草场资源分类专家系统的研究

在分析了基于光谱特征的统计模式识别方法用于遥感图像的计算机分类的不足之后，探讨了进一步提高遥感图像分类结果精度及可靠性的途径，指出了在遥感图像的计算机自动分类过程中，综合利用遥感图像多光谱特片及光谱特征以外的辅助信息对遥感图像进行分类是解决上述问题的有效方法，并通过笔者研制的草场资源分类专家系统ＧＥＳ说明了专家系统技术用于遥感图像分类能够有效地解决分类过程中综合利用各种辅助信息的问题。     

草场资源分类专家系统的研究

在分析了基于光谱特征的统计模式识别方法用于遥感图像的计算机分类的不足之后，探讨了进一步提高遥感图像分类结果精度及可靠性的途径，指出了在遥感图像的计算机自动分类过程中，综合利用遥感图像多光谱特征及光谱特征以外的辅助信息对遥感图像进行分类是解决上述问题的有效方法，并通过笔者研制的草场资源分类专家系统ＧＥＳ（ＧｒａｓｓｌａｎｄＲｅｓｏｕｒｃｅｓＣｌａｓｓｉｆｉｃａｔｉｏｎＥｘｐｅｒｔＳｙｓｔｅｍ）说明了专家系统技术用于遥感图像分类能够有效地解决分类过程中综合利用各种辅助信息的问题。     

基于PCA的高光谱遥感图像分类

高光谱遥感图像的出现进一步提升遥感图像分类的准确性,但高光谱遥感图像的数据量大,处理高光谱遥感图像复杂度高、效率低。为解决这一问题,将主成分分析算法作为遥感图像分类的预处理技术。分析主成分分析算法的原理,利用主成分分析算法提取高光谱图像的主要波段图像。通过实验验证得出结论:高光谱遥感图像的主波段图像包含分类所需的大部分信息,利用少数的主波段图像即可达到70%以上的分类正确率。实验结果表明,在保证分类正确率的前提下,PCA算法可有效地减少图像分类处理的数据量,提高图像的处理效率。     

高光谱遥感图像的监督分类

图像分类是高光谱遥感图像分析与应用的重要手段。总结了目前用于高光谱图像监督分类的主要方法,包括最小距离法、最大似然法、神经元网络法和支持向量机法,分析了上述方法的特点,并探讨了高光谱遥感图像分类方法的发展趋势。     

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。     

变异系数降维的CNN高光谱遥感图像分类

为了实现地物精准分类,需要有效地提取与分析高光谱遥感图像中丰富的空—谱信息。提出一种适用于高光谱遥感图像分类的变异系数与卷积神经网络相结合(CV-CNN)的方法。这种新方法引入变异系数的思想来衡量高光谱遥感图像不同波段之间的相似性和差异性,从而提出类间变异系数(CVIE)和类内变异系数(CVIA)的概念。通过计算(CVIE)~2/CVIA的值来剔除高光谱遥感图像中的低效波段,然后提取每个像素的空一谱信息,并对其进行2维矩阵化操作,转化为便于卷积神经网络(CNN)输入的灰度图像,最后采用自行构建的适合于高光谱遥感图像分类的CNN模型进行分类。Indian Pines和Pavia University两组数据的实验结果表明,该方法在两种数据集下的总体精度分别达到98.69%和99.66%,有效地改善了高光谱遥感图像的分类精度。     

