基于深度置信网络(DBN)的赤潮高光谱遥感提取研究

赤潮是严重的海洋灾害,有效监测赤潮对于保护海洋生态环境具有重要意义。高光谱遥感具有光谱分辨率高、图谱合一等优势,适合于海洋赤潮监测。深度学习是机器学习领域的前沿,为高光谱遥感分类提供了新的思路。深度置信网络(Deep Belief Network,DBN)兼具监督分类与非监督分类的特点,通过构建DBN模型,将DBN应用于赤潮灾害遥感监测中,应用渤海机载高光谱遥感数据开展赤潮分类,以达到提取高光谱图像中赤潮水体范围的目的。通过设置对照实验,对比经典的SVM监督分类方法与ISODATA非监督分类方法,发现DBN模型在相同实验条件下具有更高的分类精度,赤潮遥感提取精度提高了3%～11%。     

条带消除对于高光谱图像分类效果的影响——以CHRIS/PROBA图像为例

以CHRIS/PROBA高光谱图像数据为例,使用非监督分类的ISODATA和监督分类的最大似然法、支持向量机等3种经典的图像分类算法,对消条带前后的图像分别开展分类实验,并对分类结果做了分析。实验结果表明,消条带处理可以较好地改善高光谱图像分类结果的目视效果,能够消除不同类别斑块边缘因条带而产生的"毛刺"现象,这对地物斑块的形状及几何分布敏感的研究(如景观生态学)至关重要;但消条带处理对于提高分类精度的效果并不显著,精度提高最大值不到2%。     

SVM和ANN在多光谱遥感影像分类中的比较研究

首先利用支持向量机(SVM)和人工神经网络(ANN)对Landsat 8 OLI多光谱影像进行基于光谱信息的土地利用监督分类;然后,对多波段进行主成分变换,提取第一主成分的主要纹理信息,与光谱信息一起进行融合光谱和纹理信息的SVM和ANN影像监督分类。对比分析发现:对中原地区,SVM是Landsat 8多光谱遥感影像分类的较优方法,尤其适用于农业用地信息提取;光谱分类即可达到较高精度,纹理信息对提高分类精度的作用十分有限。     

滨海湿地稀疏采样重构高光谱图像分类精度评价

高光谱遥感影像维数高、数据量大、波段之间的相关性强,分类时易出现"Hughes"现象,因此在分类过程中如何有效减小数据处理过程中的计算量,又保证原始数据重要的地物信息不丢失具有重要的意义。压缩感知理论可通过远低于耐奎斯特的采样率和少量观测数据实现信号的精确重构,具有对硬件读写要求低、图像恢复效果好等优势。通过利用基于小波变换的压缩感知算法对黄河口地区的高光谱影像进行图像重构,然后分别采用SVM算法、最大似然法以及神经网络分类法对重构后的影像进行分类,并对分类结果的精度分别从空域和小波域、不同的测量值等维度进行了分析和比较。结果表明:(1)压缩感知理论重构后的影像保留了原始影像的基本信息,保证了分类精度;(2)SVM算法的分类精度最好,空域和小波域的分类精度基本一致;(3)分类精度随测量值的增加先逐渐提高,然后趋于稳定。     

基于决策级数据融合的CHRIS 高光谱图像分类方法研究

本文选取8种常用的遥感图像监督分类方法,综合利用多数投票方法与先验分类概率信息,设计了3组决策级融合分类策略,在应用地物丰富的黄河口湿地CHRIS高光谱图像数据进行分类实验的基础上,开展了不同融合策略决策分类结果的比较研究,分析了融合策略对高光谱图像总体分类精度以及不同地物分类精度的影响。结果表明:(1)3组决策级融合策略总体分类精度均大于85%,Kappa系数都优于0.77,较8种单分类器均有提高,表明决策级融合是利用已有分类器资源、提升高光谱图像分类精度的一种途径;(2)策略3的分类表现最好,即维持最小虚警率的前提下降低错分可以提高分类精度,其中芦苇、滩涂地物同时保持了很高的生产者精度和用户精度,均接近90%,水体在保持较高用户精度的情形下生产者精度有大幅提升,增幅达11%;(3)每组策略综合考虑生产者精度和用户精度的情形下分类精度最高,较仅考虑生产者精度或用户精度的情形提升了1~2个百分点,表明设计算法时应同时考虑减少错分和漏分的情况。     

基于空谱融合与AlexNet算法的滨海湿地植被分类研究

为提高遥感影像融合质量,提升资源一号(ZY-1 02D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-1 02D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-1 02D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。     

