结合目标分割的高光谱城市地物分类

结合高光谱影像地物光谱特征与高空间分辨率影像分割获得的目标对象进行地物分类。首先,对Hyperion影像进行坏线和Smile效应去除,经过FLAASH大气校正后,得到研究所用的155个波段;其次,利用地物光谱曲线的特征点确定适合地物识别的光谱分辨率,进行Hyperion影像降维,生成降维后所需的21个宽波段;然后,对IKONOS影像采用小波融合,利用多分辨率分割技术生成高空间分辨率影像目标对象;最后,基于层次分析法对分割后生成的目标对象进行分类,采用模糊隶属函数利用植被红边效应、水体在近红外波段吸收特征进行第1层次分类,再取距离值最大的前10个Hyperion影像波段作为标准最邻近分类的特征波段,完成第2层次分类。分类结果表明,研究区共分出9种地物类型,分类效果明显优于最大似然法分类与光谱角填图法。     

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。     

高分辨率遥感影像多特征协同地物分类方法

高空间分辨率遥感影像在提高对地物细节信息表达的同时,因地物类内光谱方差增大、类间光谱方差降低而造成了影像上地物识别与分类难度的增加。针对高分辨率遥感影像的地物分类问题,提出并实现了一种将光谱、纹理、形状等多特征综合协同的分类方法,并通过实验验证了该方法的有效性。     

土地利用遥感信息提取关键技术探讨

针对传统土地利用解译技术的局限性,通过深入分析地物光谱特征,采用光谱角分类技术对一级地类进行分类,再根据光谱角影像和二级地类光谱特征构建分类规则,进行二级地类分类的分类方法。使用该方法对遥感影像进行遥感解译,并与监督分类中的最大似然法分类结果进行分类精度比较,结果表明,该方法的分类精度明显优于最大似然法分类,面积精度和空间精度都有明显提高,可以作为复杂地类的分类方法。     

基于地物空间信息的浮动先验概率最大似然分类研究

利用遥感影像对地物进行分类识别时，既需要考虑地物波谱信息，也需要考虑其空间信息。现有遥感分类方法主要集中在利用像素的波谱信息，对各个像素进行独立分类，忽略了地物空间信息。考虑到传统最大似然分类（MLC）方法包括先验概率和条件概率密度函数两个核心环节，提出基于空间信息的浮动先验概率MLC方法，融合空间信息和波谱信息，以提高分类精度。在分析地物空间信息的基础上，总结了基于空间信息的浮动先验概率确定原则和依据，包括地物几何空间特征、情景特征、临近像素空间自相关定律、景观参数等，并设计了基于地物空间特征和临近像素空间自相关定律的浮动先验概率确定算法和分类流程。通过分类试验和误差矩阵分析，结果表明：基于空间特征和临近像素空间自相关定律的浮动先验概率MLC方法，能够融合地物的波谱信息和空间信息，克服最小距离、MLC等基于像素波谱信息的分类方法的缺点，显著提高地物分类精度。     

面向土地利用分类的HJ-1 CCD影像最佳分形波段选择

环境一号卫星（HJ-1）CCD影像光谱波段较少,地物之间的准确分类识别有一定困难。采用分形纹理辅助地物分类识别是一种有效方法,而波段选择是提高分类识别精度的关键。本文以江西赣州定南县土地利用分类为例,采用双毯覆盖模型对HJ卫星CCD影像6类典型地物的波谱分形特征进行了分析,利用不同地物在不同波段上的分形区分度差异构建了最佳分形波段选择模型,并利用该模型挑选出最佳分形波段来辅助土地利用分类,最后对分类结果进行检验。结果表明：最佳分形波段选择模型能够综合权衡不同地物在不同波段上的分形区分度差异,利用挑选出来的最佳分形波段来辅助分类,其分类总体精度相对于原始影像分类提高了11.77%,相对于第1主成分分形辅助下的分类提高了1.56%。     

