基于支持向量机的遥感图像建筑物识别与分类方法研究

摘 要:高分辨率遥感影像可以更精细地描述地物目标的几何特征、空间特征和纹理特征等信息,在各个领域中都得到广泛的应用。建筑物作为地物信息分类中的主要部分,是地形图成图的主要组成元素,对建筑物的识别与提取,直接影响到地物测绘的自动化水平,对它的识别和定位可以为特征提取、特征匹配、图像理解、制图和作为其他目标的参照体有重要的意义。针对建筑物的遥感影像特征,研究了支持向量机分类器(SVM)在建筑物识别与分类中的应用,提出了一种交叉验证的方法对参数敏感度进行分析,通过使用GridSearch算法确定模型参数设置的最优方案,并对分类结果中建筑物进行轮廓提取。通过实验表明,优化后的SVM算法对建筑物的分类精度达到90％,对比随机森林算法、最近邻分类器优势非常明显。      

基于RCNN的无人机巡检图像电力小部件识别研究

随着无人机（UAV)在电力巡线作业中的应用推广,对无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机（SVM）、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识别,难以充分利用无人机巡检图像的信息,并且难以达到较高的准确率。卷积神经网络（CNN）在目标识别中表现优异,在很多目标识别场景之中成为首选算法。基于区域的卷积神经网络（RCNN）通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标,但是计算复杂,难以满足识别海量电力巡检图片的需求。Fast R-CNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并在无人机电力线巡检图像部件检测中使用,然后分别对DPM、SPPnet和Faster R-CNN识别方法进行了对比分析,利用实际采集的电力小部件巡检数据构建的数据集对3种方法进行测试验证,并讨论了不同参数对识别结果的影响。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。     

遥感土地覆被分类的空间尺度响应研究

不同空间分辨率遥感影像对区域土地覆被类型识别精度的影响是目前土地资源遥感研究中的热点议题。本文基于准同步的卫星传感器影像,以福建省长汀县河田盆地为研究区,结合野外调查的实验样本,依次采用最大似然法（MLC）、支持向量机（SVM）和人工神经网络（ANN）3种分类器,分析土地覆被分类结果在中高空间尺度序列（1~50 m）下的变化响应特征。结果表明：不同空间尺度下的地物分类结果存在显著差异（P<0.05）,其中总分类精度和Kappa系数均随影像分辨率的降低而先升高后降低,并于4 m分辨率处达到峰值,该结果与各类地物光谱反射率的空间尺度变化特征密切相关;而不同分类器对各空间尺度影像分类结果的影响程度差异较大（P<0.05）,其中SVM的分类精度最优,MLC次之,ANN的结果较差。此外,伴随影像空间分辨率的降低,不同土地覆被类型面积提取结果的变化规律不同,导致同类地物在不同空间尺度下的提取结果出现较大差异,表明在使用多源分辨率遥感数据进行土地监测等相关研究时,其伴随的结果误差不容忽视。     

基于改进SVM分类法的SAR图像水体面积提取研究

在复杂地表环境下的多云多雨地区,基于合成孔径雷达（SAR）图像提取水体时容易受到其它地物如水田、山体阴影等干扰,传统的灰度阈值法和SVM法未能考虑水体与其它地物在纹理和地形上的差异,因此水体提取结果精度较差。研究首先用Refined Lee滤波对SAR图像进行预处理;其后通过DEM建模和坡度计算提取地形特征,通过计算图像灰度共生矩阵以提取纹理特征（包括均匀性、角二阶矩和熵）,并结合SAR图像极化信息以及SDWI指数形成针对水体提取的特征空间,通过融合地形特征和图像纹理特征发展了改进SVM 分类法的水体提取模型。在使用Sentinel-1 SAR数据对所发展模型与SDWI水体指数法、传统SVM法水体提取结果进行比对后发现,改进SVM分类法提取的水体结果较好地剔除了水田和山体阴影,且提取的水体水面比传统的SVM法更加完整;该方法在总体精度、Kappa系数、漏分率和错分率指标上均优于SDWI法和传统的SVM法,总体精度达到98.06%,比SDWI法和传统的SVM法分别提高了23.24%和5.49%,有效提高了复杂环境下地表水体的提取精度。研究最后将所发展模型应用于2018年马哈韦利河流域逐月水体提取与变化分析,有效解决了山体阴影和水田误分问题。本文提出的改进SVM法可以实现复杂地表环境下大范围水体信息准确、完整提取。     

基于分类器串联融合的生物医学命名实体识别

鉴于生物医学命名实体识别的多数模型使用单机器学习算法时识别效果不好,提出一种基于条件随机域(CRFs)与最大熵(Maxent)分类器融合的方法,利用基分类器之间的相关性和互补性,结合有效的特征集合,进行再学习,得到融合模型.实验表明,该模型的识别性能与单一分类器和JNLPBA专题会议相关的系统比较,取得很好成绩,F测度...     

