基于最佳波段组合的高光谱遥感影像分类

针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点,在综合各种数据降维方法的基础上,提出一种基于最佳波段组合的高光谱遥感影像分类方法。以美国印第安纳州地区的AVIRIS数据为例,分析各波段信息量和相邻波段的相关性,利用子空间划分、分段波段指数选择法,进行特征波段的选择;并针对难区分地物类别,应用J-M距离模型对其可分性进行判别,获得最佳波段组合。最后采用支持向量机分类器进行分类。实验结果表明,采用最佳波段组合方法,可以有效地提高高光谱的分类精度。     

TM图像的光谱信息特征与最佳波段组合

本文分析了北自黑龙江省寒温带缓岗平原、南至广东省南亚热带丘陵等9个不同景观类型样区的TM图像数据,查明TM图像的光谱信息具3—4维结构,其物理含义相当于“亮度”、“绿度”和“热度”、“湿度”。在TM7个光谱图像中,一般以第5波段包含的地物信息最丰富。3个可见光波段(即第1,2,3波段)之间,两个中红外波段(即第5,7波段)之间相关性很高,表明这些波段的信息中有相当大的“重复性”或“冗余性”。第4,6波段则颇特殊,尤其是第4波段与各波段的相关性都很低,表明这个波段的信息有很大的独立性。计算20种组合的熵值的结果表明,由一个可见光波段、一个中红外波段及第4波段组合而成的彩色合成图像,一般具有最丰富的地物信息,其中又常以4,5,3或4,5,1波段的组合为最佳。     

一种基于地物波谱特征的最佳波段组合选取方法

对多光谱数据选取最佳的波段组合,是图像解译和专题信息提取的重要前提。文中提出一种基于地物波谱特征的最佳波段组合选取方法,即综合考虑方差、相关系数、OIF指数和地物间的可分离性4个因素,利用ERDAS和EXCEL等工具进行各指标的解算,并通过实验,选择红菱矿区1995年的TM多光谱影像为数据源,选取了基于水体波谱特征的最佳波段组合TM345。经定性分析和定量计算,验证了该方法的可行性。     

多分类器组合的遥感影像分类方法

针对传统遥感影像分类方法效果不够理想,单一分类器各自存在不足等问题,该文提出了一种基于多分类器组合的遥感影像分类方法。采用级联和并联相结合的方式对多种子分类器进行组合;利用改进的基于先验知识的投票表决规则,实现遥感影像准确分类。以岳阳市TM遥感影像为例,采用多分类器组合方法进行分类处理,并将处理结果与单一分类器处理结果进行比较。通过误差矩阵对比可知,多分类器的Kappa系数精度高于单一分类器;对分类效果图进行对比分析,在细部效果方面多分类器分类效果优于单一分类器。研究结果表明:组合分类器的遥感影像分类效果明显优于单一分类器,且具有更好的扩展性。     

高光谱遥感影像优化分类波段选择

利用粗糙集关于属性依赖性公式,本文给出一种定义遥感影像波段间相似度的方法。通过模糊聚类,得到对高光谱遥感影像原始波段集合的模糊等价划分。在每个模糊等价波段组中,选择一个代表性波段完成对原始波段集合的初步降维。基于遗传算法并结合粗糙集理论,在降维后的波段集合中进一步进行的分类波段组合的优化选择。实验结果表明,本文给出的高光谱遥感影像优化分类波段组合选择方法是非常有效的。     

高光谱遥感影像优化分类波段选择

利用粗糙集关于属性依赖性公式,本文给出一种定义遥感影像波段间相似度的方法,通过模糊聚类,得到对高光谱遥感影像原始波段集合的模糊等价划分,在每个模糊等价波段组中,选择一个代表性波段完成对原始波段集合的初步降维,基于遗传算法并结合粗糙集理论,在降维中的波段集合中进一步进行的分类波段组合的优化选择,实验结果表明,本文给出的高光谱遥感影像优化分类波段组合选择方法是非常有效的。     

一种基于最佳指数模型的TM遥感影像最佳波段组合计算方法

如何通过定量计算选择最佳波段组合一直是TM等多波段遥感影像信息提取的研究热点。本文综合利用Erdas提供的可视化空间建模工具(Spatial Modeler)和面向对象的编程技术,提出了一种基于最佳指数(Optimum Index Factor,OIF)的定量计算与定性分析相结合的TM遥感影像最佳波段组合方法。实验证明,该方法快速有效,极大提升了TM等多波段遥感影像最佳波段组合的计算过程。     

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。     

遥感图像分区自动分类方法研究

对判读区域自然景观复杂,数据时相与质量差异较大的遥感图像用常规的分类方法难以达到令人满意的效果,为此,作者采用了一种通过定义图像判读区,分类管理器和改进监督分类算法等方法来实现遥感图像的分区自动分类,以不同时相的TM拼接图像进行分类试验,结果表明:该方法比传统的监督分类方法有明显改进:(1)与整幅图像用同一个标准进行分类的方案相比,其精度显著提高,(2)可在分类前灵活,任意生成所感兴趣的判读区域,(3)在每个分区内可以采取不同的分类方案进行分类,(4)每个分区的分类结果可以保存在同一个文件中,而不需要另外生成新的操作层.因此分类不受次数的限制,可保证分类结果的完整性,每个分区的分类结果也可以保存为单个分区的分类结果.     

