基于决策级数据融合的CHRIS 高光谱图像分类方法研究

本文选取8种常用的遥感图像监督分类方法,综合利用多数投票方法与先验分类概率信息,设计了3组决策级融合分类策略,在应用地物丰富的黄河口湿地CHRIS高光谱图像数据进行分类实验的基础上,开展了不同融合策略决策分类结果的比较研究,分析了融合策略对高光谱图像总体分类精度以及不同地物分类精度的影响。结果表明:(1)3组决策级融合策略总体分类精度均大于85%,Kappa系数都优于0.77,较8种单分类器均有提高,表明决策级融合是利用已有分类器资源、提升高光谱图像分类精度的一种途径;(2)策略3的分类表现最好,即维持最小虚警率的前提下降低错分可以提高分类精度,其中芦苇、滩涂地物同时保持了很高的生产者精度和用户精度,均接近90%,水体在保持较高用户精度的情形下生产者精度有大幅提升,增幅达11%;(3)每组策略综合考虑生产者精度和用户精度的情形下分类精度最高,较仅考虑生产者精度或用户精度的情形提升了1~2个百分点,表明设计算法时应同时考虑减少错分和漏分的情况。     

黄河口湿地典型地物类型高光谱分类方法

黄河口湿地地物类型具有复杂多样的特点,本文将线性光谱混合分析模型与归一化植被指数(NDVI)和归一化水体指数(NDWI)相结合,建立了一种新的滨海湿地遥感影像分类方法;开展了基于CHRIS高光谱影像的黄河口湿地芦苇、柽柳、碱蓬、大米草、潮滩和水体6种典型地物分类实验,整体分类精度为77.33%,Kappa 系数为 0.71,与经典的最大似然分类(MLC)方法相比较,整体分类精度提高1.6%,Kappa 系数提高0.02,尤其是芦苇、碱蓬、大米草和潮滩的分类精度明显提高。     

条带消除对于高光谱图像分类效果的影响——以CHRIS/PROBA图像为例

以CHRIS/PROBA高光谱图像数据为例,使用非监督分类的ISODATA和监督分类的最大似然法、支持向量机等3种经典的图像分类算法,对消条带前后的图像分别开展分类实验,并对分类结果做了分析。实验结果表明,消条带处理可以较好地改善高光谱图像分类结果的目视效果,能够消除不同类别斑块边缘因条带而产生的"毛刺"现象,这对地物斑块的形状及几何分布敏感的研究(如景观生态学)至关重要;但消条带处理对于提高分类精度的效果并不显著,精度提高最大值不到2%。     

一种基于众数赋值的高光谱图像地物分类方法

提出了一种融合监督分类与非监督分类结果的高光谱遥感影像分类新方法——众数赋值分类法。采用ISODATA非监督分类方法对高光谱遥感影像进行分类,并对非监督分类结果的图斑进行标记,同时用最大似然法(ML)和支持向量机(SVM)法进行监督分类,然后以监督分类结果对非监督分类后各斑块进行类别赋值。方法是:统计每个非监督分类斑块中由监督分类所获得的各类别像元数及所占比例,将非监督分类斑块的类别赋予所占比例最高的监督分类结果的类别,最终获得高光谱图像分类结果。研究表明:(1)非监督分类类别数量大于10时,其与ML分类结果融合的总体分类精度和Kappa系数均较监督分类法的分类结果好;(2)ML和20个类别的ISODATA分类结果融合的总体精度最高,为87.35%,比单独ML的总体精度高约2个百分点;(3)SVM和10个类别的ISODATA分类结果融合的总体精度提高最大,较SVM的总体精度提高近3个百分点;(4)随着非监督分类类别数量的增多,分类结果的总体精度呈现由低到高再到低的变化过程。     

基于地物光谱可分性的CHRIS 高光谱影像波段选择及其分类应用

本文以黄河口湿地为研究区,应用覆盖该区域的CHRIS高光谱遥感影像,提出了一种基于地物光谱可分性的滨海湿地高光谱影像波段选择方法。该方法利用研究区的7种典型地物的110余条现场实测地物光谱曲线,通过分析比对地物两两之间的光谱可分度,确定地物类型之间的光谱可分区间,基于此选取CHRIS高光谱影像的地物分类特征波段,应用三种经典的监督分类方法(支持向量机法SVM、人工神经网络法ANN和光谱角制图法SAM)开展利用全波段的和利用本文方法选择特征波段的分类对比实验。结果表明:(1)基于光谱可分性特征波段的方法较全波段分类精度有所提高,其中ANN分类精度最高,为82.52%,较全波段分类精度提高了约为5.1%;(2)芦苇、水体、黄河水和裸滩4种地物的识别能力高,生产者精度都在80%以上;(3)碱蓬的用户精度提升最为明显,约在7%。     

