主成分等变换及组合分类在半湿润流域的应用

以东湾流域为研究区,首先对TM影像进行主成分分析(PCA),缨帽变换,色调、亮度、饱和度彩色变换(HIS),并求得归一化植被指数、归一化建筑指数、归一化水体指数、归一化裸土指数、归一化阴影指数和第四波段灰度共生矩阵纹理特征,构造了新的特征影像;然后对其分别进行PCA、独立主成分分析(ICA)、最小噪声分离(MNF)3种变换;再对变换后的结果分别进行最大似然法、神经网络以及支持向量机(SVM)分类,以研究不同变换、不同分类方法的差异。提出了一种新的降低特征相关性的方法,并确定了最有效的一种分类—变换组合。结果表明,新特征降维方法的分类精度达到了93.457%,而单一特征降维方法最高分类精度为91.955%,证明该方法能更有效地提取影像特征。     

融合谱间特征的高分辨率遥感影像分类

传统影像分类方法仅利用灰度、纹理等谱内特征,未能充分利用谱间特征,针对这一不足,本文提出一种融合谱间特征的高分辨率遥感影像分类方法。采用主成分分析法(Principal Component Analysis,PCA)对遥感影像进行变换,提取前两个主分量作为变换后的数据;通过影像分割方法获取像斑,选取训练样本像斑;利用灰度直方图与联合灰度直方图分别表达像斑的谱内特征与谱间特征,采用G统计量度量直方图距离,依据距离倒数加权计算像斑的谱内概率与谱间概率,依据加权组合谱内概率与谱间概率构建联合概率,在联合概率最大基础上获取影像分类结果。在Quick Bird遥感影像上的实验结果表明了本文方法的有效性,总体分类精度与kappa系数分别达到了90.0%和86.7%。     

结合多特征HSV变换的高光谱影像林地提取方法

当前林地提取的方式主要是选择样本通过监督或半监督进行的,效率较低,为此本文提出一种结合多特征的HSV变换高光谱影像林地提取方法．该方法首先对原影像进行相关校正处理,然后利用归一化植被指数(NDVI)和主成分分析(PCA)得到合成影像,最后利用HSV变换通过设置色彩值范围对影像进行色彩分割提取林地信息．结果显示,使用本文方法对高光谱林地的提取精度可以达到96.29％,说明了本文方法的有效性.      

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

城市绿地信息提取中高分辨率卫星影像融合方法研究

利用GS变换、主成分分析、Ehlers变换、Wavelet分析、HIS变换5种方法对城区WorldView-2和PL-1A影像进行融合,并从影像融合质量和绿地信息提取精度两方面对融合方法的有效性进行了评价。结果表明：①5种融合方法中,GS变换融合的效果最好;主成分分析和Ehlers变换融合WorldView-2质量较好,但融合PL-1A影像质量较差;Wavelet变换、HIS变换融合两种影像质量都较差;②用于绿地信息提取时,GS、PCA融合影像获取的精度最高,其次为Ehlers、Wavelet融合影像,均明显高于多光谱影像的提取精度;Ehlers、Wavelet变换精度最低,绿地信息提取精度低于多光谱影像的提取精度。可以得出,影像融合可以明显地提高绿地信息提取精度,5种影像融合方法中,GS变换普适性较好,影像融合质量最好,提高分类精度效果最明显。     

面向对象的矿山地表要素信息提取方法研究

矿山地表要素提取,可为矿山的合理开发利用、尾矿的管理、土地复垦、生态修复提供数据支撑,具有重要的实践意义。本文以湘西花垣县某铅锌矿区IKONOS影像为数据源,使用4种融合方法:Brovey变换、主成分(PCA)变换、Gram-Schmidt Pan变换、缨帽(KT)变换,对全色影像及多光谱波段进行融合,发现与原始影像相比,KT变换融合影像的光谱信息、空间信息保持得最好。基于ENVI中面向对象分层分类的方法,提取研究区内的典型地物,主要包括植被、裸地、道路、建筑物、矿石堆、尾矿库及蓄水池,并进行识别精度评价,总体精度达86.12%,Kappa系数为0.834 7。结果表明,面向对象分层分类的方法能有效地应用于复杂铅锌矿区的地物提取。     

