基于核 072方法的高分辨率遥感图像自动解译

针对基于像元的高分辨率遥感图像自动解译存在的缺点!提出一种分三步走的高分辨率遥感图像自动解译技术流程：首先采用核PCA进行特征提取!然后采用支持向量机（Support Vector Machine,SVM）进行分类!最后采用择多滤波器进行分类后处理。 通过对覆盖西藏山南地区的IKONOS图像的解译实验表明,本文方法能够有效地实现遥感图像自动解译,其结果与人工目视解译图基本一致,取得了理想的效果。     

基于eCognition的遥感图像面向对象分类方法研究

随着高分辨率遥感图像越来越普及,传统的面向像元的图像分类方法不能满足对高分辨率遥感图像区域分类的需求,高分辨率遥感图像对图像处理的软件与硬件都有了更高的要求,因此,出现了相较于面向像元有着更高精度更为合理的面向对象分类方法,也更加适用于高分辨率遥感影像。本文通过采用面向对象分类的基本方法,运用eCognition软件,以山东省胶州市地区遥感影像为例,进行多尺度分割和面向对象分类。并用ENVI做监督分类,基于目视解译精度评定,对不同方法作出分析评价。结果表明:面向对象分类方法精度更高,更具有可靠性。     

多源多时相遥感数据面向对象海岛识别方法探讨

遥感技术在新一轮全国海岛调查中得到广泛而深入的应用。针对目视解译方法的不足,采用面向对象的自动分类方法实施海岛专题信息提取。对多源多级遥感图像数据和多时相高分辨率光学图像数据,分别采取了不同的小目标识别与伪信息剔除策略。实验结果表明,不论融合高分辨率雷达图像数据与多光谱光学图像数据,还是直接利用多时相高分辨率光学图像数据,面向对象的自动分类方法均能够达到较高的海岛识别能力与识别精度。     

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。     

基于解译知识库的地表覆盖自动解译研究及实现

高分辨率遥感影像具有丰富的空间结构信息和地理特征信息,因而被广泛地应用于地表覆盖信息提取工作中。针对高分辨率遥感影像解译中存在的目视解译效率低、自动解译分类精度有待提高、重复构建解译规则易造成劳动冗余等问题,本文提出了基于解译知识库的面向对象自动解译方法,并在此基础上开发了自动解译软件系统,通过解译知识的分类存储和用户的按需调用,实现影像解译的流程化、高效化。以四川省地理国情地表覆盖解译工作为例,表明应用该方法能够显著提高解译效率,解译结果具有一定的可靠性。     

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。     

面向对象的无人机遥感影像烟草种植面提取和监测

无人机遥感影像技术用于农业种植面积、长势、轮作的监测和管理,取得了非常喜人的效果。文章应用无人机遥感影像和遥感图像处理软件eCognition,以面向对象的遥感影像分析方法提取临沂市沂水万亩示范园区2012年烟草种植面积及其分布信息。分类结果表明,利用面向对象的分类方法解译无人机获取的高分辨率遥感影像可以获得精确的烟草种植信息,为大区域烟草种植面积的自动监测提供了广阔的前景。     

基于视觉特征的高分辨率光学遥感影像多任务分类研究

正计算机技术的进步推动了高分辨率遥感图像空间信息智能提取相关研究的发展,如何利用计算机视觉领域的特征表达有效地描述高分辨率遥感图像,并采用高效的分类模型融合不同的特征,是当前遥感图像自动化解译的一种有效思路。遥感影像分辨率的提升使得遥感场景越来越复杂,但同时地面目标也越来越清晰。由于遥感地物种类繁     

中巴资源卫星影像在土地利用调查中的应用

利用中巴资源卫星CBERS-02影像，对四川省古蔺县的土地利用现状进行调查。在遥感图像数字处理的基础上，采用计算机自动分类结合人机交互式解译的综合判读方法，从图像上准确提取土地利用信息，形成土地利用现状解译成果，为研究区土地利用合理开发和规划提供决策依据和数据支持。     

K-means聚类引导的无人机遥感图像阈值分类方法

针对无人机获取的高分辨率遥感图像分类需求,提出一种K-means聚类引导的阈值分类方法。首先计算出无人机遥感图像数据集的Average Silhouette值,作为K-means的最优聚类数目;然后对原始图像进行Kmeans聚类初分割,对初分割结果中的非目标区域进行手工剔除;再对处理之后的新对象进行阈值分割和图像优化,完成对象的提取;最后对所有处理得到的地物标签进行合并,实现遥感图像的识别与分类。基于MATLAB/GUI平台,对提出的分类方法处理步骤进行集成,开发了无人机遥感图像分类处理系统,可对无人机遥感图像进行快速处理,实现半自动解译。对分类结果进行精度验证,其总体精度为91.09%,Kappa系数为0.88,表明该方法用于无人机遥感图像分类处理,能够实现地物的精确分类与信息提取。     

多层级二值模式的高光谱影像空-谱分类

利用高光谱遥感影像的空间纹理特征，可以提高高光谱遥感影像的分类精度。提出了一种多层级二值模式的高光谱影像空-谱联合分类方法。该方法将高光谱影像转化为局部二值模式特征图像获取像元微观特征，基于特征图像生成多层级特征向量获取像元宏观特征。为验证该方法的有效性，选取PaviaU、Salinas和Chikusei高光谱影像数据，利用核极限学习机分类器，分别针对光谱、局部二值模式、多层级二值模式等特征开展实验。结果表明，多层级二值模式空-谱分类总体精度分别达到97.31%、98.96%和97.85%，明显优于传统光谱、3Gabor空-谱等分类方法。该方法可为高光谱影像分类提供更加有效的类别判定特征，有助于提高影像分类精度并获取更加平滑的分类结果图。     

