基于知识的遥感图像地物提取方法研究

通过对图像知识库、图像数据库、纹理分析和形状分析等技术的研究,提出了一种基于知识的遥感图像地物提取的方法。该方法提取图像的纹理特征和形状特征,根据知识库中的先验知识进行推理,实现了遥感图像地物的判别和提取。     

资源三号测绘卫星自动云检测

光学卫星遥感影像自动云检测是卫星产品生产系统的一个重要环节。利用资源三号卫星编目生成的浏览图,采用树状判别结构进行云检测,对浏览图进行分块,提取子块图像的特征进行云地分类。由于云类和地物类过于繁杂,且浏览图的分辨率较低,传统通过图像特征对云地进行分类的算法有很大的局限性,针对这一问题,本文提出了在分类之前对原始的子块图像进行增强处理,扩大云和地物的纹理差异,然后以二阶矩、一阶差分等作为云地分类的图像特征,并在多尺度空间内进行特征延拓,经过综合分析估计云在影像中的比例。该云检测算法应用于资源三号卫星应用系统工程,实际测试结果表明,该算法能够较好地提升云量检测的准确率。     

利用对象光谱与纹理实现高分辨率遥感影像云检测方法

针对高分辨率遥感影像云检测过程中合适的云检测光谱阈值难以确定及影像中类云地物对云检测精度影响的问题,提出一种基于对象光谱与纹理的高分辨率遥感影像云检测方法。首先,对影像进行直方图均衡化处理,根据均衡化影像直方图获得合适的影像云检测光谱阈值。其次,用简单线性迭代聚类算法对影像进行分割生成分割对象,以对象为处理单元,根据云检测光谱阈值和对象光谱属性对对象进行云检测过滤,获得初始云检结果。然后,求得直方图均衡化影像的纹理图,根据对象的纹理均值及角二阶矩对初始云检测结果提纯,消除类云地物对云检测精度的影响。最后对提纯云区域进行区域增长及膨胀处理,获得最终的影像云检测结果。定性对比试验和定量评价结果表明,本文方法可以获得良好的影像云检测结果。     

高分辨率遥感影像中云和似云目标的自动区分

云的存在会对遥感影像的处理及目标识别等产生影响,因此,自动提取云对高分辨率卫星影像的应用具有重要意义。高分影像上更加复杂的云的细节形态及似云目标的干扰,使得高分影像的自动云提取难以达到实用水平。本文以雪地为例,选取形状、纹理和边缘3个差异化特征作为云与似云目标区分的关键,提出了一种区分高分辨率遥感影像中云和似云目标的云检测算法。首先利用Wallis滤波对输入影像进行预处理,增强影像中不同尺度的影像纹理模式;然后对影像进行快速稳定的均值漂移分割,利用灰度和纹理特征构成支持向量机的第一层分类器,将分割后的区域对象分成"云"和普通地物,再利用边缘、形状、纹理等特征结合灰度特征构成支持向量机的第二层分类器,将"云"区分为云区和似云目标;最后使用Grab-cut对云检测结果进行边缘迭代精化。本文算法取得了优良的试验结果,证明了算法在似云目标干扰下对高分辨率遥感影像进行精确云检测的能力。     

快速高准确度云检测算法及其应用

采用光谱阈值判别和纹理分析相结合的方法, 提出一种基于树状判别结构的快速高准确度云检测算法, 综合利用多个判别准则, 确定图像中云层覆盖情况, 与传统方法相比能够获得更高的分辨精确度。树状判别结构还能够在平均意义上显著提高算法运行效率。同时, 提出了一种改进的分形维数计算方法, 能够在不影响精确度的前提下, 使算法的运行效率提高5倍左右, 基本满足实时性的要求。所提出的云检测算法已在中巴地球资源卫星项目中实际应用, 实际测试结果表明, 该算法达到自动云检测的虚警概率小于5%, 漏警概率小于10%的工程要求。     

