遥感影像解译样本的一体化生产研究

遥感影像解译样本数据包括地面照片和遥感影像实例,是制作遥感影像解译样本数据库的基础资料。文中针对地理国情普查中遥感影像解译样本的采集、整理进行了研究,通过利用GEOWAY地理国情普查外业调绘核查软件完成遥感影像解译样本的采集、整理,实现了解译样本的一体化生产流程,并与传统的纸质调绘、PDA数字调绘进行对比分析,充分证明解译样本的一体化生产流程自动化程度高,减少了人力、物力,提高了生产效率。     

遥感影像解译样本生产质量控制方法研究

针对第一次全国地理国情普查质量检验过程中发现的遥感影像解译样本数据的质量问题,如遥感影像解译样本缺少典型性、地面照片拍摄不符合技术规程、影像实例数据结构异常等系统性质量问题,以及解译样本采集中存在操作不规范、样本采集主观影响较大等主观性质量问题,该文分析了影响遥感影像解译样本质量的关键生产要素、环节与原因等,提出了全过程的生产质量控制方法,给出了提高遥感影像解译样本过程的质量控制措施。该研究提出的基于全过程质量控制体系新需求,以解决质量问题为导向的生产质量控制方法,可以提升遥感影像解译样本质量,并为今后相关工程项目生产过程的质量控制提供借鉴。     

地理国情遥感解译样本质量控制与检查初探

在众多国情普查成果中遥感解译样本为解译地表要素起着至关重要的作用。遥感影像解译时,对地理环境的正确认知是保证解译结果正确的基本前提。利用具有对照关系的地面照片和遥感影像为主的解译样本数据,可以为遥感影像解译者对相关地域建立正确的认识提供支持,也可在解译结果的质量控制方面发挥重要作用,同时也为长期监测积累实地参考资料。希望本文能为今后遥感解译样本的检查提供一些有益的建议,为保证地理国情普查任务的顺利开展提供帮助。     

遥感影像在渭河综合治理监测中的应用

利用遥感技术进行影像获取和地面信息解译已经成为国土、海洋等领域普遍使用的技术方法.文章以2012年陕西省地理国(省)情监测试点项目渭河干流综合治理监测工作为例,讨论了遥感影像在影像解译过程中遇到的的几个关键问题,总结了地物要素采用不同分级、分类体系和在影像解译时,使用遥感影像需要注意的一些问题.     

遥感影像解译样本数据一体化整理方法

遥感影像解译样本数据在采集过程中,需要对地面照片、影像实例、样本数据库进行结构化整理,形成数据格式统一、存储结构规范、逻辑关系严密的成果。基于构建的方法模型,提出了一种一体化整理方法,利用Bresenham图形绘制算法,以及栅格、矢量、数据库数据编程接口,解决了各环节自动化处理问题,实现了影像实例采集、地面照片视野范围图形栅格化、数据库信息采集与录入、成果组织与结构化输出等自动控制,从而实现了一体化自动整理。试验表明：提出的方法和研发的软件能显著提高整理效率和质量,可为遥感影像解译样本数据整理提供可靠的技术方法。     

ArcGIS在解决解译样本数据采集精度超限问题中的应用

在地理国情普查中,解译样本数据包括具有对照关系的地面实景照片与遥感影像实例。受GPS信号及人工操作的影响,一体化外业调绘核查系统获取的解译样本数据难免会出现采集精度超限。本文将利用ArcGIS、SQLite Expert平台实现拍摄现场的还原并对地面实景照片姿态参数及遥感影像实例裁切数据库进行纠正更新,以保证解译样本数据的准确性。     

郑州市土地利用／土地覆盖动态变化研究

利用地面统计数据和陆地卫星影像数据，分析了郑州市土地利用／土地覆盖的现状，研究了遥感影像提取土地利用／土地覆盖信息的机理，建立了适宜郑州市遥感影像判读的解译标志，结合两个不同时期的地面数据和影像数据，分析了郑州市十几年来土地利用的动态变化情况及存在的问题，指出了今后土地利用的方向。     

郑州市土地利用/土地覆盖动态变化研究

利用地面统计数据和陆地卫星影像数据,分析了郑州市土地利用/土地覆盖的现状,研究了遥感影像提取土地利用/土地覆盖信息的机理,建立了适宜郑州市遥感影像判读的解译标志,结合两个不同时期的地面数据和影像数据,分析了郑州市十几年来土地利用的动态变化情况及存在的问题,指出了今后土地利用的方向.     

