基于面向对象和规则的遥感影像分类研究

讨论了面向对象和规则的光学遥感影像分类方法。首先利用多尺度分割形成影像对象，建立对象的层次结构，计算对象的光谱特征、几何特征、拓扑特征等，利用对象、特征形成分类规则，并通过不同对象层间信息的传递和合并实现对影像的分类。并以北京城市土地利用分类为例，对该方法进行了验证。     

面向对象的eCognition遥感影像分类识别技术应用

以位于印度尼西亚Kalimantan热带雨林地区的1幅具有3个通道的雷达图像为研究对象,利用面向对象方法对高分辨率遥感影像的水体进行提取,在分割的基础上,经过分层分类,充分利用影像的光谱信息、拓扑信息、形状特征等构建知识库进行分类,实验结果理想,相对传统基于像素的图像分类分析方法结果图斑完整,提高了分类精度。     

基于面向对象的珲春地区高分辨率遥感影像分类研究

以吉林省珲春市春化镇为研究区,以Pleiades、高分一号、资源三号影像为实验数据,利用面向对象信息提取方法实现了对3种遥感影像进行信息提取。利用3D Filter边缘检测算子对多尺度分割进行优化,通过对影像进行多次实验得出地物要素的最优分割参数,并且建立不同地物要素的分割层级。分析实验数据的特点构建了合理的分类层级,选取能区分各个地物要素的特征进行组合,利用阈值分类和模糊分类实现地物要素的信息提取。利用混淆矩阵对数据进行客观分析,得到3种影像的总体分类精度和kappa系数。分析结果表明:Pleiades影像分类精度较高,更适合本实验区的遥感影像信息提取。     

面向对象的天绘遥感影像分类

天绘一号是我国第一代传输型立体测绘卫星,主要用于科学研究、国土资源普查、地图测绘等领域的科学实验任务。以天绘影像为实验数据,利用面向对象的影像分割技术,通过选择合适的尺度参数对影像进行分割。结合SVM对得到的影像对象层进行分类实验。具体分析了SVM分类器核函数的选择以及参数的设置对分类精度的影响。最终分类实验结果的总体精度为90.857 1%,Kappa系数为0.858 1。将分类结果与传统基于像元的马氏距离分类法和最大似然值分类法的分类结果进行比较,总体精度分别提高了约29.29%、5.91%,Kappa系数分别提高了约0.35、0.06。实验结果表明,面向对象的SVM分类法不仅对影像分类的精度有大幅度的提高,同时,也很好地解决了传统基于像素分类法出现的"椒盐"现象,是一种很有优势的影像分类法。     

一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进行拼接,实现土地利用分类.结果表明,与传统的面向对象分类方法相比,该方法的分类精度更高.     

基于分类规则挖掘的遥感影像分类研究

分析了目前遥感影像的统计分类、神经网络分类及基于符号知识的逻辑推理分类方法的优缺点.以GIS为平台,构建了多源空间数据库,将数据挖掘的思想和方法引入遥感影像分类中,提出了面向分类规则挖掘的遥感影像分类框架.针对遥感光谱数据及其他空间数据的特点,定义了连续属性样本分类概念和分割点评价指标,提出了一种新的连续属性样本分类规则挖掘算法.选择一个试验区,采用该算法分别对遥感光谱数据、遥感光谱和DEM数据相结合的数据进行分类规则挖掘、遥感影像分类和分类精度比较.结果表明：（1）该算法具有较高的分类精度;（2）加入DEM等与分类相关的其他空间数据可以提高遥感影像的分类精度.通过挖掘分类规则进行遥感影像分类,扩展了基于知识的逻辑推理分类方法中知识获取渠道,提高了分类规则获取的智能化程度.新的连续属性样本分类规则挖掘算法,扩展了归纳学习算法对连续属性样本分类的适应性.     