高分辨率光学遥感几何与纹理约束的线段优化算法

针对高分辨率光学遥感影像线段断裂问题,提出一种基于几何与纹理约束的线段优化算法。首先,将线段视为地物轮廓表达的一种方式,由此从同一地物边缘角度出发,提出线段断裂的几何与纹理规律;其次,提出线段优化算法,以提取线段结果为处理基元,依据线段长度确定初始优化线段,设定跟踪矩形,建立针对断裂线段的几何纹理约束模型,构建动态优化模型,并给出完整的线段优化流程。最后,通过多幅不同实际场景、不同类型高分辨率遥感影像的试验结果分析,表明本文算法不仅能够解决由地物遮挡、边缘模糊及边缘锯齿化造成的线段断裂问题,并且在优化线段长度以及抑制线段过提取问题方面,均表现出较大的优势。     

对渐进三角网点云数据滤波算法的改进

针对渐进三角网滤波算法（PTD）进行拓普康LiDAR点云数据处理过程中易将地物点误判为地面点的缺陷，本文提出两种改进方法。一种是采用局部坡度拟合法对PDT算法进行改进，将点云数据按高程值与拟合坡面法求解的拟合高程值的差由小到大进行排序，将为地面点可能性更大的点优先判定，从而获取更加精确的TIN；另一种是引入薄板样条曲线（TPS）插值法，对PTD算法进行改进，将PTD中候选点判断参数改为TPS法中的弯曲能量增长值，从而减少误判。结果表明，使用以上两种改进算法，综合考虑第1类误差和第2类误差影响，在大部分地形特征下比传统PTD算法表现更优，对低矮植被、桥、斜坡等特殊地物的滤波效果更佳。     

辅助数据在遥感影像计算机分类中的应用

遥感影像计算机自动分类技术的基本原理,是根据地物类别在遥感影像上反映出来的光谱、纹理和时相等特征而对地物进行分类的,并在影像上确定每一地物类别的平面分布。以光谱特征为基础的模式识别方法,是当前遥感应用中最常见的计算机自动分类方法,它是根据不同地物类别的不同反射光谱特性、以地物影像光谱特征的相似性作为判别     

一种遥感影像自动识别耕地类型的机器学习算法

耕地作为重要的土地资源,关系着国家的粮食安全问题,因此迫切需求快速准确获取耕地信息的方法。传统的遥感影像监督分类方法以训练样本和待分类像元/图斑的光谱特征或纹理特征的一致性作为分类依据,这对训练样本的依赖性较强。对此提出了一种基于影像窗口子区的耕地类型自动识别算法,通过提取一定大小影像窗口子区的多光谱和多层次特征,利用机器学习算法,实现影像窗口子区耕地和非耕地类型的自动判别。依据该算法,可以通过建立某个区域内遥感影像耕地类型的特征库,实现对影像窗口子区类别的非监督自动判别,提高目前分类算法的自动化程度。以东北地区高空间分辨率遥感影像为例进行实验,精度达到了90. 8%。该算法为耕地信息自动化快速获取提供了技术支持,也可用于遥感影像中某一种纯净地物类型的快速提取。     

一种顾及空间关系的遥感影像阴影检测算法

以城市区域内高大建筑阴影为研究对象,针对现有的阴影检测算法在复杂地物环境下检测精度和可靠性不高的问题,提出了一种结合颜色空间特征和空间关系的遥感影像阴影检测方法。首先,采用SLIC超像素算法对影像进行分割;然后基于Lab和HSI颜色空间构建初步检测条件,将阴影划分为阴影主体区域和待检测区域;最后,借助Canny边缘检测信息合并待判别区域内的超像素块,并利用阴影区域与造成干扰区域间的空间位置关系构建的检测条件进行判别。实验结果表明,该方法可以有效提高复杂地物环境下遥感影像阴影的检测精度和算法可靠性。     

LiDAR测量点云融合影像的分块滤波方法

针对现有LiDAR地面点滤波算法对复杂地形地物适应性不强的问题,本文提出了一种融合点云与地面影像分块滤波的方法。首先,将地面影像与点云匹配,使点云从影像中获取更多的光谱纹理信息。然后,分析地物光谱、林地相对密度、点云高程特征、地面DSM模型及其坡度,并基于决策级融合将原始点云切割成若干独立的区块。最后,根据每块区域不同的多元细节特征,对IPTD滤波算法进行改进并利用搜索法优化参数,得到最优且稳健的结果。利用滤波后的总地面点通过插值算法得到的DEM模型和相关试验验证了本文算法的优越性。     