多尺度引导滤波对多光谱遥感影像分类精度的影响

由于地物的复杂多样性,准确识别其分类精度对遥感数据处理具有重要意义。为提高多光谱遥感数据的分类精度,本文以Landsat 8数据为基础,提出不同尺度引导滤波特征融合NDVI与NDBI的方法,进行多光谱遥感图像的分类。首先,提取多光谱数据第一主成分作为引导图像,原图像为输入图像,依次提取滤波半径为2、4、6、8的引导滤波特征集;然后,将不同滤波半径的引导滤波特征集与图像NDVI与NDBI特征进行融合,采用支持向量机的方法进行监督分类,以此探究不同尺度的引导滤波对多光谱遥感影像分类精度的影响。试验结果表明：(1)引导滤波在去除噪声的同时能够较好地保留图像的边缘特征;(2)引导滤波可以提高多光谱遥感影像的分类精度,不同大小引导滤波半径图像在分类方面与原图像相比,较其分类精度均有不同程度的提升,最高总体精度达99.776 3%,Kappa系数为0.997 1;(3)不同尺度的引导滤波会得到不同的分类结果,当滤波半径R=2时,图像的分类精度最高。     

基于权重与混合模型的遥感图像分类方法研究

提出了一种基于权重与混合像元模型的遥感图像分类方法。该方法在现有光谱混合模型的基础上,根据实际应用需要确定地类权重,通过地类丰度与权重因子加权平均确定像元的隶属类型,从而实现遥感图像分类。以SPOT-5土地覆盖遥感分类为例,对权重与混合像元模型结合的图像分类方法进行了验证,结果表明,该方法提高了遥感图像分类精度,在一定条件下更具实际意义。     

基于SVM的多源信息复合的高空间分辨率遥感数据分类研究

遥感图像尤其是高空间分辨率（1—4m）遥感图像在土地利用和土地覆盖变化方面有着广阔的应用前景，传统高空间分辨率遥感图像信息提取方法存在精度和分类效率低的不足。本文提出的基于SVM的分类方法，复合光谱、纹理和结构信息等多源数据信息，对IKONOS高空间分辨率图像进行分类，并与最大似然法和单源数据（光谱）SVM分类结果进行定性和定量比较分析。研究结果表明，多源数据复合的SVM高空间分辨率遥感图像分类方法，能够有效解决单源数据信息图像分类效果破碎的问题；总精度达到68．38％，Kappa达到0．5993；对高维输入向量具有高的推广能力；比单源信息的SVM和最大似然方法图像分类精度更高，适合高空间分辨率遥感图像分类。     

面向高光谱遥感影像的分类方法研究

20世纪80年代初期出现的高光谱遥感技术,将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起。高光谱影像丰富的光谱信息使其较全色遥感、多光谱遥感能够更好地进行地面目标的分类识别,然而其复杂的高维数据结构也对传统的遥感影像分类方法提出挑战。提出很多针对高光谱遥感影像的分类方法,对其进行研究。     

成像光谱数据在城市遥感中的应用研究

采用高空间分辨率的航片与高光谱数据对城市进行遥感研究。利用高空间分辨率数据丰富的空间信息,以及高光谱分辨率数据丰富的光谱信息,提出了基于图像边缘检测和光谱分析的新型高光谱遥感图像分类方法,对城市地物覆盖以图斑为单位进行分类。从而证明对复杂的城市环境进行遥感研究,这种方法是有效的。     

基于灰度共生矩阵提取纹理特征图像的研究

在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特征对于遥感影像分类精度的提高也有很重要的作用。本文主要研究了通过灰度共生矩阵提取纹理特征图像的方法,对该方法提取纹理特征图像进行了相关的实验分析。并将其在分类中的应用进行实验,证明了灰度共生矩阵提取的纹理特征对图像分类精度提高起到一定的作用。     

QuickBird全色与多光谱数据融合方法用于土地覆盖分类中的比较研究

QuckBird提供的高分辨率卫星图像可以制作大比例尺城市土地覆盖分类图.图像融合可以充分利用全色图像的高空间分辨率和多光谱图像的光谱信息,提高目视和自动图像分类精度.在遥感领域应用较多的融合方法有IHS变换、主成分分析、颜色归一化和小波变换等多种方法,从光谱质量和图像分类两个方面进行比较研究,发现进行小波系数调整的小波变换融合方法光谱退化最小,土地覆盖分类精度最高.     