多特征流形鉴别嵌入的高分辨率遥感影像分类

针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法。该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保证在嵌入空间上尽可能不同地物特征分离、相同地物特征紧聚,确保相同地物光谱、纹理特征的相似性,完成光谱、纹理鉴别特征的有效提取,以充分挖掘影像特征,有效提高影像的分类精度。在GF-2遥感数据集上进行试验,结果表明本文算法可实现多特征的有效融合,分类精度均优于传统方法,可达93.41%。     

高光谱遥感城市植被识别方法研究

传统的植被状况调查方式费时、费力,并且更新困难,而高光谱遥感数据图谱合一,能够更精细、准确地进行遥感地物识别和分类,因此采用Hyperion高光谱数据来研究地物混合严重并且呈零星碎片状的城市植被。利用混合像元分解思想改进Gram-Schmidt融合算法,将Hyperion高光谱和ALI全色波段进行融合,提高光谱数据的空间分辨率,来解决城市植被像元混合严重和分布过于零散破碎难题,进而提高植被识别精度。为了避免高光谱植被识别陷入维数灾难,采用主成分分析对融合后的高光谱数据进行数据降维。最后,在地面光谱成像仪获取的纯净像元光谱信息辅助下,选取训练样本进行最小距离分类,完成植被类型识别,总体精度达到84.9%。     

改进相似性测度的高光谱影像FCM聚类分析

高光谱遥感将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起,能够实现地面目标的精细分类识别。FCM是一种有效的聚类算法,但存在相似性测度模型单一、分类精度的提高受到限制等问题。文中结合高光谱影像的技术特点,综合考虑光谱曲线的形状、地物辐射亮度及其权重,提出可以更好描述光谱向量之间的相似性的距离测度,并将其引入到FCM聚类模型中。聚类分析试验结果表明：通过改进和优化相似性测度的FCM,可以显著提高高光谱影像聚类精度。     

SPOT卫星影像的水体提取方法及分类研究

文中分析了水体及其它主要的地物的光谱特征在SPOT曩像中的表征特征，发现大多数地形阴影与水体的光谱特征具有一定的相似性，因而用单一的方法很难有效地提取山区的水体，经过研究，发现用决策树分类方法，在各节点设计不同的分类器，可以有效地提取山区中的水体，由于不同类型的水体其面积，周长，形状等几何特征各有特点，并且与地貌类型有一定的关系，因而可利用水体的空间特征信息，对提取的水体进行分类，其方法也选用决策树分类方法，分类结果令人满意。     

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.     

基于多特征对象的高分辨率遥感影像分类方法及其应用

提出了基于多特征对象的高分辨率遥感影像分类方法，分析了该方法相对于基于像元的和单纯依靠光谱特征的传统处理方式所具有的优势，总结了该方法的特点，并给出了相关实验结果。实验表明，对于高分辨率遥感影像，基于多特征对象的分类技术能产生较好的结果。     

基于RS与GIS的固阳县土地利用变化研究

采用单一遥感影像和单纯的监督分类方法,在土地利用调查中,难以获得高精度的土地利用变化数据。为解决此问题,笔者以包头固阳县为研究区,利用主成分变换的方法,对多源遥感影像（ETM＋多光谱数据和中巴资源二号卫星全色波段数据）进行融合处理;同时,在分类中,采用监督分类辅以目视解译分类法相结合的混合分类法,改进训练样本选取方法,进行变化信息的提取,同时给出了易混淆地物的遥感解译标志。此方法的使用,使土地利用信息自动提取的精度明显提高,得到的总体分类精度为82．13％,Kappa指数值0．8016。研究结果为包头市固阳县土地利用变化动态监测,提供了重要的技术支持和借鉴。研究中使用了中巴资源二号卫星影像,取得了一定的成效,这在国内土地利用变化影像应用研究方面还较新,需进一步的研究,同时由于此影像的免费使用,使得成本费用大大降低,值得大力推广。     

