无人机航空摄影测量系统在农村土地确权中的应用

介绍了用PPSG UAV对双鸭山市郊区2．5 km2地域（农村土地承包经营权确权双鸭山试点）试验区进行无人机航摄,无人机搭载非量测型相机获取低空遥感数据,计算机安装专业空三解算软件处理具体影像,最终取得数字正射影像图（ DOM）、数字表面模型（ DSM）,通过数据分析了该系统的空中三角测量成果的精度和数字正射影像图（ DOM）、数字表面模型（ DSM）的精度,都达到了航空摄影测量地理信息数字成果比例尺1∶1000的成图精度。     

基于无人机遥感的滑坡几何参数测量方法研究

介绍了一种利用无人机遥感影像测量滑坡体的技术方法,探讨了无人机在获取滑坡监测几何参数方面的优势。以鄂西某滑坡为例,利用无人机摄影测量技术,根据该滑坡区域不同时期航摄影像制作完成DEM、DOM等多类型成果,计算得到该滑坡不同时期的特征断面和土石方变化量,综合分析得出滑坡趋于稳定的结论,验证了基于无人机遥感的滑坡几何参数测量方法的实效性。     

基于多特征CRF的无人机影像松材线虫病监测方法

利用无人机遥感技术进行林业调查，可以获取低成本、高分辨率、高时间密度的遥感数据，特别是为小尺度范围的森林病虫害监测提供了非常有效的监测手段。本文以小型无人机为影像获取平台，航摄获取可见光RGB影像，基于高分辨率影像进行松材线虫病松树提取方法研究。根据影像特点，提取影像中地物颜色、纹理特征，并采用CRF方法进行分类，识别出病害松树。通过比较多种分类方法的提取结果，验证了基于多特征CRF方法在松材线虫病监测中的可行性和有效性。     

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。     

固定翼无人机低空遥感系统在山地区域影像获取研究

针对固定翼无人机低空遥感系统在山地区域的影像获取,阐述了在山地区域无人机类型的选择以及无人机起降场地的要求,研究了无人机航摄设计、航空摄影实施等方法与技术。     

基于高光谱的湿地植被分类研究

光谱特征的选择对于湿地植被的识别精度和效率有直接的影响。本文以萨克拉门托-圣华金三角洲为研究区,基于Hy Map航空高光谱遥感影像数据,分析湿地植被的一阶微分和二阶微分光谱特征。在上述分析的基础上基于均值置信区间的波段选择法对一阶微分、二阶微分进行波段选择,根据获取的有效特征波段构建特征集,利用C5决策树分类算法产生规则集,并对实验区的湿地植被进行了分类研究。结果表明:湿地植被的一阶微分、二阶微分能够突出不同湿地植被光谱曲线在不同波段的增速不同,利用均值置信区间的波段选择法能够对特征波段起到降维效果,根据降维后的特征波段采用C5决策树分类算法,可以实现湿地植被在物种水平上的识别,并达到较好的分类精度。     

基于遥感影像纹理特征的湿地植被分类

为了监测自然因素和人为活动对湿地生态系统的影响,采用高分辨率遥感影像进行快速湿地植被群落检测是非常必要的。提出了一种基于纹理特征的湿地植被群落自动分类算法,并通过实例证明,该算法可有效提高湿地植被的分类精度。     

高分辨率遥感植被分类研究

以南京市区的植被覆盖为研究对象,基于IKONOS遥感影像,采用决策树分类算法,根据各种植被光谱特征建立知识库,提出基于光谱信息的植被分类方法,继而结合高分辨率影像特有的纹理特征引进局部一致性指数对该方法进行改进,提出结合纹理信息的高分辨率遥感植被分类方法,分类总体精度从仅利用光谱信息的83.16%显著提高到91.89%,Kappa系数达到0.8886。采用Quickbird遥感影像对该方法进行验证,分类总体精度为91.94%,Kappa系数为0.8783,表明该植被分类方法能有效地对植被进行分类与识别,精度较高,且对于不同数据源的植被分类具有一定的普适性,为实现植被的自动化提取提供了理论依据和有效的方法途径。     

