联合改进拉普拉斯特征映射和k-近邻分类器的高光谱影像分类

高光谱影像利用流形学习降维和分类器分类时往往忽略了影像本身的空间特征,这将严重制约最终的分类精度。因此,本文以拉普拉斯特征映射和k-近邻分类器为例,提出了自适应加权综合核距离来同时改进流形学习方法和分类器方法,目的在于改善高光谱影像的分类结果。自适应加权综合核距离同时考虑高光谱影像的光谱特征和空间特征,且能够针对每个像素点自动估算空间邻域来描述空间特征。通过Indian和PaviaU两个数据集来分析和验证本文提出的组合策略,实验结果表明,本文提出的组合策略得到的分类结果明显优于常规拉普拉斯特征映射降维和常规k-近邻分类的组合策略,能够得到更高精度的分类结果。     

基于多尺度BP神经网络的SAR影像分类技术研究

SAR影像的独特成像机理导致影像存在相干斑噪声,利用传统的光学影像分类方法难以获得较好的分类结果。鉴于此,提出了一种基于多尺度BP神经网络的SAR影像分类方法,用以对SAR影像进行快速分类。     

泰国水稻种植面积月变化的遥感监测

介绍了光学和微波遥感影像相结合进行泰国水稻种植面积监测方法。泰国雨季雨量充足 ,气温适合 ,同一时间耕地上水稻的物候多样 ,每月水稻种植面积都发生变化。利用旱季的TM影像 ,获得耕地信息。同时利用TM影像覆盖的雷达区域进行非耕地去除 ,进行非监督分类 ,提取反映水稻种植不同生长期的雷达影像后向反射系数特征 ,建立各种类型的分类模型 ,采用监督分类的方法对全景雷达数据进行水稻种植情况调查 ,并分别予以识别和统计 ,反映研究区水稻月种植情况。分类结果通过类别检验和面积量算检验进行精度评价和分析。     

四湖地区洪水期遥感图像的解译

本文根据Landsat TM影像数据磁带和地面实况调查资料,提出了洪水期影像的解译方法,并以肖家湖实验区为例,解译了该区洪水期的影像。通过监督分类和非监督分类估算了洪水淹没范围;根据比值植被指数图像解译出了不同受灾程度作物的分布;用NDVI计算作物的受灾损失,并对结果进行了讨论。     

高分一号遥感影像地质灾害信息提取方法研究

山区地质灾害发生频繁,受灾范围大,危害严重。提取地质灾害信息、估算受灾情况,对救灾工作极为重要。传统的遥感人工解译方法速度慢、效率低;计算机自动解译速度快但解译精度受影像质量影响大,大范围地区很难建立起普适性的解译模型。本文利用洮南市西部高分一号遥感数据,结合DEM生成三维影像,建立解译标志,解译基础地质信息,分析地质灾害成因;根据研究区泥石流地质灾害的主要影像特征,提取影像的分类属性,基于面向对象的分类方法,建立信息提取模型,快速提取出地质灾害敏感区域;再进行人机交互,精确提取出地质灾害的类型和范围,通过野外验证,该方法十分可靠,为大范围地质灾害信息快速提取和灾后救援提供科学依据。     

综合纹理与光谱的土地利用模糊分类

针对利用TM影像进行土地利用传统分类精度不高的问题,该文提出了一种综合应用影像纹理与光谱特征对TM影像进行土地利用模糊分类的方法。采用主成分分析法对研究流域TM影像的光谱及纹理特征信息进行压缩与融合,并对融合后的TM影像数据进行3个组别的多尺度分割,在影像分割对象单元的基础上应用面向对象的模糊逻辑隶属度函数法实现影像的软语义分类。相对传统分类方法而言,该方法在充分利用影像光谱信息的基础上综合了影像的纹理信息,且分类理论思想更加符合人们对于客观事物的认知规律,分类精度有了显著的提高,为TM影像分类方法的改进提供一定的参考。     

基于分类回归树分析的遥感影像土地利用／覆被分类研究

以专家知识和经验为基础,综合影像光谱信息和其他辅助信息进行分类的基于知识的遥感影像解译方法,是提高遥感影像分类精度,实现自动解译的有效途径之一。然而,知识的获取一直是其得以广泛应用的“瓶颈”问题。以江苏省江宁试验区土地利用/覆被分类为例,利用分类回归树分析(CART)从训练样本数据集中发现分类规则,集成遥感影像的光谱特征、纹理特征和空间分布特征进行分类实验,并与传统的监督分类和逻辑通道分类方法进行比较。结果表明,基于CART的分类方法的精度基本在80%以上,与另两种方法相比,有了较大的提高,而且该算法复杂性低,效率高。由此说明,利用CART算法构建决策树获取的分类规则是合理的。它可以快速、有效地获取大量分类规则,是促进基于知识的遥感影像分类方法在土地利用/覆被分类中广泛应用的一项有效手段。     

