主动学习与图的半监督相结合的高光谱影像分类

针对当前高光谱影像分类时,人工标注样本费时费力以及大量未标记样本未有效利用等问题,提出了一种主动学习与图的半监督相结合的高光谱影像分类方法。首先,将像素的光谱信息与其邻域内的空间信息相结合,利用重排序机制得到一种旋转不变的空谱特征表达。在此基础上,利用主动学习算法选择最不确定性样本(即分类模糊度最大的样本),提交操作者标注得到标记样本集。最后将该标记样本与未标记样本组合,用于图的半监督分类。该算法可保证类别边界样本的选择,利于分类器的边界构造,同时,在较少标记样本情况下,通过引入大量的未标记样本,可以达到较好的分类效果。在3幅真实高光谱影像上的试验表明,该方法可以取得精度较高的分类结果。     

灰度直方图与K-最近邻的影像分割算法

针对灰度直方图在影像分类时需要考虑阈值和K-最近邻分类算法分类效率低等问题,提出了一种基于灰度直方图与KNN相结合的影像分割算法:首先对待分割的影像进行灰度直方图统计;其次利用灰度直方图对影像进行硬阈值的划分,得到已知类别样本和未标记样本;然后选择一定数量已知类别的样本对KNN分类器进行训练;最后利用KNN分类器对未标记样本进行类别划分,得到最终分割图像。实验结果表明,该算法结合了灰度直方图高效性和KNN高精度的优势,避免了直方图分割最佳阈值的选取;与传统的KNN算法相比,本文算法大大提高了分类效率,且精度相当,满足实际生产应用的需求。     

基于特征层融合的高光谱图像异常检测算法研究

介绍了一种基于特征层融合的异常检测算法。目前，其他的目标检测算法都需要知道有确定类别标记的样本，而一般的异常检测则是利用统计特征差异分割出图像中不同于背景的点。此方法减少了对先验信息的依赖，但是其结果存在较大虚警。提出的异常检测算法是利用低概率检测算法对高光谱数据先进行特征层融合，再进行分割、提取异常点，其结果降低了虚警和漏警。用这一方法对OMIS系统产生的数据进行了处理，取得了较好的结果。     

基于特征层融合的高光谱图像异常检测算法研究

介绍了一种基于特征层融合的异常检测算法。目前，其他的目标检测算法都需要知道有确定类别标记的样本，而一般的异常检测则是利用统计特征差异分割出图像中不同于背景的点。此方法减少了对先验信息的依赖，但是其结果存在较大虚警。提出的异常检测算法是利用低概率检测算法对高光谱数据先进行特征层融合，再进行分割、提取异常点，其结果降低了虚警和漏警。用这一方法对OMIS系统产生的数据进行了处理，取得了较好的结果。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

基于mGA-SVM算法的高分影像面向对象分类研究

高分辨率遥感卫星影像是获取地物精细类别的重要数据源,快速准确地获取土地利用和土地覆盖分类信息可为土地利用规划、土地管理等提供重要的数据支撑和决策依据。本文开展了高分辨率影像面向对象分类研究,首先,利用多尺度分割方法对高分辨率影像进行分割,基于分割对象,选取不同地物类别样本并计算光谱特征、纹理特征、几何特征。然后,针对特征冗余问题,利用最大相关最小冗余算法选择优先级较高特征,在此基础上结合遗传算法对特征集进行适当扩充(m GA)。在面向对象分类过程中,通过利用遗传算法对支持向量机模型进行快速参数寻优,并在此基础上对分割对象进行分类。最终地物总体精度达到85.93%,Kappa系数为0.828 2。并将分类结果与最近邻分类和随机森林分类结果进行了比较,地物分类精度提高了4.05%和6.81%。实验结果表明:基于m GA特征优化及SVM参数选择进行改进的面向对象的分类方法是有效的。     

