多方向小波变换高分影像边缘提取

由于小波变换方向分辨率较低,而高分影像中地物几何结构丰富,边缘存在于各个方向,导致了图像小波变换的频率系数仅被分解到水平、垂直和对角3个方向子带上,使得小波变换对具有复杂几何结构的地物边缘提取存在不足。为此提出一种Directionlet变换理论结合模极大值法的高分影像边缘提取方法。首先,对原始影像进行基于格的分解获得任意方向一维线集合,再进行小波变换并恢复图像格式得到高频方向子带;然后,利用改进模极大值法和双阈值法对系数进行处理得到边缘结果;最后,采用数学形态学方法对边缘提取结果进行细化连接等后处理,从而实现对高分影像边缘的提取。实验结果表明,该方法与传统边缘检测方法和小波变换相比,边缘提取更加完整,定位精度更高。     

遥感模式分类中的空间统计学应用——以面向对象的遥感影像农田提取为例

如何有效地从遥感图像中提取所需信息,是遥感图像处理和应用的关键,而尺度选择问题一直是影响遥感信息提取精度的关键问题之一。本文论述了利用空间统计学方法解决遥感影像模式分类中的尺度问题的理论基础。针对面向对象影像分析问题,将影响遥感影像多尺度分割的尺度分割参数概括为空间属性分割参数、光谱属性分割参数和影像对象面积阈值参数,并分别提出了基于统计学的尺度参数估计方法。以SPOT-5影像面向对象农田提取为例,基于变异函数方法进行了尺度优选试验,系列尺度分类试验结果表明基于空间统计学尺度估计得到的尺度分割结果进行分类能得到最高的精度,进而证明了基于空间统计学方法进行面向对象信息提取尺度估计的有效性。该方法是完全数据驱动的方法,基本不需要先验知识参与。不同于以往分割后评价的尺度选择方法会占用大量计算资源且耗费大量时间,本文提出的方法不仅能在一定程度上保证面向对象信息提取的精度,而且在一定程度上也提高了面向对象信息提取的效率和自动化程度。     

一种基于NSCT和方向信息测度的GF1影像融合方法

结合NSCT变换和方向信息测度在影像融合表达中的优势,针对GF1影像的特征,提出了多光谱波段与全色波段影像融合过程中采用基于NSCT变换域的方向信息测度融合方法。以GF1影像为源数据,通过NSCT多尺度多方向分解后,对低频系数使用基于区域灰度方差的融合方法,对高频系数采用了改进的方向信息测度加权融合方法,经NSCT逆变换重构影像实现融合。试验结果表明,基于NSCT变换和改进方向信息测度结合的融合方法能更好地保持多光谱影像的光谱信息和全色影像的空间信息,具有更多的细节特征及更清晰的边缘,因此提高了遥感影像的解译精度和解译效率,可为目标信息的提取应用提供支撑。     

基于多尺度特征融合和支持向量机的高分辨率遥感影像分类

相对传统的中低分辨率遥感数据而言,高空间分辨率遥感影像同一地物内部丰富的细节得到表征,空间信息更加丰富,地物的尺寸、形状以及相邻地物的关系得到更好的反映,但其光谱统计特性不如中低分辨率影像稳定,类内光谱差异较大,而传统分类方法仅依据像元的光谱值,因此在高分辨率影像分类中,传统方法往往不能获得好的结果。在此背景下,提出了一种多尺度空间特征融合的分类方法,旨在利用不同尺度的空间邻域特征弥补传统方法的不足。其基本过程是：首先针对不同尺度特点,用小波变换压缩空间邻域特征,并结合支持向量机得到不同尺度下的分类结果,然后根据尺度选择因子为每个像元选择最佳的类别。文中QuickBird和IKONOS影像实验证明该算法能有效提高高分辨率影像解译的精度。     

基于多尺度LBP特征融合的遥感图像分类

针对高光谱遥感图像分类问题,传统的特征提取方法常忽略其本征属性信息和图像的多尺度局部结构特性而使其获取的图像信息量较少,为改进这一缺陷,提出了一种多尺度灰度和纹理结构特征融合的方法模型(multiscale gray and texture structure feature fusion,Ms_GTSFF)进行遥感图像特征提取。首先用多尺度方法提取图像不同尺度下的灰度属性特征,然后利用局部二进制模式的思想获得图像的局部纹理特征信息,同时利用多尺度还能够获取图像更大感受野的特征,接着利用得到的多尺度LBP直方图获取每种编码所对应的灰度属性信息,最后将上述得到的多尺度特征信息进行编码融合,构成了Ms_GTSFF特征提取模型,再连接多种机器学习分类器进行分类识别。以雄安新区(马蹄湾村)航空高光谱遥感影像作为测试数据集,对数据分块预处理后再进行特征提取与分类测试,最高获得了99.44%的分类准确率,在遥感图像分类上与传统方法的识别能力相比有很大的提升,验证了提出模型对于增强遥感图像的特征提取能力以及提高分类识别性能的有效性。     