基于多维云空间的多光谱遥感影像边缘检测研究

在云模型的基础之上,提出一种基于多维云空间的遥感影像边缘检测算法。该方法依据矢量角相似性准则并结合邻域关系进行图像区域生长,在此基础之上根据影像不同波段的数据特征建立多维云空间映射模型,将数据从图像空间映射到云空间。通过多维云的逻辑运算生成边界云并进行向量综合。利用云的数字特征反推隶属度,构建边缘模糊特征平面,并通过最大模糊熵原则确定最优阈值,对图像模糊边界进行提取。试验结果表明,该算法在多光谱遥感影像中能取得较好检测效果。     

多光谱遥感影像中云影区域的检测与修复

提出了一种有效针对多光谱遥感影像的云影检测与阴影区域修复方法。基于同一地区时相相近的两幅影像,充分利用碎云及阴影的光谱特性分别对云影区域进行融合增强,然后采用Otsu算法求解最佳阈值自动检测出云及阴影区域,根据云影的出现会引起两幅影像局部相应区域明显的亮度变化,可排除亮地物和水体的影响,建立归一化的云影密度图,在此基础上,采用线性加权组合与光谱直方图匹配相结合的方法对其加以修复,利用SPOT 4影像进行的实验表明其修复效果完全能够满足应用需要。     

面向对象和GURLS结合的高空间分辨率遥感数据云检测

遥感信息获取过程中云是重要的干扰因素，随着国产高空间分辨率卫星数据的应用，实现数据的准确云检测对有效获取地面信息具有重要意义。本文以高分一号、高分二号多光谱影像为数据源，利用图像分割获取了同质对象，基于对象光谱、纹理和几何8种属性特征建立了规则集，以规则集为输入，利用阈值法和GURLS分类器结合进行了云检测。针对不同时相和场景的高分数据，将该方法与基于像素的最大似然法和SVM法进行了对比，结果表明该方法云提取精度均在95%以上，Kappa系数在0.9以上。     

机载LiDAR点云时间纹理信息航带重叠区消冗

机载LiDAR获取的完整测区点云数据中包含了丰富的信息,同时也伴随着大量冗余数据,本文提出基于机载LiDAR点云时间纹理信息的航带重叠区消冗方法。首先按点云时间信息划分航带,再按点云纹理信息提取航带边缘,接着提取高地物遮挡空洞,最后去除重叠区冗余数据。实验结果表明,该方法无需航线信息辅助,并能在保留遮挡空洞区域点云的同时,高效地去除航带重叠区中精度较低的点云。     

基于多分辨率方向预测的LIDAR点云滤波方法

为了快速提取LIDAR点云中的地面点,生成高精度的DTM,提出了一种基于多分辨率方向预测的LIDAR点云滤波方法。该方法首先构建多种分辨率数据集,然后基于方向预测法以分辨率由低到高的顺序逐层进行数据集的平滑处理,最后以最高分辨率数据集的平滑结果为基准标记原始LIDAR点云。本方法通过分析反距离权重插值模型的不足,利用改进的模型进行裸露地面点的插值,得到高精度的DTM。实验表明,本文方法能有效地滤除地物,并保持原有的地形特征,算法效率高,具有一定的实用价值。     

面向对象的多特征分级CVA遥感影像变化检测

变化矢量分析CVA方法在中低分辨率遥感影像变化检测中已得到广泛应用,但由于高分辨率遥感影像存在不同地物尺度差异大、不同类别地物光谱相互重叠的问题,因此对于高分影像的变化检测具有局限性。为提高高分影像变化检测精度,提出了一种面向对象的多特征分级CVA变化检测方法,首先,利用基于区域邻接图的影像分割方法分别对两时相遥感影像进行多尺度分割,提取分割图斑的光谱、纹理和形状特征;然后,在各级尺度下,分别运用随机森林方法进行特征选择,计算CVA变化强度图;最后,根据信息熵对多级变化强度图进行自适应融合,利用Otsu阈值法检测变化区域,并与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行比较分析。实验表明:与比较方法相比,本文方法的变化检测精度较高,误检率和漏检率较低。