训练样本对TM尺度小麦种植面积测量精度影响研究（Ⅰ）——训练样本与分类方法间分类精度响应关系研究

准确的遥感农作物类型识别和种植面积统计,不仅仅取决于不同分类方法的选择,同时还要看输入分类器用以学习的训练样本数据,训练样本对分类精度的影响比分类技术本身对测量精度的影响还要大。训练样本对测量精度的影响包含样本的质量和数量两个方面。为了探讨训练样本对农作物种植面积测量精度的影响,本文以小麦为例,选择典型试验区,利用较常用的TM遥感影像,结合高分辨率SPOT数据和野外GPS数据,在构建标准训练样本和检验样本数据集的基础上,在不同训练样本量下,分别对光谱角制图、平行六面体、马氏距离、最小距离、最大似然和支持向量机6种方法进行了多次试验,并对测量结果进行了对比分析。研究结果表明:①不同样本量下6种方法10次测量的结果存在不同程度的波动,而且地块越破碎的地区波动越大,但这种波动随样本量的增加会减少,说明目前在小麦面积测量中,用单次分类的结果作为最终的提取结果的做法存在一定的随机误差,在实际的工作中,应尽可能多的获取训练样本,以提高小麦面积测量的稳定性,同时利用多次测量结果求均值的方式,来消减或者抵消测量的随机误差;②相同样本量下,各种方法测量出的全区和破碎区的小麦像元个数(总量)不一致,种植结构复杂且破碎的地区,各种方法测量出的小麦面积总量差异会更大,说明不同方法对同一地区小麦的识别能力是不同的,同种方法对于不同地区小麦的识别能力也是不一样的,但是通过分析小麦识别的产品精度和用户精度,可以判断出哪个结果最接近于真实总量。     

地形校正对U-Net深度神经网络分类器分类精度的影响

在国土资源监测、森林资源调查等多个领域中,基于遥感影像的分类技术受到了广泛应用。在利用传统分类器对地表覆盖分类提取中,地形效应是制约分类精度提升的一种因素,其影响可通过适当的校正模型减弱,且已证明地形校正能够对分类精度的提升起到积极作用。相比于传统分类器,基于深度学习理论的深度神经网络分类器具有深层特征学习和表达的优势,在图像分类领域兴起并逐渐用于土地覆盖分类且取得了不错的精度提升。本文初步探究了地形校正在利用深度神经网络分类器U-Net进行地表覆盖分类时对分类精度的影响情况。以Landsat 8 OLI 30 m影像为数据源,结合GDEM_V2 30 m地形数据,在GlobeLand 30和全国30 m森林分类结果的基础上,利用U-Net深度神经网络分类器实现了山区地表覆盖分类提取,并就不同训练样本获取方式及不同精细程度分类体系下地形校正前后的分类精度做了对比分析。分类结果表明：（1）规则网格裁切和坡向辅助裁切这两种训练样本获取方式下,地形校正后的分类精度较校正前不变或有极小幅度的降低,降低范围在0.9%—1.39%;（2）在对更精细的森林类型分类中,地形校正后的分类精度较校正前下降了1.66%。本文初步探究得到：在规则网格裁切和坡向辅助裁切这两种训练样本获取方式及不同精细程度的分类体系下,地形校正均未能提高U-Net深度神经网络分类器的分类精度。     

结合多分类器的遥感数据专题分类方法研究

采用标准的多分类器结合方法进行遥感图像的分类研究。首先介绍了标准的多分类器结合的算法,然后以Landsat-TM多光谱遥感数据的土地覆被分类为例,分别给出了抽象级上相同训练特征的多分类器结合、抽象级上不同训练特征的多分类器结合和测量级上的多分类器结合进行土地覆被分类的方法,并进行了实例研究。参与分类器结合的单个分类器包括最大似然分类器,最小距离分类器,马氏距离分类器,K-NN分类器,多层感知器神经网络分类器。分类器的分类精度用总体精度、用户精度、生产者精度、kappa系数和条件kappa系数评价。结果表明,每一种多分类器结合的分类方法都能够比较显著地提高总体分类精度。文章最后对不同多分类器结合方式的优缺点进行了分析。     

HJ-1卫星数据质量及其在土地利用中的应用研究

通过对影像日视质量、光谱特性、噪声特征和几何纠正精度的分析,研究了HJ-1小卫星的数据质量;选择特征变量,优化训练样本,建立了分类模板,构建最大似然、最小距离和马氏距离3种分类器,对研究区域进行土地利用计算机自动分类,并对分类精度进行评价,研究了小卫星影像的土地利用分类精度.结果表明,HJ-1卫星数据质量较好,土地利用分类精度较高,可以在土地利用研究领域成为遥感数据更新的主体.     

