基于影像多种特征的CART决策树分类方法及其应用

以扬州市宝应县为研究区,采用主成分分析法对研究区影像进行数据压缩和单波段数据增强,利用灰度共生矩阵分析第一主成分的纹理信息。运用基于CART算法的决策树分类方法,选用影像的光谱特征值、NDVI值以及纹理统计量值为测试变量,并通过计算确定决策树的节点规则,提取影像中主要地物信息。将分类结果与单纯依靠光谱特征的监督分类法结果相比较,表明基于影像多种特征的CART决策树分类方法分类精度较高,尤其较好地提取了围网养殖区和建设用地。     

结合多尺度纹理的高分辨率遥感影像决策树分类

地物具有多尺度特点,遥感影像包含的地物纹理信息很难用单一尺度来描述。通过选择最佳纹理尺度组合,利用光谱数据结合多尺度纹理对高分辨率影像进行决策树分类。研究结果表明:结合多尺度纹理的高分辨遥感影像决策树分类,能够更好地描述地物并有效解决光谱数据分类中存在的地物破碎问题,其分类精度为81.7%,kap-pa系数为0.78;与光谱数据分类和结合单尺度纹理数据分类结果比较,分类精度分别提高了11.2%和6%,该方法有助于提高高分辨率影像的分类精度。     

基于光谱和纹理特征的ALOS影像土地利用信息提取

针对高分辨率遥感影像易于反映地物纹理特征的特点,综合利用地物的光谱和纹理特征进行分类,探讨适用于ALOS影像的土地利用信息提取方法。以川东丘陵地区影像为例,基于GLCM提取纹理信息,将提取的纹理特征向量采用赋权值法融合为一个综合纹理信息波段,然后采用面向对象法将其与光谱特征信息共同参与分类。与最大似然法的提取结果对比表明,考虑了纹理特征的面向对象分类方法能明显提高分类精度,Kappa精度提高了0.12;避免了椒盐现象,分割的地类边界具有更好的语义表达,更贴合地物实际分布特征;建筑用地和林地具有明显的纹理特征,而旱地纹理特征不明显。该方法不仅分出了6个基本地物类型,而且对于林地、建筑用地等类型还能进一步细分。     

基于ENVI ZOOM面向对象的高海拔灌丛植被提取——以定日县为例

利用ASTER数据,基于The Environment for Visualizing Images(ENVI)ZOOM 软件平台,采用面向对象的多尺度影像分割技术与规则创建相结合方法,提取了珠峰保护区核心区的灌丛植被类型.在对影像进行去阴影处理和各种辅助信息融合的基础上,使用Feature Extraction模块对影像进行分割,基于分割对象的高程、NDVI、纹理和光谱信息创建了适合研究区的灌丛提取规则.研究表明:该分类方法不仅能够克服传统基于像元分类方法中的"椒盐效应"问题,而且能够综合利用辅助信息(DEM、NDVI等)和地物本身的信息(光谱特征、纹理特征等),有效提高解译精度.以已有数据对分类结果进行了检验,分类精度达84 7%,分类结果较理想.     

基于决策树模型的海岸带分类方法研究

海岸带地物分布复杂,地物混淆常造成海岸带提取困难。该文以江苏省粉砂淤泥质海岸为研究对象,运用图像光谱特征、纹理特征并引入地学知识,构建研究区遥感图像分类决策树模型,并利用ETM 图像进行海岸地物分类研究。结果表明:采用的决策树模型可以较好地结合纹理信息和地学知识,解决遥感图像中复杂地物分类过程中的混淆现象,分类精度达89.26%,比最大似然法分类精度提高了15.19%。     

基于辅助信息的遥感影像信息提取探讨

选取陕西省咸阳市三原县作为研究区,利用遥感ENVI软件,对2006年6月SPOT5影像的土地利用信息进行解译。通过对影像中耕地、园地、林地、居住用地、交通用地、水域等地物光谱特征、纹理特征、空间特征等辅助信息与特征进行深入分析,获取了该研究区土地利用信息及其分布特征。结果显示,基于辅助信息的遥感影像信息提取能够弥补单纯依靠像元的分类方法,精度较高,可达86.34%,能够较好的满足用户的要求。     

