基于DBN的机载高光谱影像分类

高光谱图像分类是目前遥感技术应用的关键环节,对分析地物类别与土地利用起到了十分重要的作用。目前应用于高光谱图像分类普通算法,其精度已不能满足当今大数据时代下的分类要求,本文提出了深度置信网络(DBN)分类算法。深度置信网络具有无监督学习与有监督学习二者共同的优点,对于维数高的数据有较优的分类效果,并利用机载AISA Eagle II高光谱传感器的影像进行了验证。结果表明,DBN算法与支持向量机(SVM)及传统神经网络(BP)对比取得了较好的分类效果。     

基于形态变换与空间逻辑聚合的高光谱森林树种分类

基于机载及卫星平台面向地面实施反射率光谱信息采集,高光谱图像可捕获数十个甚至数百个相邻窄带,为土地利用提供丰富的判别性信息。因此,同可见光及多光谱图像相比,高光谱图像可以揭示更为精细的光谱特性,有助于实现更为准确的材质及地类识别。然而,现有分析方法大多过度关注其光谱特性,忽略了高光谱输入源的形态及空间性信息利用。在复杂对象分类任务中,针对细粒度类别(如森林树种)的类边界挖掘,形态结构差异性的捕获是极为重要的。本文分析了形态结构利用的重要性,设计了不同类型的特征提取器。在此基础上,针对细粒度树种分类提出了一种由粗到细的空间信息聚合网络MS-NET。本文方法将形态学算子与可训练的结构元素有效结合,有助于获取输入数据的特异性形态表征,提升最终分类精度。将本文方法在两组树种分类数据集中开展分类效果验证,相关结果表明本文方法相较其他类型分类器具有更好的性能。     

基于特征提取的高光谱数据分类

与多光谱数据相比,高光谱数据对地物具有更高的光谱分辨率,但是由于高光谱数据巨大的数据量以及相邻波段之间的强相关性,导致了对这种数据的许多处理方法达不到其应有的效果,从而在某种程度上制约了其广泛的应用。本文使用了一些有效的特征提取和信息转换方法对高光谱信息进行了优化处理,并设计了相应的分类流程,在充分保证其分类精度的前提下达到了对高维信息的数据降维和高效利用的目的。     

机载多光谱LiDAR的随机森林地物分类

机载多光谱LiDAR技术利用激光进行探测和测距,不仅可以快速获取地面物体的三维坐标,还可以获得多个波段的地物光谱信息,可广泛用于地形测绘、土地覆盖分类、环境建模、森林资源调查等。本文提出了多光谱LiDAR的随机森林地物分类方法。该方法通过对LiDAR强度数据和高程数据提取分类特征,完成多光谱LiDAR的随机森林地物分类;并分析随机森林的特征贡献度特性,采用后向特征选择方法实现分类特征选择。通过对加拿大Optech Titan多光谱LiDAR数据的试验表明：随机森林方法可以获得较好的地物分类精度,而且可以适当地去除部分冗余和相关的特征,从而有效提高分类精度。     

基于波段组合的高光谱数据湿地分类研究

对高光谱数据进行波段组合,可以减少信息量的冗余,提高数据的处理速度。对黄河口入海口湿地进行分类,对合理利用、开发保护该地区湿地资源具有重要意义。本文首先分析了“珠海一号”高光谱数据各个波段的信息量及波段之间的相关系数,然后利用最佳波段指数(OIF)方法选出波段组合B7-B8-B32,进一步在OIF基础上设置信息量与相关系数阈值,选出波段组合B7-B18-B32,实验结果证明分类精度提高了5.4%。最后,根据地物的光谱特征分析,选择光谱差异较大的波段进行组合B6-B13-B18,分类后精度比OIF筛选出的波段组合精度高12.6694%。经实验验证,结合地物光谱特征的波段组合可以大大提高分类精度。     

基于高光谱遥感数据提取森林结构参数的研究

以位于三峡库区的龙门河森林自然保护区为研究区,综合利用线性光谱混合模型和几何光学模型,基于高光谱遥感数据提取森林结构参数是本文研究的重点。在研究区地面调查数据的基础上,通过高光谱数据和混合光谱分解法,获得反演几何光学模型所需的四分量参数,根据背景光照分量与森林植被冠层各参数间的关系,反演得到森林冠层郁闭度及平均冠幅的定量分布图,并利用37个野外实测样本进行结果验证。     

基于随机森林算法的高光谱遥感作物分类

随机森林算法是近年来发展起来的一种新型算法,具有速度快、精度高等优势,综合性能优异。本文运用随机森林算法和Hymap高光谱数对几种常见的作物进行了分类识别,并与支持向量机的分类结果进行了对比,综合讨论了随机森林算法的优势与不足。实验结果表明：当实际参与训练的样本数目接近时随机森林算法的分类精度和运算速度都优于支持向量。在提取足够样本的情况下,随机森林能在保证精度的条件下节约大量时间,在大面积的遥感分类中具有较大应用潜力。     

