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。     

青藏高原深切割区GF-1土地利用分类精度研究

以青藏高原深切割地区为例,研究高分一号影像在深切割地区的分类方法。分别采用最大似然法、神经网络法和支持向量机分类法对影像进行分类,并对分类精度进行评价和分析。结果表明:1)高分一号区分地物的精度较高,可满足土地利用的遥感监测;2)支持向量机分类方法其总体精度为91.67%,Kappa系数为89.54%,均高于最大似然法和神经网络分类法。因此,支持向量机分类方法更适合于高分一号影像在深切割地区的分类。     

国产卫星数据在土地利用现状宏观监测中的应用评价

利用环境减灾一号卫星(HJ-1)、北京一号卫星(BJ-1)和中巴资源卫星02B星(CBERS-02B)3种国产卫星图像,选取全国范围内6个地形各异的地区,进行了土地利用宏观监测分析评估.采用多种现状信息提取方法,从分类方法、样本数量和特征数据对分类精度的影响进行了比较和分析.发现最大似然法简单易行,精度较高且稳定;面向对象法可明显提高HJ-1图像和BJ-1图像的分类精度.基于最大似然法,CBERS-02B图像样本数为50时,分类精度趋于稳定,且Kappa系数可达0.8以上;HJ-1图像和BJ-1图像样本数达60时精度趋于稳定,Kappa系数可达0.7以上.增加NDVI,DEM等特征数据可提高CBERS-02B图像分类精度,增加DEM特征数据可提高HJ-1图像和BJ-1图像分类精度.在全国范围内实现每2-3年1次的土地利用宏观监测时,为了保证在全国范围内都能获取有效数据,可综合考虑多种中分辨率国产卫星数据的综合应用,本文的结论为宏观监测提供了监测精度和技术方法上的科学参考依据.     

面向对象方法支持下的土地利用分类

面向对象的影像分析技术在高分辨率影像地物信息的提取中有着重要应用.利用Sentinel-2高分辨率多光谱影像数据,以合肥市包河区作为研究区域,应用多尺度分割技术将影像分割成对象,并对特征空间进行选择和优化,基于面向对象分类方法提取出研究区域最近邻的六种典型地物,分类结果与面向像元的最大似然分类、支持向量机、神经网络的结果进行比较.结果表明:利用面向对象方法进行土地利用分类的总体精度88.90％,Kappa系数为0.8579,优于三种传统的监督分类方法.证明了面向对象的影像分析技术在土地利用分类中的实用性.     

基于高分一号影像的两种地表覆盖分类方法对比研究

以高分一号影像为数据源,分别应用最大似然分类法和面向对象分类法对影像进行遥感分类,比较不同影像分割尺度,对分类结果进行精度评价,结果显示:面向对象分类方法综合利用多类遥感指数,提高了分类精度,可以有效应用于遥感影像快速分类。面向对象分类方法中分割尺度对分类精度影响较大,但如何设置最优分类尺度仍需进一步研究定量确定方法。     

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。     

利用Sentinel-2A影像的面向对象特征湿地决策树分类方法

苏州市湿地众多、类型多样化、周围环境复杂,使用传统的遥感分类方法很难得到精度较高的湿地分类结果。研究了面向对象特征的湿地决策树分类方法,以苏州市澄湖地区为研究区域,使用欧空局的Sentinel-2A影像,先将研究区域分为湿地水体、植被和非植被3大类型,再分别构建鱼塘、河流、湖泊、农田和裸地等面向对象特征,据此实现湿地遥感分类。研究结果表明,该方法能够有效利用遥感影像提供的光谱特征、几何特征和纹理特征等多种丰富信息,产生较高的分类精度,总体分类精度可达80.67%,Kappa系数为77.80%。与传统的基于中低分辨率遥感影像的分类方法相比,该方法可以有效提取湿地不同地物对象的几何结构和纹理等特征,在提高湿地分类精度的同时实现对大面积湿地的快速动态监测。     

