面向高光谱矿物填图的多特征结合降维方法研究

高光谱影像具有图谱合一的特点,图像空间信息是遥感影像的重要信息,但以往基于最佳波段选择的降维方法中只考虑基于灰度统计的特征空间信息,忽视了图像空间信息,而且计算量大。综合高光谱遥感影像的特征空间与图像空间信息,提出了一种多特征结合的高光谱影像降维方法并应用于矿物填图中。统计分析波段相关性并划分不同特征子空间;计算各波段的分形维数,在各子空间选择分形维数较小的波段作为候选波段;在候选波段中,计算待识别地物光谱间的相关系数,并快速选择出最佳波段组合。经实验,应用该方法选出的最佳波段组合影像清晰、不同蚀变矿物对比明显,根据特征选择提取出的矿物蚀变信息与应用成熟的光谱角制图(SAM)提取结果大致相同,表明结合图像空间和特征空间的降维方法能够选择出理想的波段组合,有效降低高光谱数据的维数,信息提取效果好。     

基于灰度共生矩阵的图像纹理特征地物分类应用

针对传统遥感影像分类方法的分类精度不高,在分析图像的光谱信息的基础上,对基于灰度共生矩阵的纹理特征在地物分类中的应用进行了研究.本研究利用原始图像进行主成分分析后的前两个主成分,经过编程运算,提取了基于灰度共生矩阵方法的不同测度的纹理特征,将提取的纹理特征作为新的波段,与原始波段进行组合,再对组合图像进行监督分类,探索...     

联合空-谱信息的高光谱影像深度森林分类

为了提高高光谱影像分类精度,设计了联合空-谱信息的高光谱影像深度森林分类方法。该方法由空间特征提取、多粒度扫描和深度森林分类三部分组成。首先提取高光谱影像的形态学属性剖面特征,将所提取的特征与原始光谱特征进行拼接获得融合后的空-谱特征;然后通过多个尺度的滑动窗口对空-谱特征进行多粒度扫描,以实现特征重用;最后将多粒度扫描后的特征输入到深度森林分类器中进行分类。采用Pavia大学高光谱数据集和Salinas高光谱数据集进行分类试验,所设计的分类方法在两组高光谱数据上分别取得了98.44%和98.47%的总体分类精度。试验结果表明所设计的分类方法能够有效地提高高光谱影像的分类精度。     

基于决策树模型的上海城市湿地遥感提取与分类

城市湿地是上海重要的生态基础并具有复杂多变的自然特性。研究采用决策树分类方法,以TM影像多光谱波段特征为主要分类变量,采用经K-T变换、IHS变换等光谱增强后的数据以及利用灰度共生矩阵分析影像第一主成分的纹理统计量作为辅助分类变量,结合城市湿地几何特征信息,构建上海城市湿地决策树分类模型,进行上海市湿地信息的遥感提取和分类。结果表明：（1）上海城市湿地总面积为1 277.40 km²;其中水田面积最大,占总面积的65.30%;其次为河流、库塘、湖泊和芦苇。（2）决策树模型的分类方法在一定程度上提高了城市湿地提取和分类的精度,使其达到89.05%;与传统的最大似然法相比,总精度提高了约10%。     

不同空间分辨率高光谱遥感数据对蚀变矿物信息提取的影响

高光谱遥感由于其精细的光谱分辨率,在定量分析物质成分上独具优势,因此广泛应用于提取蚀变矿物信息。探讨了不同空间分辨率高光谱遥感数据对蚀变矿物信息提取的影响,采用最邻近插值法、双线性插值法和三次卷积插值法3种重采样方法对美国Cuprite矿区空间分辨率为20 m的AVIRIS影像做空间尺度扩展,分别扩展到空间分辨率为25,30,35,40,45,50 m。采用SAM分类方法从不同空间分辨率影像中提取蚀变矿物信息,使用混淆矩阵评价提取结果。一方面比较不同重采样方法对后期蚀变矿物信息提取精度产生的影响;另一方面比较不同空间分辨率对高光谱遥感影像蚀变矿物信息提取精度的影响。结果表明:①采用不同的重采样方法做空间尺度扩展,会影响后期蚀变矿物信息提取的精度,但是数值变化相对较小。相比之下,最邻近插值法重采样下影像蚀变矿物信息提取的精度稍好一些。②在中等空间分辨率(20～50 m)范围内,基于50 m空间分辨率的高光谱影像,蚀变信息提取的总体精度和Kappa系数较20 m的明显下降。其中最邻近插值法重采样下的总体精度和Kappa系数分别下降了7.94%,0.09;双线性插值法重采样下的总体精度和Kappa系数分别下降了6.87%,0.08;三次卷积插值法重采样下的总体精度和Kappa系数分别下降了6.68%,0.08。较高空间分辨率影像的总体精度和Kappa系数整体上均高于较低空间分辨率的情形。     