基于ENVI 的唐山湾三岛土地利用遥感分类方法的比较分析

对唐山湾三岛2010年10月10 m分辨率的SPOT5多光谱数据源,采用不同分类方法进行识别和判断,并对比不同分类器在遥感影像分类中的应用效果和分类精度。有针对性地探究海岛土地利用遥感分类过程中不同方法的优劣,获取最适于岛陆地区土地利用的遥感分类方法。根据土地利用现状分类标准(GB/T21010-2007)和海岛陆域土地利用类型划分的相关规定,将唐山湾三岛主要分为滩涂、裸地、林地、草地、居住区、内陆水体和潮间带(潮水覆盖区)6类。并分别构建结合人为控制的非监督分类、监督分类和基于专家知识的决策树分类系统,参照更高分辨率影像、先验知识和野外调查资料,评价分类结果与实地调查结果的吻合程度,最终通过总体分类精度和Kappa系数等指标对各分类器精度进行评价和对比分析。     

多光谱遥感影像的光谱规则分类算法修正及海岛、海岸带应用

在光谱规则分类算法(Spectral Rule-based Classifier, SRC)基础上考虑大气校正对遥感影像光谱反射率的影响,提出了一种改进光谱规则的分类算法(Modified Spectral Rule-based Classifier, MSRC),从地物光谱响应曲线和光谱指数两个方面来修正光谱规则集,通过规则细化和补充、阈值改正优化光谱类别。以珠江三角洲海岛(佳蓬、淇澳)和海岸带(荃湾、惠东)的Landsat 8影像作为实验数据,对比了大气校正前后波段反射率和地物光谱响应曲线,分析了改进后MSRC算法的地物分类结果和精度,并与原SRC算法、最小距离分类(MDC)算法、最大似然分类(MLC)算法、支持向量机分类(SVM)算法、神经网络分类(NNC)算法以及基于光谱指数的算法等多种地物分类算法进行比较。结果表明,4组实验数据的MSRC算法分类结果总体精度分别为87.66%、82.38%、77.67%和80.05%,高于SRC、MDC、MLC和基于光谱指数的分类算法,在无需人工标注训练数据集的前提下接近SVM和NNC算法的分类精度。MSRC算法适用于海岛和海岸带的Lands...     

盐田水体遥感分类方法研究

以连云港台北盐场为研究区，介绍了监督分类法和神经网络分类法及其在盐田水体遥感分类中的具体应用。研究结果表明，用神经网络分类法进行遥感影像自动分类，其分类精度高，显示了其在遥感领域较为广阔的应用前景。     

基于LLE低维嵌入的高光谱影像分类

针对高光谱数据中内在的非线性流行结构,分析了LLE低维嵌入算法的基本原理,给出了该算法的计算步骤。介绍了模糊ISODATA分类算法的基本思想,在计算目标函数中,利用测地距离代替欧氏距离,对模糊ISODATA分类算法进行改进。利用两套PHI高光谱影像数据,在LLE低维嵌入结果上实现了ISODATA分类实验。结果表明:LLE低维嵌入后的数据能够降低ISODATA影像分类的迭代次数与计算时间,提高分类的效率;与原始ISODATA分类算法相比,改进的ISODATA分类算法能够更好地挖掘类别之间的自组织关系,提高分类的可靠性。     

基于地物光谱可分性的CHRIS 高光谱影像波段选择及其分类应用

本文以黄河口湿地为研究区,应用覆盖该区域的CHRIS高光谱遥感影像,提出了一种基于地物光谱可分性的滨海湿地高光谱影像波段选择方法。该方法利用研究区的7种典型地物的110余条现场实测地物光谱曲线,通过分析比对地物两两之间的光谱可分度,确定地物类型之间的光谱可分区间,基于此选取CHRIS高光谱影像的地物分类特征波段,应用三种经典的监督分类方法(支持向量机法SVM、人工神经网络法ANN和光谱角制图法SAM)开展利用全波段的和利用本文方法选择特征波段的分类对比实验。结果表明:(1)基于光谱可分性特征波段的方法较全波段分类精度有所提高,其中ANN分类精度最高,为82.52%,较全波段分类精度提高了约为5.1%;(2)芦苇、水体、黄河水和裸滩4种地物的识别能力高,生产者精度都在80%以上;(3)碱蓬的用户精度提升最为明显,约在7%。     

基于Sentinel-2 MSI影像与面向对象相结合的红树林树种精细化分类方法研究

红树林是最典型的滨海生态系统之一，红树林种间类型的精确识别对于红树林生态系统保护、修复及碳储量评估具有重要意义。遥感是开展红树林种间类型识别的有效手段，但传统的遥感红树林分类方法多是基于像元开展的，分类结果“椒盐”现象严重且精度还有很大提升空间。因此，本研究以东寨港红树林保护区为例，基于Sentinel-2 MSI影像，在传统遥感分类方法的基础上引入图像分割技术，分别构建了面向对象的支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）分类法，并在此基础上对各模型的分类精度和适用性进行了分析。模型对比结果表明：（1）图像分割技术的引入能有效改善分类结果的“椒盐”现象，提升红树林种间类型的识别精度，基于像元使用SVM和RF分类算法总体分类精度分别可达78.82%(Kappa=0.75)和82.94%(Kappa=0.82)，面向对象的SVM和RF模型分类总体精度分别可达81.5%(Kappa=0.78)和92.67%(Kappa=0.88)，相较于以像元为分类对象的模型而言，后者精度分别提高了2.68%和7.43%;(2)从4个模...     

