利用多源空间数据的城中村空间层次化识别方法

城中村的精细空间分布是城市规划与城市更新的重要参考。由于城中村具有语义高级和遥感影像特征辨识度不足的特点,使用传统的场景识别方法难以从高密度城市中获得精度良好的城中村精细空间分布。针对城中村的精细识别问题,提出了一种新颖的融合遥感影像和社会感知的层次化识别方法。该方法在特征上融合了遥感图像和社会感知数据的优点,其层次化结构同时考虑了大范围的上下文信息和小范围的局部信息,为在精细尺度全面理解城中村提供了一个新思路。基于该方法对深圳市的城中村进行了空间识别,获得了2.5 m空间分辨率的精细城中村分布。精度验证表明,该结果的总体精度和Kappa系数分别达到98.68%和0.807,说明该方法具有优秀的表现。此外,还通过对照实验分别证明了层次化识别框架、融合遥感影像和社会感知数据的增益效果。结果表明,层次化框架和多源空间数据都能有效提高城中村识别方法的精度。     

GF-2影像面向对象典型城区地物提取方法

国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。     

高分三号卫星全极化SAR影像九寨沟地震滑坡普查

基于光学遥感影像的区域滑坡普查易受云雾天气的影响,存在滑坡体调查不全面的问题,无法满足震后应急调查与恢复重建的需求。本文提出了一种极化SAR卫星数据滑坡普查方法,采用高分三号全极化SAR卫星影像数据,以九寨沟地震震区为实验区,在深入分析滑坡体和其他地物类型散射特征的基础上,融合极化特征、纹理特征和地形特征等多维特征信息,结合高分二号影像获取的训练样本,构建基于BP神经网络的全极化SAR数据滑坡自动识别模型,实现滑坡体的自动快速识别。与高分辨率光学影像与无人机航空影像目视解译结果相比较,总体识别精度为92.8%,Kappa系数为0.715,识别准确度满足地震应急实际应用的需求。研究成果可用于震区大区域滑坡体的普查,为后续开展无人机高分辨率影像滑坡体详查、灾后应急与景区恢复提供辅助信息支撑,并促进国产高分SAR卫星数据在防震减灾中的应用。     

高分辨率遥感影像目标形状特征多尺度描述与识别

在高分遥感影像中,同类地物目标形状具有多样性,单一尺度或单一形状模版不足以描述同类目标的形状。本文利用小波变换和Fourier描述子构建了一种目标形状的多尺度描述模型,并基于该模型给出了一种新的面向对象的高分遥感影像目标识别方法。从上到下,该模型采用尺度依次减小的小波近似系数对原始形状进行近似表示,并利用Fourier描述子对其进行定量描述。利用语义规则综合考虑多个尺度下的识别结果,得到最终识别结果,减小小尺度下分割目标破碎和大尺度下小目标无法识别造成的影响,提高识别精度。基于本文方法分别对高分遥感影像中的飞机和建筑物进行识别,对比实验表明,该方法具有较高识别精度。     

结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。     

地震滑坡高分辨率遥感影像识别

区域性地震滑坡信息获取目前主要通过遥感目视解译和计算机提取,存在主观性强、耗时费力、提取精度低等问题,导致难以满足灾后应急调查、灾情评估等方面的应用需求。采用资源三号、高分一号高分辨率遥感影像,以汶川震区为实验区,在地震滑坡灾害特征分析的基础上,通过多尺度最优分割方法构建多层次滑坡对象,融合光谱、纹理、几何等影像特征和地形特征信息建立多维滑坡识别规则集合,基于高分辨率影像认知模式与场景理解过程提出滑坡分层识别模型,从而实现地震滑坡空间分布及其滑源区、滑移区和堆积区的准确识别。实验区分析结果显示最低识别精度为81.89%,而滑坡的堆积区最容易被分辨,识别方法具有可推广性。研究成果可为灾后应急调查提供技术支撑,并促进国产高分辨率遥感卫星的地质灾害应用。     

