一种多特征融合的面向对象多源遥感影像变化检测方法

当前,随着遥感影像数据来源越来越丰富,且分辨率越来越高,传统的变化检测方法已经无法满足实际应用的需要。针对这一问题,提出了一种多特征融合的面向对象多源遥感影像变化检测方法。在对象获取和多种特征提取的基础上,利用SVM对高维数据分类的优异特性,将基于SVM的二类分类方法与对象级变化检测有机结合,提高了多源遥感影像变化检测的精度和可靠性。结合人工目视判读,设计了一种面向地物的指标计算方法。实验采用多源多时相的遥感影像进行,并对不同地物变化检测的精度进行统计,验证了提出方法的有效性。     

基于蚁群规则挖掘算法的多特征遥感数据分类

蚁群算法作为一种新型的智能优化算法,已经成功应用在许多领域,然而应用蚁群优化算法进行遥感数据处理则是一个新的研究热点。蚁群规则挖掘算法是基于分类规则挖掘进行分类,能够处理多特征的数据。因此,论文将蚁群规则挖掘算法应用到多特征遥感数据分类处理中,并采用北京地区的Landsat TM和 Envisat ASAR数据作为实验数据,对选择的遥感数据进行了多特征分类实验。实验结果分别与最大似然分类法、C4.5方法进行对比,分析表明:1)蚁群规则挖掘算法是一种无参数分类的智能方法,具有很好的鲁棒性,2)能够挖掘较简单的分类规则;3)能够充分利用多源遥感数据等。它可以充分利用多特征数据进行土地覆盖分类,从而能够提高分类的效率。     

多特征融合的高分辨率影像建筑物变化检测

为充分发挥遥感影像中各特征的优势，提高遥感影像建筑物变化检测精度，基于面向对象的分析方法，提出了一种基于模糊集合的证据理论特征信息融合的变化检测方法。首先，在影像分割的基础上，利用变化矢量分析法分别计算前后时相对应对象的光谱、纹理特征差异及形态学建筑物指数差异；然后，以Sigmoid函数作为隶属度函数，计算对象属于变化类和非变化类的隶属度并以之构建证据理论所需的基本概率分配函数；最后，利用证据理论对多种特征进行融合并通过规则判定得到建筑物变化区域。利用不同地区影像的试验结果表明，该方法能够有效融合影像的多种特征，提高建筑物变化检测的精度。     

基于遥感多特征组合的冰川及其相关地表类型信息提取

冰川作为青藏高原的一种典型的地表覆盖类型,在高寒地区广泛分布,往往因为地形复杂,无法实地测绘。本文利用高分辨率遥感影像和高精度的DEM,在分析各种冰川类别的光谱、形状、空间关系、地形和气候等环境分布特征的基础上,综合和发展了现有的特征描述算法,建立了描述各种冰川类别特征的组合提取模型,运用面向对象的自动提取方法,对西部测图区青藏高原试验区进行了冰雪影像自动识别试验。试验结果表明,该方法是可行的,它对难以实地测量的冰雪信息引进了遥感自动提取方法,为研究冰川消融和气候变化拓展了研究思路。     

高光谱-LiDAR多级融合城区地表覆盖分类

城市地区地表覆盖分类在城市研究中是一个十分重要的方向。遥感作为获取地物物理属性的一种重要技术手段,已初步应用于分类研究中。然而,随着城镇化的不断推进,城市内部地物类型越来越复杂,单一的遥感影像已无法满足城区地表覆盖分类中高精度的要求。高光谱影像和LiDAR数据能够分别表征地物的光谱信息及高程而被广泛应用。因此,根据两者之间互补的优势,本文提出了基于高光谱影像和LiDAR数据多级融合的城区地表覆盖分类方法。首先对两幅影像分别进行特征提取,将提取到的光谱、空间及高程信息进行层叠实现特征级融合。对得到的特征影像的所有像素点进行分类,然后利用LiDAR点云数据提取的建筑物掩膜,对非建筑物部分进行分类,再次实现特征级融合,以此改善建筑物区域与非建筑物区域的混淆。然后将未使用掩膜得到的分类结果与利用掩膜得到的分类结果进行投票实现决策级融合。最后利用条件随机场模型对分类结果进行后处理操作,达到平滑图像去除噪声点的目的。     

