基于MODIS数据的植被指数分析

针对宏观土地覆盖遥感分类的现状,充分利用MODIS相对于AVHRR数据具有的多光谱和分辨率优势,提出了利用MODIS数据进行分类特征选择与提取并结合多时相特征进行宏观土地覆盖分类的分类方法,并进行了分类试验。     

多源遥感技术在土地利用分类中的应用

为有效提高土地利用分类精度,研究多源遥感数据的分类方法,提出了利用多源遥感技术进行土地利用分类。对居民地、耕地、林地、水体、未利用土地等土地利用类型的光谱特征及微波散射特征进行了分析,将高分一号多光谱数据与RADARSAT-2数据相结合,利用决策树分类器实现了土地利用类型的划分,其总体分类精度达到96.6%。与高分一号数据最大似然分类及RADARSAT-2数据的Freeman-Durden三分量最大似然分类进行了精度比较,结果表明,多源遥感技术可实现数据的特征互补,其分类精度优于仅采用多光谱数据或微波数据的分类精度。     

遥感图像土地覆盖分类中多源特征数据选择研究

多源特征数据可以提高遥感图像的分类精度,选择合适的特征数据十分重要。利用基尼指数对多尺度纹理信息、主成分变换前三分量、地形数据等特征进行选择,选出最佳特征子集。利用支持向量机、神经网络分类法、最大似然法分别对全部特征数据和最佳特征子集结合多光谱数据进行分类。实验结果表明:基尼指数可以有效地对多源特征数据进行选择,特征选择可以提高分类器效率,提高分类精度。     

基于多特征PolSAR数据的干旱区土地利用/覆被分类

以新疆于田绿洲为例,基于PolSAR与Landsat OLI的多源数据集,采用随机森林、决策树等机器学习算法进行了干旱区土地利用/覆被分类精度对比研究.结果表明:①全极化PALSAR-2数据与目标极化分解特征分量、光谱特征数据的融合使分类总精度从单幅PALSAR-2图像分类的71.11％提高到93.24％,Kappa系数从0.65提高到0.92.②针对PALSAR-2数据,贡献率最大的特征变量来自Pauli分解的3种特征分量K1、K2、K3和Krogager分解的KD、KH;其次,植被指数、水体指数、盐分指数以及光谱主成分分析第一波段等光谱特征数据对地物分类有一定的贡献.③随机森林对多源数据集的土地利用分类性能优于SVM与决策树分类,该算法在精确提取干旱区土地覆被信息上有较好的可行性.     

基于Relief F与卷积神经网络的湿地植物群落精细分类

湿地是陆地生态系统和水生生态系统之间的重要过渡带,准确高效地获取湿地植物群落分布信息对于保护湿地具有深远的意义。本文以无人机多光谱影像为数据源,首先构建包含光谱特征、植被指数和纹理特征的多维特征数据集,并采用Relief F算法进行特征优选,确定最优特征数据集;然后构建基于特征优选的卷积神经网络(CNN)分类模型,对最优特征数据集进行分类,并与基于原始多光谱影像的CNN和随机森林(RF)分类方法进行对比。结果表明：(1)随着特征个数的增加,分类精度先增加后下降,当特征数为32时分类精度最高;(2)窗口为13×13的GLCM提取的信息熵和同质性等纹理特征及GNDVI、MSAVI2、RVI等多光谱植被指数重要性较高;(3)基于最优特征数据集的CNN分类模型,能够有效提取空间光谱信息,抑制“椒盐现象”的产生,分类效果最佳,总体精度达93.40%,与未进行特征优选的RF和CNN分类模型相比分别提高了9.80%和7.40%。     

高分一号多光谱遥感数据的面向对象分类

文章针对高分一号(GF-1)高分辨率遥感数据,提出了一种基于多特征的面向对象遥感图像分类算法:首先,对GF-1卫星数据进行分水岭分割,并利用仿射不变矩形状特征算子获得遥感图像的几何特征;其次,利用主成分分析和灰度共生矩阵获得遥感图像的纹理特征;然后,基于多特征数据进行均值漂移滤波,并利用自动标记分水岭分割方法实现遥感图像分割;最后,结合基于像元的最大似然监督分类结果做投票分类处理,从而实现面向像元与面向对象相结合的遥感数据分类.以高分一号遥感数据进行分类实验,结果表明:本文方法可有效地提高遥感图像分类精度.     

西藏多不杂斑岩铜矿ASTER遥感蚀变异常特征

采用ASTER数据,利用"掩模+定向主成分分析"方法提取了多不杂斑岩铜矿的遥感蚀变异常。对蚀变异常的特征、蚀变异常与地面蚀变对应关系、蚀变异常与已知矿体的关系等几个方面进行了初步探讨,认为利用ASTER数据提取的蚀变异常效果较好,为西藏自治区矿产资源潜力评价多龙铜矿预测工作区的最小预测区圈定提供了遥感依据。     

机载多光谱LiDAR的随机森林地物分类

机载多光谱LiDAR技术利用激光进行探测和测距，不仅可以快速获取地面物体的三维坐标，还可以获得多个波段的地物光谱信息，可广泛用于地形测绘、土地覆盖分类、环境建模、森林资源调查等。本文提出了多光谱LiDAR的随机森林地物分类方法。该方法通过对LiDAR强度数据和高程数据提取分类特征，完成多光谱LiDAR的随机森林地物分类；并分析随机森林的特征贡献度特性，采用后向特征选择方法实现分类特征选择。通过对加拿大Optech Titan多光谱LiDAR数据的试验表明：随机森林方法可以获得较好的地物分类精度，而且可以适当地去除部分冗余和相关的特征，从而有效提高分类精度。     