顾及多分辨率特征的复合字典城中村识别方法

城中村作为一种特殊的城市聚落类型,对其进行精确有效的监控识别有助于实现城乡协调发展、优化城乡生态环境。现有面向对象的城中村识别方法通常需要大量样本数据,导致训练成本较高,数据更新效率偏低。针对以上问题,本文提出了顾及多分辨率特征的复合字典城中村识别方法。首先通过密集格网采样提取尺度不变特征转换(SIFT)全局特征,并与多分辨率颜色矢量角直方图特征融合,形成视觉词典;然后将影像表示为视觉词频率直方图;最后使用随机森林分类器进行分类,以实现场景尺度的城中村识别。以高分二号影像为测试数据对该方法进行验证,结果表明,其总体精度达90.08%,Kappa系数达80.16%,相较于加速稳健特征(SURF)、SIFT、VGG16、ResNet50,总体精度分别高出8.99%、3.51%、4.78%、2.28%。     

基于最小生成树的高分辨率遥感影像层次化分割方法研究EI北大核心CSCD

在更精细的空间尺度下,高分遥感影像呈现更丰富的地物细节信息,信息内容的复杂性、空间性和海量性等特征,给传统遥感影像分割方法带来挑战。针对这些挑战,寻求一种更有效的分割模型和并行化的处理方法是有效提高大尺度高分遥感影像分割精度和处理效率的关键。为此,论文提出基于最小生成树的高分遥感影像层次化分割方法及其并行化重构。前者利用层次化最小生成树模型实现影像复杂场景信息的有效刻画,在此基础上利用区域化模糊聚类模型构建层次化分割模型。后者基于子块切分的并行划分和并行模糊聚类分割方法,实现大尺度高分遥感影像的快速、有效分割。论文的主要工作如下。     

高分辨率影像的橡胶林分布信息提取

为了准确快速地获取高分辨率影像中橡胶林的分布信息,设计了一种基于纹理特征和多光谱特征的信息提取方法。方法选取合适的植被指数,将多光谱和植被指数的影像进行地统计半方差分析,获得最佳纹理提取窗口并实现各种纹理信息的提取,将纹理信息和光谱信息一起作为参考特征构建地物的分类规则并用C5决策树分类算法实现。选取某高分辨率遥感影像区域对该方法进行验证,橡胶树林提取的生产者精度为81.00%,提取用户精度为82.65%,总精度为83.50%,Kappa系数为0.78。与其他方法分类结果对比表明,本文方法是一种有效的橡胶林提取方法。     

遥感影像目标的尺度特征卷积神经网络识别法

高分辨率遥感影像的目标检测与识别，是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题，本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围，获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度，提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明，本文架构ZF模型和本文架构VGG-16模型的mean average precision （mAP）分别比Faster-RCNN ZF模型和Faster-RCNN VGG-16模型提高8.17%和8.31%，本文卷积神经网络架构可获得良好的影像目标检测与识别效果。     

基于GF-2影像融合方法的棉花种植面积提取

首先,针对研究区GF-2影像进行Brovey变换、G-S变换、NNDpansharp变换、PC变换4种融合,对融合结果进行定量评价;其次,利用随机森林分类方法对研究区作物进行分类,并进行精度验证,提出了研究区域农作物信息。结果表明：1)对研究区进行4种方法融合,提高遥感影像分辨率;2)从评价结果可知,4种融合影像中,NNDpansharp融合影像质量最佳。分类结果说明,NNDpansharp融合影像的随机森林分类总精度和Kappa系数最高,该方法和结果可为农业部门将高分二号遥感影像融合提取棉花面积方法提供选择性参考。     

Gaussian反对称小波与SAR影像目标特征提取

由于遥感影像中目标尺度的不确定性 ,使得在目标特征提取和检测前难以事先确定最佳尺度以适应影像空间不同尺度目标的识别与检测 ,给遥感影像自动识别与全自动数字摄影测量带来了极大困难。为了解决遥感影像中不同尺度目标的探测问题 ,提出基于一般高斯核构造一类Gaussian反对称小波并给出相应二维小波变换的快速算法 ,弥补了MallatGaussian小波 (σ =1)在解决遥感影像空间不同尺度目标检测中的不足。对于影像中不同尺度的目标特征探测 ,通过在Gaussian核函数中选择适当的参数σ值 ,得到相应的反对称小波空间滤波器响应系数 ,用于解决不同目标的检测问题。分别给出了有关Gaussian反对称小波的 5组空间滤波器响应系数 ,对于研究遥感影像目标兴趣算子和多源遥感影像特征检测尤为重要。由于SAR影像中“speckles”是一乘性噪声 ,文中先对原SAR影像进行对数变换得到一同态影像。基于小波变换的软域值斑点噪声抑制既在一定程度上抑制斑点噪声又保持影像细节信息。通过对两SAR影像检测实验 ,表明给出的Gaussian反对称小波类在遥感影像特征检测中效果极佳。遥感影像中同时存在阶跃型和屋脊型边缘 ,可以采用反对称小波的极大模或过零点检测提取影像边缘特征 ,但得到的结果存在局部位置偏差。这一结论对于今后研究     

