融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。     

融合像元形状和光谱信息的高分遥感图像分类新方法

在高空间分辨率(简称"高分")遥感图像分类中,由于存在"同谱异物"等现象,仅依靠光谱信息进行分类的误差较大。为提高图像分类精度,提出一种融合像元形状和光谱特征信息的高分多光谱遥感图像分类新方法。首先利用像元及其邻域的关系来描述其空间结构,计算并提取像元同质区域(pixel homogeneous regions,PHR);然后以所提取的同质区域为基础,分别计算中心像元的长/宽比(length-width ratio,LW)和面积/周长比(area-perimeter ratio,PAI)这2个像元形状特征;最后将归一化后的像元形状特征和光谱特征融合,并利用支持向量机分类方法进行分类。以2个区域的Quick Bird高分遥感图像对该算法进行验证,将实验结果与仅利用光谱信息分类和仅使用像元形状指数(pixel shape index,PSI)分类的结果进行比较。结果表明,所提出的方法得到的分类精度最高,该方法能有效地提高高分遥感图像的分类精度。     

结合地物空间特性的高光谱图像分类方法研究

以往的高光谱或多光谱图像分类与识别,往往只关注像元光谱维上的特性,其一切特征统计也只在光谱及波段维上展开。但是自然界的复杂性、混合像元问题的存在,仅靠像元的光谱特性是不够的,常会出现"麻点"现象。针对这一问题,本文提出一种结合地物空间特性的高光谱图像分类方法,其分类过程可以分为两个阶段,第一阶段是基于像元光谱特性的图像分类,获得影像分类图;第二阶段是针对第一阶段的分类结果,结合地物空间特性进行空间后分类处理。试验研究结果表明,该方法能够保持地块的连续性和均一性,同时克服了"麻点"现象,大大提高分类的精度。     

影像融合和面向对象技术在湿地分类中的应用

利用SPOT全色波段影像和Landsat ETM+多光谱影像,采用波段特征分析法和改进的最佳波段指数法确定最佳融合波段。选择具有代表性的HSV变换、Brovey变换、PCA变换、Gram-schmidt变换和小波变换方法进行影像融合。针对融合后的影像采用定量评价法进行质量评价,通过不同地物的光谱、空间和纹理信息等进行比较分析构建适当的分类特征和规则,采用面向对象的遥感分类方法进行分类。结果表明,波段特征分析法和改进的最佳波段指数法结合,可以获得最佳融合波段。各融合方法均有效提升了影像效果,其中HSV和GS变换融合方法更好地保持了影像的多光谱和高分辨率特性,融合后各地物特征分类明显,可以有效应用于湿地分类;采用主成分分析法来设置面向对象分类中的波段权重,可以利用各波段信息量的差异进行影像的分割。基于各种遥感指数的面向对象分类方法用于湿地分类获得了93.62%的分类精度,与传统的分类方法相比有了很大进步,在湿地分类中具有很大的应用潜力。     

面向对象分类提取高分辨率多光谱影像建筑物

初步测试利用基于知识规则的面向对象分类方法从高分辨率Ikonos卫星影像上提取建筑物,包括:融合1 m全色和4 m多光谱波段影像,生成1 m分辨率的多光谱融合影像;分割融合影像;利用影像对象的光谱和空间特征执行基于对象的分类。面向对象分类提取结果与传统的基于像元最大似然分类结果进行对比,表明面向对象分类方法更适用于提取高分辨率遥感影像中的建筑物。     

结合光谱角的最大似然法遥感影像分类

遥感影像含有丰富的信息,反映了地物特征。其中光谱角侧重描述了光谱的形状特征,具有对多光谱图像增益不敏感的特点。最大似然法是遥感影像分类最常用的方法之一,文中对该方法的后验概率判别函数进行修改,将光谱角以概率因子的形式加入到判别函数中构造一种新的判别函数,有机地将光谱角这一特征信息加入影像分类。通过实验,并与最大似然法和光谱角匹配法分类结果进行比较,结果表明,结合光谱角的最大似然分类法的分类精度得到提高。     

二型模糊集合在遥感影像土地利用分类中的应用

在遥感影像土地利用分类中,传统的布尔分类法只考虑地物光谱信息,用"是"与"非"的二值确定逻辑状态分类影像,当存在较多混合像元时,其不能满足一些实际应用的要求。模糊分类法综合了地物光谱特征、空间特征和对象的拓扑关系,对每个像元的归属用[0～1]的模糊度来表示,有效地解决了该问题。通过对研究区TM影像进行传统布尔法分类和模糊分类法分类的结果比较可知:对混合像元较多且波段较少的遥感影像土地利用分类,二型模糊集合分类能够适应用户不同精度需求,并能交互式输出结果。     