基于多尺度融合的高分辨率影像城市用地分类

基于面向对象的信息提取技术,针对高空间分辨率遥感影像进行城市用地分类。首先针对不同城市地物,选择适宜的提取尺度;然后探讨不同城市地物类型提取的适宜特征,充分利用光谱、空间结构、上下文关系、纹理等信息描述地物;最后融合不同地物多尺度下的提取结果。以北京市部分地区QuickBird影像为例,实现城市用地类型的自动分类,结果表明:该方法应用于城市用地分类的精度高达86.74%,为高空间分辨率遥感影像城市用地分类研究提供了新思路。     

利用规则对Worldview-2影像进行地物信息提取研究

研究针对Worldview-2影像的地物特征,采用一种多层次规则的面向对象地物提取方法,通过建立和执行各类地物的提取规则,从多尺度分割产生的影像对象中提取不同地物。实地验证结果表明,该方法提取地物的总精度为84.2%,Kappa系数为0.791。建筑物、道路、耕地和裸地相混合误提现象较多,主要是由于这4种地物的光谱特征相似导致,应选用更敏感的识别参量或建立更高效的识别规则以提高识别精度。     

龙口市城镇聚落空间信息提取与动态变化研究

以胶东半岛龙口市为研究区域，利用1983年地形图、Landsat 1992.6和2002.6两个时期的TM影像，首先分析了该区域城镇聚落的影像特征，研究了城镇聚落及其背景地物的光谱特征，并探讨了它们在光谱特征上的可分性；然后分析并建立了基于光谱特征和形状特征的简单决策树模型，对研究区域城镇聚落信息进行了提取。在此基础上，简要分析了胶东半岛龙口市近20年来，城镇聚落动态变化的特点。     

基于纹理特征与LSSVM的青土湖地物提取

纹理特征作为一种非光谱信息能够增强地物之间的特征差异,这对于高分辨率遥感影像的地物提取有着重要意义。以青土湖为研究区,以Worldview-2影像为数据源,通过引入权重因子定义联合概率函数来确定最佳窗口尺度,利用灰度共生矩阵提取最佳窗口尺度下的纹理特征,将其与原始遥感影像合成,采用最小二乘支持向量机（LSSVM）进行地物提取,将提取结果与仅利用光谱信息的支持向量机（SVM）提取结果、辅以纹理特征的SVM提取结果对比分析。结果表明：此方法可以更加快速准确地提取青土湖地物,精度高达85.86%,优于仅利用光谱信息的SVM的65.13%,辅以纹理特征的SVM的73.45%,可为地物破碎的干旱区高分辨率遥感影像地物提取提供有益借鉴。     

基于GA-SVM封装算法的高光谱数据特征选择

封装型的特征选择算法相对于过滤算法而言更有助于提高分类精度,因此在当前计算技术及效率快速发展的背景下必将成为未来之趋势。本文以支持向量机(SVM)为分类器,遗传算法(GA)为特征子集的搜索算法,构建了封装型的特征选择算法GA-SVM,并用ENVI/IDL语言编程实现,最后以HYPERION高光谱数据为例对算法予以应用。结果表明,GA-SVM算法可从196个波段中选择出13个波段,同时分类精度较不做特征选择时提高了约4%。由此可见,GA-SVM封装型特征选择算法具有较好的同时优化特征子集和SVM核函数的性能,可为当前高光谱数据的特征选择提供一个较好的算法。     

一种基于多特征的高光谱遥感图像分类方法

提出在多维特征空间中以互信息为评价指标进行特征选择,在特征子集中应用支持向量机(SVM)分类器实现图像监督分类的方法.首先提取图像的光谱、纹理和颜色特征,得到多特征的高维特征空间,然后用最大相关和最小冗余的互信息作为评价标准,用10-fold交叉验证误差率选择特征子集,最后用基于径向基函数的SVM实现图像的分类.实验表明,该方法能明显提高图像分类的精度.     

