引导滤波联合局部判别嵌入的高光谱影像分类

高光谱遥感影像分类是高光谱遥感影像处理和应用的重要组成部分。然而，高光谱遥感影像具有波段数量较多和空间分辨率较高等特点，给分类任务带来一定的挑战。为了提高分类精度，充分利用影像的空间信息和像素间的局部信息，提出一种引导滤波联合局部判别嵌入的高光谱影像分类方法。首先，对高光谱遥感影像进行归一化，利用主成分分析方法实现特征提取，将提取的第一主成分影像作为引导图像；其次，采用引导滤波分别提取各波段影像的空间特征；然后，将提取的空间影像特征进行叠加，通过局部Fisher判别分析完成低维嵌入；最后，将得到的低维嵌入特征输入支持向量机分类器得到分类结果。采用Indian Pines和Pavia University两幅高光谱影像进行实验的结果表明：在分别从各类地物中随机选取10%和100个样本作为训练样本的情况下，其总体分类精度分别提高到98.28%和99.45%；对比其他相关方法，该方法能够获取更高的分类精度。该方法在低维嵌入的同时，有效利用了影像的空间信息，改善了分类效果。     

开采沉陷遥感监测中多维纹理特征影像分类方法

为提高采用遥感影像监测开采沉陷演化的准确性,探讨了基于多维纹理特征的影像分类方法。首先提取影像的多维纹理特征:局部方差、局部平均梯度、局部能量和局部信息熵,然后将其与地物光谱值一并作为人工免疫算法中样本的特征向量,利用免疫算法的选择、克隆、变异算子进行自学习得到全局最优聚类中心,从而提高影像分类精度。对淮南煤田进行开采沉陷遥感监测,结果表明,该方法分类总精度为88.26%,Kappa系数为0.853,优于传统的Parallelepiped和Maximum likelihood分类方法。      

卷积神经网络和视觉注意力语义分割模型在高分辨率遥感影像分类中的性能分析

随着深度学习语义分割的快速发展,基于计算机视觉语义分割模型的高分辨率遥感影像分类方法也大量涌现。为系统定量地研究经典的和先进的视觉语义分割模型在遥感影像分类中的性能,在总结深度学习语义分割进展的基础上,选择9种基于卷积神经网络(CNN)和视觉注意力的语义分割算法,对米级和厘米级2个尺度的遥感数据集进行分析研究。在模型构建上基于计算机视觉通用的语义分割框架,训练时采用红绿蓝3波段遥感图像并基于ImageNet预训练权重进行迁移学习训练。研究结果表明：通用的语义分割模型通过常规训练设置进行训练能取得较好的遥感影像分类效果,部分地物的交并比(IoU)可以达到90%以上;基于视觉注意力的遥感影像分类模型的精度普遍高于基于CNN的模型,且MaskFormer能更有效地提取离散的地物信息;不同类别的精度最高值并不全在总体最优模型中,部分会存在于次优模型中;类似的地物在更高分辨率遥感数据集中可以获得更高的精度。     

若尔盖高原地物遥感分类

各种物质在遥感数据中都有其特征的波谱吸收峰。因此通过波谱识别就可以大大减少以往遥感分类方法中的漏分及混分现象。为了解决若尔盖高原地物遥感分类问题,首次对本区ETM多光谱融合数据采用了地物波谱角分类法进行地物识别。分类步骤:遥感数据定标→选择训练区样本→MNF变换减维去噪处理→利用纯净像元指数(PPI)进行样本提纯→利用n-D散度法进行样本重组→波谱角分类(SAM).其分类结果表明,类别精度评价总精度为0.806,kappa系数为0.785.其精度均符合1:5万比例尺的土地详查工作的技术要求。      

一种基于光谱角和光谱距离自动加权融合分类方法

高分辨率遥感影像分类一直是业内研究的热点之一,考虑到影像地物光谱角和光谱距离在分类中具有较好的互补性,提出了一种基于光谱角和光谱距离自动加权融合的分类方法,对传统多分类器分类的融合策略进行改进,能够在训练阶段根据样本自动地调整好各分类器对各类别进行分类的权重系数,使得融合后的分类结果更加科学和准确。QuickBird影像的分类实验表明,方法的分类精度明显优于单纯的光谱角或距离法,可广泛用于各种高分辨率影像的分类识别。     

集成空间变换结构与深度残差网络的遥感影像场景分类方法

针对传统高分辨率遥感影像的场景分类效率较低,以及卷积神经网络在遥感影像场景分类上由于空间不变性而导致的分类精度不高的问题,提出了一种结合空间变换网络和迁移学习的高分辨率遥感影像场景分类算法.首先,利用ImageNet数据集训练深度残差网络ResNet101得到预训练模型,通过知识迁移提高模型目标探测效率;之后在模型中嵌入空间变换结构,使模型能够主动在空间上变换特征映射,提高模型的鲁棒性;最后,在模型中添加Dropout层减小模型出现过拟合的概率.本方法在AID和NWPU-RESISC45两种不同规模的高分遥感影像数据集上进行了验证,在只有20%训练样本的情况下仍达到了94.30%和93.63%的分类精度.实验结果表明本次改进模型具有更好的特征提取能力,针对易误分类场景的分类结果更优.     

