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。     

多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。     

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。     

耦合GF-2遥感影像与街景影像的广州市城中村识别

及时准确地获取城中村的空间分布及其环境质量信息对于优化城市空间、改善人居环境具有重要意义。本文以广州市越秀区为例,提出了耦合GF-2高分遥感影像和百度街景影像的城中村识别方法。首先,从街景影像中提取越秀区的街道空间品质特征;其次,在对高分遥感影像预处理并进行多尺度分割的基础上计算光谱、形状、纹理、场景特征和建筑结构5类共计23个特征;最后,融合两种影像的特征用于构建随机森林分类器进行城中村识别。结果表明,基于高分影像和基于街景影像的城中村识别整体精度分别为94.5%和85.7%,Kappa系数分别为0.58和0.31,而两者融合后的分类精度和Kappa系数为96.1%和0.67;其中基于街景影像获取的度量街道空间品质的5个指标贡献了31.6%的特征重要性。鸟瞰视野高分影像和人本视角街景影像提供的信息综合互补,构建了更有区分度的特征空间,减少了城中村的错分现象。本文证实了高分影像和街景影像在特征尺度的融合提升了城中村识别精度。街景影像中的信息可以融入到高分遥感影像等数据源中,辅助进行城中村等非正规居住空间的识别。     

结合数据融合与特征选择的遥感影像尺度多样目标检测

基于深度神经网络模型的遥感影像地物检测取得了巨大成功,很大程度上得益于大规模数据集的支撑。但是,从现有遥感影像数据集本身来看,不同类别地物的数量分布不一致,同类地物对象以不同尺寸大小呈现,是导致地物样本的尺度不均衡问题的直接因素。对此,本文采用数据集内影像加权融合与地物多尺度特征选择的策略来缓解该问题。首先,将数据集内两张影像的像素值进行加权并得到融合后的影像,从而使不同类别地物样本更加均衡且具有较高的背景多样性;其次,通过选择合适尺度的特征图预测相应尺度的目标类别,且允许同一尺度目标在相邻特征图上进行预测,这样使模型能根据目标尺度进行训练;最后,基于目标中心区域的特征图预测目标边界框,预测的边界框更符合目标本身的尺度。通过在两个遥感数据集上分别进行实验,表明训练的模型在对复杂背景下的类别不均衡目标的识别更加准确,能够适应遥感影像下不同尺度目标的识别。     

利用多分类器自适应级联模型的高分二号影像分类

针对传统单一分类器分类效果不够理想,存在各自的不足,以及已有的多分类器级联模型不能根据待识别样本特征进行动态调整优化等问题,提出了一种基于多分类器自适应级联模型的遥感影像分类方法。该模型选取各类别最优分类器进行级联组合,以待识别样本在整体性能最优分类器的表现对类别最优分类器作出自适应调整,对高分辨率影像分割后的像斑对象输出类别信息。以杭州区域高分二号遥感影像进行分类试验,结果表明,本文方法相比于单一分类器及已有的级联模型具有更高的分类精度。     

小波多尺度影像边缘聚焦算法

讨论了基于光滑函数的二维小波极大模边缘算子和小波过零点边缘算子及其特性。提出了多尺度二进小波变换过零点边缘聚焦算法。通过对不同尺度下小波变换的遥感影像进行复合、边缘提取和聚焦后结果进行比较，可以发现该算法适应影像空间尺度不确定性目标边缘提取。既可保证大尺度下的轮廓信息不失真，又能在边缘定位上保持很高的精度。     

小波多尺度影像边缘聚焦算法

讨论了基于光滑函数的二维小波极大模边缘算子和小波过零点边缘算子及其特性。提出了多尺度二进小波变换过零点边缘聚焦算法。通过对不同尺度下小波变换的遥感影像进行复合、边缘提取和聚焦后结果进行比较，可以发现该算法适应影像空间尺度不确定性目标边缘提取。既可保证大尺度下的轮廓信息不失真，又能在边缘定位上保持很高的精度。     

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CNN模型的遥感影像液气贮存设备识别

基于卷积神经网络（CNN）进行遥感影像液气贮存设备提取。基于0.3 m、0.5 m、2.1 m分辨率的多源遥感影像,通过训练CNN模型来提取液气贮存设备,检测精度F值分别为0.78、0.77和0.36;基于0.3 m、0.5 m、1 m分辨率的无人机影像,训练得到不同的CNN模型,迁移学习至0.8 m分辨率的高分影像上进行液气贮存设备识别,检测精度F值分别为0.08、0.73和0.71。结果表明,CNN模型可有效提取液气贮存设备,且训练样本包含的信息越均一,识别精度越高;CNN模型对多源遥感影像具有较好的迁移学习能力,在遥感影像典型目标识别与提取方面具有较好的应用前景。     

