基于自适应区间二型模糊聚类的遥感土地覆盖自动分类

遥感影像土地覆盖分类面临"类别密度差异显著"、"同谱异物"和"同物异谱"等不确定性问题,传统的分类方法(如FCM)因不能描述高阶模糊不确定性,无法完成准确建模,使分类误差较大,而二型模糊集恰是处理此类不确定性的有效工具.在引入二型模糊集新概念和自适应降型新方法的基础上,提出一种自适应二型模糊分类方法(A-IT2FCM):(1)基于样本集模糊距离度量构建面向分类的区间二型模糊集,以尽可能降低对先验知识和预设参数的依赖,从而满足自动分类的要求;(2)给出一种自适应探求等价一型代表(模糊)集合的高效降型方法,在此基础上进行自适应区间二型模糊聚类.实验数据为珠海横琴和北京颐和园的SPOT5影像数据,对比方法有AIT2FCM、基于Karnik-Mendel算法降型和基于Tizhoosh提出的简易降型方法的区间二型模糊C均值聚类以及作者前期研究提出的区间值模糊C-均值算法(IV-FCM).实验结果表明,A-IT2FCM方法分类效果佳,在类别具有较大密度差异和多重模糊性时能得到比FCM及IV-FCM更精确的边界和更连贯的类别,适于处理遥感影像土地覆盖类别的深层不确定性;同时在"光谱混叠"现象严重时,可以获得比对比方法更稳健、精度更高的影像自动分类结果,且时间复杂度明显低于基于Karnik-Mendel方法.     

一种基于生物群集智能优化的遥感分类方法

提出了一种基于生物群集智能(swarm intelligence-based)的遥感影像分类新方法. 智能式分类是遥感研究的热点和趋势. 设计出一种新的实数制编码的粒子群遥感影像分类器(PSO-Miner), 在分类规则提取时, 粒子能自动寻找各个波段的最优分割点. 并且该方法所提取的分类规则毋需通过数学公式来表达, 能更方便和准确地描述自然界中的复杂关系, 比数学公式更容易让人理解. 将该方法应用于番禺地区的遥感影像, 取得了较好的分类结果. 并与See5.0决策树方法进行了对比研究, 实验结果表明, 基于群集智能方法的分类精度比决策树方法的精度更高.     

面向对象遥感分类方法在汶川地震震害提取中的应用

震后城市建筑物震害的自动识别与分类, 是遥感震害调查中的关键步骤, 其精度直接影响损失评估的结果. 而随着高分辨率遥感影像的发展, 传统基于像元的分类技术已不能满足需求, 引入面向对象的信息提取技术, 充分挖掘影像对象的纹理、形状和相互关系等信息, 能够有效的提高震害的分类精度. 该文阐述了面向对象的遥感震害提取思路和方法, 并应用汶川地震震后高分辨率航空遥感数据, 针对建筑物震害进行面向对象的快速提取与自动分类. 结果表明, 与基于像元分类比较, 面向对象的建筑物震害分类能够显著改善分类效果.     

基于最优分割的高分辨率遥感影像震害建筑物识别技术

为了提高建筑物震害信息提取的效率与准确度,针对震后高分辨率遥感影像,根据震害建筑物在遥感影像上的特征,以2010年海地M_S7.0地震为例,通过尺度参数估计算法自动选择最优分割尺度对影像进行多尺度分割,并采用面向对象方法对海地高分辨率遥感影像进行建筑物震害信息提取,同时与基于像元的支持向量机、反向传播神经网络、基于分类回归算法的决策树分类方法进行比较。试验结果表明,面向对象的分类方法具有更好的目视效果和更高的分类精度,有利于地震后震害信息的准确提取和快速评估。      