基于多尺度循环注意力网络的遥感影像场景分类方法

高分辨率遥感影像场景分类一直是遥感领域的研究热点.针对遥感场景对尺度的需求具有多样性的问题,提出了一种基于多尺度循环注意力网络的遥感影像场景分类方法.首先,通过Resnet50提取遥感影像多个尺度的特征,采用注意力机制得到影像不同尺度下的关注区域,对关注区域进行裁剪和缩放并输入到网络.然后,融合原始影像不同尺度的特征及其关注区域的影像特征,输入到全连接层完成分类预测.此分类方法在UC Merced Land-Use和NWPU-RESISC45公开数据集上进行了验证,平均分类精度较基础模型Resnet50分别提升了1.89%和2.70%.结果表明,多尺度循环注意力网络可以进一步提升遥感影像场景分类的精度.      

西昆仑山崇测冰川区多源遥感影像的冰川信息提取方法研究

冰雪独有的性质与特性使得基于遥感影像对其进行信息提取成为可能,如何进行精准的冰雪信息提取是冰雪时空变化研究的关键和基本要求。利用多源遥感影像（TM、IRS-P5和SAR）对西昆仑山崇测冰川区的冰川进行信息提取,采用不同分类方法和数据融合方法,分别针对光学影像和微波影像进行处理,提取冰川信息并进行比较分析。结果表明：面向对象分类方法是最优的冰川信息提取方法;图像融合处理有助于提高冰川信息的提取精度,特别是多光谱和高分辨率图像融合后再分类,提取效果更为理想。     

面向对象的喀斯特地区土地利用遥感分类信息提取

传统的面向像元分类方法虽然对光谱差异较为明显的遥感影像信息提取具有较好的效果,但会不可避免地产生“椒盐现象”,同时对纹理和形状信息不能充分应用,造成了大量信息损失。为了提高喀斯特地区土地利用遥感信息提取的精度,本文采用面向对象的分类方法,对贵州省毕节地区开展了土地利用遥感信息自动提取研究。首先对该地区Landsat-5 TM影像进行多尺度分割,形成影像对象层,然后综合应用基于知识决策树分类和基于样本的最邻近分类等技术对喀斯特地区进行遥感解译。结果表明,面向对象分类技术能较好地对喀斯特地区土地利用信息进行提取,同时避免了“椒盐现象”的产生,经野外采集样点数据验证,一级类分类精度为91.7 %,二级类分类精度为89.4 %,表明该方法在贵州省毕节地区应用效果良好。      

集成多时相ETM+影像的证据推理湿地遥感分类

选择黑龙江省扎龙湿地自然保护区作为研究区,开展了基于Dempster-Shafer理论的证据推理方法(ER)湿地遥感空间分类研究,提出了一种针对ETM+多波段遥感影像的计算证据支持度的新算法,利用证据推理方法集成研究区5个时相的ETM+影像。研究表明,证据推理方法能有效集成多时相ETM+影像实现湿地空间分类,其总体分类精度比基于任一单时相影像的最大似然法(MLC)分类精度都高,提高幅度约为2%~12%。     

喀斯特地区遥感影像解译新算法——支持向量机算法

现行的遥感影像解译方法有监督分类和非监督分类。在监督分类中有平行算法,最小距离算法、最大似然算法等,而支持向量机是监督分类中的一种新的算法。本研究选择贵阳市花溪区小碧乡局部地区为研究对象,采用SPOT数据,分别运用最大似然算法和支持向量机算法对研究区遥感影像进行解译。通过建立混淆矩阵,来计算分类精度和Kappa系数。结果表明:支持向量机具有分类精度高,分类图斑完整等优点;但在时间的消耗上,支持向量机算法要比最大似然算法长。对于这两种算法而言,都存在地物光谱特征明显相异的地物易于区别,光谱相似的地物容易造成错分的现象,然而支持向量机分类精度要比最大似然分类精度高一些。支持向量机对样本数量具有敏感性,样本数量过多将导致运算时间过长。因此在实际运用中应根据实际情况,选择适合的算法。      