高分辨率遥感影像智能解译研究进展与趋势

遥感影像解译是一个不断发展的研究方向,随着日新月异的遥感应用需求、高分辨率遥感数据的快速发展、地理知识的日积月累、以及人工智能技术的发展,亟需发展自动化、智能化的遥感影像解译技术。本文针对遥感影像智能解译,首先从遥感影像解译单元、分类方法、解译认知3个方面阐述遥感影像解译的研究进展,然后提出了面向地理场景的 “地理知识图谱构建—深度学习模型构建—地理知识图谱与深度学习模型协同的遥感影像语义分类”遥感影像智能解译总体框架,并给出初步试验成果,最后对智能解译的重要发展趋势予以展望,以期拓展遥感影像智能解译研究的思路与方法,提高遥感影像智能解译的精细程度和智能化水平,使智能解译具备地理空间理解能力,推动“数据—信息—知识—智能”的深度转化。     

第二次土地调查遥感影像解译应用分析

在明确遥感影像的类型、解译概念、解译过程的基础上,深入探讨了遥感影像的解译方法及其应用,并以建立图像解译标志的实例,生动的展示了遥感影像解译在第二次土地调查中的重要作用。在影像解译流程化、系统化工作层面,提供了良好的技术经验。     

地理国情普查中解译样本数据检查技术探讨

地理国情普查项目中的遥感影像解译样本数据质量关乎普查产品质量。其数据的获取是普查工作的重要内容。普查数据的获取涉及面广,精度要求高,传统检查方式难于发现问题。文中通过ArcGIS自带的VBA脚本语言实现了数据库内容与照片和实例间的对应性检查;使用开源的GDAL库及C++语言实现了实例标注位置及裁剪范围的正确性检查。该技术使解译样本数据检查效率得到提高,同时检查精度及检查内容最大限度得到保证。     

遥感图像自动解译面临的问题与解决的途径

遥感图像自动解译的目的是为了满足人们从海量遥感数据中快速识别与获取不同专题信息的需要。目前图像自动解译主要依赖地物光谱特征 ,其解译精度不高。解决这一问题的主要途径包括 :抽取遥感图像多种特征并综合利用这些特征 ,利用遥感图像解译背景数据库 ,在地理信息系统支持下实现背景数据与遥感信息覆合 ,采用专家系统完成遥感图像自动解译。     

特征级高分辨率遥感图像快速自动配准

随着遥感图像分辨率的日益提高,遥感图像的尺寸和数据量也不断地增大,同时随着遥感应用的发展,对图像配准的性能也提出越来越高的要求,基于此,提出一种特征级高分辨率遥感图像快速自动配准方法。首先,对图像进行Haar小波变换,基于小波变换后的近似图像进行配准以提高配准速度;其次,根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子,SAR图像使用Ratio Of Averages算子),并将线特征转化为点特征;然后,依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对;最后,利用改进的随机抽样一致性算法滤除错误匹配点对,并结合分块思想均匀选取匹配点对计算仿射变换参数,进一步提高配准精度。为了验证本文方法的有效性,选择高分辨率World View-2图像、Pleiades图像和Terra SAR图像进行了实验,并与典型的SIFT算法、SURF算法进行比较分析,采用匹配率、匹配效率、均方根误差和时间消耗4个定量评价指标来客观评价算法的配准性能。实验结果表明,本文方法具有较好的有效性,且在不同的情况下具有较高的配准精度。本文提出的特征级高分辨率遥感图像快速自动配准方法,多组高分辨率遥感图像数据的配准实验结果表明该方法能快速实现并具有较高的配准精度和较好的鲁棒性。     

高分光学遥感影像在铁路勘察中的应用及展望

为促进我国铁路勘察设计领域高分光学遥感影像的应用，结合当前铁路勘察设计工作的特点，系统总结了高分光学影像的发展及其在地理信息产品生产、地质勘察和环境影响评价分析等方面的应用现状，指出面向铁路勘察设计的高分影像应用存在的问题，提出未来的研究重点是建立适应于铁路勘察设计特点的遥感影像高精度的处理和智能信息提取与解译、业务应用等方面，以期形成高效的光学遥感卫星铁路勘察设计应用体系。     