JPEG 2000压缩对遥感影像监督分类精度的影响

遥感图像压缩会影响分类精度,是值得研究的问题。以高分辨率遥感影像(Quick Bird)的监督分类精度评定为尺度,采用ER Mapper软件的JPEG 2000图像压缩模块对图像进行压缩,再在eCognition软件中对这9种压缩比图像进行面向对象的监督分类,生成分类精度报告。通过分析分类精度的变化,研究了JPEG 2000压缩对遥感影像分类的影响程度及其在遥感影像压缩方面的应用潜力。     

多源遥感影像融合最佳波段选择及质量评价研究

本文选用了有蓝色波段和无蓝色波段两种遥感数据源,使用定量指标对各波段进行基本统计及分析,并计算各波段之间的联合熵、协方差、相关系数及最佳指数,确定四类遥感数据各自的最佳波段组合;并采用了几种融合方法将四种影像按照最佳波段组合融合,计算融合后影像与原始影像之间的相关系数,分析得到两类数据的最佳融合方法。     

基于SVM的多源遥感影像分类研究

本文通过分析单源遥感影像分类的现状和困难,以SAR和SPOT-5影像为实验数据,提出了基于支持向量机(Support Vector Machine,SVM)理论的多源遥感影像分类方法。研究结果表明,本文的方法能够有效地解决单源影像信息分类效果破碎的问题,正确识别地物,对高维输入向量具有高的推广能力,正确率达到94.97%,比多源影像的最大似然分类(Maximum Likelihood Classification,MLC)方法正确率更高。     

生成式对抗网络的高光谱遥感图像分类方法研究

针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制...     

基于LBV变换的遥感影像多步骤分类法研究

面对与日俱增的遥感数据,如何快速准确地进行影像分类成为遥感领域亟待解决的问题。本文在前人的基础上提出了一种基于LBV变换的遥感影像多步骤分类方法。L:地物的总辐射水平,集中反映了裸地的信息;B:地物的可见-红外光辐射平衡,是地面水分状况和水体存在的一个良好指标;V:地物辐射随波段变化的方向和速度向量,能集中反映地面植被状况。多步骤分类法遵循由易到难的原则,能克服类别之间的互相影响,从而提高分类精度。文章结合LBV变换和多步骤分类法的优点对影像进行了分类,结果表明该方法简单易行,且能达到良好的分类精度。     

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。     

顾及遥感影像场景类别信息的视觉单词优化分类

传统词包模型的视觉词典忽略了场景本身包含的类别信息,难以区分不同类别但外观相似的场景,针对这个问题,本文提出一种顾及场景类别信息的视觉单词优化方法,分别使用Boiman的分配策略和主成分分析对不同场景类别视觉单词的模糊性和单词冗余进行优化,增强视觉词典的辨识能力。本文算法通过计算不同视觉单词的影像频率,剔除视觉词典中影像频率较小的视觉单词,得到每种场景的类别视觉词典,计算类别直方图,将类别直方图和原始视觉直方图融合,得到不同类别场景的融合直方图,将其作为SVM分类器的输入向量进行训练和分类。选取遥感场景标准数据集,验证算法,实验结果表明:本算法能适应不同大小的视觉词典,在模型中增加场景类别信息,增强了词包模型的辨识能力,有效降低场景错分概率,总体分类精度高达89.5%,优于传统的基于金字塔匹配词包模型的遥感影像场景分类算法。     

基于ERDAS的遥感影像分类方法研究

为了提高遥感影像分类精度,对传统的非监督分类、监督分类和专家分类进行机理分析,提出将影像中的纹理信息作为专家知识改进分类精度的技术方案。以胶州市QuickBird遥感影像作为试验数据,基于ERDAS IMAG-INE 8.6软件平台,对非监督分类、监督分类和专家分类进行实验数据比较分析,实验数据表明改进的专家分类方法分类精度最高,由于纹理信息参与专家分类,可较好地解决“同谱异物”和“同物异谱”对分类的干扰,优化分类后的影像,提高信息提取的准确度。     

改进Fisher判别分类的遥感影像变化检测

Fisher判别分类的好坏关键在于训练样本集选取的精度和在降维过程中样本特征信息的损失程度,基于此问题,本文根据不同时相同一地区的遥感影像的差值影像中各像素本身的灰度值及其邻域平均灰度值特征获得其一维和二维直方图,针对差值影像无噪和带噪两种情况,根据直方图信息选取Fisher判别分析所需的训练样本,同时为了尽可能降低判别分析过程中有用信息的损失,将所得到的原训练样本集进行非线性变换,使其映射到高维空间中,利用映射后的训练样本求得Fisher判别规则。实验结果表明:与基于原训练样本的Fisher判别分类和基于寻找更多的样本特征的Fisher判别分类方法生成结果相比,在差值影像无噪和带噪情况下,本文提出的方法具有更好的变化检测精度和抗噪性。     

结合nDSM的高分辨率遥感影像深度学习分类方法

针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题,本文提出了一种归一化数字表面模型（nDSM）约束的高分辨率遥感影像深度学习分类方法。首先,将nDSM数据作为附加波段叠加在遥感影像上并获取训练样本;然后,利用优化的U-Net网络进行模型训练得到最优模型;最后,利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明,本文方法引入nDSM数据用于U-Net模型训练和分类,可有效提高影像分类精度,得到更加真实可靠的分类结果。