高分辨率遥感影像的支持张量机分类方法

针对高分辨率遥感数据分类多特征、小样本的特点,将训练样本像素邻域的数据立方以三阶张量表征,并提出了利用支持张量机对训练样本进行监督分类的模型和解法。实验结果表明,此方法能够利用少量的训练样本实现更优的分类精度。     

高光谱影像的引导滤波多尺度特征提取

为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。     

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。     

遥感影像分类中的空间尺度选择方法研究

提出了一种新的基于信息熵的空间尺度选择方法。该方法充分利用了遥感影像的多光谱信息。在这个方法中, 信息熵被用于评价影像类别可分性的定量标准; 另外影像的空间分布特征也被考虑。该方法与已有方法, 即基于局部方差的方法、基于变异函数(Variogram)的方法、基于离散度的方法, 进行了比较。TM和QuickBird两种影像被引入到评价中来。实验结果表明, 本方法能够准确地确定两种实验影像的最优分类精度所对应的空间尺度。QuickBird影像采用了面向对象的分类方法进行实验, 这表明本方法不仅适合于传统的分类方法, 同时也适用于面向对象的方法。通过比较分析表明, 本文方法明确优于已有各种方法。     

高分辨率遥感图像分类方法在LUCC中的研究进展

高空间分辨率遥感图像在土地利用/覆盖(LUCC)变化研究中的应用,促进了遥感分类技术的进一步发展,表现在遥感分类对象、分类特征和分类器3个方面。本文对其研究进展情况进行了综述,介绍了具有代表性的分类方法,并对各种方法的特点进行了分析。最后,对遥感分类的相关研究进行了总结和展望。     

基于不同分辨率遥感影像的分类方法对比研究

基于4种不同分辨率的遥感影像数据,分别为30 m分辨率的Landsat-8数据,融合Landsat-8多光谱波段和全色波段的15 m分辨率数据,5.8 m分辨率的资源3号卫星数据以及融合后2.1 m分辨率的资源3号卫星数据。采用ISO-DATA、最大似然分类法和面向对象分类法对影像进行分类,对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。结果显示在低分辨率影像中,面向对象方法受到限制,分类效果相比传统方法没有太大改善;而在高分辨率影像中,面向对象方法分类效果很好,并且随着分辨率提高分类精度也相应的提高。     

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。     

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。     

使用多尺度模糊融合的高分影像变化检测

为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法.首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各...     

Tree Crown Detection,Delineation and Counting in UAV Remote Sensed Images: A Neural Network Based Spectral–Spatial Method

UAVs are fast emerging as a remote sensing platform to complement satellite based remote sensing. Agriculture and ecology is one of the important applications of UAV remote sensing, also known as low altitude remote sensing (LARS). This work demonstrates the use and potential of LARS in agriculture, particularly small holder open field agriculture. Two UAVs are used for remote sensing. The first UAV is a fixed wing aircraft with a high spatial resolution visible spectrum also known as RGB camera as a payload. The second UAV is a quadrotor UAV with an RGB camera interfaced to an on-board single board computer as the payload. LARS was carried out to acquire aerial high spatial resolution RGB images of different farms. Spectral–spatial classification of high spatial resolution RGB images for detection, delineation and counting of tree crowns in the image is presented. Supervised classification is carried out using extreme learning machine (ELM), a single hidden layer feed forward network neural network classifier. ELM was modelled for RGB values as input feature vectors and binary (tree and non-tree pixels) output class. Due to similarities in spectral intensities, some of the non-tree pixels were classified as tree pixels and in order to remove them, spatial classification was performed on the image. Spatial classification was carried out using thresholded geometrical property filtering techniques. Threshold values chosen for carrying out spatial classification were analysed to obtain optimal values. Finally in the delineation and counting, the connected tree crowns were segmented using Watershed algorithm performed on the image after marking individual tree crowns using Distance Transform method. Five representative UAV images captured at different altitudes with different crowns of banana plant, mango trees and coconut trees were used to demonstrate the performance of the proposed method. The performance was compared with the traditional KMeans spectral–spatial method of clustering. Results and comparison of performance parameters of KMeans spectral–spatial and ELM spectral–spatial classification methods are presented. Results indicate that ELM performed better than KMeans.     

Spectral and Spatial Quality Analysis in Pan Sharpening Process

Image fusion is a process to obtain new images containing more information by combining images obtained same or different sensors. With most of the earth observation satellites, high spatial resolution panchromatic images and low spatial resolution multispectral images are obtained. As an example of image fusion ??pan sharpening?? is a process of combining of high spatial resolution panchromatic images and low spatial resolution multispectral images. At the end of the fusion process both high spatial and spectral resolution new images are obtained. In this study, panchromatic and multispectral images gathered from Ikonos were used. Panchromatic and multispectral images belonging to the same sensor were combined by using different image fusion methods. As pan sharpening methods Brovey transform, Modified IHS, Principal Component Analysis (PCA), Wavelet PC transform and Wavelet A Trous transformation methods were used. Quality of fused products was evaluated from the point of view of both visual and statistical criteria. While wavelet based methods are succesfull in terms of protection of spectral quality of original multispectral images, the colorbased and statistical methods are giving better results within the improvement of spatial content.