K-means聚类引导的无人机遥感图像阈值分类方法

针对无人机获取的高分辨率遥感图像分类需求,提出一种K-means聚类引导的阈值分类方法。首先计算出无人机遥感图像数据集的Average Silhouette值,作为K-means的最优聚类数目;然后对原始图像进行Kmeans聚类初分割,对初分割结果中的非目标区域进行手工剔除;再对处理之后的新对象进行阈值分割和图像优化,完成对象的提取;最后对所有处理得到的地物标签进行合并,实现遥感图像的识别与分类。基于MATLAB/GUI平台,对提出的分类方法处理步骤进行集成,开发了无人机遥感图像分类处理系统,可对无人机遥感图像进行快速处理,实现半自动解译。对分类结果进行精度验证,其总体精度为91.09%,Kappa系数为0.88,表明该方法用于无人机遥感图像分类处理,能够实现地物的精确分类与信息提取。     

自适应蚁群和模糊聚类的SAR图像分割

针对传统蚁群算法及模糊C-均值聚类算法在合成孔径雷达遥感图像分割中精度低下和收敛速度较慢的问题,该文提出了一种改进的自适应阈值的蚁群及模糊C-均值聚类算法,实现对复杂合成孔径雷达图像进行分割。针对不同的合成孔径雷达图像,首先利用最大类间方差法获取最优阈值,通过最优阈值干预避免蚁群算法陷入局部最优解;再将自适应阈值蚁群算法得到的聚类中心和聚类类别数输入模糊C-均值聚类算法中,最终实现图像分割。实验结果证明,该算法在时间和误分率上较传统方法有显著的改进。     

基于IHS变换的最优树分解在遥感图像融合中的应用

探讨了遥感多光谱与全色波段图像的融合问题，分析了基于IHS变换的小波包变换分解的遥感图像融合方法，提出了基于最优树分解的融合方法。此方法首先将多光谱图像进行IHS变换，然后对I分量和全色图像进行小波包分解和最优树分解，再进行融合，最后进行IHS 逆变换得到融合图像。此方法不仅得到较好的图像主观视觉效果，而且兼顾了客观上熵最大的原则。     

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。     

GABA算法的遥感图像分类

为了弥补蝙蝠算法后期收敛速度慢、寻优精度不高、易陷入局部最优值的缺点,本文提出了一种新的遥感图像分类算法--GABA算法,该算法将遗传算法中的选择、交叉、变异操作应用到蝙蝠算法中,使蝙蝠算法具有变异机制,避免种群个体陷入局部最优,提高了算法全局寻优能力,增加了蝙蝠算法的多样性。同时,为了突出本文算法的优点,试验将蝙蝠算法、K-means算法、粒子群算法与本文算法结果进行比较,分析评价遥感图像的分类结果。试验表明本文算法在遥感图像分类应用中既提高了分类精度又减少了分类时间,是一种可行、有效的遥感图像分类方法。     

深度学习的半监督遥感图像检索

遥感图像数据的海量性、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求,其中特征提取是影响遥感图像检索效果的关键。本文方法首先对遥感图像进行预处理,然后基于稀疏自动编码的方法在大量未标注的遥感图像上进行特征学习得到特征字典,基于卷积神经网络的思想,使用训练出来的特征字典对遥感图像进行卷积和池化得到每幅图像的特征图;接下来使用特征图训练Softmax分类器;最后对待检索图像分类,在同一类别中计算特征间的距离,进而实现遥感图像的检索。实验结果表明,该方法能够有效提高遥感图像检索的速度和准确度。     

一种遥感图像的坐标转换方法

在遥感应用中,要将遥感影像的空间信息转换到其他坐标系中,一般通过几何校正来实现。这种方法工作量大而且不可避免会引入新的误差。本文从坐标转换的角度出发,通过事先计算两个坐标系之间的转换参数,结合遥感影像中储存空间信息的方式,推导出遥感图像坐标转换的计算公式,并由此推导出根据坐标转换参数计算重采样像元坐标变换函数。根据本文提出方法,可以很方便地实现遥感图像的坐标转换,将遥感图像的空间信息转换到不同坐标系下。     