应用开发中的中文乱码原因及其解决方案

针对Web应用开发中中文乱码的问题,通过介绍各种字符编码标准,知道每种字符编码标准使用不同的字节数来表示一个字符。使用不同的字符编码标准,相同的字符在计算机内存中存储的编码是不同的,如果中文字符的编码和解码使用不同的字符编码标准,就会出现解码时根据计算机中存储的编码无法找到对应的字符的问题。分析得出Web应用开发过程中产生中文乱码的最主要原因是在开发的各个环节或阶段中使用的字符编码标准不一致或者前后不兼容,从而使字符在被调用和显示过程中不能被下一阶段正确的识别,所以出现了中文乱码。     

雅鲁藏布江中部流域土地沙化遥感识别

雅鲁藏布江中部流域长期遭受土地沙化侵蚀,采取有效手段进行沙化土地信息快速识别,跟踪土地沙化现状和动态发展,是土地沙化防治的基本前提。遥感数据因其快速、大范围、高精度监测等特点已被广泛应用于土地沙化监测。为降低该区域沙化土地破碎化分布特征以及广泛分布的稀疏植被地表对沙化土地遥感识别带来的不确定性,本文利用Google Earth Engine平台获取2019年秋季雅鲁藏布江中部流域Landsat无云遥感影像,基于面向对象的分类思想,充分提取沙化土地的光谱、几何和地形特征,根据不同的分类器构建4种分类方案,包括单一分类器（支持向量机、决策树、最近邻）分类以及组合分类法分类,提取雅江中游河谷地区沙化土地信息并验证不同方案的提取精度。结果表明：① 利用面向对象组合分类模型提取的沙化土地信息效果最佳,总体精度高达91.38 %,Kappa系数为0.82;② 相较于采用单一分类器（支持向量机、最近邻和决策树分类）的面向对象分类方法,组合分类模型能更有效地识别破碎化的小面积沙化土地,降低沙化土地与稀疏植被地表的混淆情况,提高分类可靠性;③ 基于面向对象组合分类模型反演得到雅鲁藏布江中部流域2019年沙化土地分布信息,土地沙化面积达299.61 km²,总体上呈现沿河谷的带状不连续分布,且集中分布于河流北岸以及靠近河道的阳坡、低海拔地区。本研究可为土地沙化遥感监测提供新思路,其应用可服务于雅鲁藏布江中部流域土地沙化预防和治理工作。     

基于改进主动轮廓模型的无人机影像矿区地裂缝提取

矿区地裂缝精准识别对防灾、减灾和生态环境修复具有重要意义。针对高分辨率无人机影像较难自动精确提取地裂缝的问题,本文提出了一种基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法。首先,采用Otsu算法计算背景和地裂缝初值作为先验知识;其次,构建背景和地裂缝初值的提取能量函数,并引入到传统CV主动轮廓模型,增强地裂缝提取的针对性;最后,通过轮廓的不断演化实现地裂缝的提取。以内蒙古扎赉诺尔矿区为研究区、无人机影像为数据源,采用改进主动轮廓模型方法进行地裂缝提取,并与传统的Canny边缘检测算法、支持向量机（SVM）、最大似然（MLM）和传统CV主动轮廓模型方法进行对比分析。结果表明：在地物类型较为单一的小范围区域,传统的Canny边缘检测算法和传统CV主动轮廓模型提取效果较差,改进主动轮廓模型、SVM和MLM共3种方法均可以取得较好的效果,其中,改进主动轮廓模型方法精度最高;在地物类型相对复杂的大范围区域,传统的Canny边缘检测算法、SVM、MLM和传统CV主动轮廓模型方法存在较多的漏提和误提,Kappa系数均低于0.7,而本文改进主动轮廓方法依然可以取得较好的效果,Kappa系数达到0.9左右。因此,本文提出的方法通过引入先验知识可有效提高地裂缝提取的精度和稳定性。     

一种基于差分投影的汽车牌照自动识别方法

针对汽车牌照的特点,利用差分投影法对汽车图像进行处理,确定出牌照的准确位置并将其整体切割下来;然后利用差分投影法对牌照进行切分,切分出待识别的车牌字符;再利用模板匹配的方法对切分出的车牌字符进行识别.实践证明该方法对汽车牌照的自动识别非常有效.     