西北旱区遥感影像分类的支持向量机法

针对较大范围、不同时相、不同气候和地貌类型的遥感影像的土地利用现状分类问题,提出了一种结合标准植被指数和纹理特征的支持向量机法。此方法改进了陕西延安、甘肃嘉峪关和青海果洛的遥感影像分类,有效地解决了最大似然法和BP神经网络法的缺陷造成的分类精度不高的问题。分类结果表明:与最大似然法和BP神经网络法相比,结合标准植被指数和纹理特征的支持向量机法的分类总精度最高(97.75%),Kappa系数为0.9691。该方法可为西北旱区遥感影像解译和土地资源可持续发展战略提供方法支撑。     

基于影像多种特征的决策树分类方法

阐述了决策树分类CART算法原理,将纹理信息、NDVI指数引入决策树方法对影像进行分类,并将分类结果与最大似然分类结果进行比较,研究表明决策树分类方法相对传统分类方法总体精度提高了8.9148%,Kappa系数提高了0.1074。     

高山冰川遥感提取方法研究

遥感的应用使得对冰川大尺度全覆盖、多时相变化的监测成为可能,然而冰川信息遥感提取方法的误差大等难题成为影响冰川监测的障碍。本文综合分析比较了目前已有的多种冰川提取方法的有效性,得出提取冰川范围精度最高的是面向对象的目视判读方法,其次是最大似然法监督分类、面向对象的自动分类、比值阈值法、雪盖指数法等。各自动方法提取冰川面积均有较大误差,且误差主要出现在冰舌末端、阴影区、薄冰区和云层遮盖范围等区域。本文将面向对象的目视判读法应用于冰川提取中,在保证信息提取精度的同时提高了传统解译的效率。     

一种基于二叉决策树的植被分类方法研究

植被覆盖是国家开展的地理国情普查工作的重要组成部分。文章以高分辨率遥感影像为基础,完成影像预处理工作后,获取影像的光谱特征、归一化植被指数与纹理特征,由三种特征共同组成待分类影像,通过人工交互为每种植被选取样本,利用二叉决策树方法创建植被的分类规则,从而完成自动分类。将分类结果与地理国情普查的地表覆盖成果相互验证,同时对比实验表明分类实验总分类精度与Kappa系数均高于最大似然法的分类精度与Kappa系数,证明获取的二叉树的有效性。后续可利用二叉树快速更新,更新结果作为地理国情更新参考数据。     

基于决策树的遥感图像分类方法研究

在遥感领域中,遥感图像分类是一项十分重要的内容,也是运用遥感技术手段提取地物类别信息的一个关键环节。本文以TM影像为研究对象,采用决策树分类方法进行研究分析,详细地论述了该分类方法的整个研究流程,并得到分类后的结果图,最后利用混淆矩阵和Kappa系数对分类后的结果进行精度分析。通过与最大似然分类方法进行比较发现,决策树分类方法的分类效果明显,分类精度较高,总体分类精度、kappa系数均达到90%以上,为遥感图像分类提供了广阔的发展前景。     

面向对象的资源三号卫星影像分类研究

资源三号卫星影像数据目前广泛用于地形测绘、资源监测、地理国情监测等领域。本文主要针对资源三号卫星影像数据,以南京市玄武区为例,研究了适合国产高分辨率卫星影像的分类技术方法。分别采用面向对象的KNN分类方法和SVM分类方法对影像进行分类,并对分类结果的精度进行了分析和评价。研究结果表明,在对遥感影像采用合适的分割尺度进行分割后,采用基于面向对象的SVM分类方法得到的结果,其总体分类精度为90.72%,Kappa系数为86.64%,远高于采用基于面向对象的KNN分类方法得到的结果。因此,面向对象的SVM分类方法更适合于资源三号卫星影像的分类。     

