结合mRMR选择和IFCM聚类的遥感影像分类算法

为解决高分影像特征间相关性大冗余度高、FCM聚类稳健性差带来的分类精度不佳问题，提出一种基于mRMR选择和改进FCM聚类的影像分类算法。首先基于对象置信度指标（OC）进行影像分割，然后利用mRMR算法实现特征选择，解决特征冗余问题，最后将提取的特征输入分类器通过IFCM聚类，得到最终分类结果。试验结果表明，本文算法能减少特征间相关性，降低冗余，并有效提高影像分类精度。     

多特征组合与自动加权K-Means聚类算法的影像分类技术研究

为了提高遥感影像地物分类精度,提出了一种基于多特征组合与自动加权K-Means聚类算法的影像分类方法。首先提取影像的SIFT,GIST,颜色,Census和Gabor等多种类型特征,然后通过实验分析确定最佳特征组合。针对一般K-Means算法没有考虑各个特征值权重的问题,提出利用自动加权K-Means算法计算不同特征分量的权值,分别对SIFT,GIST和Gabor特征构建了基于权重的影像特征词汇表;然后利用稀疏编码算法进行影像编码;最后使用SVM算法完成影像分类。通过实验表明提出的方法能有效提高遥感影像分类准确性,并且具有较好的稳定性和鲁棒性。     

单类分类框架下的高分辨率遥感影像建筑物变化检测算法

针对现有机器学习方法在高分辨率遥感影像建筑物识别等领域需要正负训练样本同时参与,提出了一种基于一类样本、无需负样本参与的单分类建筑物变化检测算法。首先,提取影像的形态学建筑物指数特征;然后与光谱特征进行多特征融合,并基于该单类分类方法,从面向对象的角度出发,得到对象级建筑物变化检测结果;最后利用构建的一种新的形状特征进行精化,得到最终的建筑物变化检测结果。通过对多源高分辨率遥感影像开展实验,验证了该算法具有一定的鲁棒性,且相比于现有建筑物变化检测算法具有更优的检测精度。     

基于特征距离的多类SVM分类方法研究

提出了一种基于特征分离性测度的面向对象分类方法。首先利用区域增长分割影像获得影像对象,并计算光谱、纹理、形状等多种分类特征,然后在构建多类SVM分类器过程中,对于任意两个分类类别对,利用Jeffries-Matusita距离选择最合适的特征。实验证明,相比于原始方法,基于Jeffries-Matusita距离的多类分类器能够有效减少建筑物、道路等复杂地物的误分现象,提高分类的总体精度和Kappa系数。     

基于面向对象和规则的遥感影像分类研究

讨论了面向对象和规则的光学遥感影像分类方法。首先利用多尺度分割形成影像对象，建立对象的层次结构，计算对象的光谱特征、几何特征、拓扑特征等，利用对象、特征形成分类规则，并通过不同对象层间信息的传递和合并实现对影像的分类。并以北京城市土地利用分类为例，对该方法进行了验证。     

基于对象级的ADS40遥感影像分类研究

针对ADS40影像的空间分辨率高而光谱分辨率相对不足的特点,提出了一种基于多尺度分割的对象级遥感分类方法.首先通过多尺度分割获得影像对象,然后利用对象所包含的光谱特征、几何特征、拓扑特征来确定地物识别中可能要用到的各种特征参数,并建立对象间的分类层次结构图,最后利用模糊分类器逐级分层分类来提取地物信息.研究结果表明,面向对象的分类方法与传统方法相比,可显著提高分类精度,有效抑制"椒盐现象"的产生,更加适合于几何信息和结构信息丰富的ADS40影像的自动识别分类.通过对太原市ADS40影像进行分类验证了此方法的有效性.     

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%。     

一种基于概率潜在语义模型的高分辨率遥感影像分类方法

针对高分辨率遥感影像中"同谱异物","同物异谱"现象对影像分类过程造成的干扰,将文本分析中的概率潜在语义模型应用于高分辨率遥感影像分类,提出一种无监督的遥感影像分类新方法.该方法首先利用均值漂移分割方法对影像进行分割构建图像区域集合,然后提取集合各区域中每个像元的Gabor纹理特征,并对这些特征进行聚类形成视觉词汇,最...     

基于小波分量特征值匹配的高光谱影像分类

提出了一种基于小波分量特征值的高光谱影像分类算法。针对每个像素构建一个能反映该分量特征的函数，得到其特征值。再利用这些特征值与参考光谱的特征值进行匹配，从而对整幅影像实现分类。实验证明，该方法比传统的光谱角制图法和交叉相关系数法的分类精度有较大提高。     

基于引力自组织神经网络的震害遥感影像分类

针对高空间分辨率遥感影像震害目标难以识别和提取的问题,结合分形纹理和引力自组织神经网络(gravitational self-organizing map,g SOM),提出了一种新的面向对象分类方法。首先,利用分割算法对原始影像进行初始过分割,得到均质性较好的分割单元,以分割单元作为待处理对象;在此基础上,利用分形纹理描述待分割对象,同时融合光谱特征构建震害目标的特征向量;最后,利用g SOM对分割对象进行聚类,得到聚类结果,并利用一致性函数以最小代价将多样性的聚类结果集成,最终实现快速、自动决策分类。以四川省汶川县震后高空间分辨率遥感影像为实验数据对算法进行定性和定量的评价,结果表明,该算法能够有效地描述复杂的震害目标,既可以保持大面积震害目标的完整性,也可以反映小的震害目标及其细节信息,提高震害影像的自动分类精度。     

