遥感影像的分类与识别技术在土地资源调查中的应用

遥感图像记录了地物在空间域、时间域、光谱域的变化信息。利用图像的分类技术 ,能够识别土地利用类型。计算机遥感分类识别原理 ,是利用地物的光谱能量特征差异性和结构特征差异性来识别地物信息。根据北京某地遥感图像实例资料 ,将土地利用类型分为监督分类、非监督分类、最大似然法分类、神经网络分类等。不同的分类方法有各自的特点且分类结果也有一定的差别 ,其中神经网络分类与真实情况最为接近     

基于深度特征的双极化SAR遥感图像岩性自动分类

基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类.      

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.     

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。     

植被覆盖区卫星高光谱遥感岩性分类

植被高覆盖区岩石和土壤在遥感图像上表现为弱信息、小目标,如何利用卫星高光谱遥感提取岩性弱信息是目前遥感地质应用中的最大挑战之一。以黑龙江呼玛地区为例,选择美国EO-1卫星Hyperion高光谱数据。由于植被与下伏岩石-土壤的光谱混合,分别计算研究区含土壤因子和不含土壤因子的植被指数,并对两类不同的植被指数进行主成分分析,以此分离植被和岩石-土壤组分。在含土壤因子植被指数主成分分析的二维组分散点图上,明显区分出背景植被与异常岩石-土壤组分,证实了植被与岩石-土壤组分经主成分分析分离的效果。同时在不添加土壤因子植被指数的分析中,明显区分出植被覆盖信息。通过对实验区典型岩石进行野外光谱测试,然后对光谱进行连续统去除处理,将其作为参考光谱,与分离后的岩石-土壤光谱进行光谱特征拟合（SFF）,从而成功地识别出研究区内不同岩石类型,特别是玄武岩、流纹岩、砂砾岩、安山质凝灰岩、大理岩和石英片岩识别效果较好。根据研究区内不同岩石地层单元内岩石组合特征,通过分离后的组分合成图像,成功地实现了岩性分类。与已知地质图叠加,证实通过卫星高光谱数据提取的不同岩石类型颜色边界与地质图岩性界线吻合较好。结果表明：通过植被与岩石-土壤光谱组分分离,结合高光谱遥感的光谱特征拟合,能够识别不同的岩石类型,实现植被覆盖区岩性分类。     

利用目标向量空间变换方法提取含矿岩层的研究——以新疆卡特里西地区为例

多因子线性变换是处理多波段遥感数据的数学方法,应用该方法对于图象主要特征的分离和提取具有很好的效果.但是,遥感图象数据中的岩性信息光谱分布复杂多样,在信息强度和分布方面较弱,使用现有的变换很难将岩性信息提取出来.为了完成遥感岩性填图的任务,本文提出利用目标向量空间线性变换的方法,简化所要提取的目标信息的光谱结构,提取目标信息.根据研究区内岩性目标地物的图象灰度光谱分布选择空间域坐标轴的位置,使需要分离的岩性信息只在一个轴上的投影不为0,从而将岩性目标信息分离出来.该方法在新疆且末卡特里西地区提取铜矿带岩性取得了较好的结果.     

多源遥感数据图谱协同岩石单元分类方法

岩石单元的结构、构造、差异风化和出露状况在遥感图像上综合表现为图形纹理特征即“图”标志，其矿物成分和组合则表现为光谱特征即“谱”标志.传统遥感岩石单元分类以利用其光谱特征为主，图形纹理特征为辅，因此分类精度有限.以新疆维吾尔自治区与甘肃省交界的北山西段为研究区，开展岩石单元图形指数和光谱指数协同分类方法研究.基于Worldview-2全色图像构建的图形指数，能够量化岩石单元的层理、构造、展布形态和微地貌等特征，包括0°和45°定向滤波图像及灰度共生矩阵计算出的同质性和异质性特征图像、熵特征图像；光谱指数基于Worldview-2多光谱图像和ASTER（Advanced Spaceborne Thermal Emission and Reflection Radiometer）短波红外波段图像利用比值、和-差方法构建.多源遥感图像构建的光谱指数其光谱波段涵盖可见光-近红外及短波红外，包括RI（Ratio index）_ASTER、SI（Spectral index）_ASTER、SI_Worldview-2.采用面向对象方法对建立的图谱指数进行多尺度分割，依据不同岩石单元出露规模建立适宜的分割尺度，利用光谱指数自动提取相应岩石信息，实现岩石单元自动分类.结果表明，实验区基于图谱协同方法共划分出17类岩石单元，总体精度达到83.62%，而单独利用Worldview-2和ASTER图像，仅划分出13类和14类岩石单元.提出的图谱协同岩石分类方法可为我国西部高海拔深切割无人区地质调查及找矿工作提供新思路和遥感技术支撑.      