多特征融合的高分辨率遥感影像飞机目标变化检测

为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。     

基于多特征的人工海岸线提取方法

在中高分辨率的遥感影像中,海岸地物呈现出更多的细节,尤其是受人类影响程度较大的人工海岸。文中针对较为复杂的人工海岸遥感影像,进行基于多特征的海岸线提取方法研究。实验选用SPOT影像作为实验影像,分析实验区海岸带SPOT影像的光谱特征、形状特征和空间关系特征,使用多种特征来提取海岸线,实验结果表明,方法能对海岸带地物进行正确分类并实现海岸线的自动提取。     

遥感影像云及云影多特征协同检测方法

遥感影像中云及云影不同程度地影响着地物信息的有效获取。随着多源遥感数据的日益丰富,交叉应用多源、多时相遥感影像复原云及云影区的影像,以有效地获取地类演变过程是遥感大数据应用研究的重要内容。高精度的云及云影检测是遥感影像云及云影区修复的前提和保障。复杂多变的光谱特征以及难以有效表达的空间形态特征,使云及云影一直存在检测过程复杂、适用性差和精度不高的问题,难以形成稳定有效的检测方法。在对厚云、薄云、冰雪及其他地类多光谱特性分析的基础上,本文提出了一种云及云影的多特征协同检测方法。首先,对冰雪、云及其他地物类型可分性较好的红、短波红外、热红外波段,利用SAM方法匹配云光谱特征曲线,并进一步结合短波红外波段像元绝对值区分云与冰雪,以及热红外波段像元绝对值区分云及其他地物类型;其次,通过组合云影定向移动模型与近红外波段亮度阈值检测出云影像元。对具备这些光谱波段的Landsat-8进行实验,结果表明多光谱曲线、“诊断性”波段及空间关系多特征耦合能有效地检测出影像中的薄云、厚云及云影,整体精度优于95%。     

基于多特征匹配跟踪的深海发光浮游生物自动计数方法

生物发光现象在海洋中广泛存在,基于微光成像技术对深海发光浮游生物的发光现象进行视觉捕获是一种先进的原位观测手段,但目前缺乏有效的方法对获取的生物发光影像资料进行自动分析。针对此问题,本文提出一种基于多特征匹配跟踪的发光浮游生物自动计数方法,基于同一目标在连续帧间的运动具有连续性的思想,首先采用帧间质心差小于一定阈值的原则进行初始粗匹配,然后针对目标过近造成的误匹配问题再进一步进行运动方向的匹配,提高帧间匹配精度,从而准确计数。采用所提出的方法对深海发光浮游生物的真实视频数据进行了自动分析,实验结果证明该计数方法具有较好的准确率,对生物发光区域的尺度变化、发光目标间距过近等情况具有较好的鲁棒性,能达到较好的计数效果。     

结合显著图和深度学习的遥感影像飞机目标识别

为准确快速识别高分辨率遥感影像中的飞机目标，提出了一种结合显著图和深度置信网络（DBN）的飞机目标识别算法。本文首先使用HC （直方图对比度）算法提取遥感影像中的显著目标；然后通过定位连通区域确定候选目标的位置；随后提取候选目标的颜色矩、Hu不变矩、灰度共生矩阵、Tamura纹理特征和边缘方向直方图；最后将归一化后的多特征融合数据应用到深度置信网络进行目标识别。试验结果表明，本文算法的检测率为98.46%，虚警率为5.20%。算法从多种底层图像特征出发，有效克服了单一特征描述能力不足的问题，提高了飞机目标识别能力及抗干扰能力。