面向对象的无人机影像分类研究

选取同处于夏收秋种时期、不同地点的3幅无人机影像进行面向对象分类。将影像在14个不同尺度上进行多尺度分割,以便获取对于分类对象较好的分割尺度。在对象基础上,将影像分为灌木、农田、道路、房屋及水体,并将分类结果精度与最大似然分类结果进行对比。结果表明,采用定量评价分割效果的方法,同时采用面向对象的方法进行信息提取,总体精度均在80%以上,明显高于最大似然分类。     

基于面向对象和影像认知的遥感影像分类方法——以都江堰向峨乡区域为例

基于面向对象思想和影像认知科学研究,探讨影像理解的新思路,将语义特征和传统的低级影像特征综合考虑进行对象识别,该方法对于提高影像分类精度和效率及经验知识的重复利用都有重要意义。在识别过程中,首先进行知识驱动的对象探测,分析语义特征;再进行数据驱动的影像多尺度分割,生成低级特征;最后应用模糊分类整合语义特征和低级特征用于对象识别和分类。将该方法应用于四川都江堰向峨乡QuickBird等数据,表明新方法比传统分类方法有更高的精度和效率。     

面向对象的高分辨率遥感影像变化检测

目前遥感影像变化检测技术已广泛应用在许多领域,成为遥感技术的热点。对变化检测分类和传统变化检测方法在高分辨率遥感影像变化检测中存在的问题进行分析,提出面向对象的变化检测思路,并进行试验。试验结果表明,利用面向对象技术进行影像分类,再进行变化检测能达到较好的效果。     

面向对象的高分辨率影像农用地分类

采用面向对象的影像分类方法,结合多尺度分割技术,以QuickBird影像为实验数据,进行农用地的精细自动分类。首先,根据地物大小,选择最优分割尺度,构建多尺度分割等级网;然后,综合利用高分辨率影像的光谱信息、纹理和形状特征,建立各个对象的特征集;最后,通过目视解译建立隶属度函数,实现地物的分层提取。实验表明,该方法能有效区分农作物种类,相对于传统的像素级分类方法,该方法明显提高了高分辨率影像的分类精度,且避免了"椒盐"噪声的产生。     

遥感图像土地覆盖分类中多源特征数据选择研究

多源特征数据可以提高遥感图像的分类精度,选择合适的特征数据十分重要。利用基尼指数对多尺度纹理信息、主成分变换前三分量、地形数据等特征进行选择,选出最佳特征子集。利用支持向量机、神经网络分类法、最大似然法分别对全部特征数据和最佳特征子集结合多光谱数据进行分类。实验结果表明:基尼指数可以有效地对多源特征数据进行选择,特征选择可以提高分类器效率,提高分类精度。     

结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。     

辅以纹理特征的高分辨率遥感影像分类

为了提高对高分辨率影像的分类精度,通过灰度差矢量法快速提取纹理特征,利用BP神经网络并辅以纹理特征,对一幅江西某地0.2m分辨率的航空影像进行分类。结果显示,对比度纹理特征能较好地反映该影像的纹理信息;对光谱特征不典型、纹理特征明显的人工树林,分类精度可达到90%以上;增加纹理特征后,影像分类的总精度也由55%提高到94%。表明这种结合纹理特征和BP神经网络的分类方法,能提高对高分辨率影像分类的精度。     

结合特征组与分层策略的遥感图像分类研究

针对藏南地区地表覆盖信息获取困难、生产效率低等问题,该文提出一种结合特征组与分层策略的高空间分辨率遥感图像逐层分类方法。依据地理国情普查地表覆盖信息分类标准,结合研究区遥感图像实际的地表覆盖状况,充分挖掘高空间分辨率遥感图像的地物特征信息,建立该地区地物图像特征组,并采用分层策略减弱地物间的相互影响程度,实现研究区遥感图像逐层分类。实验结果表明,文中提出的逐层分类方法能有效提高地表覆盖类别解译效率,分层成果有利于进一步的精细分类。     

A multi-level context-guided classification method with object-based convolutional neural network for land cover classification using very high resolution remote sensing images