机载多光谱LiDAR数据的地物分类方法

机载多光谱LiDAR系统能够快速地获取大范围地表面上地物光谱和几何数据,并能够保证所获取的光谱与空间几何数据在空间和时间上相对完整和一致性。支持向量机（SVM）是一种基于小样本的学习方法,它避开了从归纳到演绎的传统分类过程。因此,本文提出了基于SVM多光谱LiDAR数据的地物目标分类方法。该方法首先将多个独立波段的LiDAR数据融合为单一的、包含多个波段信息的点云数据,然后将融合后的点云内插为距离影像和多光谱影像,最后利用SVM进行多光谱LiDAR数据的地物覆盖分类。通过对加拿大Optech公司的Titan机载多光谱LiDAR数据的试验证明：相对于传统的单波段LiDAR数据,多光谱LiDAR数据可以获得较好的地物分类精度;比较试验发现SVM分类方法适用于多光谱LiDAR数据的地物分类。     

结合注意力与双分支的高光谱树种分类研究

针对浅层机器学习方法在高光谱树种分类中存在的特征提取困难、泛化能力不足等问题,该文提出了一种基于注意力机制的双分支空谱联合网络,该网络由光谱分支和空间分支组成,在各分支中加入注意力机制对特征进行细化,以提取出更关键特征实现高精度树种分类。实验结果表明,该文提出的网络在3个数据集中均获得了89%以上的分类精度。利用高光谱影像和双分支注意力网络可以实现树种的高精度分类,在森林资源调查和监测中具有较大的潜力。     

利用PCA算法进行乔木树种高光谱数据降维与分类

本文利用主成分分析法分别对乔木树种高光谱反射率原始数据及3种预处理数据进行降维运算,再使用SVM-RBF、SVM-Linear、BP、Fisher 4种分类算法,对降维后的数据进行分类测试,发现累积方差贡献率与分类精度没有必然联系,而主成分的个数对分类结果的影响较为明显;不同的数据预处理方法和不同的分类方法对主成分分析算法降维后数据的分类灵敏度不同。     

机载LiDAR和高光谱融合实现温带天然林树种识别

将机载LiDAR(Light Detection and Ranging)与高光谱CASI(Compact Airborne Spectrographic Imager)数据融合,充分利用垂直结构信息和光谱信息进行温带森林树种分类,并与仅用高光谱数据的分类结果相比较,评估融合数据的树种分类能力。结合样地实测数据,首先用LiDAR获得的3维垂直结构信息对CASI影像上的林间空隙进行掩膜,提取林木冠层子集;然后对冠层子集分层掩膜,利用光谱曲线的一阶微分及曲线匹配技术,实现各树种训练样本的自动提取;利用SVM分类器对两种数据分类并比较精度。结果表明,融合数据的树种分类总体精度和Kappa系数(83.88%,0.80)优于仅使用CASI数据(76.71%、0.71),优势树种的制图精度为78.43%—89.22%,用户精度为75.15%—95.65%,整体也优于仅使用CASI的制图精度(68.51%—84.69%)和用户精度(63.34%—95.45%)。结果表明,机载LiDAR与CASI基于像元的融合对温带森林树种识别的精度较仅高光谱数据有较大提高。     

基于珠海一号高光谱数据的农作物精细化分类研究

利用高光谱遥感影像识别精细化农作物类型,已经成为农业遥感的热点领域。本文以绥化市北林区内的水稻、玉米、大豆、烤烟等典型农作物为分类对象,以ZH-1高光谱数据为主要数据源,结合外业采集样本,探讨利用高光谱数据对精细化农作物类型信息提取的方法。针对高光谱数据的冗余问题,对其进行PAC降维处理,采用支持向量机分类方法对农作物种植结构进行提取。最后,采用混淆矩阵方法对分类结果进行验证,分类总体精度达到87.08%,Kappa系数为0.86。分类结果表明,高光谱数据在精细化农业分类研究上得到较好的应用。     

基于高光谱的湿地植被分类研究

光谱特征的选择对于湿地植被的识别精度和效率有直接的影响。本文以萨克拉门托-圣华金三角洲为研究区,基于Hy Map航空高光谱遥感影像数据,分析湿地植被的一阶微分和二阶微分光谱特征。在上述分析的基础上基于均值置信区间的波段选择法对一阶微分、二阶微分进行波段选择,根据获取的有效特征波段构建特征集,利用C5决策树分类算法产生规则集,并对实验区的湿地植被进行了分类研究。结果表明:湿地植被的一阶微分、二阶微分能够突出不同湿地植被光谱曲线在不同波段的增速不同,利用均值置信区间的波段选择法能够对特征波段起到降维效果,根据降维后的特征波段采用C5决策树分类算法,可以实现湿地植被在物种水平上的识别,并达到较好的分类精度。     