基于面向对象与深度学习的榆树疏林识别方法研究

榆树疏林是浑善达克沙地中一种特殊的植被类型,它对于维持区域生态系统稳定具有重要意义,在防风固沙、涵养水源、调节气候等方面发挥着重要的作用。本文利用无人机影像与GF-2影像,对高分辨率数据源中榆树疏林的两种自动识别方法进行了研究。在面向对象方法中,首先通过计算影像对象的局部方差变化率得到了最佳分割尺度;其次采用随机森林算法对初选特征的重要性进行排序,并删除无关特征;最后分别对支持向量机（SVM）、随机森林（RF）、深度神经网络（DNN）3种分类器进行参数寻优与榆树疏林提取。此外,在ENVI5.5中基于TensorFlow框架,利用U-Net构建深度学习模型对榆树疏林进行了提取,并与面向对象方法进行对比。结果显示：① 通过面向对象方法过程的优化,最终的识别精度较以往研究有所提升,GF-2影像中SVM总体精度为90.14%,RF总体精度为 90.57%,DNN总体精度为91.14%;无人机影像中SVM总体精度为97.70%, RF与DNN总体精度为97.42%。② 深度学习方法中,GF-2影像的总体精度为91.00%,无人机影像的总体精度达到了98.43%。研究结果说明在榆树疏林提取中,无人机影像具有更高的空间分辨率,更丰富的纹理、形状等信息,能达到比GF-2影像更高的精度。面向对象方法对于2种影像都有较高的适用性;深度学习的方法在本文中更适用于无人机影像,它可以有效地减少无人机影像中的错分现象。     

基于Gabor变换的嵌入式气表自动识别系统

介绍一种基于嵌入式操作系统WinCE开发的天然气表字符自动识别系统。系统运用区域增长法和最大类间方差法对图像进行字符区域定位及字符分割,提出了将Gabor特征用于气表字符识别并讨论了Gabor滤波器参数优化设置方法。实验表明系统具有良好的识别效果及实时性。     

基于Gabor滤波方法的居民地识别分析

图像纹理对于高分辨率遥感图像的信息提取与目标识别具有重要意义。针对"北京一号"小卫星全色遥感图像非城市区域居民地块往往呈现出比较明显的方向性纹理的特点,扩充改进Gabor滤波方法进行提取。方法主要利用Gabor滤波器的多尺度、多方向滤波的性质,提取多尺度纹理特征集,并进行特征;而后利用多特征聚类实现图像的初步分割。由于分割是对特征进行聚类完成的,其结果可能存在一个居民地块由若干个相互间存在间隔的子区域组成、存在无用小斑块、居民地内部存在大量小孔洞等缺陷。针对上述不足,利用形态学尺度空间融合方法,对居民地块通过结构元素不断增大的闭运算进行迭代融合,并选择一个具备"最长生存期限"的类别个数作为最佳类数,选择首次出现该类别数的分割结果作为最后的识别结果。对延庆地区的小卫星影像进行了居民地提取,并与共生矩阵纹理分析方法进行了实验对比。结果表明方法是有效的,并在提取精度上具有优势。     

基于数学形态学的高空间分辨率遥感影像几何特征提取

本文结合高空间分辨率遥感影像的特点,利用数学形态学方法,选取具有不同尺度和包含全部方向的结构元素,设计了全方位结构元素多级加权滤波去噪算法和多尺度全方位形态学边缘检测算法,用于高空间分辨率遥感影像的处理;并通过图像边界追踪生成栅格数据对象和矢量数据对象,据此建立了高空间分辨率遥感影像的几何特征提取模型。结果表明:全方位结构元素多级加权滤波去噪算法很好地抑制了图像中的噪声,并保留了图像细节;多尺度全方位形态学边缘检测算法很好地解决了噪声抑制和精细边缘提取的矛盾,检测出的图像边缘比基本的边缘检测算子清晰,而且抗噪性能强。提取的几何特征信息可以结合遥感图像的光谱、纹理、统计等特征用于遥感图像地物识别与分类,也可以在GIS、摄影测量、计算机视觉等领域和气象、农林、地理、海洋、水利、国土资源和环保等行业使用。     

使用支持向量机识别地震类型的影响因素分析

对山东地区2006~2017年3种地震事件--天然地震、爆破及塌陷的波形记录进行小波变换,对提取出的香农熵特征采用支持向量机LIBSVM方法进行分类识别,并设计一系列实验研究影响最终分类效果的因素。结果表明,5种影响因素--信号窗长度、小波分解方式、小波基类型、向量机算法类型、向量机核函数类型均对地震类型的分类识别结果产生一定的影响;识别率最高的3组处理方式均采用了2 000 s信号窗长度+db7小波基+υ-SVC算法的组合方式。所得的识别率较高的几种影响因素组合,在未来可应用于地震类型的实时识别,进一步提高地震类型的识别率和触发准确率。     