基于PCA+RBF的多光谱卫星遥感影像分类

多光谱卫星遥感影像具有波段多,信息量大的特点,传统的分类方法难以达到比较高的精度.这里首先采用主成份分析对多波段遥感图像进行降维,再采用训练后的RBF(radial basis function)神经网络做图像的监督分类.通过对ETM 的遥感数据进行实验,结果表明,这种分类方法的分类精度,明显优于最大似然法、最小距离法等传统的分类方法.同时,与基于像元的RBF神经网络法相比,也有一定的优势.     

光学遥感在识别花岗伟晶岩型锂矿床中的应用

花岗伟晶岩型锂矿是一种重要的锂矿资源,近年来,光学遥感技术在花岗伟晶岩型锂矿找矿应用中效果显著,开启了遥感找锂矿的研究热潮.本文基于对全球及国内花岗伟晶岩型锂矿空间分布特征、成矿地质特征的综合分析,归纳总结了目前伟晶岩型锂矿识别的光学遥感数据源及技术方法:ASTER、Landsat-8等中等分辨率影像具有较高的光谱分辨率,可利用锂矿独特的光谱特征,通过信息增强方法来识别锂矿;而WorldView-2、WorldView-3等高分辨率影像具有较高的空间分辨率,可以通过图像色彩增强方法提取到细小的伟晶岩型锂矿露头.提取技术方法包括RGB组合、波段比值、主成分分析、辐射增强等,RGB组合方法虽然能在锂矿提取中起到一定作用,但主观因素影响较大,且提取出的伟晶岩是否含有锂矿需要进一步研究;主成分变换以及波段比值主要依据锂矿的光谱特征信息,得出的结果具有客观性和科学性,但提取精度还需要提高;辐射增强通过改变影像的像元灰度值来突出花岗伟晶岩型锂矿信息,能够很好的解决花岗伟晶岩型锂矿和围岩光谱信息差异细微的技术瓶颈.最后,本文指出了多源遥感数据协同应用、自动化及智能化算法的引入等将是开展花岗伟晶岩型锂矿遥感找矿的发展趋势.     

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。      

结合小波包变换和随机森林的ASTER蚀变信息提取

为了更准确地提取蚀变信息,本文选择新疆、甘肃和内蒙古三省交界部位为研究区,结合小波包变换和随机森林提取ASTER蚀变信息。首先,选择主要蚀变类型的诊断性波段进行特征向量主成分分析,得到主分量影像;接着,对主分量影像进行小波包变换,使用代价函数选择最优小波包树,并提取高低频信息构造分类向量;然后,经过特征筛选构造随机森林分类模型,并提取矿化蚀变信息;最后,通过野外采样、薄片鉴定对提取结果进行精度评价。铁染、Al-OH及Mg-OH蚀变信息的主成分分析波段组合分别选择Band 1、2、3、4,Band 1、3、4、6及Band 1、5、8、9。结果表明,本文方法提取铁染、Al-OH基团及Mg-OH基团蚀变信息的总体精度可达到88.7443、85.5469及91.7594,Kappa分别为0.7767、0.6732及0.8362,与成矿区带及已有的该区域的成矿特征相关性较好。本研究采用的最优小波包树能充分利用矿物光谱的能量特征,随机森林可削弱矿物组分的噪声干扰,研究结果可为遥感蚀变信息提取提供技术参考。     

