一种基于模糊混合像元分解的高光谱影像分类方法

高光谱遥感影像较低的空间分辨率使得混合像元大量存在于影像中,不仅影响了基于高光谱影像的地物要素识别能力,而且还降低了高光谱影像的分类精度。本文提出了一种基于模糊混合像元分解的高光谱影像分类方法。该方法主要利用约束能量最小化法设计的FIR线性滤波器,使得影像通过滤波器后输出与每类地物类别相关的"丰度图",其维数等于类别数;最后利用类中心匹配分类法实现高光谱影像的分类。实验结果表明,提出的分类方法与直接利用类中心匹配分类法相比,提高了影像的分类精度。     

二型模糊集合在遥感影像土地利用分类中的应用

在遥感影像土地利用分类中,传统的布尔分类法只考虑地物光谱信息,用"是"与"非"的二值确定逻辑状态分类影像,当存在较多混合像元时,其不能满足一些实际应用的要求。模糊分类法综合了地物光谱特征、空间特征和对象的拓扑关系,对每个像元的归属用[0～1]的模糊度来表示,有效地解决了该问题。通过对研究区TM影像进行传统布尔法分类和模糊分类法分类的结果比较可知:对混合像元较多且波段较少的遥感影像土地利用分类,二型模糊集合分类能够适应用户不同精度需求,并能交互式输出结果。     

融合时间特征的遥感影像分类

为了克服基于光谱纹理特征的影像分类法的不足,提出一种融合时间特征的遥感影像分类方法。以历史时期土地利用矢量图为辅助数据,对新时期遥感影像进行带约束的影像分割以获取像斑;采用迭代统计的方法计算新时期遥感影像的地物类别转移概率;利用地物类别转移概率表达时间特征,将其融入到像斑的后验概率中,构建顾及时间特征的像斑联合概率;依据后验概率最大原则获取影像分类结果。采用Quick Bird遥感影像进行的实验结果表明:与基于光谱纹理特征的分类方法相比,所提出的方法能够显著提高影像分类的精度,总体分类精度与kappa系数分别提高了9.8%和17.9%,验证了所提方法的可行性和可靠性。     

结合光谱角的最大似然法遥感影像分类

遥感影像含有丰富的信息,反映了地物特征。其中光谱角侧重描述了光谱的形状特征,具有对多光谱图像增益不敏感的特点。最大似然法是遥感影像分类最常用的方法之一,文中对该方法的后验概率判别函数进行修改,将光谱角以概率因子的形式加入到判别函数中构造一种新的判别函数,有机地将光谱角这一特征信息加入影像分类。通过实验,并与最大似然法和光谱角匹配法分类结果进行比较,结果表明,结合光谱角的最大似然分类法的分类精度得到提高。     

基于支持向量机的遥感影像分类比较研究

支持向量机是建立在统计学习理论基础上的一种新的人工智能算法,较好地克服了传统分类方法中存在的小样本、非线性、过学习、高维数、局部极小点等问题,是一种极具潜力的遥感影像分类算法。本研究采用Landsat-5的TM影像,用支持向量分类法对影像进行分类,分析了支持向量机不同参数组合情况下的分类精度,并对支持向量分类法与传统分类方法进行了比较,发现支持向量分类算法具有参数选择范围宽,不要求对待分类区域地物光谱特征和影像分布特征具有先验知识,分类精度高等特点,对于在没有现场同步实测数据的区域进行精确的分类具有特别重要的价值。     

融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。     

面向对象的遥感影像隐性地物信息提取

针对传统遥感影像提取方法中仅使用光谱像元信息的缺陷,本文使用Landsat 8遥感影像数据,探究面对地形复杂区域进行多种地物信息提取充分挖掘影像隐性信息的情况,使用面向对象的分类方法实现地物信息提取.结果 表明该方法分类精度较传统监督分类有所提高,且符合人类认识客观事物的思维模式,对于准确提取地物信息、提高提取精度具有很大帮助.     

基于多尺度特征融合和支持向量机的高分辨率遥感影像分类

相对传统的中低分辨率遥感数据而言,高空间分辨率遥感影像同一地物内部丰富的细节得到表征,空间信息更加丰富,地物的尺寸、形状以及相邻地物的关系得到更好的反映,但其光谱统计特性不如中低分辨率影像稳定,类内光谱差异较大,而传统分类方法仅依据像元的光谱值,因此在高分辨率影像分类中,传统方法往往不能获得好的结果。在此背景下,提出了一种多尺度空间特征融合的分类方法,旨在利用不同尺度的空间邻域特征弥补传统方法的不足。其基本过程是：首先针对不同尺度特点,用小波变换压缩空间邻域特征,并结合支持向量机得到不同尺度下的分类结果,然后根据尺度选择因子为每个像元选择最佳的类别。文中QuickBird和IKONOS影像实验证明该算法能有效提高高分辨率影像解译的精度。     