基于区间值模糊C-均值算法的土地覆盖分类

用区间值数据描述聚类原型特征更符合遥感数据的模糊性特点,即传感器获取的地物反射光谱的不确定性和不均匀性在影像上的反映.本文以遥感影像数据为基础构建了区间值数据模型,并提出一种区间最大相异度量方法,进而进行基于区间值数据的模糊C-均值聚类.利用珠三角地区SPOT5卫星和青海玉树附近的TM影像数据进行基于区间值模糊C-均值算法的土地覆盖分类实验.结果表明区间值数据的模糊C-均值算法兼顾了模糊聚类的泛函特性和地物反射光谱的条带特点,从而可以明显改善聚类效果,尤其可以降低"同物异谱"现象对聚类结果的不利影响,而区间最大相异度量可实现基于多波段遥感影像构建的区间向量的最大可分离度,有效抑制类间光谱混叠造成的错分现象,进一步改善聚类效果,最终结果明显优于传统的模糊C-均值聚类方法.     

基于遥感影像的农村建筑物分类

利用面向对象的遥感影像信息提取方法对建筑物进行分类研究,选取张家口不同地区5个中等规模农村建筑为研究对象,根据建筑物特征信息从遥感影像上进行提取,根据信息提取调整后的结果进行建筑物分类,并与调研结果进行对比,结果表明:建筑物分类准确率达到80%以上,满足对张家口地区农村建筑物分类的需求,可以用来辅助完成对建筑物结构类型的实地调研,能够有效提高调研效率,服务于建筑物抗震设防调研。     

遥感分类方法在建筑物震害提取中的应用（以玉树地震为例）

建筑物损毁情况是地震灾害评估的一项重要指标,利用遥感技术快速提取震后建筑物震害信息,对科学指导地震应急救援工作具有重要意义.利用2010年4月14日青海玉树7.1级地震前后玉树县结古镇团结村高分辨率遥感影像,结合像素光谱和空间特性的纹理、结构等多源信息,基于支持向量机（SVM）方法,对地震前后建筑物信息进行分类提取,变化检测出建筑物损毁情况,并与面向对象多源信息复合的模糊分类法的分类精度、提取效率进行对比分析.研究结果表明,多源数据复合的SVM影像分类方法能够有效解决模糊分类影像破碎问题,地震前后两实相影像分类总精度达到77.53％和73.56％,提高了建筑物震害信息提取精度.     

基于SEaTH算法的芦山地震无人机低空遥感影像信息对象级分类

在地震这种重大自然灾害面前,快速有效地从遥感影像中提取震区土地利用信息,在灾情评估及灾后重建中发挥着重要作用。选取四川省芦山地震灾区无人机影像为数据源,运用面向对象的影像分析方法,首先研究了多尺度分割中参数的选择,获取了研究区最优分割参数;然后考虑了各个"影像对象"的数字化特征值,利用改进的SEaTH算法进行特征值优化处理;最后采用了隶属度信息提取方法,获得了芦山地震灾区无人机低空遥感影像分类图,并进行了分类精度评估,结果表明:研究区影像的分类总精度为87.5%,kappa系数为0.835。     

基于面向对象分类的建筑物倒塌率计算方法研究

建筑物倒塌是造成地震人员伤亡的主要原因,对地震应急救援与决策具有重要的指导意义.遥感以其综合、宏观、快速、动态的特点,为地震灾害信息调查和震害快速评估提供了一种可靠的信息源.面向对象的分类方法是针对高分辨率影像的一种新的分类方法.本文在总结遥感影像建筑物震害信息提取方法进展的基础上,将建筑物分为基本完好和毁坏两个等级.选取唐山地震和汶川地震的震后航片,利用面向对象的分类方法来识别影像上基本完好的建筑物,计算评估区内的建筑物倒塌率.实验结果表明,面向对象的分类方法充分利用了图像上的光谱、形状、纹理等特征.在很大程度上克服了基于像元分类方法的局限性,并且基于对象的建筑物倒塌率计算也取得了较好的精度.     

