基于支持向量机的遥感影像厚云及云阴影去除

本文提出了一种基于支持向量机的遥感影像厚云及云阴影去除方法。首先利用支持向量机的学习性能检测影像中的云层,并利用太阳角度信息,判定云阴影区域,得到云层和云阴影的二值图。再对影像进行支持向量值轮廓波变换,利用云层和云阴影二值图生成的选择矩阵,对变换系数进行多层镶嵌,完成云层及云阴影的初去除。对影像镶嵌未能去除的云层及云阴影,通过统计学补偿的方法进行修复。最后重构图像并进行中值滤波实现厚云及云阴影去除。仿真实验表明,该方法能更好地再现云层覆盖区域的地物信息,去云后的图像具有更好的光滑度和清晰度。     

数学形态学在遥感影像云层识别中的应用

针对传统遥感影像质量评价中云层覆盖量无法定量评价的问题,文章提出采用利用边缘信息的阈值分割结合数学形态学方法来提取遥感影像云层覆盖范围。利用边缘信息的阈值分割方法能够有效利用影像自身信息来改善分割结果,再结合形态学方法,进而能消除道路、房屋等大部分噪声信息,最终实现遥感影像上不同特征云层覆盖范围的自动提取。基于浙江全省高分辨率遥感影像的实验结果表明:该方法能够快速有效地识别出遥感影像上云层覆盖范围,研究结果对于遥感影像云层覆盖的自动评价具有参考价值。     

一种利用TM影像自动检测云层的方法

有效利用TM影像中云层的光谱和形状特征,提出了一种基于最大类间方差的云层自动检测方法。该方法首先利用云层和雪区的波谱特性差异,基于最大类间方差法实现云层的阈值化分割;然后利用粗分云层的形状特征做进一步判定分析,最终实现云层的提取。实验表明,与传统的人工阈值方法相比,本方法可以有效地从TM影像中检测出云层,降低人工参与程度。     

一种基于RGB彩色遥感影像的云检测方法

无人机、卫星等获取的高分辨率遥感影像中不可避免地存在云层遮挡问题,这对遥感影像生产和应用造成一定程度的干扰.本文针对RGB彩色遥感影像中存在的云层遮挡问题,提出了一种基于RGB彩色遥感影像的快速云检测方法.首先根据RGB三通道的光谱信息生成粗云图,引入景观格局指数,然后排除地面非云层高亮图斑误差,利用原始影像作为引导,对初步云提取结果进行引导滤波,获得精细化云图,最后对结果进行矢量化处理,自动提取图斑的关键拐点,最大限度保留云的形状,获得真实、美观的矢量化成果.该方法对遥感影像的数据质量和波段数要求低,可以进行快速高精度的云检测.本文利用卫星影像和无人机影像进行快速云检测实验,证明了该方法的有效性.     

改进的暗原色卫星遥感影像去雾技术研究

受亚热带季风气候的影响,获取的福建省区域卫星遥感影像产品可能会出现云层或雾气覆盖遮挡的现象。提出了一种基于暗原色的卫星遥感影像增强处理技术。通过该技术可去除影像上的薄云或薄雾,以增强云雾遮挡部分的地物信息,提高卫星遥感影像的地物辨识能力。     

局部空间自相关统计洪水灾害影像分析

针对洪水灾害分析在速度、准确性和及时性等方面的需求,该文在研究空间自相关分析的基础上,提出了一种基于局部自相关统计的洪水灾害影像分析方法。首先,对影像进行掩膜处理,去除云层干扰;其次,采用局部空间统计的方法对影像进行统计分析;然后,通过密度分割的方法提取水体,将影像分为水体和陆地两类;最后,将3幅影像分类的结果进行空间叠加分析,分析洪水灾害影响情况。以2013年嫩江流域3个时期的影像为实验数据,设计了仿真实验。实验结果表明,该方法可以较准确地对大面积洪水影响区域进行分析。     

含云卫星影像配准算法研究

影像上云层的存在不仅覆盖了大量地面有效信息,也给正射影像生产流程中的空三平差等环节造成不利影响。因此,含云卫星影像通常不具备较高的定位精度,在生产应用中被大量闲置。而这些影像的晴空区域仍含有较多的信息,带来了资源的浪费。本文针对国产高分辨率卫星影像,提出了一种顾及云层影像的影像自动配准算法。首先采用Otsu分割与形态学运算相结合的云检测方法以实现卫星影像的云区自动提取;然后在云检测结果的辅助下,将云层中匹配点剔除,优先保证晴空区域的定位精度。本文研究有助于充分挖掘含云影像中的有用信息,提升国产高分辨率卫星影像的应用价值。     