高分辨率遥感影像解译中的机器学习范式

高分辨率遥感影像解译是遥感信息处理领域的研究热点之一,在遥感大数据知识挖掘与智能化分析中起着至关重要的作用,具有重要的民用和军事应用价值。传统的高分辨率遥感影像解译通常采用人工目视解译方式,费时费力且精度低。所以,如何自动、高效地实现高分辨率遥感影像解译是亟待解决的问题。近年来,随着人工智能技术的飞速发展,采用机器学习方法实现高分辨率遥感影像解译已成为主流的研究方向。本文结合高分辨率遥感影像解译的典型任务,如目标检测、场景分类、语义分割、高光谱图像分类等,系统综述了5种代表性的机器学习范式。具体来说,本文分别介绍了不同机器学习范式的定义、常用方法以及代表性应用,包括全监督学习(如支持向量机、K-最近邻、决策树、随机森林、概率图模型)、半监督学习(如纯半监督学习、直推学习、主动学习)、弱监督学习(如多示例学习)、无监督学习(如聚类、主成分分析、稀疏表达)和深度学习(如堆栈自编码机、深度信念网络、卷积神经网络、生成对抗网络)。其次,深入分析五种机器学习范式的优缺点,并总结了它们在遥感影像解译中的典型应用。最后,展望了高分辨率遥感影像解译的机器学习发展方向,如小样本学习、无监督深度学习、强化学习等。     

4种无人机遥感影像快速拼接方法的试验分析

无人机遥感技术凭借其操作方便、灵活性高、分辨率高、投入成本低、现势性好等优势,已经成为获取遥感数据的重要方法之一。但不可否认的是,无人机遥感技术也存在影像量大、像幅小、无规律、拼接难的缺陷。因此,针对无人机遥感影像的拼接处理问题,本文通过试验对比了几种无人机遥感影像拼接方法,并对这几种拼接方法的精度以及应用范围进行了分析。     

遥感解译标志建立思路研究

针对地理国情普查与监测中遥感解译工作量大、解译难度高,解译工作人员不可能逐一实地核实每一个图斑的具体问题,提出了建立遥感解译标志库辅助作业人员解译的思路,以国情普查遥感解译样本数据库的建立为例,建立遥感影像解译样本标志库,方便遥感解译人员进行准确解译。     

观测数据采样化的遥感影像非监督分割

为了实现影像的自动化分割,提出一种利用非监督方式将观测数据采样化的遥感影像分割方法。该方法利用欧氏空间的概率分布建模采样数据和观测数据,并将其映射到黎曼空间,通过不断将观测数据转换为采样数据的方式实现影像的自动采样化。每次采样过程只需计算观测数据点到采样点的测地线距离,将距采样点测地线距离最小的观测数据转化为采样数据,以保证采样数据不断趋于该类数据的真实分割结果,同时使算法能够有效分割具有不同像素数的类别。将算法应用于模拟影像和真实遥感影像分割,对其分割结果以及传统基于统计、基于模糊的非监督算法和基于神经网络的监督算法相应分割结果定性定量的对比分析验证了该算法的有效性及可行性。     

基于S3VM模型的高光谱遥感影像分类

针对传统的高光谱遥感影像分类受限于训练样本的个数,难以取得较好分类结果的不足,提出了一种基于聚类核的半监督支持向量机（S³VM）模型的高光谱遥感影像分类方法。该算法在半监督支持向量机的体系上加入未标记样本来辅助构建核矩阵,从而获得更优异的分类器,在小样本的基础上提高分类精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。     

遥感图像识别中粗糙集理论与神经网络的结合

由于传统神经网络与遥感图像信息量不相匹配 ,为此 ,提出将粗糙集理论集成至遥感图像神经网络识别中。首先分析了神经网络与粗糙集理论结合的可能性以及优势 ,在此基础上提出了基于粗糙集的遥感图像神经网络识别模型 ,并就其中的粗糙集方法处理样本特征集模块和遥感图像识别神经网络模块展开详细的分析。通过对比实验数据说明集成粗糙集理论的遥感图像神经网络识别能够有效提高遥感图像的识别效率 ,具有较强的现实意义