基于纹理特征融合与核模糊聚类的道路提取

根据高分辨率遥感影像中道路方向上的纹理一致性,提出了一种基于纹理特征融合与核模糊C均值聚类的高分辨率遥感影像道路提取新算法。该算法改进了角度纹理特征的计算方式,首先与Gabor纹理特征进行融合;再利用结合空间信息的核模糊C均值聚类算法对融合特征进行聚类,从而提取高分辨率遥感影像中的道路。实验结果表明,该算法可较高精度地从高分辨率遥感影像中提取具有一定纹理的道路。     

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。     

基于马尔科夫随机场与模糊C均值的遥感影像分类

模糊C均值聚类是一种经典的非监督聚类模型,成功地应用于遥感影像分类。但是该方法对初始值敏感,容易陷入局部最优解;同时聚类时仅考虑光谱信息,忽略了空间信息。本文提出了一种新的基于马尔科夫随机场的模糊C均值聚类方法,该方法把马尔科夫随机场和模糊C均值结合在一起。初始值依据第一主成分的密度函数确定,这样克服了对初始值的依赖性,又在聚类的时候考虑了空间信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊C均值模型。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

利用分维向量改进神经网络在遥感模式识别中的分类精度

本文介绍了基于ＢＰ神经网络的遥感模式识别方法的特点，同时引入分形维数的概念及其在图像中的计算和应用，并将分维作为反映各类别数据纹理特征的附加波段分量，加到网络的输入层，明显地提高了分类精度。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

一种模糊聚类的遥感影像分析方法研究

针对传统模糊聚类的遥感影像分析方法的不足,重点研究基于模糊ISODATA聚类的遥感影像分析。通过Matlab软件编程实现基于迭代自组织数据分析技术、模糊C均值聚类、模糊ISODATA算法对合成图像、纹理图像及真实遥感影像的分类,并对其分类结果进行讨论。通过实验数据对比,评价FISODATA算法的优越性。实验结果表明:ISODATA算法及FISODATA算法都能够实现变类,而FCM算法只能在固定聚类数下进行分类,但是,ISODATA算法分类机制不稳定,不能每次都确定正确聚类数。在迭代过程中,将FISODATA算法引入模糊集理论,便能够快速准确的实现聚类数的确定。     

自适应蚁群和模糊聚类的SAR图像分割

针对传统蚁群算法及模糊C-均值聚类算法在合成孔径雷达遥感图像分割中精度低下和收敛速度较慢的问题,该文提出了一种改进的自适应阈值的蚁群及模糊C-均值聚类算法,实现对复杂合成孔径雷达图像进行分割。针对不同的合成孔径雷达图像,首先利用最大类间方差法获取最优阈值,通过最优阈值干预避免蚁群算法陷入局部最优解;再将自适应阈值蚁群算法得到的聚类中心和聚类类别数输入模糊C-均值聚类算法中,最终实现图像分割。实验结果证明,该算法在时间和误分率上较传统方法有显著的改进。     

自适应差分进化的遥感影像自动模糊聚类方法

遥感影像模糊聚类方法可以在无需样本分布信息的情况下获取比硬聚类方法更高的分类精度,但其仍依赖先验知识来确定影像地物的类别数。本文提出了一种基于自适应差分进化的遥感影像自动模糊聚类方法,该方法利用差分进化搜索速度快、计算简单、稳定性高的优点,以Xie-Beni指数为优化的适应度函数,在无需先验类别信息的情况下自动判定图像的类别数,并结合局部搜索算子对遥感影像进行最优化聚类。通过模拟影像以及两幅真实遥感图像的分类实验表明,本文方法不仅可以正确地自动获取地物类别数,而且能够获得比K均值、ISODATA以及模糊K均值方法更高的分类精度。     

EMD与分形相结合的遥感影像水体信息提取方法

提出一种基于经验模态分解(empirical mode decomposition,EMD)和分形理论相结合的遥感影像水体信息提取方法,该方法尝试结合影像的光谱特征和纹理特征以提高分类提取精度。对影像进行主成分分析得到有效信息量最大的第一主分量,计算每个像元的分维数得到分维图,同时将第一主分量EMD分解得到有效信息量较大的前3个经验模态函数,再结合原有的波段信息作为研究数据,利用极大似然法分类器提取水体信息。该方法充分结合了EMD在降噪和区分相似光谱特征中的优势和分形理论在纹理信息提取中的优势。研究表明,该方法可有效提高水体信息的提取精度,Kappa最高到0.932 5。     