基于分辨率融合的多尺度遥感影像分类技术研究

影响遥感图像分类效果的主要因素之一是影像的空间分辨率。本文将Quickbird多光谱影像与高分辨率全色影像相融合,在保留了光谱信息的同时提高了影像分辨率。然后对融合后的影像进行多尺度分割,并运用地物的光谱统计特征、形状、纹理、类间关系等因素进行相关信息的提取。采用面向对象的模糊分类方法对试验区影像进行分类,最后对结果进行了精度评价。试验表明这种方法具有较高的精度。     

一种基于模糊混合像元分解的高光谱影像分类方法

高光谱遥感影像较低的空间分辨率使得混合像元大量存在于影像中,不仅影响了基于高光谱影像的地物要素识别能力,而且还降低了高光谱影像的分类精度。本文提出了一种基于模糊混合像元分解的高光谱影像分类方法。该方法主要利用约束能量最小化法设计的FIR线性滤波器,使得影像通过滤波器后输出与每类地物类别相关的"丰度图",其维数等于类别数;最后利用类中心匹配分类法实现高光谱影像的分类。实验结果表明,提出的分类方法与直接利用类中心匹配分类法相比,提高了影像的分类精度。     

基于多尺度特征融合和支持向量机的高分辨率遥感影像分类

相对传统的中低分辨率遥感数据而言,高空间分辨率遥感影像同一地物内部丰富的细节得到表征,空间信息更加丰富,地物的尺寸、形状以及相邻地物的关系得到更好的反映,但其光谱统计特性不如中低分辨率影像稳定,类内光谱差异较大,而传统分类方法仅依据像元的光谱值,因此在高分辨率影像分类中,传统方法往往不能获得好的结果。在此背景下,提出了一种多尺度空间特征融合的分类方法,旨在利用不同尺度的空间邻域特征弥补传统方法的不足。其基本过程是：首先针对不同尺度特点,用小波变换压缩空间邻域特征,并结合支持向量机得到不同尺度下的分类结果,然后根据尺度选择因子为每个像元选择最佳的类别。文中QuickBird和IKONOS影像实验证明该算法能有效提高高分辨率影像解译的精度。     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。     

条件随机场模型约束下的遥感影像模糊C-均值聚类算法

遥感影像具有丰富的空间相关信息,而传统的基于像元光谱的聚类算法并不能将空间信息融入聚类,聚类结果往往不好。针对这一问题,本文提出了一种条件随机场模型约束下的模糊C-均值聚类算法,通过邻域像元的分类先验信息对中心像元的类别进行约束从而提取空间相关信息,基于二阶条件随机场将光谱信息和空间相关信息同时融入聚类,并使用环形置信度迭代算法得到像元分类后验概率的全局最优推测。试验证明,本文算法能够有效地保持地物的形状特征,分类精度相比传统算法有所提高。     

基于多层形状特征提取与融合的城市高光谱影像解译

以前的研究往往从像素光谱的角度来解译高光谱影像,忽略了像素间的空间上下文关系。本文提出一种基于像素和对象层形状特征提取与融合的方法,把多层形状特征和光谱信息用支持向量机(SVM)输出函数方法进行融合,用于提取城市高光谱影像的形状特性,利用影像的空间关系。实验用HydICE-DC航空高光谱数据对提出的方法进行了验证,结果表明:像素级形状指数能够提供比对象级形状指数更优的结果,但像素—对象级形状特征的融合,能够给出更高的精度。     

Advanced processing techniques for remotely sensed imagery

综述了遥感影像信息处理技术的研究进展,主要包括高分辨率影像信息提取技术、影像超分辨率、高光谱影像处理和目标探测,以及遥感影像处理与分类的人工智能方法.对于高分辨率影像处理,从纹理、形状、结构和对象的角度探讨了空间信息提取对于高分辨率影像解译的意义和作用,分析了小波纹理、空间共生纹理、形状特征提取和面向对象分类技术的进展和存在的问题;对于超分辨率技术,文章主要介绍了超分辨率技术的最新进展,及其在遥感影像(sPOT5和MODIS)中的应用;在高光谱数据处理方面,从纯净像元和混合像元两方面介绍了最新的进展.对于纯净像元方法.主要分析了植被指数和统计方法,混合像元方面,则主要分析了像元分解、端元提取的最新技术方法;在智能化信息处理方面,先回顾了神经网络和遗传算法在遥感图像处理中的应用,然后介绍了人工免疫系统对多、高光谱遥感影像分类研究的最新进展.     