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。     

结合小波变换、SVM和投票法的ASTER影像岩性分类——以东天山尾亚地区为例

为了更加准确地利用ASTER影像辅助填图，提出了一种结合小波变换、支持向量机（SVM）和投票法的ASTER影像岩性自动分类方法。首先，采用Haar小波对ASTER影像进行多尺度小波分解，统计小波系数的均值作为纹理特征，同时提取灰度共生矩阵（GLCM）方差、同质性、均值纹理特征；然后，利用小波纹理、GLCM纹理及光谱特征构造SVM分类的特征向量，并进行10次重复分类；最后利用投票法确定岩性单元。对结果进行统计评估，结合多种纹理，并利用投票法得到的岩性分类精度为92.1934%,Kappa系数为0.9202，比仅用光谱分类精度提高了13.3369%。小波纹理能提取更细节的岩性信息；投票法可以避免岩性因样本的空间变异性产生的动态变化，优化分类结果；SVM较最大似然法（MLC）更适合于训练数据集高维且非正态分布的岩性分类；采用人工蜂群算法搜索SVM的最优参数，可避免参数局部最优。     

一种针对精化样本的非监督SAR变化检测方法

针对非监督框架下的深度学习SAR变化检测方法在样本选取时出现样本非平衡及冗余问题,改进了一种针对精化样本的非监督SAR影像变化检测方法:利用分层FCM针对不同差异图进行分割确定初始类别;提出利用邻域清理规则进行潜在错误样本剔除并利用异质类空间距离完成对样本的筛选;构造卷积神经网络完成对待确定类别像素的分类,得到最终变化结果.采用三组实验数据进行实验,结果表明该文方法可行有效,且能在较好应对样本问题的同时具有较高的变化检测精度.     

生成模型学习的遥感影像半监督分类

以生成模型最大似然估计为例,引入结合已标记样本和未标记样本的半监督分类方法来解决遥感影像分类中的小样本问题,应用已有的少量已标记样本初始化一个分类器,结合大量未标记样本,通过递归计算的方式对分类器进行优化,直到包含所有样本的似然函数收敛到局部极大值。通过分析遥感影像待分类类别与影像中地物类型固有特征之间的关系,设计两个在不同生成模型假设下的分类实验。结果表明,未标记样本的参与可在很大程度上提高小样本条件下的影像分类精度,但两种样本的数量应保持一个适当的比例。最后通过与在解决小样本分类问题方面有独特优势的SVM方法的分类比较,发现在小样本情况下,本文方法具有更好的应用潜力。     

使用深度学习的遥感三分类分割问题的精度提高方法

传统的基于光谱相似性的分割方法无法将具有相似光谱特性的不同地物分割开来,并且会存在错分现象。利用深度学习直接进行三类地物的分割,其分割效果不能满足实际要求。本文改进了最新的UNet++模型,提出一种将三分类分割问题分解成两个二分类分割的方法来提高分割精度。首先将三类别样本制作为两个单类别样本;其次分别训练二分类网络,在测试集上将二分类结果输出为0～100之间的概率;最后将二分类结果按概率融合为三分类。实验结果表明,改进的UNet++模型精度有显著提升,同时将三分类化为二分类算法的分割结果,其各项评估指标也均有提升,平均交并比MIoU、平均精确度MP、平均召回率MR和平均像素精度MPA分别提高了0.3%、1.8%、1.5%和4.5%。     

融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。     

利用小波变换的高分辨率多光谱遥感图像多尺度分水岭分割

为了减少仅用分水岭变换而导致的过分割问题,本文提出利用小波变换的多尺度处理方式用于融合后多光谱QuickBird图像的分割。整个分割过程包括多尺度图像表示、图像分割、区域合并和结果映射等过程。首先,依据原始图像的大小确定分解尺度并用小波变换产生各波段的低尺度图像。采用相位一致模型提取各近似系数的梯度,并逐尺度地融合各梯度图。分析不同尺度下的不同地物的局部梯度方差,以选择最佳的小波分解尺度。然后,通过移动阈值与扩展最小变换,利用多层次标记提取方法标记均质区域。进而,在梯度重建的基础上利用标记分水岭变换得到分割图像。其次,采取空间相邻关系、面积、光谱与纹理等多约束策略,以搜索最小合并代价的方式合并最初分割区域中的邻接区域对。最后,修改细节子图并进行小波逆变换将最初分割结果投影到更高尺度图像,同时处理边界上的像元以保持区域边界直至原始图像。实验结果表明本文方法不仅能够用于高分辨率多光谱遥感图像的分割,而且缓解了过分割问题且取得了较准确的分割效果。     