通过训练样本采样处理改善小宗作物遥感识别精度

训练样本质量是决定农作物遥感识别精度的关键因素,虽然高空间分辨率卫星的发展有效地解决了农作物遥感识别过程中的混合像元问题,但是当区域内不同作物种植面积差异较大时,训练集中不同类别样本数量往往相差较大,这样的不均衡数据集影响分类器的训练,导致少数类别的识别精度不理想。为研究作物遥感识别过程中的不均衡样本问题,本文基于GF-2号卫星数据,首先挖掘了地物的光谱信息、纹理信息,用特征递归消除RFE (Recursive Feature Elimination)方法进行特征优选,然后从数据处理的角度采用了5种采样算法对不均衡训练集进行处理,最后使用采样后的均衡数据集训练分类器,对比数据采样前后决策树与Adaboost(Adaptive Boosting)两种分类器的识别结果,发现:(1)经过采样处理后两种分类算法明显提升了小宗作物的分类精度;(2)经过ADASYS (Adaptive synthetic sampling)采样处理后,分类器性能提升最多,决策树的Kappa系数提高了14.32%,Adaboost的Kappa系数提高了10.23%,达到最高值0.9336;(3)过采样的处理效果优于欠采样,过采样对分类器的性能提升更多。综上所述,选择合适的采样方法和分类方法是提高不均衡数据集遥感分类精度的有效途径。     

LS-SVM算法中优化训练样本对测深异常值剔除的影响

在验证趋势面滤波是最小二乘支持向量机算法(LS-SVM)取特定参数解的基础上,利用LS-SVM所构造的海底趋势面对测深异常值进行剔除.为了克服LS-SVM解非稀疏性的缺点,同时抑制偏差较大的训练样本对海底趋势面构造的影响,提出一种基于局部样本中心距离的训练样本优化方法.为了检验该算法的有效性,选取实测的多波束测深数据进...     

地面三维激光扫描仪距离测量精度试验研究

随着三维激光扫描技术的不断发展,对扫描精度的要求越来越高,仪器的测距性能是其扫描精度的重要因素之一。以徕卡C10三维激光扫描仪为研究对象,在对球形标靶中心识别精度试验的基础上,依据仪器的有效扫描范围选择10个距离进行试验研究。采用拓普康902A全站仪获取不同距离的数据,通过扫描仪对球形标靶扫描提取仪器中心到球形标靶中心的水平距离,分别计算出扫描仪测距的内外符合精度。研究结果表明：在150m距离范围内扫描仪的内符合精度相对稳定,在100m距离范围内扫描仪的外符合精度能够达到5mm以内。超出一定范围后随着距离的增加,内外符合精度逐渐下降。     

基于最小距离法的面向对象遥感影像分类

主要介绍了集成基于对象的影像分析与最小距离分类方法的原理,采用中卫市World ViewⅡ影像进行土地覆盖分类研究,并将分类结果与传统的基于像元的最小距离分类结果进行对比。目视解译与定量评价均表明:基于对象方法的各项指标更优越,总体精度由0.85提高到0.87,Kappa系数由0.81提高到0.84。因此,对于高分辨率遥感影像,集成最小距离分类器,基于对象的信息提取方法要优于基于像元方法,分类结果精度更高。     

一种适用于多类别遥感图象分类的新方法——复合神经网络分类方法

该文提出一种由多层神经网络与自组织神经网络相结合进行类别遥感图象分类的复合神经网络分类方法。第１步半训练样本按其统计特征分成若干组，用不同级别的训练样本分别训练ＢＰ网络。第２步将这些训练好的ＢＰ网络并联构成有监督分类器，对遥感图象进行有监督分类。第３步用ＢＰ网络的分类结果对Ｋｏｈｏｎｅｎ网络进行自组织训练，用训练好的Ｋｏｈｏｎｅｎ网络构造无监督分类器，对遥感图象进行细分。通过对ＳＰＯＴ遥感图象的分     

不同扫描方式对平面标靶拟合精度的影响

由于地面三维激光扫描仪扫描精度对扫描距离、扫描分辨率及扫描方向具有很强的依赖性,因此研究其与扫描距离、扫描分辨率及扫描方向的关系对实验分析及工程应用具有很重要的意义。本文利用Faro Focus 3 D激光扫描仪从不同距离、扫描分辨率、扫描方向对不同形状的平面标靶进行实验,研究不同的扫描方式对平面标靶拟合精度的影响,并进一步判断扫描仪是否存在较大的轴系误差,为后期的自检校提供依据。     

基于纹理特征的遥感影像监督分类

影像分类技术是遥感影像分析与解译的重要基础。纹理特征是影像的重要特征,本文主要实现基于纹理特征的遥感影像监督分类。首先对地物样本进行提取,通过样本训练统计各类地物纹理特征向量,建立纹理特征库;然后以各类地物的特征向量作为基准,采用最短距离分类器对影像进行分类;最后采用混淆矩阵对分类结果进行精度评定,并与ERDAS专业软件分类结果进行对比分析。实验证明,本分方法取得了与ERDAS软件相当的分类效果,从而验证本文方法的可靠性。     

深度学习农作物分类的弱样本适用性

基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略：以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN（Deep Convolutional Neural Networks）,获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示：测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。     