基于高分一号影像的两种地表覆盖分类方法对比研究

以高分一号影像为数据源,分别应用最大似然分类法和面向对象分类法对影像进行遥感分类,比较不同影像分割尺度,对分类结果进行精度评价,结果显示:面向对象分类方法综合利用多类遥感指数,提高了分类精度,可以有效应用于遥感影像快速分类。面向对象分类方法中分割尺度对分类精度影响较大,但如何设置最优分类尺度仍需进一步研究定量确定方法。     

面向对象和规则的高分辨率影像分类研究

随着航天遥感技术的发展,遥感数据的空间分辨率、光谱分辨率和时间分辨率极大提高,高效解译并处理海量的、具有空间几何信息和纹理信息的地物高分辨率遥感影像数据已成为遥感领域研究的重点与难点。对此,本文提出一种面向对象和规则的遥感影像数据的分类提取方法,即通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识,建立影像对象多层次网络分割分类结构,实现对遥感影像准确快速的地物分类和精度评价。以藏南地区WorldView-2影像数据为试验研究对象,采用面向对象和规则的影像分类方法进行验证试验,即综合采用均值方差法、最大面积法、精度比较法进行分析,选择3种最佳分割尺度建立多层次影像对象网络层次结构进行影像分类试验。结果表明,采用面向对象规则分类方法对高分辨率影像进行分类,能使高分辨率影像分类结果近似于目视判读的结果,分类精度更高。面向对象规则分类法的综合精度和Kappa系数分别为97.38%、0.967 3;与面向对象SVM法相比,分别高出6.23%、0.078;与面向对象KNN法相比,分别高出7.96%、0.099 6。建筑物的提取精度、用户精度分别比面向对象SVM法高出18.39%、3.98%,比面向对象KNN法高出21.27%、14.97%。     

面向对象的农田信息遥感影像分割算法

为了提高农业遥感数据处理中多光谱影像分割的精度,文章提出了一种面向农田信息提取的遥感影像分割算法:利用KMeans非监督分类算法和Fisher标准估算多光谱遥感影像中各个波段的权值,并将估算的波段权值应用到光谱合并计算中,能够较好地提高农田区域的分割精度,实现基于全局最优合并的区域生长算法,得到最优化的分割结果;从分割结果中提取基于区域的NDVI信息可以较为快速、准确地区分农田和非农田区域。实验结果说明:该方法的分割精度优于传统的全局最优合并算法和FNEA算法,并对遥感影像中旱田和水田的提取均有较好的效果。     

基于GF-1卫星数据的冬小麦种植面积估算模型

目前遥感技术越来越广泛地应用于农作物面积的估算,本文研究了基于高分辨率卫星影像的农作物面积测量技术,提出一种冬小麦种植面积估算模型。该模型采用最大似然法对遥感影像进行监督分类,利用耕地矢量数据优化分类结果,结合高分辨率样本村数据拟合估算冬小麦种植面积。以泗洪县为研究区,采用GF-1卫星数据完成了泗洪县冬小麦面积提取实验,验证了该模型的有效性。     

遥感专题制图中图斑综合的跟踪统计法

本文介绍了遥感影像分类以后利用微机进行图像制图综合的一种方法。通过这一方法,制图人员可以根据需要,方便、自由地控制综合的程度,实现对各种图斑数量特征的综合。它对及时、充分地处理分类后的像元集,提高机助制图系统自动化水平,以及生成新的矢量图斑,快速输入地理信息系统的数据库,都有着重要的意义。     

基于北京一号卫星影像的建筑阴影测量建筑高度的应用研究

在分析遥感影像建筑物阴影与实际高度关系的基础上,阐述了依据影像阴影估算城市建筑物高度的原理和方法,设计了一种基于影像建筑物阴影特征快速提取高程信息的技术方法。在使用北京一号影像数据的试验中,70%的有阴影楼房测量误差在4米以内。     