基于标记分水岭分割的高分辨率影像水体信息提取

提出一种基于标记分水岭分割的高分辨率卫星融合影像提取水体信息的方法。首先采用pansharpening 融合法获得光谱扭曲小的高分辨率卫星融合影像;其次利用标记分水岭算法对高分辨率卫星融合影像进行分割;最后在分割基础上利用水体指数模型提取水体信息。采用QuickBird高分辨率遥感影像数据试验,与eCognition多尺度分割提取水体方法的结果相比,表明本文方法更快速有效,具有实用推广价值。     

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。     

高分一号多光谱遥感数据的面向对象分类

文章针对高分一号(GF-1)高分辨率遥感数据,提出了一种基于多特征的面向对象遥感图像分类算法:首先,对GF-1卫星数据进行分水岭分割,并利用仿射不变矩形状特征算子获得遥感图像的几何特征;其次,利用主成分分析和灰度共生矩阵获得遥感图像的纹理特征;然后,基于多特征数据进行均值漂移滤波,并利用自动标记分水岭分割方法实现遥感图像分割;最后,结合基于像元的最大似然监督分类结果做投票分类处理,从而实现面向像元与面向对象相结合的遥感数据分类.以高分一号遥感数据进行分类实验,结果表明:本文方法可有效地提高遥感图像分类精度.     

基于特征距离的多类SVM分类方法研究

提出了一种基于特征分离性测度的面向对象分类方法。首先利用区域增长分割影像获得影像对象,并计算光谱、纹理、形状等多种分类特征,然后在构建多类SVM分类器过程中,对于任意两个分类类别对,利用Jeffries-Matusita距离选择最合适的特征。实验证明,相比于原始方法,基于Jeffries-Matusita距离的多类分类器能够有效减少建筑物、道路等复杂地物的误分现象,提高分类的总体精度和Kappa系数。     

多种分类器结合的遥感影像分类研究

通过对遥感影像的分类方法及原理的分析,以多光谱遥感影像为依据,采集农田、菜地、居民地等三类地物样本.利用Matlab软件,分别使用最短距离分类器、贝叶斯分类器及BP神经网络分类器三种分类器将遥感影像进行分类实验.通过投票法,融合不同分类器最终的输出结果,将多种分类器的遥感影像分类进行整合,提高了影像的分类精度.     

一种高分辨率彩色遥感影像的道路检测方法

提出了一种采用FLD特征抽取分类和形状特征相结合的道路检测方法。首先,对标记的样本进行颜色信息的抽取;其次,利用Fisher线性判别对抽取的信息进行遥感影像特征分类,将影像分为道路和非道路两类;然后根据分类结果进行阈值分割检测初步道路网;最后利用道路的形状特征和形态学处理去除误提的信息优化检测结果。实验证明,该方法可以实现具有颜色信息的遥感影像主干道路的检测。     

结合空间—光谱信息的快速自训练高光谱遥感影像分类

自训练方法被广泛应用于高光谱影像分类任务中以解决标记样本获取困难的问题。传统的自训练方法不仅忽略了高光谱影像所能提供的空间信息,导致最终分类精度受到影响;同时在每次迭代过程中都需要完成一次对未标记数据的分类任务,导致需要大量的时间成本。因此,针对上述问题,本文提出了一种基于空间—光谱信息的快速自训练方法用于高光谱影像分类。与传统的自训练方法不同,该方法在迭代过程中使用空间—光谱信息对未标记数据进行筛选完成标记样本的扩充,而不是使用分类器对未标记样本进行分类。首先针对初始标记样本使用空间邻域块选择空间近邻点,然后使用自适应阈值对空间近邻点进行二次筛选得到空谱近邻点赋予标记,最后根据扩充后的标记样本对分类器进行训练完成分类任务。结果表明,在Washington DC Mall Subimage高光谱数据集中每类分别选择2个和10个训练样本时,整体分类精度分别达到了93.17%和95.43%;而在Indian Pines数据集中整体分类精度分别达到了59.75%和86.13%。我们提出的结合空间—光谱信息的快速自训练方法和对比方法相比,我们的方法有明显的提升。