基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。     

基于ASTER图像和地形因子的岩性单元分类——以新疆木垒地区为例

利用遥感图像进行岩性分类,是遥感地质应用的重要方面之一.本文运用ASTER DEM提取地形因子,并与原始的光谱图像相结合用于遥感图像的岩性单元分类.文章分析了不同尺度的地形因子对岩性单元分类的作用,并进一步分析和比较各种地形因子对岩性单元分类的作用.结果表明,在岩性单元分类过程中加入不同的地形因子可不同程度地提高岩性单...     

生态环境遥感分类数据矢量化方法与应用

遥感分类数据矢量化建库是生态环境遥感制图及其应用分析过程中主要的处理内容和基础工作。以福建省海岸带生态环境遥感分类数据为例 ,在分析遥感图像处理系统对遥感分类和专题信息提取后处理中矢量化能力不足和结果存在严重缺陷的基础上 ,综合应用遥感和地理信息基础软件平台 ,提供的系列数据管理、分析和数据转换功能模块 ,开展基于生态环境遥感影像分类数据的矢量化建库技术探讨 ,提出一个生态环境遥感分类数据矢量化建库的通用技术方法和流程 ,并对矢量化结果做了一个简要的评价和分析 ,以满足大面积生态环境遥感调查、分析和制图的实际需要。     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比单纯运用光谱特征进行分类效果要好。     

证据推理的遥感图像分类方法与应用

遥感图像分类一直是遥感研究领域的核心问题。然而,传统遥感分类方法在地物复杂地区不能取得满意效果。不但分类精度不够理想,分类灵活性也存在不足。本文尝试引入证据推理"软"分类方法,选择小兴安岭山区一景TM遥感图像,基于用户知识和经验,通过人机交互处理,以累计信任度(CBV)最大为划分像元归类的原则得到证据推理方法的分类图像。结果表明,整体分类精度从最大似然法的78.74%提高到82.28%,kappa系数从0.67提高到0.71。但该方法对于裸地分类精度不高,通过人为设定各类别CBV阈值的方法,获得了人为干预的证据推理方法分类图,其整体分类精度达到了87.80%,kappa系数也达到了0.81,所有类别的生产者和用户精度相比于最大似然法都有提高。研究表明,证据推理方法在遥感分类精度和分类灵活性方面都具有优越性。     

基于光谱-空间残差网络模型的高光谱遥感图像分类

残差网络是近几年提出的一种新型深度卷积网络,通过增加网络深度提高分类的准确率,也解决了网络退化问题。基于残差学习原理,设计了针对高光谱遥感图像分类的光谱-空间残差网络模型。首先,将原始高光谱遥感数据三维立方体输入网络模型,并使用特定的卷积核对光谱特征进行降维;然后,利用光谱残差模块和空间残差按模块分别且连续地学习光谱和空间特征;最后,对提取到的特征进行池化操作并分类。此外,为规范训练数据和防止过拟合,学习过程中使用了批量归一化和dropout的方法。所设计网络模型在Indian Pines和Pavia U数据集上进行了验证实验,结果表明,所提方法有效地缓解了网络退化的问题,且在分类精度上也高于支持向量机、卷积神经网络等现有算法。     

土地利用遥感动态监测技术方法介绍

采用遥感技术进行土地利用动态监测是一条行之有效的方法。遥感监测方法多种多样。但为了确定变化类型,要引入遥感图像分类方法。遥感分类方法一直是遥感技术方法研究的重要领域。迄今为止,目视解译仍是成功的分类方法;在今后相当长的一段时间内,目视解译分类与计算机自动分类将协调发展。我国土地利用遥感动态监测方法主要采用目视解译、计算机自动分类及目视解译与计算机图像处理相结合的方法,其中,目视解译的方法一直占有重要地位。随着高分辨率传感器的相继问世,利用多平台遥感数据融合进行监测研究将有利于提高分类、监测精度。我国的土地利用遥感监测研究正深入开展,并将在计算机信息提取及监测方法上取得更大的成果。     

基于多源遥感数据的农村居民点用地提取技术

在分析和改进传统的建设用地、不透水面遥感分类方法的基础上,针对农村居民点用地的特点,提出了一种结合面向对象分类技术、多源、多时相遥感数据数据综合分析技术,借助先验知识,通过遥感手段与GIS技术相结合进行农村居民点用地分类提取的新方法。使用北京市遥感数据进行了实验,自动分类结果准确率高。另外,通过对图像分割后得到的图像对象进行多边形编辑,可以进一步提高准确率,从而满足高精度研究和监测的需要。     