基于多源遥感数据的第四系覆盖物分类方法研究:以内蒙古旗杆甸子幅1∶5万填图试点为例

遥感图像分类技术对于荒漠草原浅覆盖区第四系覆盖物分类具有重要意义。以内蒙古旗杆甸子幅1∶5万填图试点为例,基于ASTER、GF-2等多源遥感数据,利用植被抑制法、波段比值法、主成分分析以及纹理信息提取等多种方法,充分考虑了多光谱数据的光谱信息和高分辨率数据的形状、空间结构、纹理信息等特征,结合面向对象分类法,对研究区第四系覆盖物进行了分类,并比较分析了不同分类方法的分类效果与精度。结果表明:将波段比值、主成分分析以及纹理分析多种特征作为辅助数据参与分类,其分类效果优于基于单一ASTER数据进行的分类;通过几种不同分类方法的比较分析,发现多特征面向对象分类的总体精度最高,达到85.40%,比多特征传统监督分类的总体精度提高了约11%,分类影像上地物边界清晰。该法分类技术可以为荒漠草原浅覆盖区的地质填图提供相关技术支持。     

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.      

Feature extraction for hyperspectral remote sensing image using weighted PCA-ICA

Principal component analysis (PCA) and independent component analysis (ICA) are linear feature extraction methods in terms of the second-order statistics and higher-order statistics and have good compatibility and complementarity. For the feature extraction of the hyperspectral remote sensing image, an approach of the combined PCA and ICA was followed in the real remote sensing classification applications. In this study, the weighted PCA-ICA method was introduced to extract the feature information from HJ-1A hyperspectral imager (HSI) image. And then the real airborne visible infrared imaging spectrometer (AVIRIS) image case was performed by the distance similarity measure. Experimental results on HJ-1A HSI and AVIRIS images indicate that the proposed method can get high average accuracy of 89.55% and kappa coefficient of 0.8101 than the typical methods under certain condition with a suitable number of eigenvectors and weighted values.     

An adaptive framework for spectral-spatial classification based on a combination of pixel-based and object-based scenarios

Remotely sensed image analysis using spectral-spatial information plays a key role in modern remote sensing applications. This article presents a new semi-automatic framework for spectral-spatial classification of hyperspectral images. The proposed framework benefits from a combination of pixel-based and object-based classification scenarios in which the main parameters are adaptively tuned. In order to reduce the complexity of the method, an unsupervised band selection technique is used as well. Meanwhile, the wavelet thresholding is applied in order to smooth the selected bands. The classification results after applying the proposed method to well-known standard hyperspectral datasets are better than those of the most of the other state-of-the-art approaches. As an example, the overall classification accuracy achieved by applying the proposed semi-automatic spectral-spatial classification framework to the Salinas dataset is more than 99% for 10% training samples per class. Moreover, the vital parameters are adaptively set in our approach.     

协同利用高光谱与多光谱遥感技术提取油气异常信息

为了在缺少地面实测数据的情况下对遥感油气异常结果进行验证, 利用多光谱遥感数据和高光谱遥感数据对同一地区进行油气异常解译, 针对同一位置使用两种不同数据的异常结果进行相互验证.并提出了利用高光谱异常提取结果作为先验知识的多光谱异常主分量阈值确定方法, 将该方法与传统主分量阈值方法提取的异常结果, 分别与高光谱提取出的粘土异常区域结果进行重叠率计算, 发现该方法提取出的异常区与高光谱提取的结果重叠率达98.808%, 高于传统主分量阈值方法的98.198%.结果表明利用该方法确定的阈值划分出的异常区具有较高的精度.      

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。     

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。     

基于各类特征对齐迁移网络的多时相遥感图像分类

为了在目标域遥感图像不存在标记数据的情况下实现自动分类,论文提出一种基于特征对齐的迁移网络.网络以各类类心对齐和协方差对齐作为迁移策略,全面描述域间各类别之间的对应关系,实现知识迁移.另外,网络采用线性修正单元作为激活函数,能够产生稀疏特征,提高分类效果.该迁移网络能够同时获得对齐的特征和自适应分类器,不需要目标域的标记数据,实现无监督迁移学习.在多时相的Hyperion高光谱遥感图像和WorldView-2多光谱遥感图像上的实验结果证明了该迁移网络的有效性.