高光谱遥感数据的DNA计算分类

提出了一种基于DNA计算的高光谱遥感数据光谱匹配分类新方法。该方法利用DNA编码提取各类地物光谱所携带的物理吸收与反射特征信息,将地物光谱特征转换为DNA编码空间特征,通过DNA计算基因操作寻找各类地物最典型的DNA信息链。在此基础上,利用DNA计算原理建立一系列模糊规则,对高光谱数据进行光谱匹配分类。通过与传统的光谱匹配算法(二值编码,光谱角,光谱差分特征编码)的分类结果进行比较,证明该算法分类精度优于传统高光谱数据的光谱匹配分类方法,具有实用价值。     

利用SVM-CRF进行高光谱遥感数据分类

提出了一种改进的随机场模型SVM-CRF,它以支持向量机作为条件随机场的一阶势能项,结合了支持向量机和条件随机场的优点。采用AVIRIS高光谱遥感数据进行实验,对SVM-CRF模型进行了分析,结果表明,在分类精度上SVM-CRF优于支持向量机和传统条件随机场模型。     

基于BP神经网络高光谱图像分类研究

遥感影像常常存在"异物同谱"现象,影响了遥感影像的分类精度。为了提高分类精度,本文提出了基于BP神经网络的分类算法。采用环境一号卫星HJ-1A星上搭载的超光谱成像仪(HSI)获取的高光谱数据,利用BP神经网络对黄岛区进行遥感图像分类,根据得到的分类结果对原图像进行"异物同谱"现象纠正后重新选取训练样本,然后利用BP神经网络再分类,从而有效解决了"异物同谱"现象。实验结果表明,经处理后的高光谱影像的分类精度得到显著提高,分类总体精度为92.386 5%,比异物同谱纠正前提高了7.83%,Kappa系数也从0.768 2提升到了0.885 8。     

机载LiDAR和高光谱数据融合提取冰川雪线

以西藏那曲县境内的“中习一号”冰川为研究区,对2011年8月获取的机载激光雷达点云进行预处理和滤波分类,提取研究区数字高程模型(digital elevation model,DEM);将DEM数据分别与同期获取的机载高光谱栅格数据和提取出的冰川矢量数据进行三维地形模拟,利用DEM数据对高光谱最大似然法分类结果进行正射纠正,从而获取研究区的数字正射影像(digital orthophoto map,DOM);最后结合研究区DOM和机载点云数据提取“中习一号”冰川的雪线.结果表明:融合机载高光谱和机载激光雷达2种数据的优势,能更方便地提取出冰川雪线,而且能很好地显示雪线的高度.     

机载激光雷达及高光谱的森林乔木物种多样性遥感监测

利用机载LiDAR和高光谱数据并结合37个地面调查样本数据,基于结构差异与光谱变异理论,通过相关分析法分别筛选了3个最优林冠结构参数和6个最优光谱指数,在单木尺度上利用自适应C均值模糊聚类算法,在神农架国家自然保护区开展森林乔木物种多样性监测,实现了森林乔木物种多样性的区域成图。研究结果表明,(1)基于结合形态学冠层控制的分水岭算法可以获得较高精度的单木分割结果(R~2=0.88,RMSE=13.17,P0.001);(2)基于LiDAR数据提取的9个结构参数中,95%百分位高度、冠层盖度和植被穿透率为最优结构参数,与Shannon-Wiener指数的相关性达到R~2=0.39—0.42(P0.01);(3)基于机载高光谱数据筛选的16个常用的植被指数中,CRI、OSAVI、Narrow band NDVI、SR、Vogelmann index1、PRI与Shannon-Wiener指数的相关性最高(R~2=0.37—0.45,P0.01);(4)在研究区,利用以30 m×30 m为窗口的自适应模糊C均值聚类算法可预测的最大森林乔木物种数为20,物种丰富度的预测精度为R~2=0.69,RMSE=3.11,Shannon-Wiener指数的预测精度为R~2=0.70,RMSE=0.32。该研究在亚热带森林开展乔木物种多样性监测,是在区域尺度上进行物种多样性成图的重要实践,可有效补充森林生物多样性本底数据的调查手段,有助于实现生物多样性的长期动态监测及科学分析森林物种多样性的现状和变化趋势。     

利用光谱角敏感森林的高光谱数据快速匹配方法

提出了一种新的光谱匹配算法——光谱角敏感森林方法。在位置敏感哈希函数算法的基础上引入光谱角度量,并利用新的数据桶检索结构改进了原位置敏感哈希函数算法中部分目标光谱点无法得到匹配光谱的缺陷。理论和实验证明,光谱角敏感森林算法的计算效率较传统高维数据匹配方法有较明显优势。