基于深度信念网络的遥感影像识别与分类

高分辨率遥感影像具有高维、多尺度、非平稳的内部特性和海量、多源、异构的外部特征,具有丰富的空间信息。探讨了利用新兴的深度信念网络研究高分辨率遥感影像的智能提取与分类,通过大量实验对比分类精度、Kappa系数以及参数敏感度分析,提出了网络层数、隐含层神经元个数、迭代次数等参数的最优设置方案,相比传统的浅层网络分类器,改进后的深度信念网络更好地拟合了样本的内在结构,遥感图像分类精度达到92%左右,取得了很好的分类效果。      

基于卷积神经网络的遥感影像地表覆盖分类

遥感影像地表覆盖分类是地理国情监测和地理信息资源建设中至关重要的环节,利用卷积神经网络对遥感影像进行特征提取和分类,具有十分重要的科研和应用价值。为提高遥感影像的地表覆盖分类精度,在深度卷积神经网络VGGNet的基础上,采用SeLU函数作为激活函数,并将激活函数中的λ、α作为训练参数,得到改进的VGGNet,用逐层贪婪算法对网络参数初始化,并选择适当的学习次数利用迁移学习的方法对网络参数调整,以提高网络的泛化能力来提取遥感影像各类别的深层特征,从而有效进行地表覆盖分类。通过GF-1卫星影像的实验表明本文方法在地表覆盖分类精度方面的优越性。     

高分辨率遥感影像目标分类与识别研究进展

高分辨率遥感影像的目标分类与识别,是对地观测系统进行图像分析理解,以及自动目标识别系统提取目标信息的重要手段。本文综述了当前国内外在可见光、红外、合成孔径雷达和合成孔径声纳等遥感影像的目标分类与识别的关键技术和最新研究进展。首先,讨论了高分辨率遥感影像的目标分类与识别问题的主要研究层次和内容;其次,深入分析了高分辨率遥感影像目标分类与识别,在滤波降噪、特征提取、目标检测、场景分类、目标分类和目标识别的关键技术及其所存在的问题;最后,结合并行计算、神经计算和认知计算等技术,讨论了目标分类与识别的可行性方案。具体包括：（1）高性能并行计算在高分辨率遥感图像处理的主流技术,并给出了基于Hadoop+OpenMP+CUDA的高分辨率遥感影像混合并行处理架构;（2）深度学习对于提升目标分类和识别精度的应用前景,以及基于深度神经网络的多层次遥感影像目标识别方法;（3）认知计算在解决遥感影像大数据不确定性分析的模型与算法,并讨论了层次主题模型的多尺度遥感影像场景描述方案。此外,根据媒体神经认知计算的相关研究,探讨了遥感影像大数据的目标分类和识别的发展趋势和研究方向。     

高分辨率遥感影像中提取特定地物的分区多阶段混合分类方法

遥感图像分类技术发展过程中出现了各种不同的分类方法,本文提出一种对分类过程控制和分类中间数据管理的综合分类方式,通过分类方法应用方式的改进用于提取局部的特定地物。应用多阶段循环分类过程,在一个阶段的分类中控制参与分类的像元范围,在一次分类中混合应用监督分类、非监督分类和区域生长分类法,以及各种分类后处理技术,目的在于综合应用目视解译、计算机自动分类等各种技术的优点,结合地物的光谱数据,用于局部区域的特定地物信息提取和分类。     

面向对象图像识别的地学理解方法的优化与应用

近年来,面向对象技术的应用愈加广泛,以适应不同应用目的下不同地物复杂度的图像处理与信息提取要求。本文详细分析了面向对象信息提取方法中存在的问题,提出将传统像元级光谱分类与面向对象信息提取技术相结合,通过最大似然光谱分类和地学统计分析获取图像区域的先验知识,包括不同类型地物光谱混淆情况和图像复杂程度的定性描述等,以反映图像处理与信息提取的难度大小及技术要求,利用预分析获得的知识优化面向对象信息提取技术流程中图像分割参数设置及分类器的构造等,用于克服面向对象方法参数选取的盲目性和结果的多样性。并以SPOT5高分辨率遥感图像为例,通过常规方法和改进方法的对比,证明本试验方法有利于真实地分割地物基元,提高分类精度、效率和训练器性能。     

高分辨率遥感影像特征分割及算法评价分析

图像分割一直是图像处理和计算机视觉领域中的一项关键技术。本文首先从遥感影像地学处理与应用的角度阐述了影像分割技术对于遥感信息提取和目标识别的重要性,然后提出了基于特征的高分辨率遥感影像信息提取技术框架,建立了一套基于特征的遥感影像分割方法及分类体系。同时,鉴于遥感影像分割方法评价的重要性, 阐述了一种高分辨率遥感影像分割方法评价的思路,并对几种典型的基于特征的遥感影像分割方法进行定性和定量的试验和评价,对其各自的性能和适用面进行对比分析。最后,指出了遥感影像特征分割方法所存在的问题及其发展趋势。     