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%。     

基于面向对象和规则的遥感影像分类研究

讨论了面向对象和规则的光学遥感影像分类方法。首先利用多尺度分割形成影像对象，建立对象的层次结构，计算对象的光谱特征、几何特征、拓扑特征等，利用对象、特征形成分类规则，并通过不同对象层间信息的传递和合并实现对影像的分类。并以北京城市土地利用分类为例，对该方法进行了验证。     

基于对象级的ADS40遥感影像分类研究

针对ADS40影像的空间分辨率高而光谱分辨率相对不足的特点,提出了一种基于多尺度分割的对象级遥感分类方法.首先通过多尺度分割获得影像对象,然后利用对象所包含的光谱特征、几何特征、拓扑特征来确定地物识别中可能要用到的各种特征参数,并建立对象间的分类层次结构图,最后利用模糊分类器逐级分层分类来提取地物信息.研究结果表明,面向对象的分类方法与传统方法相比,可显著提高分类精度,有效抑制"椒盐现象"的产生,更加适合于几何信息和结构信息丰富的ADS40影像的自动识别分类.通过对太原市ADS40影像进行分类验证了此方法的有效性.     

领域知识辅助下基于多尺度与主方向纹理的遥感影像土地利用分类

基于灰度共生矩阵(GLCM)的纹理特征在影像空间分析中具有重要作用,提出了一种在领域空间知识辅助下构建GLCM多尺度窗口与主方向权值的方法,从而提高纹理特征的有效性,并解决影像土地利用分类中存在的不确定性问题。为此,根据人类目视解译的特点,对GIS与RS数据进行集成计算:首先,在图像配准的基础上,利用经典的GIS空间数据挖掘算法,渐近式地提取领域形态知识;接着,采用关联分析法建立其与GLCM构造因子之间的响应机制,并设计了基于地类形状指数的多尺度窗口建立算法,以及基于地类主方向分布指数的方向权值测度算法。试验结果表明,领域形态知识与GLCM空间因子之间具有强相关关系,该方法提取出的纹理特征可以描述复杂地物的空间意义,算法复杂度低,性能优越,有效提高了影像土地利用分类的精度。     

ETM和SPOT融合影像制作土地利用分类图

以辽阳地区为试验区,采用ETM多波段和SPOT全色遥感影像为主要信息源。利用遥感图像处理软件ERDAS对影像进行几何配准、图像增强等一系列处理。利用HIS变换和主成分分析法进行影像融合试验,对比分析融合结果,融合后影像同时具有多光谱和高分辨率的特性,提高了影像解译度。参考国家分类标准,选取农村、水体、旱地、林地、菜地、城市和水田七大类进行分类试验。采用监督分类的方法对主成分变换融合后的影像进行土地利用分类。最后,在ArcGIS软件中进行矢量化处理,制作土地利用分类图。使用该方法制作的辽阳地区土地利用分类图,可以满足一般用户对土地利用分类图的要求。     

粗糙集高分辨率遥感影像面向对象分类

面向对象的高分辨率遥感影像分类已受到研究者们的广泛关注。本文提出一种基于粗糙集理论的面向对象分类方法以区分高分辨率遥感影像上的不同地物。首先,利用基于相位一致梯度与前景标记的分水岭变换进行影像分割,提取图像斑块;然后,利用Gabor小波提取斑块的纹理特征,进而根据粗糙集理论提取纹理分类规则;最后,在对象光谱特征的初步分类结果,根据纹理分类规则得到最终结果基础上。依据粗糙集理论只能处理离散属性数据,本文重点提出一种适用于面向对象分类的连续区间属性离散化方法。实验表明本文方法可取得较好分类结果与较高分类精度。     

遥感蚀变信息检测中背景与干扰问题研究

在不同自然景观区的遥感蚀变信息检测中,背景与干扰是2个复杂而又容易混淆的研究对象。本文结合光谱混合模型理论与随机变量概率分布相关理论,深入分析了遥感数据的光谱空间几何结构特征(重点剖析二维散点图),系统研究了背景与干扰的关系、复杂度以及干扰地物类型的划分等问题。这些问题的探讨为遥感蚀变信息检测的最佳方案设计和蚀变信息潜在性评价与准确提取提供了技术思路。     

加入不变矩的高分辨率遥感图像分类

不变矩是表达图像几何形状信息的参数,具有几何变换的稳定性,在图像识别领域已经得到广泛应用。本文将3种常用的不变矩,即胡氏矩、Zern ike矩和小波矩,运用到高分辨率遥感图像分类中,并与只利用光谱信息的图像分类结果进行对比。结果表明,在高分辨率图像分类中加入不变矩图像可以显著提高分类精度,尤其是对那些具有相似光谱特征但同时具有不同形状和结构特征的地物分类更加有效。     

单波段单极化高分辨率SAR图像纹理分类研究

以2003年7月淮河洪水监测获取的高分辨率SAR图像为试验数据，首先对数据进行了分析，指出了高分辨率SAR图像的特点，之后通过小波变换对图像进行两层小波分解得到子图像，并在选择合适的能量计算窗口条件下，计算子图像的纹理能量，最后使用了BP神经网络方法进行纹理分类。研究结果表明，采用小波纹理分类方法对高分辨率SAR图像分类是可行的，可以获得高的分类精度，同时也指出了纹理分类的不足和进一步研究的方向。     

