一种新的高分辨率遥感影像模糊监督分类方法

针对高分辨率遥感影像分类中由于细节特征突出、同质区域光谱测度变异性增大所带来的像素类属的不确定性及模型的不确定性等造成的误分结果,提出一种基于模糊隶属函数的监督分类方法。对同质区域定义高斯隶属函数模型用来表征像素类属不确定性;模糊化该隶属函数参数建立影像模糊隶属函数,以建模同质区域光谱测度的不确定性;用训练样本在所有类别中的模糊隶属函数及原隶属函数（高斯隶属函数）中的隶属度为输入,建立模糊线性神经网络模型作为目标函数,实现分类决策。该算法和经典算法对World View-2全色合成影像及真实影像进行定性和定量分类实验,分类结果验证了文中方法具有更高的分类精度。     

遥感影像直觉模糊集分割法

针对传统模糊聚类算法在影像分割中忽略影像成像过程带来的光谱测度不确定性及聚类过程中像素类属非隶属性的问题,本文提出了一种基于直觉模糊集的遥感影像分割算法。首先,设计直觉模糊发生器,并通过最大熵法分析影像光谱测度不确定性,求解波段指数以将遥感影像转化为直觉模糊集,从而对影像的光谱测度不确定性进行建模。然后,在聚类过程中同时考虑像素类属隶属度和像素类属非隶属度,结合直觉模糊集间距离定义目标函数,提高算法对类属模糊信息的处理能力,实现遥感影像的精准分割。最后,分别利用本文算法和比较算法对模拟影像和真彩色遥感影像进行分割试验。分割结果的定性、定量评价表明,本文算法能够更好地处理影像本身和聚类过程中的不确定性,获得更高精度的影像分割结果。     

自适应区间二型模糊聚类的遥感影像变化检测

由于遥感影像变化检测面临"同物异谱"、"同谱异物"等诸多不确定的问题,传统一型模糊聚类算法不能描述其高阶不确定性,难以对差异影像进行准确建模分割出变化信息。针对上述问题,在引入区间二型模糊聚类的基础上,提出了一种自适应区间二型模糊聚类的遥感影像变化检测算法。通过构造自适应邻域加权距离度量的方式更新隶属度,不仅降低了传统区间二型模糊分析算法对参数的依赖,还可以有效利用邻域信息,最后通过迭代更新隶属度实现地物变化信息的提取。利用两组遥感影像数据验证了该方法的有效性。     

基于区间二型模糊理论的高分辨率遥感影像分割方法研究

正影像分割是遥感影像处理(如特征提取、目标辨识、地物目标分类)的基础工作和重要任务。高分辨率遥感影像所具有的更加丰富的地表覆盖细节信息为精准地物目标分割提供了充分的依据。然而,更加精细的空间尺度、复杂多样的地物目标及真实地表覆盖信息的缺乏,增加了像素类属的不确定性和分割决策的不确定性,给高分辨率遥感影像分割带来了新问题,导致高分辨率遥感     

基于超像素分割与CRF的高分辨率遥感影像变化检测

针对目前高分辨率遥感影像变化检测算法对于光谱变化过敏感问题,本文提出了一种基于超像素分割与条件随机场（CRF）的遥感影像变化检测算法。首先采用空间约束的t混合模型驱动的分割模型,获得同质性超像素块,实现良好的边界附着性和亮度均匀性。然后计算分割得到的双时相影像块之间的特征差异性,获取变化幅度图像。最后利用模糊聚类算法（FCM）对变化幅度图像进行聚类,得到隶属度图像作为CRF一阶势,并利用光谱-空间相似度约束的函数构建CRF二阶势。试验结果表明,与现有方法相比,该方法检测精度可提高5%,错检率和漏检率可降低3%,能较好地应对输入图像的光谱变化,并保持变化检测结果的边缘细节。     

利用改进的FCM方法分割高分辨率遥感影像

传统的模糊C均值聚类算法进行图像分割时只考虑了图像的灰度特征,而忽略了图像中丰富的空间邻域信息,从而导致该算法对噪声很敏感,并得到错误的分割结果。提出两种利用空间信息改进的模糊C均值聚类算法分割高分辨率遥感影像,并通过大量试验验证其有效性,该算法可减少错误分类像素的数目,降低噪声的影响,提高分割结果的精度。     