基于多源遥感影像的长春市城市建成区提取

夜光遥感影像记录的城市灯光与人类活动密切相关,已广泛应用于城市信息提取。珞珈一号作为新一代夜光遥感数据源,比以往的夜光数据具有更高的空间分辨率和光谱分辨率,可以更清晰地表达城市建成区范围和内部结构。本文利用珞珈一号夜光遥感影像,通过人类居住指数（human settlement index, HSI）、植被覆盖和建筑共同校正的城市夜光指数（vegetation and build adjusted nighttime light urban index, VBANUI）及支持向量机（support vector machine, SVM）监督分类3种方法对长春市城市建成区进行提取,并与利用NPP/VIIRS（suomi national polar-orbiting partnership/visible infrared imaging radiometer suite）夜光遥感影像、采用同样方法得到的结果对比。结果显示：本文提出的VBANUI提高了传统植被覆盖校正的城市夜光指数（vegetation adjusted nighttime light urban index, VANUI）的提取精度,使用珞珈一号夜光遥感影像通过VBANUI提取的城市建成区结果最优,其Kappa系数为0.80,总体分类精度为90.74%;使用珞珈一号和NPP/VIIRS夜光遥感影像通过HSI按最佳阈值提取城市建成区的Kappa系数分别为0.75和0.72,总体分类精度分别为88.27%和86.54%;复合数据的SVM监督分类法中Landsat-NDBI、Landsat-NDBI-VIIRS、Landsat-NDBI-LJ和Landsat-NDBI-LJlog的Kappa系数分别为0.602、0.627、0.643和0.681,总体分类精度分别为81.11%、81.52%、82.25%和84.48%。研究结果表明：3种提取方法下,均为使用珞珈一号夜光遥感影像的结果优于使用NPP/VIIRS夜光遥感影像的结果,证明相比于NPP/VIIRS夜光遥感影像,珞珈一号夜光遥感影像更适用于城市尺度的建成区范围提取。     

基于GF-1影像多尺度-光谱差异分割的不同喀斯特地貌区土地利用信息提取

影像分割是高分辨率遥感影像信息提取的前提,遥感影像分割的精确程度直接影响遥感分类的精度。为提高喀斯特山区遥感影像信息提取的精度,采用多尺度-光谱差异分割对喀斯特山区高分辨率影像分割,通过标准最近邻分类法提取土地利用信息,对比了仅多尺度分割、多尺度-光谱差异分割两种分割方法下喀斯特山区土地利用信息提取的精度。结果表明:（1）多尺度-光谱差异分割能改善过分割和欠分割现象。（2）多尺度-光谱差异分割优于单一使用多尺度分割。（3）多尺度-光谱差异分割综合了影像的光谱、纹理、形状等特征,进而提高了喀斯特山区影像分割分类的精度。      

ETM影像小波变换数据融合在土地利用中的分类研究

在ERDAS软件支持下,对ETM遥感影像数据的TM1—TM5,TM7与其全色波段TM8进行小波变换融合,对融合后的影像采用混合分类方法进行土地利用分类。并对其分类结果进行评价,总体精度达到95.43%,研究结果表明此方法可行有效。     

矿区高分遥感影像智能提取应用研究

文章通过深入研究广西某矿区航空遥感影像,以遥感影像基元模型为基础,辅以土地利用规划、现状信息建立影像基元与地理实体对象之间的关系,构建地理实体逻辑推理组合规则,进行遥感信息地理实体分类提取,进而对分类结果进行精度对比评价,实现高分遥感影像空间信息提取的自动化、智能化处理。     

SAR遥感数据用于岩性识别与分类的研究

利用新疆北部山区雷达遥感数据,通过遥感数字图像处理与增强,生成雷达遥感假彩色合成影像应用于岩性判释。对不同岩性岩石,利用极化雷达提供的地表岩石的多种散射信息作为输入进行计算机神经网络分类,岩性识别分类的总精度为62.6%。与常规雷达数据分类对比,分类精度与岩石识别正确率均有显著提高。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89.17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96.70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89. 17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96. 70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

深度学习在矿产资源卫片执法中的应用研究

矿产资源卫片执法是资源监管与保护的重要技术手段,而深度学习是当前人工智能领域中的研究热点,为提高卫片执法效率、降低人力解译工作量提供了可能。本文提出了一种基于Mask RCNN的遥感影像露天矿山疑似违法图斑自动检测提取方法,通过采集、扩充、规范矿山样本,制作特定的coco数据集输入到Mask RCNN进行有监督学习训练。利用训练出的分类网络模型进行遥感影像矿山图斑的自动提取,并以采矿权矢量图层作为判定依据,自动圈取影像中的疑似违法图斑。经实验,本文方法的mAP精度达87%以上,高于传统方法,对深度学习在卫片执法中的应用研究作出了有效实践。     

基于边缘特征的遥感影像小波变换融合法

如何将不同空间分辨率遥感影像合理有效地融合在一起,保持原始多光谱影像的光谱特性,提高影像的分类精度和空间分解力,这是遥感影像数据融合处理的热点研究问题。在对原始遥感影像进行小波变换的基础上,提取高空间分辨率影像边缘特征信息,并与原始多光谱影像进行了融合处理。以IRS、SPOT和ETM卫星影像为资料进行实验,结果表明,该方法在提高影像的空间分辨率的同时,能够很好地保持影像的光谱特性,尤其在空间分辨率差异较大的影像融合中,该方法在保持影像光谱特性方面要优于其他的融合方法。