无人机航摄系统获取DOM的技术研究

无人机航摄系统是继传统的航空摄影之后出现的一种新的数字测绘航空摄影技术。介绍无人机航空摄影测量系统的特点,通过对某区实施航摄获取正射影像（DOM）来阐述在DOM获取过程中像控点布设、内业数据处理（包括影像预处理、匹配、空三加密、正射纠正等）的相关技术,同时探讨DOM产品质量评价的方法。实践结果表明,无人机低空摄影测量系统在大比例尺、小区域成图时具有速度快和工作效率高的特点。     

无人机遥感真正射影像高精度制图

近年来无人机低空遥感技术不断发展,利用无人机影像生成的真正射影像（TDOM）在成图精度、制作流程方面仍有提高的空间。本文采用固定翼无人机和专业摄影相机采集影像,布设地面控制点,提出了利用运动恢复结构（SfM）和多视立体视觉（MVS）工作流来生成高精度数字表面模型（DSM）和数字正射影像（DOM）的方法;对遮蔽倾斜部分进行阴影检测、DSM修编和多视影像纹理补偿生成TDOM;最后用TDOM上随机分布的检查点进行精度检查,水平精度为3.3 cm,垂直精度为7.5 cm;消除了DOM中倾斜和阴影部分,使建筑物保持垂直视角,生成的满足1：500比例尺高精度并消除倾斜阴影的TDOM可用于农村宅基地确权、国土规划设计等领域。     

Sentinel-2影像多特征优选的黄河三角洲湿地信息提取

以北方典型河口湿地—黄河三角洲湿地为研究区,采用在特征选择和分类提取等方面具有明显优势的随机森林算法,对研究区内的湿地信息进行提取。首先基于多时相、光谱信息丰富的Sentinel-2数据生成4类不同的特征变量,包括光谱特征、植被指数和水体指数、红边指数、纹理特征;再根据以上特征构建6种不同的提取方案,对黄河三角洲湿地信息进行提取并验证不同方案的提取精度,旨在选择最佳方案改善湿地信息提取的效果。结果表明:(1)有效地使用多种特征变量是提高湿地信息提取的关键,就不同特征对湿地信息提取的贡献率而言,红边指数植被指数和水体指数光谱特征纹理特征;(2)基于随机森林算法优选的特征变量提取效果最佳,总体精度高达90.93%,Kappa系数为0.90,表明随机森林算法可以有效地进行特征选择,在特征变量数据挖掘的同时,仍能保证湿地信息提取的精度,提高运行效率。本研究为湿地信息提取在数据源选择、特征选择和方法选择方面提供了一种新思路、方法和技术手段。     

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。     

高分辨率影像的植被分类方法对比研究

高分辨率影像的纹理信息可解决用光谱分类面临的“同物异谱”和“同谱异物”问题,更精确地分辨地物的细微变化,但将纹理作为主要信息进行植被分类的研究较少。本文以南京市钟山景区为例,利用IKONOS影像数据的纹理信息进行植被分类,并将结果与用光谱信息、植被指数信息的分类结果比较。共使用了4个灰度共生矩阵纹理量：CON（对比）、COR（相关）、HOM（同质）和MCON（改进的对比）分析各类植被的纹理表征设阈值分割;用3个植被指数：NDVI（归一化指数）、MSAVI（改进的土壤调节指数）和SAVI（土壤调节指数）（L取0.5和5）选择发现SAVI5最能区分。对纹理和指数信息均设各类型的阈值进行分割提取;基于光谱信息分别用最小距离监督分类和ISODATA非监督分类。研究中先进行数据恢复,再分别用三种信息将试验区植被分为6类：草地、竹林、常绿针叶林、常绿阔叶林、混交林和园地,最后将三种方法4个结果进行比较。精度评价的结论是：纹理信息分类的精度最高,植被指数次之,光谱信息中的非监督分类最低,纹理反映地物光谱及差异信息,可作为最佳方法用于植被分类。     