基于无人机影像的面向对象建筑物结构分级提取方法研究

为提高遥感影像建筑物结构识别精度,综合利用光谱、形状、空间、纹理和数字表面模型(DSM)建立了建筑物结构分级提取方法。基于研究区无人机高分辨率影像,采用面向对象的影像分析策略,首先进行多尺度分割,以最佳分割与合并指数提取影像中建筑物目标;然后分别采用规则、训练样本与DSM方法对建筑物结构进行分类;最后将3种分类方法进行融合,对比分析了单一方法和融合分类方法的建筑物结构分类精度。结果表明:基于规则+样本+DSM的半监督建筑物结构分类方法错分率、漏检率与Kappa系数最优。     

A classification method of building structures based on multi-feature fusion of UAV remote sensing images

In order to improve the accuracy of building structure identification using remote sensing images, a building structure classification method based on multi-feature fusion of UAV remote sensing image is proposed in this paper. Three identification approaches of remote sensing images are integrated in this method: object-oriented, texture feature, and digital elevation based on DSM and DEM. So RGB threshold classification method is used to classify the identification results. The accuracy of building structure classification based on each feature and the multi-feature fusion are compared and analyzed. The results show that the building structure classification method is feasible and can accurately identify the structures in large-area remote sensing images.     

基于空间-光谱特征和稀疏表达的高光谱图像分类算法（英文）

针对传统的高光谱数据分类方法分类精度不高、没有充分地利用空间信息等缺陷,提出一种基于Gabor空间纹理特征（Gabor spatial texture features）及无参数加权光谱特征（Nonparametric weighted spectral features）和稀疏表达分类（Sparse representation classification）的高光谱图像分类算法,可以简写为Gabor-NW SF和SRC,即GNWSF-SRC。所提出的GNWSF-SRC分类方法首先通过融合高光谱的Gabor空间特征和无参数加权光谱特征来更好地描述高光谱图像,然后通过其进行稀疏表达,最终通过对比其重构误差获得分类结果。在训练集比例不同的情况下,用所提出的方法对两组典型的高光谱数据进行处理,理论研究和仿真结果表明：与传统的分类方法相比,所提出算法能够提高分类精度、Kappa系数等,取得了较好的分类效果。     

基于Lasso函数的分层混合模糊-神经网络及其在遥感影像分类中的应用

本文提出一种新的分层混合模糊-神经网络(HHFNN)算法.在模糊系统中使用Takagi-Sugeno模型和三角波隶属函数.同时,为降低离散输入变量中可能存在的强交瓦作用,采用了系数收缩机制中的Lasso函数.最后,以福建的漳平洛阳—安溪潘田地区LANDSAT ETM+遥感影像数据地物分类为例,应用本文的改进算法与其他神...     

Object-oriented land cover classification using HJ-1 remote sensing imagery

The object-oriented information extraction technique was used to improve classification accuracy, and addressed the problem that HJ-1 CCD remote sensing images have only four spectral bands with moderate spatial resolution. We used two key techniques: the selection of optimum image segmentation scale and the development of an appropriate object-oriented information extraction strategy. With the principle of minimizing merge cost of merging neighboring pixels/objects, we used spatial autocorrelation index Moran’s I and the variance index to select the optimum segmentation scale. The Nearest Neighborhood (NN) classifier based on sampling and a knowledge-based fuzzy classifier were used in the object-oriented information extraction strategy. In this classification step, feature optimization was used to improve information extraction accuracy using reduced data dimension. These two techniques were applied to land cover information extraction for Shanghai city using a HJ-1 CCD image. Results indicate that the information extraction accuracy of the object-oriented method was much higher than that of the pixel-based method.     

可拓分类方法及其在流动单元分类中的应用

可拓学是研究事物拓展的可能性和拓展规律与方法的科学,它可以广泛的应用于各种矛盾和对立问题的解决.可拓分类方法是利用可拓学理论对事物类型归属进行研究的动态分类方法.为了解决储层流动单元分类中现存误判率较高的问题,本文利用可拓分类方法对储层流动单元分类进行了研究,并把利用可拓分类获得的流动单元分类结果与灰关联聚类法判别分析结果进行了比较,发现可拓分类方法具有更强的判别能力,具有实用性强、误判率低的特点,判别准确率可比灰关联聚类法提高15%.这种方法不仅仅适用于流动单元分类,对于油气勘探开发的很多环节都将具有适用性.     