融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。     

建筑物多边形高精度识别的傅里叶形状描述子神经网络方法EI北大核心CSCD

形状识别是地图空间认知的重要内容之一,结合有效的形状特征向量提取方法和空间认知试验的神经网络方法是提高形状识别的有效途径。本文构建了一种融合了圆形度、偏心率和矩形度等宏观形状特征参量的傅里叶形状描述子作为形状特征向量的神经网络建筑多边形状识别器。首先,利用傅里叶变换和计算几何方法分别提取建筑多边形的傅里叶形状描述子及圆形度、偏心率、矩形度参量,并组成形状特征向量。然后,通过样本数据的训练实现了建筑多边形与形状模板之间匹配的神经网络识别器。结果表明,本文方法相较于以往的方法大幅度提高了精度(达到98.7%),而且特征提取算法不受多边形点数不一致的限制。通过对武汉、郑州两大城市的真实建筑物数据进行形状识别,证实该方法具有较好的识别效果。     

多尺度图像分割和颜色传递的遥感图像彩色化增强

提出一种基于小波降噪、多尺度图像分割和颜色传递的遥感图像彩色化增强方法。该方法利用一种多尺度图像分割技术,将图像分割为若干子区域,在子区域之间进行亮度匹配和颜色传递,减少了颜色传递误差,再与采用软阈值方法的复数小波包降噪预处理相结合,来增强遥感图像的细节分辨能力。试验结果证明,基于图像分割和色彩传递相结合的方法,其参考彩色图像不需要与目标图像配准,只要特征、风格相近似,就可以对纹理结构相对较简单的全色遥感图像实现全自动的彩色化增强。彩色化的结果图像在美观程度及目标的可识别度上都有了明显增强。     

基于相位一致的高分辨率遥感图像分割方法

基于分水岭变换的图像分割性能在很大程度上依赖于用来计算待分割图像梯度的算法。根据频域相位信息对图像特征的表征能力,引入相位一致的思想计算图像特征,应用Log Gabor小波提取高分辨率遥感图像的多尺度梯度。接着在对相位一致梯度进行分水岭分割时发现,在抑制分水岭算法的过度分割方面,经典的基于前景标记和背景标记的方法并不适合于遥感图像的分割,给出一种基于前景标记和梯度重建的分水岭算法。对IKONOS Pan图像上的农田、厂房和居民楼等地物进行特征提取和图像分割实验,结果表明相位一致方法优于空域特征检测算子,根据相位一致特征得到较好的分水岭分割结果。     

基于最佳小波包基的高光谱影像特征制图

鉴于在时频局部化能力方面小波包变换优于小波变换,将高光谱影像像元光谱曲线作为1维信号并对其进行多尺度小波包变换分解,得到不同尺度上的低频和高频成分向量。根据不同地物像元光谱小波包分解最佳基有很大差异,而同一地物像元光谱小波包分解的前若干个最佳基完全相同的特点,提出一种基于前若干个最佳小波包基特征参量数组的分类特征参量和目标识别方法,并对AVIRIS影像中的特征如地物植被、水体、岩石及某些阴影等进行提取与制图。     

曲线多尺度表达的Head-Tail信息量分割法

本文提出一种基于Head-Tail信息量分割的地理要素多尺度表达模型。首先通过傅里叶变换将地理线要素转换为傅里叶描述子,并通过香农信息熵理论计算其频域信息量。然后,按Head-Tail数据分布模式确定地理要素信息量的分界点,并设计函数对各个分界点所对应的傅里叶截断频率进行估计。最后,参考传统方根模型,建立以地理要素频率信息量为基础的信息方根模型,计算与各个地图层次相对应的关键尺度,实现地理要素的层次化多尺度表达。采用等高线及海岸线的数据试验表明,本文所提出的模型能够有效根据设定的比例尺对地理要素进行化简,对不同目标比例尺的简化结果体现出了良好的区分度与层次性。同时,在保证化简结果与原地理要素面积重叠比一致的情况下,本文模型所得到的结果优于传统的简化算法。     

基于局部能量的Trous小波和IHS变换的影像融合研究

传统基于小波变换的影像融合随着分解级数的增加,融合影像与原多光谱影像间的相关性随之降低,融合后影像的小目标对象很难获得丰富的颜色信息。鉴于此,本文提出基于局部能量的Trous小波和IHS变换相结合的融合算法,对IKONOS影像进行融合,并与传统的Trous小波变换融合、Trous小波变换和IHS变换结合的融合算法相比较,结果表明改进的方法能提高融合影像的相关性,降低光谱扭曲度,增强小目标的识别能力。