特征级高分辨率遥感图像快速自动配准

随着遥感图像分辨率的日益提高,遥感图像的尺寸和数据量也不断地增大,同时随着遥感应用的发展,对图像配准的性能也提出越来越高的要求,基于此,提出一种特征级高分辨率遥感图像快速自动配准方法。首先,对图像进行Haar小波变换,基于小波变换后的近似图像进行配准以提高配准速度;其次,根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子,SAR图像使用Ratio Of Averages算子),并将线特征转化为点特征;然后,依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对;最后,利用改进的随机抽样一致性算法滤除错误匹配点对,并结合分块思想均匀选取匹配点对计算仿射变换参数,进一步提高配准精度。为了验证本文方法的有效性,选择高分辨率World View-2图像、Pleiades图像和Terra SAR图像进行了实验,并与典型的SIFT算法、SURF算法进行比较分析,采用匹配率、匹配效率、均方根误差和时间消耗4个定量评价指标来客观评价算法的配准性能。实验结果表明,本文方法具有较好的有效性,且在不同的情况下具有较高的配准精度。本文提出的特征级高分辨率遥感图像快速自动配准方法,多组高分辨率遥感图像数据的配准实验结果表明该方法能快速实现并具有较高的配准精度和较好的鲁棒性。     

浅水湖泊水生植被遥感监测研究进展

在浅水湖泊中,水生植物具有净化水质、抑制藻类、提供鱼类食物和栖息环境等生态功能,同时,其过度扩张也会加速湖泊淤浅和沼泽化、引起湖泊二次污染等环境负效应.实时动态地掌握湖泊水生植被类群和种群的空间分布及其面积、生物量等指标信息,对湖泊生态修复和评估、水生植被恢复和管理等具有重要现实意义.遥感技术的大面积、实时、动态等特点...     

基于贝叶斯网络分类的遥感影像变化检测

遥感成像过程中,地面、大气等诸多要素的不确定性和波段之间的相关性等原因影响了分类精度,导致变化检测的不准确性。为了提高分类精度往往需要引入先验知识。贝叶斯网络是一种新的数据表达和推理模型,对数据没有严格的正态分布前提要求,通过动态地调整先验概率密度,能有效提高分类精度。以北京通州地区1996-05-29和2001-05-19两个时相的陆地卫星Landsat TM遥感影像为例,介绍了基于贝叶斯网络的分类算法,并在此基础上实现了两个时相遥感影像的变化检测。实验结果表明:基于贝叶斯网络分类算法的后分类比较变化检测方法是遥感影像变化检测的一种新的有效方法。     

利用ArcObjects组件技术实现图层的分类符号化

ArcGIS的组件集合ArcObjects（简称AO）是基于COM技术所构建的一系列COM组件集。利用它可以开发出方便实用的GIS软件。本文首先介绍了AO技术,然后详细论述了利用AO组件技术对图层的分类符号化的实现。     

eCognition在土地利用项目中的应用

主要介绍了eCognition对高分辨率卫星影像进行地物分类的技术方法。并以深圳铁岗水库附近地区为例,说明该技术在土地利用分类中应用的可行性和潜力,为高分辨率卫星影像在地物分类中的有效应用提供了新的技术手段。     

泥炭沼泽湿地研究的若干基本问题与研究简史

泥炭沼泽湿地是一种独特的生态系统,因其巨大的碳储量备受关注.关于泥炭沼泽湿地的文献记录可追溯到17世纪末,中国学者对于泥炭沼泽湿地的关注始于20世纪40年代末.随着对泥炭沼泽湿地研究的不断深入,其研究态势和研究范式也随之改变.文章通过对泥炭沼泽研究的专著和文献进行分析,从学科发展的角度出发对沼泽湿地研究历史沿革与态势进行了初步整理,主要概括为三个发展时期:自然资源学导向时期、地学导向时期及生态学导向时期.此外,文章还梳理了泥炭沼泽的定义及界定标准,概述了雨养与矿养泥炭沼泽的区别与演变,分析了泥炭沼泽土壤分类现状,探讨了泥炭沼泽面积估算及其不确定性.发现各国对泥炭沼泽的界定标准由于资源禀赋不同而差异较大,由矿养泥炭向雨养泥炭演替模式正在突破传统的认知;泥炭地土壤分类趋于细化,泥炭土壤分析方法更加专业;现有泥炭沼泽面积的界定过度依赖于土壤有机质含量和泥炭厚度这两个指标.在泥炭沼泽湿地研究进程中,研究范畴更加宽泛,研究方法日新月异,对泥炭地的认知在广度和深度上进一步扩展.     