基于不良地质识别的分类方法研究与分析

中国西部的沙漠、冻土和盐渍土等典型的不良地质现象日益显现,基于遥感影像的不良地质识别已经成为遥感处理研究领域的一个热点和难点。以新疆尉犁县罗布人村寨为研究区域,针对当地典型的不良地质体遥感影像特征,主要探讨SVM分类、K均值分类以及基于因果关系的贝叶斯网络分类3种分类方法,初步尝试不同分类方法的融合,并通过实验对比分析了3种方法的分类效果和精度。结果表明:SVM分类结果为块状分布,K均值分类结果为点状分布,基于因果关系的贝叶斯网络分类取得了更好的分类精度,3种方法取得的影像融合更好地表达了多种不良地质体的识别效果。      

基于同质区和迁移学习的高光谱图像半监督分类

针对高光谱遥感图像分类中标记样本难获取的问题,提出了一种基于同质区和迁移学习的新型半监督分类方法。首先对高光谱图像进行分割得到高纯度的同质分割斑块,获取大量扩展训练样本。并在此基础上引入迁移学习,将扩展训练样本作为源域,剩余未标记样本作为目标域,实现多次迁移,从而减少同一幅图像上各地物的分布差异,并保留其各自的内部属性。实验结果表明,该方法是一种有效的高光谱图像半监督分类方法。     

遥感图像模拟技术方法与应用分析

近年来,遥感图像模拟的研究广泛地展开,利用图像模拟技术获取的大量仿真遥感图像,为其他遥感信息的论证与评价提供了有效的参考。本文介绍了图像模拟技术的发展现状,及SAR、光学遥感图像的模拟方法,分析了各种模拟方法的特点与差异,指出各种方法在生成模拟图像时的局限性,最后提出了基于宽光谱遥感数据的细分光谱遥感图像模拟的构想。     

利用遥感图像的土地利用动态监测技术研究

对遥感图像在土地利用动态监测中的应用进行研究.首先对遥感图像进行预处理,然后在图像增强处理的基础上,进行图像融合,以实现土地利用动态监测.在土地利用变化信息准确提取的前提下,遥感监测技术不失为土地利用动态监测的一种有效方法.     

多尺度纹理及多光谱影像协同的遥感岩性识别方法

岩性识别是遥感图像分类的难点,也是遥感地质应用的难点和热点。从遥感地质应用的实际需求出发,以西昆仑地区侏罗纪沉积岩地层为例,通过尺度转换提取高分遥感图像的多尺度纹理信息,采用波段叠加的方式协同多尺度纹理信息与ASTER影像多光谱信息进行岩性识别方法研究。利用WorldView 2全色数据进行向上尺度转换,形成空间分辨率分别为0.5,2,5,10,15,30 m 6种尺度图像数据,基于灰度共生矩阵提取各尺度上的纹理信息;将不同尺度的纹理信息分别与ASTER多光谱数据叠加形成协同数据;采用监督分类方法对研究区协同数据进行岩性分类。结果表明:①岩性纹理信息对空间尺度表现出依赖性,纹理信息量及含义随空间尺度不同而变化;②每套特定岩层因其独特的几何空间结构特征(厚度、产状、夹层、互层等)都有与之相适应的最佳纹理尺度,且该最佳尺度下纹理与光谱的协同效应最大;③纹理信息与多光谱数据形成的协同数据能有效提高岩性分类的精度,分类精度提高的程度与纹理计算的尺度相关。研究区岩性分类结果显示当纹理尺度为10 m时,与仅基于ASTER纯光谱分类结果相比,精度提高了约6.9%。?      

基于GIS的煤炭资源遥感动态分析——以山西省乡宁县为例

本文以多时相TM与ETM影像为数据源,对乡宁县的煤炭资源进行了动态监测。直接采用原数据进行煤矿信息提取精度很低,为此需要进行图像预处理。依据多元数理统计分析,确定了探测煤炭资源的最优波段组合为4,5,3。由于其他地物信息的干扰,此时影像仍不能很好地反映煤矿信息,因此需要对图像进一步做增强处理。通过对图像的主成分变换,有效地消除了山体阴影的影响。在此基础上,对图像进行计算机监督分类,制作了乡宁县煤炭资源分布图。采用这种方法极大地提高了遥感图像的解译精度。利用GIS的叠加和统计分析,获得了矿点的数量。通过实验,证明了基于GIS的煤炭资源遥感动态监测是可行的,而且对于环境保护和规范煤矿开采也具有很好的应用价值。