结合面向对象和深度特征的高分影像树种分类

针对传统手工提取特征方法需要专业领域知识，提取高质量特征困难的问题，将深度迁移学习技术引入到高分影像树种分类中，提出一种结合面向对象和深度特征的高分影像树种分类方法。为了获取树种的精确边界，该方法首先利用多尺度分割技术分割整幅遥感影像，并选择训练样本作为深度卷积神经网络的输入。为了避免样本数量少导致过拟合问题，采用迁移学习方法，使用ImageNet上训练的VGG16模型参数初始化深度卷积神经网络，并利用全局平局池化压缩参数，在网络最后添加1024个节点的全连接层和7个节点的Softmax分类器，利用反向传播和Adam优化算法训练网络。最后分类整幅遥感影像，生成树种专题地图。以安徽省滁州市的皇甫山国家森林公园为研究区，QuickBird高分影像作为数据源，采用本文方法进行树种分类。试验结果表明，本文方法树种分类总体精度和Kappa系数分别为78.98%和0.685 0，在保证树种精度的同时实现了端到端的树种分类。     

面向对象的无人机遥感影像岩溶湿地植被遥感识别

以广西桂林会仙喀斯特国家湿地公园为研究区，以无人机航摄影像为数据源，综合利用面向对象的影像分析技术、随机森林算法、阈值分类方法和Boruta全相关特征变量选择算法进行岩溶湿地植被的遥感识别。结果表明：针对不同特征变量对岩溶湿地遥感识别的贡献率而言，光谱特征（DOM > DSM） > 纹理特征（DOM > DSM） > 几何特征 > 上下文变量；两个航摄影像数据集的总体分类精度都在85%以上，Kappa系数也高于0.85。本文研究结果对基于高空间分辨率无人机可见光影像的岩溶湿地植被遥感识别在特征变量选择、分割参数选择及方法选择方面具有一定的借鉴意义。     

优化BP神经网络的多特征融合遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值和单一影像特征缺乏有效地物判别信息的问题,该文提出了一种遗传算法(GA)结合指数粒子群算法(ExpPSO)优化BP神经网络的多特征融合遥感影像分类方法(GA-ExpPSO-BP).该方法将设计的基于指数函数的ExpPSO与GA结合构建GA-ExpPSO算法,利用GA-ExpPSO算法对BP神经网络的权阈值进行初始寻优从而构建GA-ExpPSO-BP模型.以高分二号、资源三号遥感影像为实验数据,通过制作多特征融合数据集训练及实验验证.结果 表明:该方法的类别精度、总体精度和Kappa系数均最高,且训练耗时和误差最小,能有效改善影像的分类效果,提高分类效率和精度.     

2维对称小波与多尺度影像边缘特征提取

针对Mallat Gaussian小波和Bubble小波用于解决遥感影像中多变和不确定尺度目标检测中存在的不足，基于一般高斯核构造了2维对称小波和张量积2维对称小波。给出了5组有关空间滤波器响应系数和快速算法。实验表明给出的2维对称小波用于影像中多变尺度目标的边缘检测效果显著。对于遥感影像空间不同尺度目标的检测，可以通过在对称小波中选择适当的σ值以得到相应的空间滤波器响应系数，实现最佳边缘特征检测。由于遥感影像中存在2种类型的边缘，采用对称小波的过零点检测和极值检测获取的边缘特征间存在明显差异，在遥感影像目标特征的自动探测以及数字摄影测量研究中应引起重视。     