一种基于SVM的无人机影像中单个建筑物的角点检测方法

针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。     

Towards 3D map generation from digital aerial images

This paper describes the fusion of information extracted from multispectral digital aerial images for highly automatic 3D map generation. The proposed approach integrates spectral classification and 3D reconstruction techniques. The multispectral digital aerial images consist of a high resolution panchromatic channel as well as lower resolution RGB and near infrared (NIR) channels and form the basis for information extraction.Our land use classification is a 2-step approach that uses RGB and NIR images for an initial classification and the panchromatic images as well as a digital surface model (DSM) for a refined classification. The DSM is generated from the high resolution panchromatic images of a specific photo mission. Based on the aerial triangulation using area and feature-based points of interest the algorithms are able to generate a dense DSM by a dense image matching procedure. Afterwards a true ortho image for classification, panchromatic or color input images can be computed.In a last step specific layers for buildings and vegetation are generated and the classification is updated.     

纹理特征在多光谱遥感影像分类中的应用

提出了基于灰度共生矩阵的多光谱影像纹理分析的方法,实现了利用k-mean聚类算法对多光谱影像进行分类,比较了各种不同的分类结果。     

Tree Crown Detection,Delineation and Counting in UAV Remote Sensed Images: A Neural Network Based Spectral–Spatial Method

UAVs are fast emerging as a remote sensing platform to complement satellite based remote sensing. Agriculture and ecology is one of the important applications of UAV remote sensing, also known as low altitude remote sensing (LARS). This work demonstrates the use and potential of LARS in agriculture, particularly small holder open field agriculture. Two UAVs are used for remote sensing. The first UAV is a fixed wing aircraft with a high spatial resolution visible spectrum also known as RGB camera as a payload. The second UAV is a quadrotor UAV with an RGB camera interfaced to an on-board single board computer as the payload. LARS was carried out to acquire aerial high spatial resolution RGB images of different farms. Spectral–spatial classification of high spatial resolution RGB images for detection, delineation and counting of tree crowns in the image is presented. Supervised classification is carried out using extreme learning machine (ELM), a single hidden layer feed forward network neural network classifier. ELM was modelled for RGB values as input feature vectors and binary (tree and non-tree pixels) output class. Due to similarities in spectral intensities, some of the non-tree pixels were classified as tree pixels and in order to remove them, spatial classification was performed on the image. Spatial classification was carried out using thresholded geometrical property filtering techniques. Threshold values chosen for carrying out spatial classification were analysed to obtain optimal values. Finally in the delineation and counting, the connected tree crowns were segmented using Watershed algorithm performed on the image after marking individual tree crowns using Distance Transform method. Five representative UAV images captured at different altitudes with different crowns of banana plant, mango trees and coconut trees were used to demonstrate the performance of the proposed method. The performance was compared with the traditional KMeans spectral–spatial method of clustering. Results and comparison of performance parameters of KMeans spectral–spatial and ELM spectral–spatial classification methods are presented. Results indicate that ELM performed better than KMeans.     

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。     

Sentinel-2A数据支持下的雷州半岛植被类型识别

本文以雷州半岛为研究区,利用Sentinel-2A影像数据和真实植被样本数据,综合探讨了机器学习中随机森林与支持向量机的分类效果,并与传统的最大似然法进行比较。提取Sentinel-2A影像9个波段、7个植被指数、72个纹理特征,通过递归特征消除法挑选了10个特征组合,并将其应用于3种分类方法中,对其分类效果进行比较。结果表明:①有效使用多种特征变量是提高植被类型识别精度的关键,就不同特征对植被类型识别的重要性而言,光谱特征与纹理特征相当且大于植被指数,三者重要性相差不大;②随机森林分类效果最佳,不但能对特征进行有效选择,而且能保证植被类型提取精度,提高运行效率;③基于随机森林特征选择的递归特征消除法得到的特征组合不能对其他分类器性能进行优化,对随机森林模型本身的优化效果也有限。