基于多尺度超像素的高光谱图像分类研究

随着遥感技术的快速发展,高光谱遥感影像的分类方法研究受到普遍关注。现有高光谱遥感影像分类研究采用单一尺度下的超像素方法进行图像分割处理,无法确定最佳超像素个数,较易忽视图像细节信息,且单一核矩阵无法表征多特征信息导致分类精度降低。因此,本研究拟在多尺度下采用超像素分割方法对高光谱影像的第一主成分分量进行多尺度超像素分割处理,通过权值耦合多尺度空间光谱核与原始空间光谱核形成合成核来进行高光谱影像分类,并以Washington DC Mall高光谱影像为实验数据对本文方法进行测试与分析。实验结果显示,相较于对比方法,这一方法的有效分类精度最高提升6.93个百分点。结果证明该方法可以有效解决图像光谱无法自适应、光谱信息获取不全面的问题,能够显著提升高光谱影像分类精度。     

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.     

基于K-L变换的多光谱遥感图像检索方法研究

在遥感图像检索中,光谱特征的应用最为广泛。本文研究了基于光谱特征进行遥感图像检索的方法。针对目前应用越来越广泛的多光谱、高光谱遥感图像波段多的特点,提出了基于K-L变换的检索方法,将多维图像降维处理,在此基础上提取遥感图像的光谱特征,通过检索图像与目标图像的光谱特征对比实现多光谱遥感图像的检索,并通过实验验证了本文方法的有效性。     

高光谱遥感图像亚像元信息提取方法综述

高光谱遥感图像光谱分辨率高、波谱连续、图谱合一,这为精细地物分类、探测和识别提供了数据基础。然而,由于高光谱遥感图像空间分辨率的局限性及地物场景的复杂分布,混合像元普遍存在于高光谱遥感图像。混合像元是高光谱遥感图像精细信息提取与分析中的难点。解决混合像元问题,实现亚像元级信息的提取与分析是近年来高光谱遥感图像解译的热点和前沿。本文系统梳理了高光谱遥感图像亚像元信息提取的主要研究内容,具体从混合像元分解、亚像元制图及亚像元目标探测3个研究方向综述了经典方法,并对国内外相关方向的研究进展、发展前沿及主要挑战进行了分析与评价,最后分析讨论了高光谱遥感图像亚像元信息提取研究在模型构建、优化求解及与应用结合等方面的研究趋势及方向。     

基于独立分量分析的遥感影像非监督分类方法

利用独立分量分析的方法，从图像信号分离的角度出发，将每个波段像元的光谱特征看成是由相互独立的不同地物类型光谱信号混合而成。通过ETM^-遥感影像数据的分类试验，验证了该方法应用于多光谱遥感影像非监督分类的有效性。     

融合像元形状和光谱信息的高分遥感图像分类新方法

在高空间分辨率(简称"高分")遥感图像分类中,由于存在"同谱异物"等现象,仅依靠光谱信息进行分类的误差较大。为提高图像分类精度,提出一种融合像元形状和光谱特征信息的高分多光谱遥感图像分类新方法。首先利用像元及其邻域的关系来描述其空间结构,计算并提取像元同质区域(pixel homogeneous regions,PHR);然后以所提取的同质区域为基础,分别计算中心像元的长/宽比(length-width ratio,LW)和面积/周长比(area-perimeter ratio,PAI)这2个像元形状特征;最后将归一化后的像元形状特征和光谱特征融合,并利用支持向量机分类方法进行分类。以2个区域的Quick Bird高分遥感图像对该算法进行验证,将实验结果与仅利用光谱信息分类和仅使用像元形状指数(pixel shape index,PSI)分类的结果进行比较。结果表明,所提出的方法得到的分类精度最高,该方法能有效地提高高分遥感图像的分类精度。     

基于多特征信息融合的面向对象的高光谱图像分类

由于高光谱影像的数据维数高,利用常规方法难以获得令人满意的分类结果。在基于信息融合的图像处理过程中,利用影像多特征融合信息进行面向对象的遥感图像分类,可有效降低原始图像数据维,提高分类精度。