海岸带高光谱影像分类技术研究

以海岸带地物分类研究为重要对象,针对传统海岸带区域地物及海水等目标分类技术的局限性,通过分析海岸带地物的光谱特征以及在高光谱数据中的表征,研究高光谱成像技术在海岸带遥感应用中的有效性。实验结果表明相对传统的遥感影像分类技术,高光谱海岸带分类显得更为精细,也展示了高光谱技术在海洋遥感中的巨大应用前景?     

协同主动学习和半监督方法的海冰图像分类

海冰遥感光谱影像分类中标签样本难以获取,导致海冰分类精度难以提高,但是大量包含丰富信息的未标签样本却没有得到充分利用,针对这种情况,提出一种协同主动学习和半监督学习方法用于海冰遥感图像分类。在主动学习部分,结合最优标号和次优标号、自组织映射神经网络以及增强的聚类多样性算法来选择兼具不确定性和差异性的样本参与训练;在半监督学习部分,利用直推式支持向量机,并且融合主动学习思想从大量未标签样本中选取相对可靠且包含一定信息量的样本进行迭代训练;然后协同主动学习分类结果和半监督分类结果,通过一致性验证保证所加入伪标签样本的正确性。为了验证方法的有效性,分别采用巴芬湾地区30 m分辨率的Hyperion高光谱数据(验证数据为15 m分辨率的Landsat-8数据)和辽东湾地区15 m分辨率的Landsat-8数据(验证数据为4.77 m分辨率的Google Earth数据)进行海冰分类实验。实验结果表明,相对其他传统方法,该协同分类方法可以在只有少量标签样本的情况下,充分利用大量未标签样本中包含的信息,实现快速收敛,并获得较高的分类精度(两个实验的总体精度分别为90.003%和93.288%),适用于海冰遥感图像分类。     

服务于赤潮高精度快速检测的决策树RX高光谱遥感算法

本文应用辽东湾鲅鱼圈研究区赤潮高光谱遥感数据,针对互信息RX(Reed-Xiaoli)和传统相关系数RX等单源算法赤潮检测结果不稳定,可能出现漏检和误检的问题,提出基于互信息和相关系数的决策树RX赤潮高精度检测模型,结果表明:与单源算法相比,决策树RX算法赤潮高光谱遥感检测得到的ROC曲线较稳定;与经典的非监督和监督遥感分类算法相比,决策树RX算法的错分情况明显减少,检测精度较高,总体精度达96%以上;子空间划分得到的特征波段组合,能够在不降低赤潮检测精度的前提下,检测速度提高3倍;耀斑抑制后数据1的特征波段组合赤潮检测总体精度提高了1.82%。     

Terrestrial and Submerged Aquatic Vegetation Mapping in Fire Island National Seashore Using High Spatial Resolution Remote Sensing Data

The vegetation communities and spatial patterns on the Fire Island National Seashore are dynamic as the result of interactions with driving forces such as sand deposition, storm-driven over wash, salt spray, surface water, as well as with human disturbances. We used high spatial resolution QuickBird-2 satellite remote sensing data to map both terrestrial and submerged aquatic vegetation communities of the National Seashore. We adopted a stratified classification and unsupervised classification approach for mapping terrestrial vegetation types. Our classification scheme included detailed terrestrial vegetation types identified by previous vegetation mapping efforts of the National Park Service and three generalized categories of high-density seagrass, low-density seagrass coverages, and unvegetated bottom to map the submerged aquatic vegetation habitats. We used underwater videography, GPS-guided field reference photography, and bathymetric data to support remote sensing image classification and information extraction. This study achieved approximately 82% and 75% overall classification accuracy for the terrestrial and submnerged aquatic vegetations, respectively, and provided an updated vegetation inventory and change analysis for the Northeast Coastal and Barrier Network of the National Park Service.     

Terrestrial and Submerged Aquatic Vegetation Mapping in Fire Island National Seashore Using High Spatial Resolution Remote Sensing Data

The vegetation communities and spatial patterns on the Fire Island National Seashore are dynamic as the result of interactions with driving forces such as sand deposition, storm-driven over wash, salt spray, surface water, as well as with human disturbances. We used high spatial resolution QuickBird-2 satellite remote sensing data to map both terrestrial and submerged aquatic vegetation communities of the National Seashore. We adopted a stratified classification and unsupervised classification approach for mapping terrestrial vegetation types. Our classification scheme included detailed terrestrial vegetation types identified by previous vegetation mapping efforts of the National Park Service and three generalized categories of high-density seagrass, low-density seagrass coverages, and unvegetated bottom to map the submerged aquatic vegetation habitats. We used underwater videography, GPS-guided field reference photography, and bathymetric data to support remote sensing image classification and information extraction. This study achieved approximately 82% and 75% overall classification accuracy for the terrestrial and submnerged aquatic vegetations, respectively, and provided an updated vegetation inventory and change analysis for the Northeast Coastal and Barrier Network of the National Park Service.