Classification of very high resolution imagery (VHRI) is challenging due to the difficulty in mining complex spatial and spectral patterns from rich image details. Various object-based Convolutional Neural Networks (OCNN) for VHRI classification have been proposed to overcome the drawbacks of the redundant pixel-wise CNNs, owing to their low computational cost and fine contour-preserving. However, classification performance of OCNN is still limited by geometric distortions, insufficient feature representation, and lack of contextual guidance. In this paper, an innovative multi-level context-guided classification method with the OCNN (MLCG-OCNN) is proposed. A feature-fusing OCNN, including the object contour-preserving mask strategy with the supplement of object deformation coefficient, is developed for accurate object discrimination by learning simultaneously high-level features from independent spectral patterns, geometric characteristics, and object-level contextual information. Then pixel-level contextual guidance is used to further improve the per-object classification results. The MLCG-OCNN method is intentionally tested on two validated small image datasets with limited training samples, to assess the performance in applications of land cover classification where a trade-off between time-consumption of sample training and overall accuracy needs to be found, as it is very common in the practice. Compared with traditional benchmark methods including the patch-based per-pixel CNN (PBPP), the patch-based per-object CNN (PBPO), the pixel-wise CNN with object segmentation refinement (PO), semantic segmentation U-Net (U-NET), and DeepLabV3+(DLV3+), MLCG-OCNN method achieves remarkable classification performance (> 80 %). Compared with the state-of-the-art architecture DeepLabV3+, the MLCG-OCNN method demonstrates high computational efficiency for VHRI classification (4–5 times faster).     

空间邻接支持下的遥感影像分类

传统光谱分类法的局限性促使了遥感“图谱耦合”认知理论的发展, 使其更加注重了空间信息的应用。 然而, 已有的分类方法虽也融入了空间形态、空间关系的应用, 在精度上有一定的提高, 但在空间规律定量描述、 地物实际分布边界跟踪等方面仍存在不足。本文发展了一种空间邻接支持下的遥感影像分类方法: 通过基准地物的 精确提取进而搜索与其邻接的目标地物, 对邻接范围内的地类混淆以及非邻接范围内的目标类误分一并进行修正, 并以近海地物分类为例进行试验, 获得了更为精确、合理的分类结果, 也为后续逐步精确地提取各地物提供了     

高维遥感图像的快速分类算法

为了实现对高维遥感图像的快速准确分类,提出了一种基于k均值二叉树支持向量机(SVM)的分类方法。该方法通过对选取的训练样本进行k均值聚类,生成支持向量机分类二叉树,作为确定最佳分类顺序的依据,以降低分类过程中的误差累积并提高整体分类精度,而且可缓解由样本数量不均衡导致的分类误差。该方法可在不进行降维处理的情况下,对高维遥感图像进行快速准确分类。测试结果表明,其分类速度和分类精度都优于传统的支持向量机分类结果。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

基于CNN-GCN双流网络的高分辨率遥感影像场景分类

高分辨率遥感影像具有复杂的几何结构和空间布局,传统的卷积神经网络的方法仅能提取场景图像中的全局特征,忽略了上下文的关系,导致特征的表达能力受限,制约了分类精度提高。针对此问题,本文提出一个面向高分辨率遥感影像场景分类的CNN-GCN双流网络,该算法包含CNN流和GCN流两个模块。CNN流基于预训练DenseNet-121网络提取高分影像的全局特征;而GCN流采用由预训练VGGNet-16网络得到的卷积特征图构建邻接图,再通过GCN模型提取高分影像的上下文特征。最后,通过加权级联的方式有效地融合全局特征和上下文特征并利用线性分类器实现分类。本文选取AID、RSSCN7和NWPU-RESISC45共3个具有挑战性的数据集进行实验,得到的最高分类精度分别是97.14%、95.46%和94.12%,结果表明本文算法能够有效地表征场景并取得具有竞争力的分类结果。