一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进行拼接,实现土地利用分类.结果表明,与传统的面向对象分类方法相比,该方法的分类精度更高.     

基于对象直方图G统计量的遥感影像道路提取

提出了一种基于对象直方图G统计量的遥感影像道路提取方法。首先基于标记分水岭算法分割高分辨率遥感影像获取对象像斑,提取对象光谱特征并利用SVM从影像中分离出光谱相似的建成区（道路、建筑物等）;然后从建成区选择合适的对象作为训练样本,采用G统计量度量测试样本与训练样本的LBP纹理直方图距离,以表达对象纹理特征的异质性,并利用最小距离分类器完成建成区内道路与建筑物等的分离;最后结合几何形状特征和数学形态学处理对提取的道路进行优化,获得最终的道路提取结果。试验结果表明：该方法能较好地提取出道路信息。     

有限样本类别城市高光谱数据SVM分类应用分析

对比分析线性核函数和非线性核函数支持向量机算法在样本类别不足情况下城市高光谱影像分类中的应用。选用张掖地区高光谱影像作为试验区,依据高分影像和地面调研信息获取参考样本数据,利用非线性核函数和线性核函数的支持向量机进行影像分类,获取每一类别的分类后验概率图,对分类后验概率图采用0.2,0.4,0.6,0.8,0.9的后验概率截断,分析不同截断概率下的地物分类精度变化情况,结果表明：线性核函数和非线性核函数SVM方法的结论相似,随着截断概率的增加,分类结果中用户精度提高或保持稳定,制图精度下降或保持稳定,总体分类精度先提高后降低,但波动幅度不大。所以,SVM的后验概率可以用于指导类别不足时城市高光谱影像的分类。通过分析各类地物的混淆矩阵,可知,非线性核函数的SVM方法比线性核函数SVM方法更敏感,在低后验概率下就可以准确提取出未分类信息,而线性核函数SVM在高后验概率下才能提取出未分类信息,而且还混入了许多训练过的类别信息。所以,非线性核函数SVM方法的分类精度更稳定,利用后验概率提取未分类信息的可信度更高。     

有限样本类别城市高光谱数据SVM分类应用分析北大核心CSCD

对比分析了线性核函数和非线性核函数支持向量机(SVM)算法在样本类别不足情况下城市高光谱影像分类中的应用。选用甘肃张掖地区高光谱影像作为试验区,依据高分影像和地面调研信息获取参考样本数据,利用非线性核函数和线性核函数的支持向量机进行影像分类,获取每一类别的分类后验概率图,并对分类后验概率图采用0.2、0.4、0.6、0.8、0.9的后验概率截断,分析了不同截断概率下的地物分类精度变化情况。结果表明,线性核函数和非线性核函数SVM方法的结论相似,随着截断概率的增加,分类结果中用户精度提高或保持稳定,制图精度下降或保持稳定,总体分类精度先提高后降低,但波动幅度不大。因此,SVM的后验概率可以用于指导类别不足时城市高光谱影像的分类。通过分析各类地物的混淆矩阵可知,非线性核函数的SVM方法比线性核函数SVM方法更敏感,在低后验概率下就可以准确提取出未分类信息,而线性核函数SVM在高后验概率下才能提取出未分类信息,而且还混入了许多训练过的类别信息。非线性核函数SVM方法的分类精度更稳定,利用后验概率提取未分类信息的可信度更高。     

高分辨率影像城市道路提取方法融合研究

提出一种先分割后聚类的道路提取方法,通过模糊积分的方法对多种尺度的道路提取结果进行融合研究。首先对影像进行多尺度超像素分割生成连续的不规则对象;再顾及光谱、形状和纹理特征进行SVM分类提取道路;最后对多种道路提取结果进行处理。实验结果表明该方法能够较为完整、准确地提取出高分辨率影像上的道路信息,可为城市高分影像道路快速提取提供一定的参考。     

高分辨率遥感图像道路分割算法

为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度;边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度;结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景Orb View3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。     

改进支持向量机算法无人机影像信息精确提取

支持向量机(SVM)算法作为一种成功应用于大多数遥感影像的分类方法,虽然具有较高的提取精度,但是针对分类中仅仅采用单一参数,严重依赖于参数选择的不足,该文基于AdaBoost算法提出一种改进的SVM分类方法。该方法采用选择径向基函数作为核函数的SVM算法作为AdaBoost的弱分类器,实现了核参数的自适应调整。实验结果证明,该方法可以达到精确提取无人机影像信息的目的。     