内蒙古中部地区土地荒漠化遥感调查及环境质量评价

选择内蒙古中部地区作为典型荒漠化区域,根据荒漠化土地分类体系,确定决策树的结构以及各类地物在树形中的位置。基于各类地物的光谱反射特性和图像数据反映的综合特征,采取相应的识别和提取方法,以最大限度地利用遥感数据源。在研究过程中,采用从多光谱及多时相TM和ETM⁺遥感数据中提取出的光谱反射特性、土壤调节植被指数、土壤亮度指数以及土壤湿度指数等复合指数进行不同地物的分类和提取。结果表明:利用决策树分层提取法可以有效地排除和避免提取地物时多余信息的干扰及影响,目标明确。然后,通过图像代数检测法及目视解译法确定1990-2000年土地荒漠化的变化信息,对内蒙古中部地区的荒漠化演变规律做出分析。最后,结合研究区气候数据,在GIS支持下,通过对研究区生态环境质量变化和气候因子变化的相关性分析,表明研究区影响环境变化的主要因子是降水量与蒸发量(干燥度)。     

典型目标识别知识库系统研究

通过对目标知识库、目标数据库、地理信息系统(GIS)、形状分析和模式识别等技术的研究,提出了一种基于知识的目标识别方法.该方法提取目标遥感图像的空间特征和光谱特征,结合GIS空间分析功能,根据知识库中的先验知识进行推理,实现了典型目标的判别和提取.     

国家自然科学基金“八五”第三批重点项目(地球科学)

项目编号:49331270 项目名称:地面目标二向性反射分布特征研究 卫星对地观测主要采取垂直收集数据的方式,获得地面目标的二维信息。对这种数据的解释主要依据目标个体的光谱特性。现有研究证实,需用二向性反射分布函数(BRDF)来描述地面目标,以获取目标的三维空间结构信息,使遥感图像信息的应用从传统的图像判读、分类走向目标空间结构的反演,并逐步走向定量遥感。     

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.      

Variational Bayesian independent component analysis for spectral unmixing in remote sensing image

Spectral unmixing is a key technology of optical remote sensing image analysis; it not only influences the accuracy of the extraction of land cover information and automatic classification of topographical objects, but also greatly hinders the development of quantitative remote sensing. Independent component analysis (ICA) is a statistical method which is recently developed to extract the independent linear components, and which can realize the extraction of endmembers as well as fractional abundances with little a priori knowledge. However, ICA still cannot process the correlations among the various components. To overcome this problem, variational Bayesian independent component analysis (VBICA) has been proposed to process optical remote sensing images. In the Bayesian framework, the separation of independent components of remote sensing image has finally been achieved with conditional independence standards of Bayesian network and approximate variational algorithm. In the simulative image and real AVIRIS hyperspectral remote sensing image, the VBICA algorithm demonstrates its better performance. The experiment’s results indicate that the proposed VBICA algorithm is feasible, which has obvious advantages and a good application prospect. The reason is that it can effectively overcome the correlations between the various components in remote sensing images and break through the limitations of traditional remote sensing images analysis. Last but not least, the VBICA algorithm is applied in the classification of the TM multispectral remote sensing images. Compared to basic maximum likelihood classification, principal component analysis and FastICA algorithms, VBICA improves the classification accuracy of remote sensing images, and contributes to the further extension of the application of ICA in remote sensing image analysis.     

基于分形特征的高标准农田遥感分类方法研究

目前全国高标准农田面积数量已具一定规模,由于人工解译的工作效率较低,如何实现对全国大面积的高标准农田建后利用情况进行实时、精准遥感监测成为亟待解决的问题。由于监测面积大,精度要求高,迫切需要研究一套遥感自动监测方法在全国推广。以广东省东莞地区作为研究区,选择2017年2月15日的高分二号遥感影像,基于分形图像分割并结合BP神经网络对区域高标准农田进行分类,并加以人工解译和实地验证。 结果显示,该分类方法总体精度为 80112 2%,Kappa 系数为0761 1。表明分形图像分割结合BP神经网络的遥感分类方法总体精度较高,能较好地满足高标准农田建后利用情况遥感监测的需求。此方法可以在全国范围推广应用,为高标准农田建成后的实时监管提供技术支撑。     