遥感影像预分类精度对地物面积空间抽样估算的敏感性分析

传统的地物面积测量受精度和效率制约,为此引入了结合遥感影像的空间分层抽样方法.首先以遥感影像的预分类结果作为模拟地物的真实分布,在地物外沿等概率随机添加不同比例的错分像元,从而获得准真实地物区的摸拟预分类结果,并依此设定各层等比例取样的样本人层标志,指导地物样本的选取,然后以抽中样本地物的准真实值之和按比例推算出总量.通过比较分析各水平含量的地物类别、不同预分类精度、层内随机和系统抽样下的多次总量估计精度及其稳定性变化情况,结果表明:该方法不需要背景数据库等先验知识,在预分类达到一定精度之上时,依分类区域设立层标志的分层抽样方法所获得的总量估计精度及标准差均好于无分类支持的随机和系统抽样;当预分类精度达到50%以上时,具有较高的成本效率比,其中在60%时,各类地物在0.5%抽样率、95%的置信度下可以保证估计量精度在92%以上.     

遥感尺度内涵及遥感像元尺度效应分析的改进分形方法

本文首先分析了遥感影像尺度的三层次内涵。重点针对遥感像元尺度,分析了遥感像元尺度效应及其分形机理,由于现有分形方法没有考虑影像本身尺度(空间分辨率),造成尺度间分形维数的比较时像元尺度效应变化难以有效反映,本文针对此问题提出了基于表面积的加窗分形布朗运动和加窗双层地毯两种改进分形方法。为验证改进分形方法的可靠性,采用了不同像元尺度下系列监督分类进行验证。试验结果表明,每种地物的分维数都随着空间分辨率的降低或像元尺度的缩小,呈总体下降趋势,在某些特征尺度上会出现预示着某些地物结构的拐点,这些拐点对观测该区域地物具有一定指示意义。系列监督分类精度也一定程度上证明了以上两种改进分形方法在分析尺度效应中的可行性。因此本文的方法对于分析遥感像元尺度效应和探索地物尺度聚合规律具有一定的理论意义。     

以不同分类法探讨SPOT与IKONOS两种卫星影像之分类准确度

遥感探测可应用于大尺度环境之研究、规划及经营管理，故为探讨自然资源动态变迁之良好工具，惟现行影像来源与分类方法众多，研究者如何视其需要选择最佳组合，实有探讨之必要。本研究以SPOT及IKONOS两种不同空间解析力之卫星影像为材料，配合不同分类方法探讨台湾地区垦丁公园不同植群社会之空间分布信息，其结果均证实可行。而由研究过程发现，不同影像使用不同分类方法，其分类准确度有所差异，其中IKONOS影像因具有较高之空间解析力，有时反而容易造成影像分类的误授、漏授；而绿色植生部分尚无法由卫星影像之波谱值完全区隔，因此分类之精度仍有待精进。就影像分类而言，良好的训练样区配合正确的分类方法，可迅速获得一定准确度以上之分类结果，惟有时限于分类别的影像波谱值过于接近及各种地形效应、辐射效应之影响，会造成影像分类结果有误授、漏授及破碎化之情形产生，若能有效克服此一问题，则影像分类之成果将可提高其实用性。     

广义马尔可夫随机场及其在多光谱纹理影像分类中的应用

在二维马尔可夫随机场模型的基础上，提出顾及波段间的空间相关性，发展了一种适用于多光谱纹理影像分类的广义马尔可夫随机场模型。鉴于广义马尔可夫随机场模型的复杂性，利用最大伪似然法建立了求解模型参数的简化方程式，实现了纹理特征的快速提取。结合提取的纹理特征影像和光谱特征影像，采用概率松弛算法实现影像的分类。实验证明，提出的基于广义马尔可夫随机场的多光谱纹理影像分类算法克服了传统的基于光谱特征的分类算法的局限性，提高了纹理影像的分类精度。     

考虑定向参数精度信息的TerraSAR-X和SPOT-5HRS影像RFM联合定位

卫星影像的RFM模型具有传感器无关的优点,适用于多源影像的几何定位处理,但在无地面控制点条件下联合定位时存在自主定位优势影像难以发挥主导作用且求解易发散的不足。本文通过将影像的先验自主定位精度和成像线性漂移转化为像方定向参数的精度和权信息,建立考虑影像定向参数精度信息的RFM模型。以12景TerraSAR-X和6对12景覆盖面积约为18万km2的SPOT-5HRS立体长条带影像为数据源,对两类影像定向参数先验精度配置偏差、SAR影像升降轨道方向、SAR影像数目、SAR影像分布等因素对定位精度的影响进行了系列定位试验,少量SAR与大范围HRS联合的影像自主定位平面/高程精度可达6.0m/4.2m。本文RFM平差模型无地面控制点定位精度和定向参数求解稳健性相对于传统模型有显著提升,是卫星影像无控制点1∶10万/1∶5万全球测图的一种潜在方法。     

Automated interpretation of sub-pixel water cover from satellite images

Accurate information and estimation of area under water cover is important for different engineering applications and decision processes. This paper defines a method for direct interpretation and estimation of the sub-pixel water cover from satellite images. It is a fuzzy knowledge based approach wherein features are represented by Linguistic Variables. In this study, more than 95% accuracy has been found in case of hard classification and 85% in case of sub-pixel estimation. The proposed approach can be utilised in an automated image understanding system.     