滨海湿地稀疏采样重构高光谱图像分类精度评价

高光谱遥感影像维数高、数据量大、波段之间的相关性强,分类时易出现"Hughes"现象,因此在分类过程中如何有效减小数据处理过程中的计算量,又保证原始数据重要的地物信息不丢失具有重要的意义。压缩感知理论可通过远低于耐奎斯特的采样率和少量观测数据实现信号的精确重构,具有对硬件读写要求低、图像恢复效果好等优势。通过利用基于小波变换的压缩感知算法对黄河口地区的高光谱影像进行图像重构,然后分别采用SVM算法、最大似然法以及神经网络分类法对重构后的影像进行分类,并对分类结果的精度分别从空域和小波域、不同的测量值等维度进行了分析和比较。结果表明:(1)压缩感知理论重构后的影像保留了原始影像的基本信息,保证了分类精度;(2)SVM算法的分类精度最好,空域和小波域的分类精度基本一致;(3)分类精度随测量值的增加先逐渐提高,然后趋于稳定。     

多光谱遥感影像的光谱规则分类算法修正及海岛、海岸带应用

在光谱规则分类算法(Spectral Rule-based Classifier, SRC)基础上考虑大气校正对遥感影像光谱反射率的影响,提出了一种改进光谱规则的分类算法(Modified Spectral Rule-based Classifier, MSRC),从地物光谱响应曲线和光谱指数两个方面来修正光谱规则集,通过规则细化和补充、阈值改正优化光谱类别。以珠江三角洲海岛(佳蓬、淇澳)和海岸带(荃湾、惠东)的Landsat 8影像作为实验数据,对比了大气校正前后波段反射率和地物光谱响应曲线,分析了改进后MSRC算法的地物分类结果和精度,并与原SRC算法、最小距离分类(MDC)算法、最大似然分类(MLC)算法、支持向量机分类(SVM)算法、神经网络分类(NNC)算法以及基于光谱指数的算法等多种地物分类算法进行比较。结果表明,4组实验数据的MSRC算法分类结果总体精度分别为87.66%、82.38%、77.67%和80.05%,高于SRC、MDC、MLC和基于光谱指数的分类算法,在无需人工标注训练数据集的前提下接近SVM和NNC算法的分类精度。MSRC算法适用于海岛和海岸带的Landsat 8多光谱遥感影像。     

联合光谱和纹理特征的滨海湿地高光谱深度学习分类—以黄河三角洲湿地为例

本文基于CHRIS高光谱遥感影像，发展了一种结合地物光谱特征和多纹理空间特征信息，采用双全链接的8层深度卷积神经网络分类算法对滨海湿地高光谱影像进行遥感地物分类，并在黄河口滨海湿地进行了应用。结果表明：1）基于测试样本数据，联合光谱特征和K-L变换的纹理特征信息，采用DCNN模型方法展现了高的分类精度，精度高达99%；2）利用光谱特征和全纹理特征的精度比仅使用光谱特征和光谱特征联合K-L变换后纹理特征的分类精度低。利用K-L变换后的光谱特征和纹理特征的DCNN分类精度达到99.38%，相比于使用全纹理特征信息的精度提高了4.15%；3）基于验证图像，发展的DCNN分类方法精度优于其他算法，DCNN方法总体分类精度为84.64%，Kappa系数为0.80；4）相比于浅层分类方法，本文发展的DCNN模型分类算法保证了所有地物类型的分类精度更加均衡，保持了主要地物类型的分类精度几乎不变，同时提高了滩涂和农田的精度。基于DCNN模型，潮滩和农田的分类精度分别达到79.26%和56.72%。比其它浅层分类方法提高了2.51%和10.6%。     

基于SPOT5的红树林遥感分类

以海南岛东寨港国家级红树林自然保护区为例,实地测量了红树林等地物光谱,获取了较为准确的红树林的光谱特征;在采用最大似然分类法提纯红树林信息基础上,结合不同红树种类的光谱特征及植被指数差异,选定可分性阈值,建立决策树分类规则,对SPOT5图像进行种间分类,并检验其分类精度。结果显示,各红树种类的使用精度都达到80%以上,且总体精度达到90%以上,为红树林生态系统业务化遥感监测奠定基础。     