结合Gram-Schmidt变换的高光谱影像谐波分析融合算法

针对高光谱影像谐波分析融合(HAF)算法在影像融合时不顾及地物光谱曲线整体反射率这一缺陷,提出了结合Gram-Schmidt变换的高光谱影像谐波分析融合(GSHAF)改进算法。GSHAF算法可在完全保留融合前后像元光谱曲线波形形态的基础上,将高光谱影像融合简化为各像元光谱曲线的谐波余相组成的二维影像与高空间分辨率影像之间的融合。它是在原始高光谱影像光谱曲线被谐波分解为谐波余项、振幅和相位后,首先将其谐波余项与高空间分辨率影像进行GS变换融合,这样便可有效地修正融合后像元光谱曲线的反射率特征,随后再利用该融合影像与谐波振幅、相位进行谐波逆变换,完成高光谱影像谐波融合。本文最后利用Hyperion高光谱遥感影像与ALI高空间分辨率影像对GSHAF算法进行可行性分析,再以HJ-1A等卫星数据对其进行普适性验证,试验结果表明,GSHAF算法不仅可以完全地保留光谱曲线波形形态,而且融合后影像的地物光谱曲线反射率更接近真实地物。     

高分辨率多光谱影像城区建筑物提取研究

城区高空间分辨率遥感数据由于存在大量同物异谱和异物同谱现象,应用传统的基于像元光谱分类的方法进行建筑物分类提取难以取得满意的效果。本文发展了一种从高分辨率Ikonos卫星影像上基于知识规则的面向对象分类提取城区建筑物方法,包括如下步骤：(1)融合1m全色和4m多光谱波段影像,生成1m分辨率的多光谱融合影像;（2）分割融合影像;（3）执行基于对象光谱的最近邻监督分类;（4）应用模糊逻辑分类器结合光谱、空间、纹理和上下文特征等知识规则进行建筑物分类。精度统计结果表明,本文提出的分类方法提取城区建筑物取得了93%的精度。     

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

遥感影像像元不确定性对SVM分类结果可靠性影响研究

在遥感影像获取过程中,由于地表环境复杂,传感器参数等因素影响,影像存在不确定性.通过分析不确定性产生的原因及特征,在像元尺度上构建像元光谱多义性、灰度差异性、分类信任度3个指标来度量影像不确定性.在此基础上,利用线性回归模型分析像元不确定性对支持向量机分类结果可靠性的影响.结果表明:像元不确定性对分类可靠性有一定影响,更具体地,像元不确定性越大,影像分类的总体正确性和一致性越低,基本呈现线性递减关系;像元不确定性对分类完整度和可靠度的影响在类别和影像间存在差异,其中,耕地和林地的分类完整度和可靠度与像元不确定性的线性关系较强.     

融合光谱及形态学信息的对象级空间特征提取方法

针对传统的高分辨率遥感影像分割方法仅利用光谱特征或者形态学特征的弊端,提出了一种融合光谱信息和形态学信息的多尺度分割算法。该算法首先利用差分多尺度形态学序列特征与影像光谱特征构造光谱-形态学特征集,然后利用Hausdorff距离计算相邻像素的边权值并构造图模型,利用最小生成树Kruskal算法完成影像的初始分割,最后结合分形网络进化的区域异质性准则完成区域合并。在该分割结果的基础上,提出了面向对象的灰度共生矩阵特征和面向对象的像元形状指数特征。实验结果显示,所提出的分割方法在效果和效率上均优于eCognition 8.0和Meanshift算法,并且对象级灰度共生矩阵特征和对象级像元形状指数特征明显优于传统的像素级特征。     

一种多特征转换的高光谱影像自适应分类方法

:光谱相似性测度用来衡量像元光谱的相似程度,是高光谱影像光谱匹配分类的重要工具之一,一般通过设置阈值判断像元光谱和参考光谱是否相似来进行分类。在此基础上,本文提出了一种多特征转换的高光谱影像自适应分类方法,实现了各种光谱相似性特征和分类器相结合的一种自适应分类。实验结果表明,本文提出的方法相比于传统的SVM方法,分类的总体精度更高,还可以避免部分传统光谱匹配分类方法中需要专家经验确定分类阈值的复杂过程。