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。     

顾及纹理特征贡献度的变化影像对象提取算法

遥感影像变化检测是全球变化研究的重要内容。基于两期遥感影像的变化检测方法存在数据条件要求苛刻、难以充分利用快速发展的多源遥感影像数据等问题。目前许多变化检测的参考数据中包含了一期分类矢量数据,矢量数据中往往包含了位置、形状、大小和类别属性等先验信息,充分利用这些先验信息将可提高变化检测精度。提取变化影像对象是结合矢量数据和遥感影像进行变化检测的核心步骤。本文提出了一种顾及纹理特征贡献度的变化影像对象提取方法。该方法利用矢量数据分割遥感影像,获取影像对象,计算影像对象纹理特征值。根据信息增益原理计算纹理特征参数的特征贡献度,选择特征参数。由贡献度指数大小确定纹理特征参数权重,计算影像对象与先验要素类别的相似度系数,提取变化影像对象。试验结果表明,基于纹理特征贡献度的特征参数选择,能有效地提高变化影像对象提取结果的精度。     

综合Span图和纹理特征的高分三号影像建筑区提取

建筑区的识别和提取是城市环境规划与研究至关重要的工作。本文采用高分三号全极化SAR影像,提出了一种综合Span图和纹理特征的建筑区提取方法。首先基于Span图利用灰度共生矩阵算法提取图像的7种原始纹理特征,通过目视解译选择出4种纹理效果较好的统计量,然后利用主成分分析法去除他们之间的相关性,筛选出2个最佳纹理特征与Span图结合,最后对组合影像进行分类提取。本文将提取结果与综合灰度和纹理特征建筑区提取、无纹理特征提取方法结果进行对比,实验结果表明:本文方法提取建筑区边界轮廓更加清晰,精度可达92%,提取效果明显得到了优化。     

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。     

基于蚁群优化的特征选择新方法

利用蚁群优化算法解决特征选择问题，以获得能代表问题空间的较优特征子集，并能降低分类系统的搜索空间。以航空纹理影像的特征选择和分类问题为例，利用主分量变换和蚁群优化算法分别对原始纹理影像特征集合进行特征提取、选择和分类。结果表明，本文方法不仅能够降低图像特征空间维数，减少图像分类的工作量，而且还可以提高分类识别的正确率。     

Using FCMC, FVS, and PCA techniques for feature extraction of multispectral images

In this letter, a new nonlinear approach based on a combination of the fuzzy c-means clustering (FCMC), feature vector selection and principal component analysis (PCA) is proposed to extract features of multispectral images when a very large number of samples need to be processed. The main contribution of this letter is to provide a preprocessing method for classifying these images with higher accuracy compared to the single PCA and kernel PCA. Finally, some experimental results demonstrate that our proposed approach is effective and efficient in analyzing multispectral images.     

特征筛选方法在高分辨率遥感影像建筑物提取中的应用

城市建筑物信息的自动提取是城市遥感的关键技术之一,由于阴影、下垫面等多因素干扰,建筑物信息提取精度往往不稳定。本文以Pleiades卫星影像为数据源,通过改进Relief F特征筛选方法,探讨建筑物信息提取精度提高的可行性。首先构建高分辨率遥感影像建筑物基础特征空间,然后利用改进型Relief F算法分析特征对象的权重并筛选出最优特征,最后用监督分类、无特征筛选分类和基于改进型Relief F特征筛选等3种方法分别提取研究区建筑物信息,并结合实地调查数据进行精度验证。结果表明,基于改进型Relief F特征筛选的分类方法提取精度能够达到91.34%,较其他两种方法提取精度分别提高了34.31%和5.62%,且运算速度快,自动识别效率高。     