面向对象的高分辨率遥感影像道路损毁识别研究北大核心CSCD

道路损毁信息在灾后高效救援中发挥着重要作用。本文针对高分辨率遥感影像空间特征丰富、光谱分辨率低的特点,基于面向对象遥感影像分类方法,采用e Cognition软件对芦山震后0.2 m航空遥感影像进行了道路损毁信息的提取试验。试验中结合GIS信息,首先将基于现有的道路矢量线文件生成的道路矢量面文件参与分割,生成单独的道路区域对象以用于进一步处理。分割采用棋盘分割和多尺度分割,根据损毁道路影像特征创建波段比值,使用Assign算法和模糊分类算法提取出道路线、植被、损毁区和未损毁区,并将结果输出为矢量文件。根据损毁区损毁对象的周长、面积与道路宽度的关系,建立判定条件来初步判定损毁类型。最终将损毁粗判定结果与损毁路段的目视解译结果对比分析,检验该方法的准确率及可行性。结果分析表明上述方法能有效地识别出高分辨率遥感影像损毁道路信息。     

玉米大豆生长中后期遥感辨识的指示性特征研究

玉米和大豆是两种主要的粮食作物,及时准确地监测两者的种植面积对于产量预测和市场价格的制定具有重要的意义。利用遥感技术探究在生长季中后期能有效区分玉米和大豆的指示性特征集,为在不同实验区进行推广应用和提前玉米和大豆种植面积信息发布的时间提供技术支撑。文章以玉米和大豆为研究对象,以黑龙江和安徽省两个典型种植区为实验区,以高分一号影像为数据源,计算多种植被指数特征和两种纹理特征,同时利用特征优选方法评价特征间的相对重要性,并结合随机森林分类算法分析特征个数对精度的影响,得到不同试验区区分两者的最佳特征子集。随后根据不同实验区最佳特征子集的共同点和差异,遴选出对玉米和大豆中后期区分的遥感指示性识别特征集,并设计实验方案验证其有效性和稳定性。实验表明：在玉米和大豆生长中后期存在具有高效辨识两者的遥感特征集,能有效和稳定地增强两者的遥感识别能力;在不同实验区,基于特征优选方法可以选择出区分玉米和大豆的最佳分类特征子集,得到两者最优的识别效果,比仅仅使用原始波段特征的分类精度提升了近10个百分点,总体分类精度能够平均达到97%,Kappa系数0.96,玉米和大豆的单类分类精度平均超过95%;在不同的种植区,利用玉米和大豆的指示性特征集可以得到几乎与优选出的最佳特征子集同样的分类精度和制图效果,且具有稳定性和有效性,较最佳特征集更具推广使用意义。指示性特征集包含6种：植被指数中的比值植被指数（RVI）,差值植被指数（DVI）,转换型植被指数（TVI）,改进型叶绿素吸收比率指数（MCARI）和灰度共生矩阵（GLCM）纹理特征中的二阶矩（the Second Moment）和熵（Entropy）。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

利用SVM的全极化、双极化与单极化SAR图像分类性能的比较

支持向量机(SVM)以其在小训练样本时良好的分类性能,目前已广泛应用于多个领域.本文在极化SAR图像特征提取基础上,将SVM应用于极化SAR图像分类,定性和定量地比较了全极化、双极化和单极化SAR图像的分类性能,分析了不同的极化组合对分类结果的影响,并根据地物极化散射特性分析了分类精度差异的成因.实测极化SAR数据的实验结果表明,全极化数据能获得最好的分类性能,双极化次之,单极化最低,且在某些情况下,双极化与全极化分类性能接近.