基于SVM方法提取植被信息的研究

利用遥感影像准确地提取植被信息一直是遥感技术应用研究的重要内容,现提出基于支持向量机(SVM)分类的方法从ETM+多光谱数据中提取植被信息,利用目前常用的线性核函数、多项式核函数、径向基(RBF)核函数、Sigmoid核函数等四种核函数对研究区分别进行了提取研究,通过比较最终确定径向基函数(RBF)核函数有着最佳的提取效果。     

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。     

利用动态规划半自动提取高分辨率遥感影像道路中心线

传统的基于动态规划的道路提取算法都是直接在图像域内根据道路的光谱等特征定义代价函数,当道路光谱特征发生变化时,需要重新定义新的代价函数,具有很大局限,不适用于道路特征复杂多样的高分辨率遥感影像。针对这一问题,提出了一种基于动态规划的道路中心线半自动提取算法:首先,利用阈值分割和核密度估计生成道路概率分布图;然后,根据道路概率分布图上的道路特征定义代价函数;最后,运用动态规划求解代价函数最大值来提取道路中心线。试验表明,提出的算法能够在高分辨率影像上提取各种不同光谱特征的道路中心线,取得了良好的效果。     

组合核支持向量回归提取高光谱影像不透水面

由于城市地表组成的复杂性,基于单核函数的支持向量回归模型很难满足精度。本文结合空间-光谱组合核函数和支持向量回归,提出了一种提取高光谱影像不透水面丰度的改进算法。首先从高光谱遥感图像上提取波谱特征和多通道灰度共生矩阵空间纹理特征,选取研究区10%像元特征数据作为训练数据,以线性加权求和核为多核组合方式,建立结合光谱信息和空间信息的组合核支持向量回归模型。然后,用生成的回归模型预测未知像元不透水面丰度值。最后,对实验结果进行评价。在模拟数据试验中,本文算法比单核回归均方根误差平均降低1.4%,决定系数比单核回归平均提高0.6%。在Hyperion数据两组试验中,该算法比单核回归均方根误差平均降低1.8%,决定系数比单核回归平均提高11.7%。模拟和真实两种高光谱数据实验中,本文算法均得到了空间形态上更准确的不透水面结果,单核回归结果存在失真现象。研究结果表明:本文算法能够有效提取城市不透水面丰度,与单核方法相比有较明显的精度提升。     

一种高分影像建筑区分块表示与合并提取方法

建筑区是一种重要的人工地理要素，利用高分辨率卫星影像可以在更精细的尺度上获取建筑区信息。针对建筑区这类结构复杂、面积相对较大的地物类，提出一种分块表示与合并提取方法。首先，通过角点上下文约束来划分图像，并将获得的图像块作为影像处理的基本单元；然后，利用空间变异函数来建模每个图像块并提取特征描述参数，进一步通过主成分变换实现建筑区图像块的结构特征表示；最后，根据图像块空间结构特征的相似性实现建筑区的判别。实验结果表明，该方法能够有效实现高分影像建筑区的提取，并且对不同分辨率的高分影像表现出良好的适应性。     

基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类

针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络（LDCNN）深层次特征进行多核SVM分类的场景分类方法。首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核函数加权融合成为一个新的合成核;最后进行多核SVM分类。试验表明,本文方法不仅特征维度低,且通过多核SVM能够充分结合各层特征的优点,在两个标准数据集上均取得了99%以上的分类精度。此外,该试验还证明了本文方法具有较强的迁移学习能力。     

基于双极化差值指数的城市建筑用地信息提取研究

以福州市城区ENVISAT ASAR影像为例,研究城市建筑用地信息准确快速提取的原理和方法。通过对影像主要地物类型的极化特征分析,构建基于双极化雷达后向散射差值指数以突显城市建筑用地信息,并采用面向对象方法进行分类。该方法与基于单极化得到的分类结果相比,提高了精度。研究结果表明,该方法是一种快速准确提取城市建筑用地信息的有效方法,这为极化雷达影像数据在城市建筑用地方面的应用研究提供了一个新思路。     

遥感影像与POI数据相结合的城市建成区提取适用性研究——以沈阳市为例

城市建成区的发展状况是地理国情监测的重要内容，本文基于遥感影像数据和POI数据对城市建成区进行提取，针对二者的适用性问题进行了研究。试验以沈阳市为研究区域，在研究区域内选择2016年遥感影像数据和POI数据作为数据源进行对比分析。首先，对遥感影像数据和POI数据进行预处理；其次，通过监督分类的方法对遥感影像进行建成区的提取；然后，采用核密度估计法分析POI数据并提取出建成区；最后，利用叠加分析法对比分析这两种数据的适用性。试验结果表明：使用遥感影像数据作为数据源可以较为全面客观地反映城市建成区的发展现状；利用POI数据提取出的城市建成区具有较强的经济属性，能够很好地反映出城市中的经济活跃区。     