基于Voronoi划分的区域化模糊聚类遥感影像分割

正随着遥感传感器分辨率的不断提高,高分辨率遥感影像在提供更多丰富地物细节信息的同时,也使影像中同质区域内像素光谱相似性减弱、同质区域间像素光谱相似性增强,从而增加了影像分割的不确定性。与此同时,影像中几何噪声更加明显,极易造成误分割。这些特点将导致传统影像分割方法无法实现高分辨率遥感影像的有效分割。为此,本文提出在影像域几何划分基础上的区域化模糊聚类遥感影像分割方法。该方法摒弃传统以像素为基本操作单元的方式,代之以Voronoi多边形为基本操作单元,在模糊聚类框架下实现区域化影像建模,进而定义区域化模糊聚类目标函数,以解决高分辨率遥感影像分割问题。论文的内容如下。     

高分辨率遥感影像超像素的模糊聚类分割法

传统模糊C均值聚类在影像分割中只考虑影像的灰度特征,导致该算法用于高空间分辨率遥感影像分割时分割结果不理想。针对该问题,本文提出了一种高分辨率遥感影像超像素的模糊聚类分割方法。该方法首先利用分水岭变换算法产生多个超像素子区域;然后比较各个子区域间光谱特征的相似性;最后利用融合光谱特征的模糊C均值聚类对这些超像素子区域进行合并。试验选用4组不同场景的遥感影像,采用定性和定量相结合的方法评价试验结果。试验结果表明,该方法有效提高了分割区域的分割精度,并取得了较好的分割视觉效果。     

基于改进超像素和标记分水岭的高分辨率遥感影像分割方法

影像分割是高分辨率影像面向对象分析中的关键步骤,对信息提取精度起到至关重要的作用。为提高高分辨率遥感影像面向对象算法分割性能,提出一种改进超像素和标记分水岭的分割方法,包括特征融合、超像素初分割、控制标记符的标记分水岭再分割3个主要步骤。在超像素初分割阶段,利用高分辨率遥感影像纹理特征突出的优势,结合颜色空间、空间位置信息以及相位一致性纹理特征等信息提出一种新的距离测度计算规则,按照符合颗粒形状的圆形邻域进行搜索相似点,对影像进行超像素粗分割,并标记超像素斑块;计算超像素分割后每个斑块的灰度值,超像素分割后的影像重建,利用形态学的扩展技术提取局部极小值控制分割区域的数量,对传统数学形态学分水岭分割算法产生的过分割进行优化改进;对重建的影像进行高斯滤波,然后采用控制标记符分水岭算法对重建后的影像进行再分割,得到多尺度综合分割结果。在实验部分,利用资源三号卫星影像和机载航空影像验证本文提出方法,基于准确率和召回率定量评价分割精度,并将本文方法与其他分割方法的结果进行比较,证明本文提出方法的分割有效性。     

融入超像素分割的高分辨率影像面向对象分类

针对高分辨率遥感影像面向对象分类中容易受分割参数的影响、分类精度不稳定的问题,本文提出了一种融入超像素分割的高分辨率影像面向对象分类方法。该方法通过简单线性迭代聚类（SLIC）算法对原始影像进行聚类生成超像素影像,并在此基础上采用分形网络演化方法（FNEA）进行多尺度分割生成同质性对象,最后利用最邻近分类方法进行地物分类。试验结果表明,该方法不易受多尺度分割参数的影响,分类效果稳定,而且分类精度明显高于传统的面向对象分类方法,对于高分辨率遥感影像的广泛应用具有重要意义。     

一种利用像素邻域信息的模糊聚类图像分割算法

本文提出一种结合空间信息的模糊C均值聚类图像分割算法。该方法是利用每个像素的邻域像素的隶属度来修正FCM算法的隶属度函数,从而引入图像的空间信息,对隶属函数做了改进;依据平方误差和最小准则,从而确定模糊分类矩阵及聚类中心;并依据最大隶属度原则,划分图像像素的类别归属。实验结果表明,该方法能快速有效地分割图像,并且具有较强的抗噪能力。     

高分辨率图像辅助提取高光谱图像端元

现有的端元提取算法大多是基于凸面单形体假设,对于非单一地物类型,利用这些端元进行丰度反演将会影响混合像元分解精度。本文提出一种利用高分辨率图像判断高光谱像元内是否为同一类型地物的方法。首先,利用图像分割程序对高分辨率图像进行分割,得到光谱均一的斑块矢量图,并叠加到高光谱图像上;然后,通过空间关系分析找出斑块内的高光谱像元,称其为准端元;最后,利用端元提取算法在这些准端元中进行端元提取。实验结果表明,该方法将端元提取结果的误差降低了20%左右。     

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...     