基于DeepLabV3+的遥感图像语义分割方法

遥感图像语义分割在农业、建筑物监测、城市规划等领域发挥着重要的作用,但传统的提取方法无法满足大规模生产且效率低下。针对该问题本文提出一种基于DeepLabV3+的遥感图像语义分割方法。首先,通过对原始数据变换生成多样化的训练数据集;然后,与FCN、U-Net、PSPNet三种语义分割方法比较。实验结果表明,本文方法在总体精度、准确率、交并比指标都达到最优,可实现遥感图像有效的提取,该研究可为遥感图像自动提取提供一定参考。     

基于边缘的多光谱遥感图像分割方法

从Marr视觉计算理论和Tobler地学第一定律出发,提出了基于边缘的多光谱遥感图像分割方法.在基于边缘的多光谱遥感图像分割方法中,由边缘检测、边缘综合、边缘生长、区域标号等环节组成.该遥感图像分割方法在可视化开发平台Delphi中予以编程实现.将之应用于日本熊本市（Kumamoto）的Quickbird多光谱遥感图像中,并与多种遥感分割算法进行了比较：（1）从多光谱遥感图像各波段亮度信息利用的程度上看,提出的遥感图像分割方法能充分利用多波段亮度信息;（2）从遥感图像分割结果上看,由于分别对不同的波段进行边缘检测,并在此基础上进行边缘综合、边缘生长,遥感图像中的细节特征得到了充分体现,遥感图像分割效果更理想;（3）从计算复杂度和计算效率上看,基于边缘的多光谱遥感图像分割法较其他分割方法有一定的优势.     

基于模糊马尔可夫随机场的无监督遥感图像分割算法

遥感图像分割是对遥感图像进行处理的最为关键的一步.马尔科夫随机场模型作为先验模型,在图像分割领域已经得到了广泛的应用,实践证明该模型有助于提高图像分割的效果.但是由于环境和传感器的影响,遥感图像具有灰度变化大、纹理复杂及边界模糊等特点,经典的马尔科夫随机场模型在遥感图像分割中的分割效果通常并不理想.本文针对遥感图像分割中某些像素分类的不确定性,建立了模糊马尔可夫随机场模型(FMRF).该模型结合分割问题中的随机性与模糊性,更合理地获取了图像的先验知识,较好地符合了遥感图像的特点,因而使得图像分割过程中使用先验知识更为准确.同时算法针对遥感图像的特点,结合了图像的灰度特征和纹理特征,从而使其能更准确地区分图像中的不同类.为使两种特征能够很好地结合,本文采用了贝叶斯分割方法,使用权值对图像特征进行权衡.同时本文采用最大期望算法(EM)对不完整的数据进行估计,应用模拟退火算法(SA)获得全局最优解,从而实现了无监督分割.实验证明,对于SAR图像,该方法较经典的马尔可夫随机场(MRF)算法和模糊C-均值(FCM)算法更好地处理了边缘的混叠,明显减少了斑点噪声,使分割结果更加准确.     

多视觉特征与K-centroid聚类的高分辨率遥感图像检索

目前基于单一内容的高分辨率遥感图像检索具有描述片面、信息不精确的问题。针对此问题,充分利用遥感图像的颜色、形状和纹理特征,将三者综合起来,形成多视觉特征的遥感图像检索,并通过一系列的迭代运算,得到这三种特征对待不同类遥感图像时各占的最佳比例系数,从而得到较好的检索结果。并针对分别计算遥感图像的颜色、形状和纹理特征,再将其融合导致在大图像库中进行检索时检索速度较慢这个问题,引入改进的K-centroid聚类算法,先对遥感图像库中的图像进行聚类,大大缩小了检索的范围,提高了检索速度。实验结果表明,该方法具有较好的检索结果。     