Introducing sensor spectral response into the classification process

Many sensors have their bands overlapped and therefore do not set a normal space. If a spectral distance is measured, as in first-order statistical classifiers, the direct consequence is that the result will not be the most accurate. Image classification processes are independent of the spectral response function of the sensor, so this overlap is usually ignored during image processing. This paper presents a methodology that introduces the spectral response function of sensors into the classification process to increase its accuracy. This process takes place in two steps: first, incident energy values of the sensors are reconstructed; second, the energy of the bands is set in an orthonormal space using a matrix singular value decomposition. Sensors with and without overlapping spectral bands were simulated to evaluate the reconstruction of energy values. The whole process was implemented on three types of images with medium, high and very high spatial resolution obtained with the sensors ASTER, IKONOS and DMC camera, respectively. These images were classified by ISODATA and minimum distance algorithms. The ISODATA classifier showed well-defined features in the processed images, while the results were less clear in the original images. At the same time, the minimum distance classifier showed that overall accuracy of the processed images increased as the maximum tolerance distance decreased compared to the original images.     

多分类器实例协同训练遥感图像检索

提出一种基于多分类器协同训练的遥感图像检索方法,该方法在不同特征集上分别建立分类器,利用不同分类器的协同性自动标记未知样本,从而有效解决了小样本问题。通过与相关反馈方法进行实验比较分析,结果表明,这两种方法各有优劣,检索结果基本相当,然而多分类器协同训练方法避免了相关反馈过程中人工的多次反馈,自动化程度更高。     

高光谱影像分类的深度少样例学习方法

针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力。利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验,试验结果表明,该算法能够在训练样本较少的情况下（每类地物仅选取5个标记样本作为训练样本）取得优于传统半监督分类方法的分类精度。     

Landsat TM数据不同辐射校正方法对土地覆盖遥感分类的影响

本文主要是探索Landsat TM数据不同辐射校正方法对土地覆盖遥感分类的影响。介绍了使用的3种不同辐射校正方法(ATCOR3、FLAASH以及查找表)和两种分类算法。在分类实验部分,根据样本的地理坐标在3景校正影像中分别采集训练样本并训练各自的分类器,并交叉用于其他辐射校正影像的土地覆盖遥感分类。实验结果表明:(1)用于分类器训练的样本采集自待分类影像时的分类精度明显高于采集自其他影像的分类精度;(2)3种辐射校正影像的分类结果存在差异,其中使用ATCOR3和FLAASH方法校正后影像的分类结果有更相近的精度;(3)辐射校正对分类类别的影响不同,其中对森林类型影响最大,对裸地等其他类别影响相对较小。     

属类概率距离构图的半监督高光谱图像分类

提出一种利用属类概率距离构图的半监督学习算法,并应用于高光谱图像分类。首先,该算法利用基于分类的稀疏表达方法来预估未标记样本的属类概率向量,然后,利用这个概率向量对描述数据相似性的距离函数进行改造,改造后的距离函数能有效扩大异类样本点之间的距离,在新的距离函数的度量下,每个样本点的邻域中可包含更多同类的样本点。最后,将该距离函数应用于半监督学习线性邻域传播算法和标签传播算法中。在Hyperion 和AVIRIS高光谱遥感图像上的实验结果表明：相比于传统的基于图的半监督学习算法,该算法能有效提高高光谱遥感图像分类精度。     

一种基于支撑向量机的遥感影像不完全监督分类新方法

不完全监督分类是研究在只有目标类训练样本的情况下如何准确地将目标类从数据集中提取出来。在许多遥感应用问题中,往往只需要从遥感影像中提取某一类地物。如果分类过程中只要选取目标类训练样本,将节省在训练样本选取过程中的大量人力物力。因此不完全监督分类是一个值得研究的遥感分类问题。提出了一种基于加权无标识样本支撑向量机(WUS-SVM),并在其基础发展出一种不完全监督分类方法。该方法分3个步骤:(1)在影像中随机选取一定量的无标识样本,将它们作为具有不同权重的非目标类训练样本;(2)用目标类的训练样本和加权无标识训练样本一起训练WUS-SVM,得到初步的分类器;(3)利用初步的分类器确定无标识样本的类别,并与原目标类训练样本一起再次训练SVM得到最终的分类器。通过对模拟数据和遥感影像的分类试验初步证明了该分类方法的有效性。     

一种多站扫描中标靶定位精度的整体评估方法

针对目前标靶定位精度的估计大多是基于单个位标靶进行的,没有顾及各站标靶之间的关系,该文提出基于激光束法区域网中的同名距离,对标靶定位坐标进行检核和验算。整体思想是通过查找扫描站间标靶有两个或两个以上为同名标靶时,以相邻站同名距离相等为条件列立同名距离方程式,平差计算标靶定位精度,验算标靶定位精度是否满足某种工程测量的要求。通过实际工程案例,说明了激光束法区域网平差前的概算对标靶定位坐标检核和精度估计的必要性。