像素级和对象级高分辨率遥感图像变化检测分析

高分辨率遥感图像具有丰富的纹理信息,而像素级变化检测方法主要分析图像的光谱信息,导致将像素级变化检测方法用于高分辨率遥感图像具有一定的局限性。因此,本文提出了一种像素级与对象级相结合的高分辨率遥感图像变化检测方法,解决了像素级与对象级变化检测方法中存在的椒盐现象、误检等问题。首先,结合高分辨率遥感图像的多维特征,构建遥感图像变化检测模型;其次,利用随机森林分类器对图像进行分类,得到像素级变化检测结果;最后,将像素级变化检测结果与图像对象分割结果进行融合,得到图像变化区域和不变区域。试验结果表明,该算法具有较高的准确率和检测精度。     

改进的区间二型模糊聚类遥感影像变化检测

遥感影像的复杂模糊性问题会干扰影像变化检测的结果,可引入区间二型模糊C均值聚类算法解决此问题,但算法参数的随机性导致检测结果不稳定。本文首先利用局部最优解优化萤火虫算法中的候选解,引入可变步长因子,以此自适应寻优区间二型模糊C均值聚类算法的模糊因子;然后结合寻优得到的模糊因子进行区间二型模糊C均值聚类,迭代更新隶属区间提取变化信息;最后通过基于复合梯形法则的加权Karnik-mendel算法降型和解模糊优化聚类中心,依据最大隶属度原则判断变化类型。通过试验验证,本文方法得到更优模糊因子和更精确的聚类中心,具有更好的稳健性,变化检测精度得到提高,检测得到的变化区域更加精细。     

高阶模糊地理现象建模和度量研究

模糊地理现象的建模和度量方法已经取得了一些进展,但是现有的模型不能度量隶属度的误差,不足以客观描述复杂的模糊地理现象。认为尺度效应和测量误差是客观上引起模糊地理现象隶属度误差的主要方面,相关人员的主观性和部门间标准的差异性是主观上引起隶属度误差的主要方面.基于区间II-型模糊集理论建立了模糊地理对象模型,研究了区间II-型模糊线长度、区间II-型模糊面面积的度量方法和它们隶属度误差的度量方法。该模型能表达隶属度误差,克服了现有模型的诸多缺陷。在自然灾害分析、全球变化和植被变化等方面有良好的应用前景。     

八方向模糊不均匀划分及参考点位误差所致不确定性分析

方向概念的模糊性和空间数据固有的不确定性导致了方向关系的复杂性,在空间关系描述和推理研究中需要考虑空间数据的不确定性和方向概念的模糊性。在四方向模型中各方向片是等角划分;在八方向模型中4个主要方向片各占60°,4个次要方向片各占30°。利用区间二型模糊集理论建立了顾及参考点点位误差的八方向模糊不均匀划分模型,基于区间二型模糊集讨论了方向主隶属度成员函数和隶属度的不确定性。对比分析了八方向模糊不均匀划分模型与锥形模型的区别,讨论了具有点位误差的参考点与线和多边形的方向关系计算过程,通过两个实例分析了该模型的特点和点与多边形方向关系的确定方法。     

高分辨率光学遥感卫星反射点源像点提取方法

像点提取精度是高分辨光学遥感卫星几何定标精度的关键因素之一。本文提出一种基于轻小型、自动化反射点源的像点提取方法,以参数化高斯模型拟合获取点源影像的像点坐标。在轨试验结果初步表明,反射点源法所提取的像点坐标的共线误差小于0.001像素,比例常量的相对标准偏差优于5‰,与质心法等常用方法提取的点源像点坐标相比较,精度优于0.05像素。反射点源不仅能够实现高精度的像点提取,而且还能够实现高分辨率光学遥感卫星的高精度几何定标与像质评价,对提高我国航天遥感立体测绘精度具有重要意义。     

A fuzzy topology-based maximum likelihood classification

Classification is one of the most widely used remote sensing analysis techniques, with the maximum likelihood classification (MLC) method being a major tool for classifying pixels from an image. Fuzzy topology, in which the set concept is generalized from two values, {0, 1}, to the values of a continuous interval, [0, 1], is a generalization of ordinary topology and is used to solve many GIS problems, such as spatial information management and analysis. Fuzzy topology is induced by traditional thresholding and as such gives a decomposition of MLC classes.Presented in this paper is an image classification modification, by which induced threshold fuzzy topology is integrated into the MLC method (FTMLC). Hence, by using the induced threshold fuzzy topology, each image class in spectral space can be decomposed into three parts: an interior, a boundary and an exterior. The connection theory in induced fuzzy topology enables the boundary to be combined with the interior. That is, a new classification method is derived by integrating the induced fuzzy topology and the MLC method. As a result, fuzzy boundary pixels, which contain many misclassified and over-classified pixels, are able to be re-classified, providing improved classification accuracy. This classification is a significantly improved pixel classification method, and hence provides improved classification accuracy.