基于Shearlet变换的SAR与多光谱遥感影像融合

针对合成孔径雷达（SAR）影像和多光谱遥感影像在融合时空间特征和光谱特征方面不能同时得到较大改善的问题,提出了一种基于成像特性的Shearlet变换域下的多源遥感影像融合方法。利用Shearlet变换的多方向和多尺度分解特性,将多光谱影像和SAR影像分别分解为高频和低频系数,从影像区域能量特征和区域相关性入手,设计了基于区域能量的低频系数融合规则和改进型的脉冲耦合神经网络的高频系数融合规则,使融合结果能够包含更多空间细节信息和光谱信息。利用TerraSAR-X、Landsat5-TM影像进行实验,结果表明该方法在提高影像空间细节表达能力的同时能够较好地融合更多的光谱信息。与小波变换、非下采样轮廓波变换（Nonsubsampled contourlet Transform,NSCT）等方法相比,该方法在空间信息保有量和光谱信息保有量方面都有明显的提升,其中交叉熵有接近100%的提升幅度,互相关系数有高于25%的提升幅度,光谱扭曲度有优于40%的提升幅度。     

耦合WorldView-2和珠海一号影像的红树林物种分布

红树林物种遥感分类受影像分辨率、波段信息、分类策略、影像特征选择方法等因素影响。现有的红树林物种遥感分类研究大多关注于分类精度的比较,较少报道商业高分与国产高光谱卫星的结合在物种分类的应用。基于湛江高桥红树林保护区的高分（WorldView-2）和高光谱（珠海一号）卫星影像,本文旨在利用随机森林分类方法,比较不同特征选择算法（极端梯度提升（XGBoost）、极端随机树（ERT）、连续投影算法（SPA））和不同空间分辨率（WorldView-2影像从0.5 m的分辨率重采样为1 m、2 m、4 m、8 m、10 m）对红树林物种分类精度的影响,并耦合WorldView-2与珠海一号影像研究红树林物种空间分布格局及影响因素。每种空间分辨率的WorldView-2影像提取248个特征（52个光谱特征及196个纹理特征）,珠海一号影像提取117个光谱特征。结果表明,XGBoost方法优于ERT和SPA,在影像特征选择中具有巨大优势;与其他空间分辨率相比,2 m分辨率的WorldView-2影像具有更高的分类精度;耦合WorldView-2和珠海一号影像的分类精度（分辨率：2 m,总体精度：88.98%,kappa系数：0.846）高于单一的WorldView-2影像（分辨率：2 m,总体精度：83.47%,kappa系数：0.768）和珠海一号影像（分辨率：10 m,总体精度：78.50%,kappa系数：0.703）;另外,林窗、高程、离岸距离一定程度上影响红树林物种分布格局。本文表明WorldView-2与珠海一号高光谱影像的结合在景观及区域尺度上精确提取红树林物种信息具有巨大潜力,有利于红树林生物多样性保护及科学管理。     

高分辨率遥感影像建筑区域局部几何特征提取

及时准确地获取城市建筑区域的空间分布及其变化信息对于城市规划、空间地理数据库建设及区域社会经济分析具有重要意义。本文提出一种基于多尺度Gabor变换和感知聚类方法即张量投票TV (Tensor Voting)相结合的自适应局部几何不变特征检测方法,并将其应用于高空间分辨率遥感影像建筑区域提取。首先,考虑到高分辨率遥感影像复杂的几何结构特征,使用Gabor滤波器组对影像进行多尺度多方向变换检测奇异性特征。然后,在感知聚类框架下,根据张量投票理论将不同方向子带系数位置编码为相应的二阶对称方向张量,为了突出影像几何特征,对不同尺度、不同方向子带中任意像素位置方向张量使用滤波器响应系数加权并求和完成多尺度特征融合。再次,对张量特征分解得到点结构与线结构显著性图并使用非极大抑制提取相应角点和曲线等局部几何特征,同时生成约束准则筛选角点以确定建筑物坐标。最后,利用概率密度估计结合局部角点特征生成全局概率密度场描述影像中像素从属于建筑目标的概率,并使用最大类间方差法(Otsu)阈值分割自动提取居民地多边形区域。使用分辨率分别为0.49 m、0.98 m的Google Earth及0.8 m的高分二号等影像数据集进行实验,实验结果表明本文方法相对于已有的Harris和HSCD点检测算法,在建筑区域提取质量上(Quality)上分别提高了4.79%,5.96%;1.47%,3.76%和1.91%,4.08%。     

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。