基于eCognition的遥感图像面向对象分类方法研究

随着高分辨率遥感图像越来越普及,传统的面向像元的图像分类方法不能满足对高分辨率遥感图像区域分类的需求,高分辨率遥感图像对图像处理的软件与硬件都有了更高的要求,因此,出现了相较于面向像元有着更高精度更为合理的面向对象分类方法,也更加适用于高分辨率遥感影像。本文通过采用面向对象分类的基本方法,运用eCognition软件,以山东省胶州市地区遥感影像为例,进行多尺度分割和面向对象分类。并用ENVI做监督分类,基于目视解译精度评定,对不同方法作出分析评价。结果表明:面向对象分类方法精度更高,更具有可靠性。     

基于BP人工神经网络的遥感影像分类

重点讨论了遥感图像分类处理过程中应用效果显著的BP神经网络方法,并在Matlab软件平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与ERDAS软件平台下的监督分类结果进行分类精度评定比较分析。结果表明,基于BP神经网络的遥感图像分类总精度比ERDAS软件平台下的监督分类的总精度高,是一种有效的遥感影像分类方法。     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法，它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像，基于GoogleNet模型中的Inception V3网络结构，借助迁移学习方法，构建出遥感分类模型，实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取，并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%，Kappa系数为0.834 2，明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0，而且有效抑制了地物在分类过程中出现的像元混分现象。     

基于K-L变换的BP神经网络遥感图像分类

为了提高多光谱遥感图像的分类正确,提出了一种基于主成分分析(K-L变换)的分类方法。该方法先应用K-L变换对多波段遥感图像进行降维,提取最主要的三个成分合成假彩色图,然后利用BP神经网络对假彩色图进行监督分类。由于主成分之间是不相关的,增强了图象信息,降低了神经网络的计算量,提高了分类精度。实验结果证明,该算法分类精度优于传统分类方法,总正确率为88.5%,Kappa系数为0.862,因而具有实用价值。     

基于ERDAS的遥感影像分类方法研究

为了提高遥感影像分类精度,对传统的非监督分类、监督分类和专家分类进行机理分析,提出将影像中的纹理信息作为专家知识改进分类精度的技术方案。以胶州市QuickBird遥感影像作为试验数据,基于ERDAS IMAG-INE 8.6软件平台,对非监督分类、监督分类和专家分类进行实验数据比较分析,实验数据表明改进的专家分类方法分类精度最高,由于纹理信息参与专家分类,可较好地解决“同谱异物”和“同物异谱”对分类的干扰,优化分类后的影像,提高信息提取的准确度。     

浅谈基于ERDAS IMAGINE软件的几何精纠正方法

随着遥感技术日新月异的发展,遥感技术在各个领域的应用越来越广泛。目前市场上遥感软件的种类很多,比较具有代表性的软件为美国ERDAS公司开发的遥感图像处理系统。遥感图像的几何精纠正是遥感图像分类、专题制图的基础,也是遥感应用研究的基础。该文基于ERDAS IMAGINE软件浅谈遥感影像的几何精纠正方法。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

浅谈基于ERDAS IMAGINE软件的几何精纠正方法

随着遥感技术日新月异的发展,它在各个领域的应用已经越来越广泛。目前市场上遥感软件的种类很多,比较具有代表性的软件为美国ERDAS公司开发的遥感图像处理系统。遥感图像的几何精纠正是遥感图像分类、专题制图的基础,也是遥感应用研究的基础。本文正是基于ERDAS IMAGINE软件浅谈遥感影像的几何精纠正方法。     

轨迹延续性与影像特征相似性结合的城市道路提取

城市道路区域检测是城市土地管理、交通规划等领域的迫切需求,而传统城市道路区域检测多使用轨迹提取、遥感解译、人工采集等单独方式,在自动化程度或提取质量上存在一定的局限性。本文结合GNSS轨迹点与高分遥感影像各自的数据优势,提出一种基于轨迹延续性与影像特征相似性的遥感影像道路区域检测方法。该方法以出租车GNSS轨迹点构建轨迹特征栅格,基于轨迹延续性在平均方向特征栅格中划分路段对象,利用道路对象的光谱特征向轨迹无法覆盖的小区内部进行拓展,以获得提取区域内较为完整的道路信息。试验证明：本文方法可以有效降低道路的同物异谱现象及阴影、树木遮挡的影响,高效地提取高分遥感影像中的道路区域。与传统的遥感影像分类方法相比,具有更高的精度与自动化程度,相较于深度学习模型具有更广的适应性。