多类支持向量机在语音识别中的应用

针对语音模式识别,引入多类（M-ary）支持向量机来进行分类。并详细的介绍了M-ary支持向量机的概念以及语音识别系统中的实现方式。通过仿真实验,与BP神经网络、SVM进行比较,验证了M-ary支持向量机具有识别率高,抗噪能力强等优越性。     

支持向量分类机LIBSVM方法识别天然地震、爆破与塌陷

对天然地震、爆破及塌陷的波形数据进行小波变换，并用小波转换系数提取香农熵特征，采用支持向量分类机LIBSVM多类模式识别方法对香农熵特征进行分类识别，识别率在80%~95%之间。结果表明，采用LIBSVM对波形特征进行分类的方法可以较好地识别天然地震、爆破与塌陷。     

多色彩高空间分辨率遥感影像矢量边缘信息提取算法与应用

相对单波段灰度影像而言,多波段高空间分辨率遥感影像中可用于边缘检测的光谱信息更加丰富。鉴于Canny算子在灰度图像边缘检测中的优越性能,本文利用输出融合策略对其适用于高空间分辨率遥感影像矢量边缘检测作了改进。基于可视化开发平台VC++.NET,编程实现了福州市航拍的高空间分辨率遥感影像红绿蓝三个标准波段在RGB、IHS、Y IQ、YUV、C IELUV色彩空间中对各种地物矢量边缘信息的有效提取。对高空间分辨率遥感影像矢量边缘各分量的分析认为,由于波谱范围差异的影响,在上述色彩空间中不同地物类型边缘检测时响应程度具有显著的不同。本文研究结果表明,该算法参数设置和色彩空间选择对高空间分辨率遥感影像矢量边缘信息提取有较大的影响。     

结合Gabor小波和形态学的高分辨率图像树冠提取方法

树冠信息的遥感提取能有效辅助森林参数反演、林分长势监测、树种识别等森林调查活动。随着遥感信息自动化提取的需求不断加强,本文基于高空间分辨率遥感数据,以滁州市皇甫山林场为研究区域,设计了一种结合Gabor小波和形态学的树冠提取方法。该方法首先采用Gabor小波提取出纹理特征,其次结合K-means聚类分析方法,对PCA降维后的纹理特征向量提取出阔叶林区,最后基于形态学理论降低影像噪声,并利用前景后景标记的分水岭方法进行单木树冠提取。经过与人工解译的树冠信息结果对比发现,在郁闭度较高的阔叶林区,该自动化方法提取树冠精度较高,分割准确率A_d为79.59%,F测度达到了79.00%能有效提供精确的单木树冠信息,为林业经济调查技术的发展具有一定的实践意义。     

球面线要素的多分辨率实时简化方法

在分析球面3维数据可视化特点的基础上,提出了视点相关的球面矢量数据LOD简化方法,基本原理是:以视点为基础在屏幕空间获取投影误差,反投影到模型空间得到动态简化阈值,并结合Douglas-Peucker算法,对矢量数据进行多分辨率实时简化表达.最后,开发实验系统并对相关方法进行了验证.结果表明:在不影响球面图形可视化效果下,数据量减少了约4～5倍,有效地提高了图形渲染速度和效率.     

特征优选与卷积神经网络在农作物精细分类中的应用研究

农作物的精细分类一直是农业遥感领域的热点,对农作物估产和种植结构监管有重要意义。深度学习的出现为农作物分类准确性的提升提供了新的思路。本文提出一种特征优选与卷积神经网络（Convolutional Neural Networks, CNN）相结合的多光谱遥感农作物分类方法,用以解决精细分类问题。实验以哨兵2号遥感影像为数据源,基于多光谱遥感影像的波段反射率与包括归一化植被指数在内的10种植被指数,利用Relief F算法进行特征增强与优选,获取最优特征集,从而设计出基于特征优选的CNN分类方法,并对河南省原阳县主要农作物水稻、玉米、花生进行分类识别与制图,分类精度达到96.39%。同时,选用支持向量机、CNN方法分别对研究区农作物进行分类识别。对比分析3种方法的分类结果,发现本文提出的基于最优特征集的CNN农作物分类方法表现最优,CNN方法次之,支持向量机方法表现最差。实验结果表明：① 利用Relief F算法能够对特征贡献度进行排序,完成特征筛选,得到包含24个特征的最优特征子集,训练精度达到99.89%;② 基于最优特征集的CNN方法能够在最大程度上提取高精度差异性特征,实现对农作物的精细分类,且相比CNN和支持向量机的农作物分类方法,本文方法表现更佳。