结合KPCA和分形维提取高光谱遥感影像特征的方法

本文将KPCA和分形维有机结合,进行高光谱影像特征提取,实现优势互补:选择合适的核函数和分形维计算方法,设计了3种组合算法,优化了特征提取效果,并对AVIRIS实验结果进行了分析评价,结果显示在相同条件下,SVM的分类精度要高于其他分类算法,KPCA+Fractal特征提取更有利于地物的分类识别。     

顾及样本优化选择的多核支持向量机滑坡灾害易发性分析评价

滑坡灾害易发性分析评价对地质灾害的防治与管理具有重要意义。针对滑坡灾害样本选择策略,单核支持向量机多特征映射不合理的问题,本文提出顾及样本优化选择的多核支持向量机(multiple kernel support vector machine,MKSVM)滑坡灾害易发性分析评价方法。为了保证样本平衡性并提高负样本的合理性,采用相对频率比(relative frequency,RF)综合评价各状态对于滑坡灾害易发性影响的重要程度,实现各评价因子状态的合理划分;利用确定性系数法(certainty factor,CF)计算各评价因子各状态分级影响滑坡灾害的敏感性,并在此基础上进行加权求和得到各栅格单元的滑坡灾害易发性指数,在滑坡灾害易发性指数极低和低易发区内随机选择与滑坡灾害点数目一致的非滑坡灾害点作为负样本数据。利用MKSVM对各特征空间最优核函数进行线性组合,解决了单一核函数映射不合理的问题,提高了模型的分类准确率和预测精度。以湖南省湘西土家族苗族自治州为研究区,从滑坡灾害易发性分区图、分区统计及评价模型精度3个方面对CF样本策略的MKSVM模型、CF样本策略的单核SVM模型、随机样本策略的MKSVM模型、随机样本策略的单核SVM模型进行了对比分析。结果表明,4种模型的受试者工作特征曲线(receiver operating characteristic,ROC)下的面积(area under curve,AUC)分别为0.859、0.809、0.798、0.766,验证了CF样本策略的合理性、有效性及MKSVM模型的可靠性。     

Step-wise Land-class Elimination Approach for extracting mixed-type built-up areas of Kolkata megacity

The extraction of urban built-up areas is an important aspect of urban planning and understanding the complex drivers and biophysical mechanism of urban climate processes. However, built-up area extraction using Landsat data is a challenging task due to spatio-temporal dynamics and spatially intermixed nature of Land Use and Land Cover (LULC) in the cities of the developing countries, particularly in tropics. In the light of advantages and drawbacks of the Normalized Difference Built-up Index (NDBI) and Built-up Area Extraction Method (BAEM), a new and simple method i.e. Step-wise Land-class Elimination Approach (SLEA) is proposed for rapid and accurate mapping of urban built-up areas without depending exclusively on the band specific normalized indices, in order to pursue a more generalized approach. It combines the use of a single band layer, Normalized Difference Vegetation Index (NDVI) image and another binary image obtained through Logit model. Based on the spectral designation of the satellite image in use, a particular band is chosen for identification of water pixels. The Double-window Flexible Pace Search (DFPS) approach is employed for finding the optimum threshold value that segments the selected band image into water and non-water categories. The water pixels are then eliminated from the original image. The vegetation pixels are similarly identified using the NDVI image and eliminated. The residual pixels left after elimination of water and vegetation categories belong either to the built-up areas or to bare land categories. Logit model is used for separation of the built-up areas from bare lands. The effectiveness of this method was tested through the mapping of built-up areas of the Kolkata Metropolitan Area (KMA), India from Thematic Mapper (TM) images of 2000, 2005 and 2010, and Operational Land Imager (OLI) image of 2015. Results of the proposed SLEA were 95.33% accurate on the whole, while those derived by the NDBI and BAEM approaches returned an overall accuracy of 83.67% and 89.33%, respectively. Comparisons of the results obtained using this method with those obtained from NDBI and BAEM approaches demonstrate that the proposed approach is quite reliable. The SLEA generates new patterns of evidence and hypotheses for built-up areas extraction research, providing an integral link with statistical science and encouraging trans-disciplinary collaborations to build robust knowledge and problem solving capacity in urban areas. It also brings landscape architecture, urban and regional planning, landscape and ecological engineering, and other practice-oriented fields to bear together in processes for identifying problems and analyzing, synthesizng, and evaluating desirable alternatives for urban change. This method produced very accurate results in a more efficient manner compared to the earlier built-up area extraction approaches for the landscape and urban planning.