IMD法在多光谱图像分类中的应用

数学形态学着重于分析和处理图像的几何结构信息。根据这一原理，在图像分类预处理过程中，对各种地物区域的几何结构特点进行分析，构造相应的结构元素，然后对图像进行形态迭代分解法(IMD，Iterative Morphological Decompostion)变换。在变换结果中，地物区域的灰度信息进行了归一化处理，同时区域的几何结构特点和独立地物得到了有效保留。将多光谱图像的IMD变换结果进行分类实验的结果表明，该方法可以有效提高多光谱图像分类的精度和效率，具有较强的适用性。     

一种加入空间关系的海岸带遥感图像分类方法

 海岸带作为海洋、陆地和大气共同作用的地带，其地物混杂度大，变化频繁，单纯利用光谱特征分类难以取得理想的精度。 但海岸带地物滨临水体，而水体与地物存在巨大光谱差异，易于识别。据此，本文尝试提出一种简单的加入空间关系的遥感图像分类 方法，即，先准确识别出海水类，然后统计非海水类的每一个像元到最近海水的空间距离。由于不同的海岸带地类距离海水的空间距 离有其自身的特点，因此，利用这一距离信息辅助分类能提高分类精度，尤其是针对那些光谱特征相近而距离相差较大的地类。     

利用多级弦长弯曲度复函数构建复杂面实体综合形状相似度量模型

介绍了一种复杂带洞面实体空间对象的几何相似度度量方法。该方法提取面实体的中心距离、轮廓线的多级弦长、弯曲度及凸凹性等特征,构造多级弯曲度半径复函数对其局部和整体特征进行描述,并通过傅里叶变换得到傅里叶形状描述子对面实体间的形状相似性进行度量。同时根据场景完整度和相似性度量模型计算复杂带洞多边形中每个场景的匹配度,利用多级特征完成复杂面实体间的几何相似性度量。对不同空间复杂度的面实体的几何相似性的度量试验表明,该方法简单可行且不失精度,结果符合人类认知。     

利用纹理分析方法提取TM图像信息

以北京市丰台区为试验区 ,采用纹理分析方法对高分辨率图像的纹理信息进行分析 ,选取统计指标熵 ,通过确定熵的最佳阈值 ,进行边界匹配和图像的分割 ,将光谱混淆地物菜地和耕地分割开来 ,然后将此分割结果与TM图像分类结果进行叠合 ,得到最终的分类结果。并将该结果与最大似然分类结果以及单纯依靠纹理特征得到的分类结果进行了对比。试验结果表明 :将纹理分析方法应用于图像分类中可区分光谱混淆的地类 ,光谱与纹理特征结合得到的分类精度要远高于单纯光谱和单纯纹理的分类精度。     

“航天清华一号”微小卫星影像湖泊信息提取——以艾比湖为例

简要介绍了航天清华一号(HT-1)微小卫星的主要参数,并以艾比湖景为例,用ENVI软件对图像进行条带噪声消除、显示增强、几何纠正、假彩色合成等处理。最后介绍了如何在获取的影像中进行水面信息、地物信息、地貌信息等多种湖泊信息的提取。     

Comparing supervised and unsupervised multiresolution segmentation approaches for extracting buildings from very high resolution imagery

Although multiresolution segmentation (MRS) is a powerful technique for dealing with very high resolution imagery, some of the image objects that it generates do not match the geometries of the target objects, which reduces the classification accuracy. MRS can, however, be guided to produce results that approach the desired object geometry using either supervised or unsupervised approaches. Although some studies have suggested that a supervised approach is preferable, there has been no comparative evaluation of these two approaches. Therefore, in this study, we have compared supervised and unsupervised approaches to MRS. One supervised and two unsupervised segmentation methods were tested on three areas using QuickBird and WorldView-2 satellite imagery. The results were assessed using both segmentation evaluation methods and an accuracy assessment of the resulting building classifications. Thus, differences in the geometries of the image objects and in the potential to achieve satisfactory thematic accuracies were evaluated. The two approaches yielded remarkably similar classification results, with overall accuracies ranging from 82% to 86%. The performance of one of the unsupervised methods was unexpectedly similar to that of the supervised method; they identified almost identical scale parameters as being optimal for segmenting buildings, resulting in very similar geometries for the resulting image objects. The second unsupervised method produced very different image objects from the supervised method, but their classification accuracies were still very similar. The latter result was unexpected because, contrary to previously published findings, it suggests a high degree of independence between the segmentation results and classification accuracy. The results of this study have two important implications. The first is that object-based image analysis can be automated without sacrificing classification accuracy, and the second is that the previously accepted idea that classification is dependent on segmentation is challenged by our unexpected results, casting doubt on the value of pursuing ‘optimal segmentation’. Our results rather suggest that as long as under-segmentation remains at acceptable levels, imperfections in segmentation can be ruled out, so that a high level of classification accuracy can still be achieved.