遥感图像分割的低维纹理特征算子与双变异蝴蝶优化算法

针对光学遥感影像受天气影响导致部分地物间形成弱边缘问题,提出一种低维纹理特征算子与双变异蝴蝶优化算法。首先提出一种适用于遥感影像的低维完备局部三值模式的纹理特征提取算子,并将其引入简单线性迭代聚类算法,对遥感影像进行初始分割,减小了噪音影响,同时增强算法对弱边缘的敏感度和分割准确性;然后采用双变异蝴蝶优化的支持向量机合并同质超像素块,以简单线性迭代聚类算法和低维纹理特征算子得到的综合特征作为输入,得到最终分割图像。利用2组高分辨率遥感影像进行分割实验,并与当下流行的卷积神经网络进行对比,实验结果表明,所提算法相较于传统算法对弱边缘有更好的分割效果,数据一的边界回归率(boundary recall,BR)值较对比算法平均提高了1.9%,Kappa系数平均提高了0.036;数据二的BR值较对比算法平均提高了2.33%,Kappa系数平均提高了0.027。对比实验证明了所提算法相较于卷积神经网络有更好的泛化性。     

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。     

融和启发信息的蚁群特征选择方法

特征提取和选择是模式识别核心问题之一,它极大地影响着分类器的设计和性能,高维的特征选择更是一个NP难题。针对特征选择这一组合优化及多目标优化问题,本文提出了改进的融合启发信息ACO(Antcolony optimization)特征选择的新方法,该算法比不用启发信息的ACO方法能更好地找出代表问题空间的最优特征子集,降低分类系统的搜索空间,从而提高搜索效率。以航空纹理影像的特征选择和分类问题为例,利用原始蚂蚁算法和改进的蚂蚁算法选择的特征分别进行识别,结果证明该算法不仅能够比没有改进的蚂蚁找出有效特征集、降低图像特征空间维数、减少图像分类的工作量,而且提高了分类识别正确率。     

An Analysis of Texture Measures in PCA-Based Unsupervised Classification of SAR Images

In single-band single-polarized SAR images, intensity and texture are the information source available for unsupervised land cover classification. Every textural feature measure identifies texture patterns by different approaches. For efficient land cover classification, textural measures have to be chosen suitably. Therefore, in this letter, the role of various intensity and textural measures is analyzed for their discriminative ability for unsupervised SAR image classification into various land cover types like water, urban, and vegetation areas. To make the algorithm adaptable, these textural features are fused using principal component analysis (PCA), and principal components are used for classification purposes. To highlight the effectiveness of PCA, the difference between PCA- and non-PCA-based classifications is also analyzed. Analysis of the role of texture measures for unsupervised classification of real-world SAR data with application of PCA is presented in this letter. The analysis of how every individual feature measure contributes for classification process is presented, and then, textural measures for a feature set are chosen according to their role in improving classification accuracy. By analysis, it is observed that the feature set comprising mean, variance, wavelet components, semivariogram, lacunarity, and weighted rank fill ratio provides good classification accuracy of up to 90.4% than by using individual textural measures, and this increased accuracy justifies the complexity involved in the process.     

适用于遥感分类的多邻域粗糙集加权特征提取方法

邻域粗糙集是一种有效的影像特征提取方法,邻域粗糙集模型存在稳定性不高和邻域半径需要反复调整的不足,难以实现地物特征的自动化提取。提出一种多邻域粗糙集加权特征提取方法用于高分辨率遥感影像特征提取。该方法首先利用不同半径的邻域粗糙集对影像的光谱和纹理特征进行提取,求得不同邻域半径下的有效特征子集;然后统计所有邻域半径下各个特征出现的概率,将概率作为权重与特征进行加权得到最终地物特征。QucikBird影像上分类试验表明本文算法优于传统邻域粗糙集特征提取方法,分类总精度平均提高3.88%,Kappa系数平均提高5.16%。在GeoEye-1影像上的分类试验同样证明了本文方法的有效性。     

高光谱遥感影像的广义判别分析特征提取

高光谱遥感影像具有丰富的光谱信息,在地物分类识别方面具有明显的优势。针对复杂高光谱影像分类问题,应用了一种广义判别分析特征提取技术。将输入样本通过非线性函数映射到特征空间,在特征空间中应用线性判别特征提取方法;算法求解过程中涉及到在特征空间的内积用核函数代替,简化计算的同时也使得算法与非线性函数的具体形式无关。通过影像分类试验表明,该方法较常用特征提取方法更有利于分类精度的提高。