一种新的基于Dempster-Shafer理论的自适应遥感分类融合方法

提出了一种基于Dempster-Shafer's理论和模糊Kohonen神经网络分类融合的方法。该方法融合了非监督神经网络模型和在Dempster-Shafer证据理论框架中使用邻域信息的思想,即当一个待识别模式的每个邻域被划分为支持识别框架中某一类的一个证据体时,该证据体支持关于该模式隶属关系的某一假设。     

An Evaluation of Four Different Wavelet Decomposition Procedures for Spatial Feature Discrimination in Urban Areas

Texture or spatial arrangement of neighborhood objects and features plays an important role in the human visual system for pattern recognition and image classification. The traditional spectral–based image processing techniques have proven inadequate for urban land use and land cover mapping from images acquired by the current generation of fine–resolution satellites. This is because of the high frequency spatial arrangements or complex nature of urban features. There is a need for an effective algorithm to digitally classify urban land use and land cover categories using high–resolution image data. Recent studies using wavelet transforms for texture analysis have generally reported better accuracy. Based on a high–resolution ATLAS image, this study illustrates four different wavelet decomposition procedures – the standard, horizontal, vertical, and diagonal decompositions – for urban land use and land cover feature extraction with the use of 33×33 pixel samples. The standard decomposition approach was found to be the most efficient approach in urban texture analysis and classification. For comparison purposes and to better evaluate the accuracy of wavelet approaches in image classification, spatial autocorrelation techniques (Moran's I and Geary's C ) and the spatial co–occurrence matrix method were also examined. The results suggest that the wavelet transform approach is superior to all other approaches.     

面向对象的城市土地利用分类

利用面向对象的信息提取技术，以高分辨率的广州市QuckBird影像为例，将城市用地分为：居民地、水体、道路、林地和农业用地等5类，并将其与传统基于像素光谱信息的分类方法进行了比较。结果表明：视觉上，面向对象的分类方法克服了传统方法无法克服的“椒盐”噪声的影响；精度上，面向对象信息提取技术的总体精度高达89．53％，比传统方法提高了11％；并且各类地物信息的提取精度均有所提高，其中林地、道路的精度有了较大提高。     

地理信息系统支持下的山区遥感影像决策树分类

山区遥感影像分类是遥感研究的一大难题。本文利用一种决策树生成算法（C 4.5算法）自动提取知识，基于知识建立决策树用于山区影像分类，并结合研究区土地利用类型与DEM空间统计关系的先验知识，在GIS空间分析的基础上进行影像分类的后处理。与传统的最大似然法分类结果相比，该方法极大地改善了山区地表覆被分类的精度，得到试验区较为可靠的遥感分类图像。     

Hyperspectral Image Classification Using Relevance Vector Machines

This letter presents a hyperspectral image classification method based on relevance vector machines (RVMs). Support vector machine (SVM)-based approaches have been recently proposed for hyperspectral image classification and have raised important interest. In this letter, it is genuinely proposed to use an RVM-based approach for the classification of hyperspectral images. It is shown that approximately the same classification accuracy is obtained using RVM-based classification, with a significantly smaller relevance vector rate and, therefore, much faster testing time, compared with SVM-based classification. This feature makes the RVM-based hyperspectral classification approach more suitable for applications that require low complexity and, possibly, real-time classification.     

一种适用于多类别遥感图象分类的新方法——复合神经网络分类方法

该文提出一种由多层神经网络与自组织神经网络相结合进行类别遥感图象分类的复合神经网络分类方法。第１步半训练样本按其统计特征分成若干组，用不同级别的训练样本分别训练ＢＰ网络。第２步将这些训练好的ＢＰ网络并联构成有监督分类器，对遥感图象进行有监督分类。第３步用ＢＰ网络的分类结果对Ｋｏｈｏｎｅｎ网络进行自组织训练，用训练好的Ｋｏｈｏｎｅｎ网络构造无监督分类器，对遥感图象进行细分。通过对ＳＰＯＴ遥感图象的分     

融和启发信息的蚁群特征选择方法

特征提取和选择是模式识别核心问题之一,它极大地影响着分类器的设计和性能,高维的特征选择更是一个NP难题。针对特征选择这一组合优化及多目标优化问题,本文提出了改进的融合启发信息ACO(Antcolony optimization)特征选择的新方法,该算法比不用启发信息的ACO方法能更好地找出代表问题空间的最优特征子集,降低分类系统的搜索空间,从而提高搜索效率。以航空纹理影像的特征选择和分类问题为例,利用原始蚂蚁算法和改进的蚂蚁算法选择的特征分别进行识别,结果证明该算法不仅能够比没有改进的蚂蚁找出有效特征集、降低图像特征空间维数、减少图像分类的工作量,而且提高了分类识别正确率。     

A study of supervised classification accuracy in fuzzy topological methods

The multiple classifier system (MCS) is an effective automatic classification method, useful in connection with remote sensing analysis techniques. Combining MSC with induced fuzzy topology enables a decomposition of image classes. This fuzzy topological MCS then provides a new and improved approach to classification. The basic classification methods discussed in this paper include maximum likelihood classification (MLC), minimum distance classification (MIND) and Mahalanobis distance classification (MAH).     

绿地信息提取研究

城市绿地作为城市结构中的主要元素,在城市中起着一个重要的作用。本文基于TM遥感影像,对大连市城市绿地专题信息进行提取,并对绿地格局进行研究和探讨。通过计算各组成分分量和归一化植被指数ND-VI之间的相关系数来进行波段组合,提高了遥感影像的分类精度。结果显示该方法可以准确地得到绿地信息。