基于混淆矩阵的遥感影像变化检测方法研究

本文对采用分类后比较法进行土地覆盖遥感影像变化检测的过程作了探讨．重点阐述了基于混淆矩阵的变化检测精度估算,提升了遥感影像变化检测的自动化程度。     

无人机高空间分辨率影像分类研究

本文利用无人机影像进行土地利用类型研究,面向对象方法对影像分割,获取了最佳分割尺度;根据各土地类别的特征信息建立分类定义,提出了快速、准确获取土地利用类型的方法。研究结果表明,运用面向对象方法能很好地解决无人机高分辨率影像分类问题,其中关键是影像分割尺度的选择和影像对象特征信息的提取。     

利用对象和支持向量机的遥感信息提取方法探讨

土地利用/覆被专题信息的快速、高效、准确提取是遥感图像处理研究的重要方向。传统的遥感分类方法常依靠像元的光谱值,未充分利用影像的空间信息。本文将面向对象影像分割和支持向量机方法相结合,复合光谱和纹理信息,建立了Object-SVM分类模型,并与面向对象的模糊函数和基于像元的SVM方法相比较,探寻区域尺度土地利用/覆被信息提取方法。结果显示,Object-SVM模型有效地提高了遥感图像的分类精度和分类效率,对于区域尺度影像的快速、准确、客观的信息提取具有实际意义。     

结合空间分析的面向对象无人机影像土地利用分类

利用高分辨遥感影像进行土地利用分类,为农村土地利用动态监测及土地综合整治快速地提供基础地理空间数据。以高分辨无人机影像为数据源,研究利用面向对象多尺度分割技术结合GIS空间分析对影像进行土地利用分类。根据对象内同质性高、对象间异质性高的准则,引入加权局部方差与空间自相关指数构建全局最优分割非监督评价指数,然后利用最邻近分类器对影像进行分类。实验结果表明,该方法减少人工目视确定最优分割尺度的主观性,能够避免某些地物不能被有效归类的现象,在单一尺度下获得较高的分类精度。     

以地块分类为核心的冬小麦种植面积遥感估算

以提高冬小麦种植面积估算精度为目标,选取种植结构复杂的都市农业区,采用QuickBird影像数字化农田地块边界,以多时相TM影像为核心数据源,以地块为基本分类单元,进行不同特征向量组合、不同分类器的冬小麦地块分类方法研究,并对比分析了基于地块分类和基于像元分类的冬小麦种植面积估算精度。研究结果表明,基于地块分类的冬小麦种植面积估算方法的总量精度和位置精度均高于像元分类;植被指数和纹理信息的引入有助于进一步提高地块分类精度;支持向量机与最大似然均能得到高达97%的总量精度和90%的位置精度,支持向量机地块分类所需的训练样本量远低于最大似然,因此支持向量机更加适合于冬小麦地块分类;冬小麦错分与漏分情况大多发生在细碎地块,其面积总量较小,而大地块错分和漏分较少,因此相对于像元分类,地块分类能在整个区域能得到较高的冬小麦位置精度和总量精度。     

结合像元级和目标级的高分辨率遥感影像建筑物变化检测

快速、精准的建筑物变化检测对城市规划建设等业务管理具有重要意义。随着卫星遥感技术的快速发展,基于高分辨率遥感影像的建筑物变化检测得到了广泛关注。针对像元级建筑物变化检测方法往往精度不足而目标级建筑物变化检测方法过程烦琐等问题,本文提出结合像元级和目标级的高分辨率遥感影像建筑物变化检测方法。首先综合高分辨率遥感影像的多维特征,利用随机森林分类器进行影像集分类,以获取像元级建筑物变化检测结果;然后对后时相遥感影像进行图像分割,获得影像对象;最后融合像元级建筑物变化检测结果和影像对象,识别变化的建筑物目标。利用双时相QuickBird高分辨率遥感影像进行建筑物变化检测试验,结果表明：本文提出的方法能够削弱光照、观测角度等环境差异对建筑物变化检测的影响,显著改善建筑物变化的检测精度。     

ALOS全色与多光谱影像融合的土地覆盖分类

利用Brovey、HighPass Filter和Gram-Schmidt 3种融合方法,对ALOS卫星全色与多光谱影像进行融合,并对融合后影像进行土地覆盖分类研究,从定性分析和比较融合后影像的分类精度2个方面综合评价了3种融合方法的效果。结果表明,3种融合方法都提高了影像的空间分辨率,Gram-Schmidt和HPF融合后影像光谱保持性好,同时3种融合方法不同程度上提高了影像的总体精度和Kappa系数,Gram-Schmidt最高,Brovey次之,HPF最弱,但对于不同地物分类精度又不尽相同,从整体分类结果来看,Gram-Schmidt最优。