多层级二值模式的高光谱影像空-谱分类

利用高光谱遥感影像的空间纹理特征，可以提高高光谱遥感影像的分类精度。提出了一种多层级二值模式的高光谱影像空-谱联合分类方法。该方法将高光谱影像转化为局部二值模式特征图像获取像元微观特征，基于特征图像生成多层级特征向量获取像元宏观特征。为验证该方法的有效性，选取PaviaU、Salinas和Chikusei高光谱影像数据，利用核极限学习机分类器，分别针对光谱、局部二值模式、多层级二值模式等特征开展实验。结果表明，多层级二值模式空-谱分类总体精度分别达到97.31%、98.96%和97.85%，明显优于传统光谱、3Gabor空-谱等分类方法。该方法可为高光谱影像分类提供更加有效的类别判定特征，有助于提高影像分类精度并获取更加平滑的分类结果图。     

利用矢量影像法进行土地利用变化自动检测

为解决土地利用矢量图与遥感影像的变化检测问题,提出了一种基于类别的矢量图与遥感影像变化检测方法。在矢量图约束下,对遥感影像进行影像分割获取像斑;提取像斑在遥感影像上的直方图特征,采用G统计量度量像斑之间的特征距离;利用像斑与其他相同类别像斑之间的特征距离,构建单波段上像斑的类别异质度,自适应加权组合各波段上像斑的类别异质度构建像斑的类别异质度;依据最大熵方法获取各地物类别对应的异质度阈值,以类别为单位对各像斑进行变化判别,获取变化检测结果。在QuickBird遥感影像上的试验验证了本文方法的有效性,实现了矢量图与遥感影像的自动变化检测。     

一种加入空间关系的海岸带遥感图像分类方法

 海岸带作为海洋、陆地和大气共同作用的地带，其地物混杂度大，变化频繁，单纯利用光谱特征分类难以取得理想的精度。 但海岸带地物滨临水体，而水体与地物存在巨大光谱差异，易于识别。据此，本文尝试提出一种简单的加入空间关系的遥感图像分类 方法，即，先准确识别出海水类，然后统计非海水类的每一个像元到最近海水的空间距离。由于不同的海岸带地类距离海水的空间距 离有其自身的特点，因此，利用这一距离信息辅助分类能提高分类精度，尤其是针对那些光谱特征相近而距离相差较大的地类。     

航空影像农田类型分类在地理国情监测中的应用研究

航空影像的植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取农田类型。本文以江苏农田为主要覆盖的典型区域为研究对象,选择航空影像利用随机森林算法提取不同的农田信息。本研究采用多尺度的分割方法,面向对象实现特征信息提取。根据光谱、纹理以及几何形状特性筛选出较为合适的特征作为参数,利用随机森林算法实现植被二级分类,分类精度达到84.60%,KAPPA系数为0.753,可为地理国情生产提供一定的参考。     

利用面向对象的分类方法从IKONOS全色影像中提取河流和道路

传统的基于像素的统计特征的分类方法在处理高分辨率影像的分类问题上遇到了很大的困难。本研究利用面向对象的影像分析方法对IKONOS全色影像进行了河流与道路的分类,包括利用影像对象的光谱特征的初次分类和利用子目标对象的线特征的二次分类两个过程;其中初次分类由于仅依据光谱信息,不能很好地将河流或道路与其他光谱特征相似的地物区分开,而通过引入子目标的形状特征进行二次分类,就可以准确地将河流与道路提取出来。试验结果表明,面向对象的分类方法能够满足高分辨率或纹理影像的分类需要,具有很大的应用潜力。     

融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。     

高光谱影像的引导滤波多尺度特征提取

为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。     

高分辨率影像城市绿地快速提取技术与应用

高分辨率遥感影像是城市绿地信息快速提取的主要数据源 ,文中以多尺度影像分割与面向对象影像分析方法为主要技术 ,利用样本多边形对象的成员函数建立训练区 ,自动提取大庆市城市绿地覆盖信息 ,达到清查城市绿地的目的。该方法信息获取周期短、精度高、成本低 ,实现了城市绿地信息精确获取与快速更新。     

遥感图像分区自动分类方法研究

对判读区域自然景观复杂,数据时相与质量差异较大的遥感图像用常规的分类方法难以达到令人满意的效果,为此,作者采用了一种通过定义图像判读区,分类管理器和改进监督分类算法等方法来实现遥感图像的分区自动分类,以不同时相的TM拼接图像进行分类试验,结果表明:该方法比传统的监督分类方法有明显改进:(1)与整幅图像用同一个标准进行分类的方案相比,其精度显著提高,(2)可在分类前灵活,任意生成所感兴趣的判读区域,(3)在每个分区内可以采取不同的分类方案进行分类,(4)每个分区的分类结果可以保存在同一个文件中,而不需要另外生成新的操作层.因此分类不受次数的限制,可保证分类结果的完整性,每个分区的分类结果也可以保存为单个分区的分类结果.