基于多进制小波变换的遥感影像融合

首先介绍了遥感影像融合的理论和方法 ,然后在讨论多进制小波理论的基础上 ,提出了一种基于特征的多进制小波变换的影像融合算法 ,该算法根据待融合影像分辨率之比确定采用多进制小波 ,从而最大限度的利用了待融合影像的信息 ,防止影像信息的丢失。通过对具体影像的实验 ,证明融合后的影像最大限度地保留了待融合影像的光谱信息 ,同时提高了待融合影像的清晰度和空间分辨率。文中给出了SPOT全色影像与SPOT多光谱波段影像、SPOT全色影像与TM影像的融合结果 ,并与其他方法进行了比较 ,证明了本方法的优越性和自适应能力     

基于对比度增强和形态学的遥感影像道路提取

提出了一种基于对比度增强和形态学的遥感影像道路边界与特征点提取的方法。先对遥感影像进行对比度变换增强,通过对比分析直方图均衡化和对比度分段线性增强两种方法获取的增强影像,选取区分度大的分段线性增强方法进行影像增强,然后运用数学形态法进行影像分割,实现道路和其他图像信息的有效分离。利用Krisch算子进行边缘检测提取道路的边缘信息,并基于边缘特征利用改进的Harris算子提取特征点,将提取的特征点进行拟合并用函数模型描述图像道路信息,用于后期制图中道路信息的矢量化。     

地理国情普查中卫星遥感影像处理方法研究

在山西省地理国情普查实验区朔州市资源3号卫星遥感影像数据的处理中,需要使用多种软件处理遥感影像数据。本研究结合多种处理流程和技术方法,通过对处理后的影像数据分析比较,找到了卫星遥感影像数据处理的最佳途径,重点分析了卫星遥感影像的纠正方法,为在地理国情普查工作中提高多源卫星遥感影像数据处理效率和质量进行了有益探索。     

西宁市城区扩展对比中遥感影像处理技术的探讨

根据西宁市城区扩展监测对遥感信息提取的需要,采用多种方法将具有较高空间分辨率的SPOT遥感图像和具有多波谱的ETM 遥感图像进行增强及融合试验,结果表明:对ETM 影像先进行锐化处理,再将SPOT影像与锐化后的ETM 信息融合,然后对融合后的影像进行去霾处理得到的影像质量最好。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

南极区域遥感影像融合处理质量评价研究

南极是地球上对全球气候变化最敏感、响应最迅速的区域之一,针对南极冰盖变化的监测对很多领域有着十分重要的意义。本文针对南极区域选取MODIS与Land—sat ETM＋两种遥感影像,通过ENVI遥感平台,利用包括WAVELET变换法、PCA变换法、BROVEY变换法和HPF变换法等4种影像方法进行融合,并选择均值、标准差、偏差指数、相关系数等评价指标,对融合后的影像进行评价。得出结论：ETM＋影像WAVELET算法融合效果最好,而对于Modis影像PCA算法融合效果最好,两种卫星影像对不同尺度的监测都有着各自的优势。     

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。     

基于支持向量机的CBERS-02卫星影像信息提取

CBERS卫星是由中国空间技术研究院与巴西空间研究院联合研制的地球资源遥感卫星,CBERS-02卫星数据总体质量比CBERS-01卫星有所提高,本文利用支持向量机方法对CBERS-02卫星影像信息进行提取。研究中首先用6S模式对影像进行大气校正,然后选择RBF为支持向量机方法的核函数,并用交叉验证方法得到影响RBF核函数的两个最佳参数值进行学习完成信息提取,最后将提取结果制作成矢量图。通过研究得出用大气校正后的数据进行信息提取分类精度有所提高;与最大似然法和最小距离法相比,支持向量机方法分类精度较高。通过将研究结果与ETM+影像进行比较得出,CBERS-02卫星影像精度能够满足应用需求并能代替TM/ETM+数据开展研究工作。     

基于GPU并行计算的巨幅遥感影像坐标转换研究与实现

随着航空航天遥感技术的不断发展,以遥感影像为代表的栅格数据分辨率越来越高,遥感影像处理呈现出数据量大、复杂度高的特点。近年来,通用GPU的运算性能不断提高为加速密集运算提供了新的途径,目前,采用GPU并行技术进行遥感影像处理成为新的研究热点。本文提出了基于GPU并行计算的巨幅遥感影像坐标转换方法,实践证明,相比于传统的转换方法基于GPU的算法有较为明显的提速。