神经网络支持下的Sentinel-2卫星影像自动云检测

为解决利用Sentinel-2卫星影像进行地物信息提取时云层遮挡造成的信息误判问题，提出了一种基于深度学习的遥感影像云区高精度分割方法。该方法通过预处理的遥感样本数据构建出一种深度神经网络模型，自动提取高层次影像特征；再将影像特征输入分类器，实现遥感影像的像素级分类，从而分割出云覆盖矩阵；最后将云覆盖矩阵转化为云二值图，结合感兴趣区矢量准确获取指定区域云检测结果。选取典型区域进行测试，结果表明：该方法检测精度较高，速度较快，且无须辅助信息与人工干预，可用于Sentinel-2卫星影像不规则区域自动云检测。     

面向对象方法支持下的土地利用分类

面向对象的影像分析技术在高分辨率影像地物信息的提取中有着重要应用.利用Sentinel-2高分辨率多光谱影像数据,以合肥市包河区作为研究区域,应用多尺度分割技术将影像分割成对象,并对特征空间进行选择和优化,基于面向对象分类方法提取出研究区域最近邻的六种典型地物,分类结果与面向像元的最大似然分类、支持向量机、神经网络的结果进行比较.结果表明:利用面向对象方法进行土地利用分类的总体精度88.90％,Kappa系数为0.8579,优于三种传统的监督分类方法.证明了面向对象的影像分析技术在土地利用分类中的实用性.     

面向对象的高分辨率遥感影像变化检测

目前遥感影像变化检测技术已广泛应用在许多领域,成为遥感技术的热点。对变化检测分类和传统变化检测方法在高分辨率遥感影像变化检测中存在的问题进行分析,提出面向对象的变化检测思路,并进行试验。试验结果表明,利用面向对象技术进行影像分类,再进行变化检测能达到较好的效果。     

基于随机森林的国产小卫星遥感影像分类研究

近年来随着小卫星数量与传感器类型的快速增加,急需研究和发展快速可靠的小卫星遥感影像分类方法。针对分类方法各具局限性、具体应用中最优分类器选取困难等问题,本文基于多分类器集成学习的思路,引入随机森林(Random Forests)方法用于小卫星遥感影像分类。采用灾害监测预报小卫星(HJ-1)、北京1号小卫星(BJ-1)两种国产小卫星多光谱遥感影像进行试验,并与传统分类方法进行比较,结果表明,随机森林比最大似然分类器(MLC)、支持向量机分类器(SVM)等具有更好的稳定性、更高的分类精度和更快的运算速度,具有很好的适用性。     

基于CART决策树的高分二号洞庭湖区湿地分类方法

高分卫星遥感湿地分类的关键在于解决“同物异谱、异物同谱”难题。本文将当前应用前景广泛的亚米级国产高分二号（GF-2）影像和CART决策树面向对象分类算法相结合,以湖南沅江为例进行洞庭湖区典型湿地的分类提取工作,选取包括光谱信息、几何特征、地形特征和纹理特征等多维对象特征对分类器进行训练,构建了多维特征湿地分类方法。试验区总体分类精度优于传统方法,可为基于GF-2影像的洞庭湖湿地分类提供技术参考。     

基于卫星遥感的输油管廊沿线的地物识别研究

基于eCognition软件进行研究区域面向对象的信息提取,对研究区进行多尺度影像分割的实验,找到适合影像地物信息提取的尺度及参数、分类规则,并对研究区的影像数据进行验证,通过eCognition分类结果与传统分类和基于GBDT分类算法结果的对比,说明面向对象的特征提取算法更适用于几何信息和结构信息丰富的高分辨率图像.     

