产生较好的分类结果。     

光学遥感影像智能化处理研究进展

随着对地观测技术的发展,海量遥感影像不断传输到地面。传统的遥感信息处理方法在处理效率、精度上的不足,限制了遥感信息的挖掘及利用,亟需发展智能化方法满足遥感影像处理的需求。受自然界中生物进化机制的启发,基于进化计算的遥感影像智能化处理方法具有以下特点:(1)拥有全局优化能力,对目标函数的优化能力更强;(2)具有自组织、自学习的特点,能够从遥感数据本身学习,不依赖数据分布等先验信息;(3)拥有处理多目标问题的能力,同时考虑多个目标函数而不需要人工确定它们之间的权重。因此,智能化遥感信息处理方法能够在海量遥感影像中有效地提取适用于不同应用目的的信息。本文主要介绍智能化遥感信息处理方法的典型应用包括遥感影像智能化分类(监督分类、聚类)、遥感影像亚像素信息提取(高光谱影像混合像元分解、亚像元制图),并讨论了遥感信息智能化处理方法的发展方向。     

Advanced processing techniques for remotely sensed imagery

综述了遥感影像信息处理技术的研究进展,主要包括高分辨率影像信息提取技术、影像超分辨率、高光谱影像处理和目标探测,以及遥感影像处理与分类的人工智能方法.对于高分辨率影像处理,从纹理、形状、结构和对象的角度探讨了空间信息提取对于高分辨率影像解译的意义和作用,分析了小波纹理、空间共生纹理、形状特征提取和面向对象分类技术的进展和存在的问题;对于超分辨率技术,文章主要介绍了超分辨率技术的最新进展,及其在遥感影像(sPOT5和MODIS)中的应用;在高光谱数据处理方面,从纯净像元和混合像元两方面介绍了最新的进展.对于纯净像元方法.主要分析了植被指数和统计方法,混合像元方面,则主要分析了像元分解、端元提取的最新技术方法;在智能化信息处理方面,先回顾了神经网络和遗传算法在遥感图像处理中的应用,然后介绍了人工免疫系统对多、高光谱遥感影像分类研究的最新进展.     

基于改进的半监督FCM算法的高光谱遥感影像分类

分类是空间数据挖掘研究的主要问题之一。由于无监督分类忽视了样本信息,往往得不到理想的精度。而监督分类需要标记大量的样本点,带来了巨大的工作量。因此半监督分类逐渐成为空间数据挖掘的研究热点之一。本文通过改进FCM算法的目标函数和迭代过程,提出了一种新的半监督FCM算法（SFCM）,该算法充分利用了有标签样本点在迭代过程中的作用。本文选取了在高光谱图像分类中广泛使用的Indian Pines和Pavia University两幅高光谱遥感影像作为试验对象。结果显示,随着有标签样本点比例的增加,分类精度也随之增加,且分类结果较好。     

基于BP人工神经网络的遥感影像分类

重点讨论了遥感图像分类处理过程中应用效果显著的BP神经网络方法,并在Matlab软件平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与ERDAS软件平台下的监督分类结果进行分类精度评定比较分析。结果表明,基于BP神经网络的遥感图像分类总精度比ERDAS软件平台下的监督分类的总精度高,是一种有效的遥感影像分类方法。     

基于集成学习的高光谱遥感影像分类综述

高光谱遥感影像光谱维度高、数据量大且波段间冗余信息量大,利用集成学习算法可有效地提升高光谱遥感影像的识别精度。本文首先概述了高光谱遥感影像的分类任务和目前存在的问题,其次介绍了集成学习分类算法的原理,系统性阐述了高光谱遥感影像分类中动态集成和静态集成算法的研究现状,并提出了有待进一步研究的问题。     

光谱特征扩展的时间序列Landsat数据地表覆盖分类

时间序列遥感影像常用于地表覆盖监测及其变化监测。然而,利用时序遥感数据—尤其是中分辨率遥感数据监测地表覆盖变化,其方法基本是先对多期影像分别进行监督分类然后对比分类结果。由于这种方法需要对每期遥感影像单独选择分类训练样本,而对于历史影像,常常难以获得可靠的样本数据。本文基于遥感数据定量化处理,尝试利用光谱特征扩展方法对时间序列Landsat数据进行分类:首先,结合一种新的大气校正方法和相对辐射归一化方法,对时间序列Landsat数据进行定量化处理,以消除各期影像之间的辐射差异,获得地表反射率数据。然后,论文选择一期易于获得分类训练样本的反射率数据作为"参考影像",并结合样本数据提取不同地表覆盖类型的光谱特征。最后,将"参考影像"中提取的地物光谱特征,扩展到所有时间序列反射率数据进行分类。论文利用青藏高原玛多地区的5景Landsat数据对本文的方法进行了验证,结果显示:基于光谱特征扩展的分类方法,可有效对定量化处理后的Landsat数据进行分类,分类总体精度为88.35%—94.25%,分类结果和传统的单景监督分类结果具有较好的一致性。此外,研究也发现,"参考影像"和待分类图像获取时间的季相差异会影响其分类的精度。     

图像分类中基于核映射的光谱匹配度量方法

针对多光谱遥感数据特点利用SSV匹配技术改进高斯核函数得到新的KSSV函数,然后在由KSSV核函数映射得到的高维空间中利用SAM匹配技术代替基于欧氏距离的相似性度量。如此可以充分挖掘多光谱影像中的波谱特征信息并有效利用,提高模式识别方法应用的有效性。将此方法分别应用于非监督分类(k均值)与监督分类(最小距离、SVM)的试验表明,改进度量的分类方法可显著提高地类间的可区分度并有效降低类内的不一致性,更有效针对多光谱遥感影像中的地物类型,获得较好的精度改进。     

面对高光谱影像分类的半监督阶梯网络

提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适合半监督分类;然后将无监督损失函数与有监督损失函数之和作为最终优化的目标函数,采用半监督的方式对整个网络进行训练。为进一步提高分类精度,提取局部二值模式纹理特征进行分类实验。实验结果表明:提出的半监督阶梯网络能够较好地解决高光谱影像分类小样本问题;且LBP纹理特征能够有效提高分类精度。