利用极化SAR数据进行土地覆盖分类研究

基于相关矩阵特征向量的目标分解将地物回波复杂的散射过程分解成相互独立的三种单一散射分量:单向散射、双向散射和交叉散射,分别对应各自的目标相关矩阵。目标分解技术降低了散射回波之间的相关性,有利于分析地物散射机理,有助于提高分类精度。对荷兰F levoland地区全极化数据进行分解,经过试验和相关性分析,选用7种数据形成多参数数据组合,对其进行最大似然监督分类,同时进行常规三种极化加相位差的分类和基于复W ishart分布的最大似然分类,逐像元计算混淆矩阵,分析对比三种分类结果的精度,试验表明:相对于常规数据组合分类,基于复W ishart分布的监督分类可以小幅度提高分类精度,而利用目标分解得到多参数组合数据进行分类则有大幅度的提高。     

基于空谱融合与AlexNet算法的滨海湿地植被分类研究

为提高遥感影像融合质量,提升资源一号(ZY-1 02D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-1 02D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-1 02D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。     

基于Landsat-8 的湛江东海岛地物分类研究

“宝钢湛江项目”的实施对近十年湛江东海岛的地物分布产生剧烈影响，尤其是工业用地。本文基于2013 年、2017 年和2021 年的陆地卫星8 号（Landsat-8） 数据对湛江东海岛进行地物分类，研究该区域近十年的用地变化趋势。以2013 年数据为参照：采用归一化水体指数（Normalized Difference Water Index，NDWI） 模型和谱间关系模型实现水陆分离，比对选择分离效果较优者以提取东海岛岸线；对比最大似然法、神经网络法和支持向量机法3 种监督分类方法，选择提取地物效果最优者应用于其余数据。基于Google earth 在线地图及无人机实测数据构建验证点集，使用混淆矩阵进行精度评价。结果表明：谱间关系模型的水陆分离效果较优，提取海岛岸线的精确度有明显提升；支持向量机法的分类总体精度和Kappa 系数最高，分类结果能较好地反映研究区的真实地物分布；汇总三年数据的分类结果，发现用于发展工业的土地面积增长突出且处于持续增长趋势。谱间关系模型与支持向量机法分别实现了对东海岛岸线和地物类型的准确提取，得出近十年研究区的用地变化趋势，能为研究区的用地规划提供参考。     

不同极化方式SAR与TM融合影像滨海湿地分类精度比较

以覆盖黄河口湿地区域的Radarsat-2 SAR全极化影像和Landsat-5 TM影像为例,将4种极化方式的SAR影像与TM影像分别进行融合,采用支持向量机对融合结果进行滨海湿地典型地物土地覆盖分类,并对分类结果进行比较评价,分析不同极化方式的SAR影像与TM影像融合结果在滨海湿地地区的分类能力。实验结果表明:采用与SAR影像融合的方法能够提高TM影像的分类精度,其中HV极化方式的SAR影像与TM影像的融合结果分类精度最高,最适用于滨海湿地土地覆盖分类研究。     

一种基于人工免疫网络的遥感图像分类算法

提出了一种基于人工免疫网络的遥感图像分类算法。该算法通过借鉴生物免疫网络的分类和泛化能力，训练出能反映训练数据分布特性的网络细胞，然后使用这些网络细胞进行分类。实验结果表明，基于人工免疫网络的遥感图像分类算法具有较好的分类性能，其分类总精度、kappa系数均优于一些传统分类算法。     

结合纹理特征的SVM海冰分类方法研究

海冰分类是遥感监测领域中的重要应用之一，海冰分类的准确性对于评估海冰冰情、保证航海安全和开辟北极航道具有重要的意义。针对海冰分类问题，本文选用Sentinel-1遥感数据，结合纹理特征分析，提出了一种改进的SAR海冰分类方法。该方法选用灰度共生矩阵提取特征值，通过实验得到适宜用于海冰分类的多特征组合，在此基础上利用支持向量机开展SAR海冰类型的分类研究。实验结果表明，该方法可以实现对海冰SAR图像中一年冰、多年冰和海水3种类型识别，与传统的海冰分类方法神经网络和最大似然法相比较，使用SVM分类方法，结合纹理特征开展海冰类型监测是可行的，同时也表明多特征组合有利于提高SAR图像的分类精度，从而验证了本方法的有效性，为海冰分类提供了一种新思路。     

一种新的基于PCA变换多源遥感影像像素级融合方法

在多源遥感影像融合中，基于传统PCA变换的多源遥感影像融合的光谱分辨率受到较大影响。提出了一种新的基于PCA变换的多源遥感影像像素级融合方法，通过在传统PCA变换融合算法基础上引入小波变换融合，保留了多波段遥感图像光谱特性的有用信息，进一步提高融合后遥感影像的效果。给出实验的融合结果，并与传统PCA变换方法进行对比，证明了该方法的有效性。