基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

基于分形纹理的遥感影像土地覆盖的分类方法研究

提出一种基于分形理论和改进模糊C均值聚类的遥感图像非监督分类方法,该方法尝试将图像的光谱信息和纹理特征相结合。将图像进行主分量变换,根据第一主分量计算图像的布朗运动的各方向的分形维数,差分盒维数和"空隙"等纹理特征作为分类依据。采用改进的模糊C均值聚类,并用混淆矩阵方法评定分类结果精度。通过对试验区的分类试验,说明该方法对改善土地覆盖分类精度行之有效。     

利用分维向量改进神经网络在遥感模式识别中的分类精度

本文介绍了基于ＢＰ神经网络的遥感模式识别方法的特点，同时引入分形维数的概念及其在图像中的计算和应用，并将分维作为反映各类别数据纹理特征的附加波段分量，加到网络的输入层，明显地提高了分类精度。     

基于BP神经网络的遥感影像分类研究

BP神经网络具有收敛速度快和自学习、自适应功能强的特点,能最大限度地利用样本集的先验知识,自动提取合理的模型。本文采用Landsat TM遥感图像作为数据源,以山西省定襄县为研究区,通过主成分分析方法来压缩输入数据,并结合NDVI和纹理特征来建立BP神经网络的土地利用分类模型,将分类结果与基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类结果进行定性和定量比较分析。结果表明:该方法总精度达到了80.50%,分别比基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类提高了18.89%和6.23%,能够有效地解决地物光谱混淆、分类精度不高等问题。     

基于BP神经网络的机载高分辨率SAR图像分类方法研究

研究可用于机载高分辨率SAR图像分类的灰度共生矩阵惯性矩、能量等纹理特征量以及灰度特征量.提出特征提取和统计分析选取特征向量的方法,基于BP神经网络对图像进行临督分类,最后对分类结果采用数学形态学算法进行开运算去除细小区域.由于该方法充分考虑到SAR图像灰度特征和纹理特征信息,与传统的仅仅考虑纹理特征方法相比,具有较好的分类性能,实验结果表明该方法能够获得较好的分类效果.     

辅以纹理特征的高分辨率遥感影像分类

为了提高对高分辨率影像的分类精度,通过灰度差矢量法快速提取纹理特征,利用BP神经网络并辅以纹理特征,对一幅江西某地0.2m分辨率的航空影像进行分类。结果显示,对比度纹理特征能较好地反映该影像的纹理信息;对光谱特征不典型、纹理特征明显的人工树林,分类精度可达到90%以上;增加纹理特征后,影像分类的总精度也由55%提高到94%。表明这种结合纹理特征和BP神经网络的分类方法,能提高对高分辨率影像分类的精度。     

辅以纹理和BP神经网络的TM遥感影像分类

在提高遥感图像分类精度的方法中,将纹理信息作为扩展的特征向量加入特征空间中,是一个很有效的方法。利用地物在空间上的联系提取纹理,进而参与BP神经网络分类,实验结果表明加入纹理后明显提高了具有纹理信息的地物的分类精度。     

航空影像纹理分类的最小二乘法和问题的分析

本文介绍航空影像理分类的最小二乘法原理和算法，该方法是建立在影像纹理ＭＲＦ参数测定的基础上，七种航空影像纹理的试验表明这种分类是有效的。通过对影像纹理的分形维以及影像分辨力对纹理分类的影响分析，表明采用了多重信息可以提高分类的正确率。     

面向城市地物分类的SAR图像纹理特征提取与分析

合成孔径雷达(SAR)图像含有丰富的纹理信息,特别是进行城市地物分类时,纹理特征对于图像的解译具有重要的意义。本文对基于灰度共生矩阵和Gabor变换两种纹理特征提取方法进行了研究,将灰度和不同纹理特征组合应用于SAR图像城市地物分类,并以ALOS PALSAR影像为数据源进行了实验。通过对不同分类结果进行定性和定量分析,结果表明,引入纹理特征后的SAR图像分类结果要优于无纹理信息参与的分类结果,基于不同纹理特征组合的SAR图像分类结果要优于基于单一纹理特征的分类结果。     

面向城市地物分类的 SAR 图像纹理特征提取与分析

合成孔径雷达（ SAR）图像含有丰富的纹理信息,特别是进行城市地物分类时,纹理特征对于图像的解译具有重要的意义。本文对基于灰度共生矩阵和Gabor变换两种纹理特征提取方法进行了研究,将灰度和不同纹理特征组合应用于SAR图像城市地物分类,并以ALOS PALSAR影像为数据源进行了实验。通过对不同分类结果进行定性和定量分析,结果表明,引入纹理特征后的SAR图像分类结果要优于无纹理信息参与的分类结果,基于不同纹理特征组合的SAR图像分类结果要优于基于单一纹理特征的分类结果。     

傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类

以高空间分辨率遥感影像为研究对象,将纹理特征与影像的光谱特征结合起来,用于地表覆盖类型分类。设计了一种基于傅里叶谱纹理的分类策略,对主成分分析后的第1、2主分量特征影像,利用径向谱（r-spectrum）提取纹理特征,并将纹理与光谱特征结合起来,构建了不同的分类特征用于支持向量机分类模型。以Salinas数据集和QuickBird影像为例,验证该算法。结果表明,纹理与光谱信息的结合可以明显提高高分辨率遥感影像的分类精度;由傅里叶径向谱提取的纹理特征可以很好的应用到高分辨率遥感影像的分类问题中,分类精度高于基于傅里叶总能量谱和灰度共生矩阵的分类精度;利用该算法对PCA变换后的第1和第2分量提取的纹理特征具有一定的互补性,并且结合多特征图像的纹理特征提取优于单特征图像的纹理特征提取。     

分形在岩性分类及蚀变信息提取中的应用

为了推进多重分形思想在遥感地质找矿领域的应用,以新疆西准噶尔地区为实验区,通过分析该区的成矿特点与遥感影像特征,构建分形维数谱,并将其与图像光谱特征相结合进行岩性分类与含黄铁矿矿化蚀变信息提取,在现有矿点统计资料与专家经验知识的支撑下,确定找矿靶区.实践证明,基于遥感图像的分形理论并结合图像的光谱特征,建立相应的找矿模型和找矿标志,能更好地为区域矿产勘查提供决策支持.     

多特征流形鉴别嵌入的高分辨率遥感影像分类

针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法。该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保证在嵌入空间上尽可能不同地物特征分离、相同地物特征紧聚,确保相同地物光谱、纹理特征的相似性,完成光谱、纹理鉴别特征的有效提取,以充分挖掘影像特征,有效提高影像的分类精度。在GF-2遥感数据集上进行试验,结果表明本文算法可实现多特征的有效融合,分类精度均优于传统方法,可达93.41%。     

基于区域生长的遥感影像河流提取

通过对遥感影像中河流光谱特征的研究,提出了一种基于区域生长的遥感影像河流提取方法。该方法首先根据遥感影像生成灰度图像,选取河流生长初始区域,设置生长范围和生长阈值,通过区域生长得到河流边界,剔除河流内部"孤岛"并对边界细化,最后生成矢量文件。本文使用具有不规则河流边界的Landsat8遥感影像作为实验对象,验证方法的可行性和有效性。     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题，集成Lanczos算法与谱聚类算法，探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性，提出了一种面向高光谱遥感图像的快速谱聚类算法；通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果，发现面向高光谱遥感图像的谱聚类算法易于识别线性地物，且分类的速度能得到较大提升。     

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.     

A Neural Network Landuse Classifier for SAR Images Using Textural and Fractal Information

Abstract

Artificial neural networks (ANN) have recently been popularly used in image classification. Input features to most ANNs are extracted based on a one class per pixel basis. This requires a large number of training samples and thus a slow training rate. In this paper, we describe the use of a windowing technique to extract textural features such as average intensity, second moment of intensity histogram and fractal surface dimension from an image. This method of image characterization reduces the number of training samples efficiently, yet retains a reasonable overall classification accuracy. The ANN is trained based on the back‐error propagation algorithm. The method is applied for landuse classification of Synthetic Aperture Radar (SAR) images. An example is given for a site in Kedah State, Malaysia. The SAR images (HH,HV,VV) were taken by the Canadian Centre for Remote Sensing (CCRS) CV‐580 airborne C‐band SAR system in November 1993 during their GlobeSAR mission in Malaysia. These multi‐polarization SAR images are co‐registered with a Landsat Thematic Mapper (TM) channel 5 image from same area. An overall classification accuracy of about 86.95% is achieved using windowing technique, as compared to 68.22% based on one class per pixel approach. This shows that through fractal and textural information, the windowing technique when applied in an ANN classifier has a great potential in remote sensing applications.     

基于多特征CRF的无人机影像松材线虫病监测方法

利用无人机遥感技术进行林业调查，可以获取低成本、高分辨率、高时间密度的遥感数据，特别是为小尺度范围的森林病虫害监测提供了非常有效的监测手段。本文以小型无人机为影像获取平台，航摄获取可见光RGB影像，基于高分辨率影像进行松材线虫病松树提取方法研究。根据影像特点，提取影像中地物颜色、纹理特征，并采用CRF方法进行分类，识别出病害松树。通过比较多种分类方法的提取结果，验证了基于多特征CRF方法在松材线虫病监测中的可行性和有效性。