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。     

高光谱影像概率分类向量机分类方法研究

从分析基于支持向量机和相关向量机的高光谱影像分类方法的优势和不足出发,将基于概率分类向量机的方法用于高光谱影像分类试验。在贝叶斯理论框架下,概率分类向量机为基函数权值引入截断Gauss先验概率分布,使得不同类别的基函数权值具有不同符号的先验分布,并利用EM算法进行参数推断,得到足够稀疏的概率模型,弥补了相关向量机选取错误类别的样本作为相关向量的不足,从而有效地提高了模型的分类精度和稳定性。OMIS和PHI影像分类试验表明,概率分类向量机能够很好地应用在高光谱影像分类。     

An efficient application of fusion approach for hot spot detection with MODIS and PALSAR-1 data

Hot spot detection with satellite images, especially with synthetic aperture radar (SAR) images is still a challenging task. Several researchers have used TM/optical data for identification of hot spot but the use of SAR data is very limited for this type of application. The fusion of SAR data with TM/optical data may add additional information which in turn will lead for enhancement of detection capability of the hot spot. Therefore, this study explores the possibility of fusion of Moderate Resolution Imaging Spectroradiometer (MODIS) and Phased Array L-band Synthetic Aperture Radar (PALSAR) satellite images for the hot spot detection. Image fusion is emerging as a powerful tool where information of various sensors can be used for obtaining better results. For this purpose, vegetation greenness and roughness information which is obtained from MODIS and PALSAR satellite images, respectively, are used for fusion, and then, a contextual-based thresholding algorithm is applied to the fused image for hot spot detection. The proposed approach comprises of two steps: (1) application of genetic algorithm-based scheme for image fusion of MODIS and PALSAR satellite images, and (2) classification of the fused image as either hot spot or non-hot spot pixels by employing a contextual thresholding technique. The algorithm is tested over the Jharia Coal Field region of India, where hot spot is one of the major problems and it is observed that the proposed thresholding technique classifies the each pixel of the fused image into two categories: hot spot and non-hot spot and the proposed approach detects the hot spot with better accuracy and less false alarm.     

高分辨率影像融合算法对滨海湿地土地利用分类精度的影响

针对融合算法对影像分类精度具有明显影响的问题,本文选择连云港海岸带埒子河口滨海湿地为研究区,以GF-1卫星影像为数据源,首先分别使用Gram-Schmidt算法、PCA算法及Brovey算法进行影像融合。然后在eCognition软件平台上,基于面向对象多尺度分割技术,利用随机森林算法对影像进行土地利用分类,并对分类结果进行精度评价。试验结果表明,不同融合算法影像融合效果明显不同,其中,Gram-Schmidt算法融合后的影像质量最好,且分类精度最高;Brovey融合算法对植被和水体有较好的光谱保真性,并且改变波段组合后分类精度有明显提高;PCA算法在3种融合算法中精度最低。     

基于多光谱分析的HJ-1B数据云检测算法

云检测是遥感数据预处理中的一个重要环节。本文通过分析云及典型地物光谱特性,结合HJ-1B传感器波段设置,提出了一种基于多光谱分析的云检测算法。该方法针对不同下垫面类型,选取合适的波段组合逐一建立云掩模。利用该算法对多幅影像进行去云处理,结果表明,该方法能够很好地检测出不同时期不同背景上空的云像元。     

森林资源监测中GF-2卫星影像波段配准误差分析

通过对GF-2卫星影像正射校正及波段模拟配准误差试验,分析GF-2卫星正射校正方法的选择以及不同配准误差下对GF-2卫星影像自动分类结果的影响;最后介绍GF-2遥感影像在森林资源监测应用中的初步测试。研究结果表明:正射校正时,当校正精度要求控制在RMS2时,控制点数量选择范围在85~95间较为合理,且控制点数在90个时,RMS值最小;经有理函数模型与卫片模型比较后,卫片模型校正精度较高;以目视判读为主时,实践中建议使用三次卷积重采样法输出结果最好;波段模拟配准误差试验中,配准误差与各地类面积变化间存在显著的线性关系;对于森林面积监测时,配准误差应小于0.3个像元。此研究可为新型国产卫星数据在森林资源监测中的应用提供参考。