基于改进IHS融合方法的冰川变化监测研究

随着卫星及传感器的发展,对地观测技术已广泛用于冰川变化监测中。针对多时相、同源遥感影像,提出了一种改进的IHS融合冰川变化监测方法。将不同时期影像进行改进IHS融合,使冰川变化区域突显出来,然后利用决策树分类方法对变化区域进行提取。利用两期LANDSAT影像进行基于改进IHS融合方法的冰川变化监测实验,并与常用于冰川变化监测研究的波段比值法进行比较,实验结果表明,该方法无论在定性分析还是定量分析上均优于波段比值法。     

ASTER数据的自组织神经网络分类研究

传统的遥感数据分类方法大多基于统计学的参数估计，假设数据分布服从高斯正态分布。神经网络方法无需参数估计和统计假设，因而，近来越来越多地应用于遥感数据分类之中。介绍了基于聚类分析的自组织特征映射分类方法。ASTER卫星数据是新型遥感数据，包括 3个15 m分辨率波段和 3个30 m分辨率的短波红外波段。选择北京地区的ASTER数据作为方法实验数据，首先对数据进行了小波融合，然后进行了土地覆盖类型的自组织特征映射神经网络分类研究，把研究结果同最大似然判别法得到的分类结果进行了比较，分类精度比最大似然判别法总体提高了9％。     

基于极限学习机的GF-2影像分类

遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中。极限学习机（extreme learning machine,ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用。本文采用训练速度快、运算量小的极限学习机算法与支持向量机（support vector machines,SVM）算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能。选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类。研究结果表明,极限学习机算法分类图像总体分类精度达到85%以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2 480 s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值。     

吉林西部多时相遥感数据分类方案的构建及应用

为了深化遥感监测方法在生态环境调查中的应用,本文以吉林西部为试验区,设计了一种多时相遥感数据分类方案。该方案以物候信息为主,结合地物特征变量(植被、水体和土地信息)构建的多维特征空间数据集用于土地覆被分类。该遥感分类方案提取了9种地表覆被类型,结果表明:地表植被季节变化信息和土地利用信息的引入能明显改善土地覆被的分类精度;与基于原始波段的分类方案相比,多时相遥感数据分类方案的分类精度最好,总体分类精度为95.50%,Kappa系数为95.04%。     

基于随机补片和DeepLabV3+的建筑物遥感图像变化检测

为有效解决传统遥感图像变化检测预处理复杂的问题,提出一种基于随机补片和DeepLabV3+的建筑物遥感图像变化检测方法。以ResNet50特征提取网络为基础,创建DeepLabV3+语义分割网络,并在图像和标签中创建大小为224像素×224像素的随机补片作为网络输入,训练建筑物提取网络;修改建筑物提取网络输入层为6通道,通过矩阵运算将两期遥感图像转换为一幅6通道非RGB图像,利用转换后的非RGB图像进行网络训练并验证变化检测精度。实验1利用ENVI5.3软件,采用马氏距离法进行变化检测;实验2采用改进的U-Net网络和随机补片,完成网络训练和精度验证;实验3使用实验2的训练数据和验证数据,采用随机补片和DeepLabV3+网络进行变化检测网络训练及精度验证。实验结果表明,该方法实验1、实验2、实验3建筑物变化检测平均交并比分别为24.43%、83.14%、89.90%,边界轮廓匹配分数分别为61.47%,80.24%、96.51%。     

基于极限学习机的遥感地球化学反演模型

地球化学勘查研究涉及大量采样工作，但在工作环境恶劣人们难以到达的地区，大范围、大比例尺的地球化学数据极难获取。本文基于极限学习机（ELM）构建遥感地球化学反演模型，弥补因为区域数据不足导致的找矿工作困难。依据偏最小二乘回归（PLSR）方法选取与地球化学数据相关性强的遥感影像成分，并根据极限学习机建立地球化学数据与遥感影像之间的非线性对应关系来获取未知地球化学异常，以此来指导找矿工作。实验中，选取研究区铜元素1：20万土壤地球化学数据与Landsat 8 OLI遥感影像进行反演分析。实验结果表明，基于ELM的遥感地球化学反演所取得的异常分布与已知矿点具有很好的对应度，验证了本文所提出模型的有效性。