基于遥感时序特征的地表覆被信息提取

地表覆被作为自然过程和人类活动共同作用的重要地表景观特征,对全球或局地气候、水热循环、物质传输及陆面生态系统多样性等影响深远。利用年内时序遥感影像自动提取不同地表覆被类型的方法,以新疆阜康地区为研究目标,组织2016年植被全生长季的Landsat 8 OLI地表反射时序影像,研究不同物候期植被冠层的纹理响应信息,考察研究区典型地表覆被类型在3—11月多波段波谱、归一化植被指数(NDVI)及增强型植被指数(EVI)的时序特征,构建提取地表覆被类型的策略规则,形成时序特征匹配方法,将其应用于2018年研究区地表覆被填图的提取。最后,基于高分辨率卫星影像和野外实地调查对随机选取的2500个样点进行对比验证。结果表明:提取结果和验证数据一致性较好,总体精度为97.2%,Kappa系数为0.9655,且实地考查结果显示本方法在复播作物识别和有效降低单一时相中“异物同谱”现象上展示潜在优势。     

基于卷积神经网络和高分辨率影像的湿地群落遥感分类——以洪河湿地为例

以洪河国家级自然保护区为研究对象,应用卷积神经网络（CNN）方法进行高分辨率湿地遥感影像的分类研究,并与基于光谱支持向量机（SP-SVM）的方法和基于纹理及光谱的支持向量机（TSP-SVM）的方法进行了对比。结果显示,对于所选取的2个研究区域,CNN分类方法的全局精度高于SP-SVM方法5.61%和5%,高于TSP-SVM方法4.18%和4.15%。尤其对于部分湿地植被的分类精度明显高于SP-SVM和TSP-SVM方法。研究表明,卷积神经网络为湿地识别的精细划分提供了有利的手段。     

基于QUEST决策树的遥感影像土地利用分类——以云南省丽江市为例

土地利用分类精度直接决定土地利用/土地覆被变化相关研究的准确性,而基于决策树的遥感影像分类是近年来提高土地利用分类精度的重要方法。QUEST决策树在影像解译和空间表达方面,运算速度和分类精度均优于普通CART等决策树方法。本文以云南丽江地区为例,应用QUEST决策树分类方法,对该地区的Landsat TM 5影像图进行分类,同时将地形因素、植被指数作为地学辅助数据的因子添加到分类波段中,进行不同特征融合,来处理目标类别间的非线性关系,该方法在处理图像理解知识方面具有更大的灵活性;同时与普通决策树分类法的遥感影像分类的结果相比较,Kappa系数值从原来的0.789提高到0.849.在地形复杂的山地地区,针对TM影像数据,选择基于QUEST决策树分类能够有效提高土地利用分类结果精度。     

基于ASTER影像的近海水产养殖信息自动提取方法

水产养殖地已经成为海洋环境监测的热点目标之一。采用具有高光谱分辨率和较高空间分辨率(15m)的ASTER遥感影像,以九龙江河口地区为研究示范区,进行近海水产养殖信息的自动提取方法研究。结果表明,利用ASTER影像的光谱信息和水产养殖地的纹理结构信息,可以实现近海水产养殖地的自动提取。先利用监督分类方法提取混淆有其他水体的水产养殖信息,采用邻域分析来增强水产养殖地的空间纹理信息。通过综合监督分类和水产养殖地空间纹理增强的结果,在专家决策分类器中建立决策规则,进行水产养殖地的自动提取,提取的精度达93%。     

A new insight into land use classification based on aggregated mobile phone data

Land-use classification is essential for urban planning. Urban land-use types can be differentiated either by their physical characteristics (such as reflectivity and texture) or social functions. Remote sensing techniques have been recognized as a vital method for urban land-use classification because of their ability to capture the physical characteristics of land use. Although significant progress has been achieved in remote sensing methods designed for urban land-use classification, most techniques focus on physical characteristics, whereas knowledge of social functions is not adequately used. Owing to the wide usage of mobile phones, the activities of residents, which can be retrieved from the mobile phone data, can be determined in order to indicate the social function of land use. This could bring about the opportunity to derive land-use information from mobile phone data. To verify the application of this new data source to urban land-use classification, we first construct a vector of aggregated mobile phone data to characterize land-use types. This vector is composed of two aspects: the normalized hourly call volume and the total call volume. A semi-supervised fuzzy c-means clustering approach is then applied to infer the land-use types. The method is validated using mobile phone data collected in Singapore. Land use is determined with a detection rate of 58.03%. An analysis of the land-use classification results shows that the detection rate decreases as the heterogeneity of land use increases, and increases as the density of cell phone towers increases.