基于Landsat8 OLI数据的富贵竹种植区域信息提取

富贵竹作为一种观赏植物,在我国南方省份有大面积种植,具有良好的经济价值。为了解与监测区域富贵竹种植情况,以Landsat8 OLI遥感影像为数据源,构建了一种新的网体—水体差异增强指数(difference enhence between net and water index,DENWI)作为特征参数,通过面向对象的分类方法建立富贵竹信息提取规则集,得到研究区域内富贵竹的种植信息,并与2种传统信息提取方法进行对比研究。结果表明,相比于传统方法,基于DENWI的面向对象分类方法可以更有效地提取富贵竹种植信息,总体分类精度为98. 46%,Kappa系数为0. 97,该方法监测提取富贵竹种植信息是可行且有优势的,可以为富贵竹种植监测和管理提供科学依据。     

基于C4.5算法的遥感影像分类

随着城市化进程的加快,湿地对整个生态系统的可持续发展具有重要的意义。以洪泽湖湿地为研究区,集合TM影像的光谱信息和纹理信息构建空间数据库,获取训练样本,并从训练样本集中获取分类规则;然后利用C4.5算法构建决策树,并基于知识规则推理得到遥感影像分类结果;最后将分类结果与传统的最大似然法进行比较分析。实验表明,基于C4.5算法得到的分类结果的分类总精度为91.9701%,其分类总精度结果明显高于传统的最大似然法的80.0885%;同样,前者的分类结果的Kappa系数为0.900 3,也远远高于最大似然法的0.746 5。     

三凯高速路域ZY-3影像分类方法对比研究

以贵州省三凯高速路段资源三号遥感影像为例,对比分析支持向量机监督分类、ISODATA非监督分类以及SVM面向对象分类方法的成果与精度,研究这三种分类方法在资源三号影像分类上的适用性。研究结果表明,监督分类与面向对象分类效果良好,其总体分类精度、Kappa系数等指标,都要明显优于非监督分类。对于不同地物分布以及光谱信息的资源三号影像,监督分类与面向对象分类各有优势,可以视情况选择。     

基于面向对象技术的农田分类方法

采用面向对象的分类方法,以富锦地区为研究对象,将纹理和拓扑信息加入中等分辨率遥感影像中,快速准确地提取耕地信息。研究结果表明,利用面向对象技术对遥感影像进行多尺度分割,并结合影像的光谱、形状和纹理特征对水田和旱地进行提取,提取后的成果总体分类精度达到了92%,Kappa系数为0.91,说明采用面向对象技术对中等分辨率遥感影像进行耕地提取的成果可靠,可为大面积土地分类提供技术支持。     

基于模糊推理的最大似然分类算法研究

本文将模糊集理论与最大似然分类原理相结合,用模糊均值和模糊协方差代替传统最大似然分类的均值和协方差矩阵,依据极大隶属度原则,对最大似然分类算法进行改进。并尝试采用一种基于相异像素空间分布算法的分类精度评定方法,得到相异像素空间分布图,依据该空间分布图对不同的分类方法进行精度评定。实验结果表明,改进后的最大似然分类法的正确率、Kappa系数均优于传统的最大似然分类方法,所采用的精度评定方法也较传统方法在有效性、效率等方面有所改善。     

GF-2影像面向对象典型城区地物提取方法

国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。     

基于最优尺度和规则的高分辨率影像分类研究

高分辨率影像的广泛应用推进面向对象影像分析(OBIA)的发展,而分割作为面向对象分类的关键步骤,其尺度的选择直接关系到地物信息的提取。空间尺度是地物的固有属性,在合适的分割尺度下可以更好地挖掘地物信息。本文结合最大面积法和分割质量评价模型对张山营镇影像进行分割实验,先通过分析对象最大面积初步得到最优尺度范围,后结合分割质量评价模型以确定最优分割尺度层次。在此基础上,综合样本提取的光谱、纹理等特征进行规则训练,最终完成面向对象的土地覆被分类研究。结果显示:基于多层次最优尺度的规则分类方法获得更好的分类结果,其总体精度为88.8%,Kappa系数为0.861,而基于单一尺度的最邻近法总体精度81.4%,Kappa系数0.773,基于单一尺度的规则分类法总体精度为83.2%,Kappa系数为0.85。