Novel fuzzy uncertainty modeling for land cover classification based on clustering analysis

It is well known that there is a degree of fuzzy uncertainty in land cover classification using remote sensing (RS) images. In this article, we propose a novel fuzzy uncertainty modeling algorithm for representing the features of land cover patterns, and present an adaptive interval type-2 fuzzy clustering method. The proposed fuzzy uncertainty modeling method is performed in two main phases. First, the segmentation units of the input multi-spectral RS image data are subjected to objectbased interval-valued symbolic modeling. As a result, features for each land cover type are represented in the form of an intervalvalued symbolic vector, which describes the intra-class uncertainty better than the source data and improves the separability between different classes. Second, interval type-2 fuzzy sets are generated for each cluster based on the distance metric of the interval-valued vectors. This step characterizes the inter-class high-order fuzzy uncertainty and improves the classification accuracy. To demonstrate the advantages and effectiveness of the proposed approach, extensive experiments are conducted on two multispectral RS image datasets from regions with complex land cover characteristics, and the results are compared with those given by well-known fuzzy and conventional clustering algorithms.     

由锥形束投影监控物体体密度变化的快速方法

体密度是物体特征信息的一个重要组成部分,该信息的动态监控可用来快速判断物体体密度是否发生变化。目前最常用的体密度监控方法是基于图像重建的近似计算,该方法首先利用锥形束投影数据实现体积重建,然后对物体的密度函数积分求得物体的体密度。这种方法算法复杂度较高,很难实现对体密度的实时动态监控。本文提出一种直接基于锥形束投影的体密度快速监控方法,不需要图像重建。仿真实验结果表明,这种方法在动态监控物体体密度变化时,具有较高的实时性和精确性,可以满足实际的动态监控需求,因而在工业检测等领域具有一定的应用价值。     

Land cover classification of remote sensing imagery based on interval-valued data fuzzy c-means algorithm

There is a certain degree of ambiguity associated with remote sensing as a means of performing earth observations.Using interval-valued data to describe clustering prototype features may be more suitable for handling the fuzzy nature of remote sensing data,which is caused by the uncertainty and heterogeneity in the surface spectral reflectance of ground objects.After constructing a multi-spectral interval-valued model of source data and defining a distance measure to achieve the maximum dissimilarity between intervals,an interval-valued fuzzy c-means(FCM)clustering algorithm that considers both the functional characteristics of fuzzy clustering algorithms and the interregional features of ground object spectral reflectance was applied in this study.Such a process can significantly improve the clustering effect;specifically,the process can reduce the synonym spectrum phenomenon and the misclassification caused by the overlap of spectral features between classes of clustering results.Clustering analysis experiments aimed at land cover classification using remote sensing imagery from the SPOT-5 satellite sensor for the Pearl River Delta region,China,and the TM sensor for Yushu,Qinghai,China,were conducted,as well as experiments involving the conventional FCM algorithm,the results of which were used for comparative analysis.Next,a supervised classification method was used to validate the clustering results.The final results indicate that the proposed interval-valued FCM clustering is more effective than the conventional FCM clustering method for land cover classification using multi-spectral remote sensing imagery.     

主成分监督分类及其在水质特征遥感图像识别中的应用

建立了一种水域水质状况图像识别的主成分监督分类方法,首先通过ＴＭ水域图像数据的主成分分析,将原有各波段图谱的显著且独立的信息集中在数目尽可能少的合成图象中,再依据不同类型水体的光谱特征,分析各主成分图像的构成及其环境生态学含义,由此对整个研究区域内存在的不同标志类型及其分布特征有所了解,在此基础上,选定训练样本集,从而人有清楚的环境生态意义的标志类型,应用监督法得到较好的识别分类结果,分析表明,这