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。     

利用面向对象分类方法提取冬小麦种植面积的研究

应用陆地卫星TM数据和遥感图像处理软件eCognition5.0和ENVI4.3软件,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。逐像素分类的结果存在"椒盐"效应,而且很难克服同物异谱、同谱异物现象,面向对象的分类方法可以有效的集成专家知识和各种辅助数据,克服逐像素分类的弊端。分类结果表明,利用面向对象的分类方法可以获得比传统的像素级分类方法更高的分类精度,为冬小麦种植面积的自动提取提供了广阔的前景。     

高分辨率影像融合算法对滨海湿地土地利用分类精度的影响

针对融合算法对影像分类精度具有明显影响的问题,本文选择连云港海岸带埒子河口滨海湿地为研究区,以GF-1卫星影像为数据源,首先分别使用Gram-Schmidt算法、PCA算法及Brovey算法进行影像融合。然后在eCognition软件平台上,基于面向对象多尺度分割技术,利用随机森林算法对影像进行土地利用分类,并对分类结果进行精度评价。试验结果表明,不同融合算法影像融合效果明显不同,其中,Gram-Schmidt算法融合后的影像质量最好,且分类精度最高;Brovey融合算法对植被和水体有较好的光谱保真性,并且改变波段组合后分类精度有明显提高;PCA算法在3种融合算法中精度最低。     

基于最小距离法的面向对象遥感影像分类

主要介绍了集成基于对象的影像分析与最小距离分类方法的原理,采用中卫市World ViewⅡ影像进行土地覆盖分类研究,并将分类结果与传统的基于像元的最小距离分类结果进行对比。目视解译与定量评价均表明:基于对象方法的各项指标更优越,总体精度由0.85提高到0.87,Kappa系数由0.81提高到0.84。因此,对于高分辨率遥感影像,集成最小距离分类器,基于对象的信息提取方法要优于基于像元方法,分类结果精度更高。     

Pixel-based and object-based classifications using high- and medium-spatial-resolution imageries in the urban and suburban landscapes

With the increasing availability of high-spatial-resolution remote sensing imageries and with the observed limitations of pixel-based techniques, the development and testing of geographic object-based image analysis (GEOBIA) techniques for image classification have become one of the main research areas in geospatial science. This paper examines and compares the classification performance of a pixel-based method and an object-based method as applied to high- (QuickBird satellite image) and medium- (Landsat TM image) spatial-resolution imageries in the context of urban and suburban landscapes. For the pixel-based classification, the maximum-likelihood supervised classification approach was employed. And for the object-based classification, the pixel-based classified maps were integrated with a set of image segments produced using various calibrations. The results show evidence that the object-based method can produce classifications that are more accurate for both high- and medium-spatial- resolution imageries in the context of urban and suburban landscapes.     

Dual-tree complex wavelet transform-based image enhancement for accurate long-term change assessment in coal mining areas

The main objective of this study was to improve the long-term land use change detection by improving classification accuracy of previous generation satellite image using a recent super-resolution technique. The study also analysed the change in land cover over a period of 41 years in a coal mining area. A dual-tree complex wavelet transform-based image super-resolution technique was used to enhance Landsat images of 1975 and 2016. Separating pixels with similar spectral response is an enigmatical task, especially when those pixel represent different ground features. Therefore, an advanced neural net supervised classifier was used to minimize classification errors. Accuracy of the classified images (both super-resolved and original) were measured using confusion matrices and kappa coefficients. A significant improvement of more than 10% was observed in the overall classification accuracy for the image of 1975, highlighting that the classification accuracy of earlier generation satellite data can be improved substantially.     

Mapping spiny aster infestations with QuickBird imagery

QuickBird satellite imagery acquired in June 2003 and September 2004 was evaluated for detecting the noxious weed spiny aster [Leucosyris spinosa (Benth.) Greene] on a south Texas, USA rangeland area. A subset of each of the satellite images representing a diversity of cover types was extracted and used as a study site. The satellite imagery had a spatial resolution of 2.8 m and contained 11-bit data. Unsupervised and supervised classification techniques were used to classify false colour composite (green, red, and near-infrared bands) images of the study site. Imagery acquired in June was superior to that obtained in September for distinguishing spiny aster infestations. This was attributed to differences in spiny aster phenology between the two dates. An unsupervised classification of the June image showed that spiny aster had producer's and user's accuracies of 90% and 93.1%, respectively, whereas a supervised classification of the June image had producer's and user's accuracies of 90% and 81.8%, respectively. These results indicate that high resolution satellite imagery coupled with image analysis techniques can be used successfully for detecting spiny aster infestations on rangelands.