基于纹理和光谱信息的高分辨率遥感影像分类

提出了一种基于纹理和光谱信息的高分辨率遥感影像分类方法,阐述了其基本原理,并通过试验的对比和分析,证明了利用光谱特征与纹理特征相结合进行分类比单纯运用光谱特征进行分类效果更好。     

基于多特征的遥感影像分类方法

提出了一种基于多特征的遥感分类方法。首先 ,制定类方案并分解各个类 ,据此得到相应的子类 ;然后 ,通过选用适当的特征 ,使得每一个类都能以一个独特的特征组合来表达。与此同时 ,通过影像分割得到影像对象 ,并测量这些对象的各个特征 ,如光谱特征、几何特征及拓扑特征等。凭借这些特征 ,影像对象可以较为容易地被识别和分类。与传统的分类方法的比较表明 ,文中所提出的分类方法具有明显的优越性和良好的前景。     

黄河口遥感图像光谱混合分解

探讨了用逻辑斯蒂法进行了光谱混合分解的新技术，采用黄河口LM图像进行了分析。结果表明，它不仅能给出分类结果图像，而且能产生组成像元各地类的丰度图像，说明分类图像是在某种置信度下的结果。     

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。     

面向对象的多尺度水体信息提取

以安徽省阜阳市阜南县东南部为研究区,利用LandsatTM数据,基于面向对象的多尺度分类方法,选取合适的分割尺度创建分类对象;通过分析研究区各种地物复杂的光谱响应特征,建立水体信息提取的知识规则集,对研究区水体进行提取研究。研究表明,与传统的利用单波段和NDWI等方法所提取的水体相比,规则推理法在提取水体时可以消除一些影像上其他干扰信息的影响,取得较好的提取效果和精度。除此之外,该方法简单易行,水体提取的规则集对于用户来说是透明的,易于理解。     

A spatial–temporal Hopfield neural network approach for super-resolution land cover mapping with multi-temporal different resolution remotely sensed images

The mixed pixel problem affects the extraction of land cover information from remotely sensed images. Super-resolution mapping (SRM) can produce land cover maps with a finer spatial resolution than the remotely sensed images, and reduce the mixed pixel problem to some extent. Traditional SRMs solely adopt a single coarse-resolution image as input. Uncertainty always exists in resultant fine-resolution land cover maps, due to the lack of information about detailed land cover spatial patterns. The development of remote sensing technology has enabled the storage of a great amount of fine spatial resolution remotely sensed images. These data can provide fine-resolution land cover spatial information and are promising in reducing the SRM uncertainty. This paper presents a spatial–temporal Hopfield neural network (STHNN) based SRM, by employing both a current coarse-resolution image and a previous fine-resolution land cover map as input. STHNN considers the spatial information, as well as the temporal information of sub-pixel pairs by distinguishing the unchanged, decreased and increased land cover fractions in each coarse-resolution pixel, and uses different rules in labeling these sub-pixels. The proposed STHNN method was tested using synthetic images with different class fraction errors and real Landsat images, by comparing with pixel-based classification method and several popular SRM methods including pixel-swapping algorithm, Hopfield neural network based method and sub-pixel land cover change mapping method. Results show that STHNN outperforms pixel-based classification method, pixel-swapping algorithm and Hopfield neural network based model in most cases. The weight parameters of different STHNN spatial constraints, temporal constraints and fraction constraint have important functions in the STHNN performance. The heterogeneity degree of the previous map and the fraction images errors affect the STHNN accuracy, and can be served as guidances of selecting the optimal STHNN weight parameters.     

Recent advances in hyperspectral image processing

Hyperspectral images (HSI) provide a new way to exploit the internal physical composition of the land scene. The basic platform for acquiring HSI data-sets are airborne or spaceborne spectral imaging. Retrieving useful information from hyperspectral images can be grouped into four categories. (1) Classification: Hyperspectral images provide so much spectral and spatial information that remotely sensed image classification has become a complex task. (2) Endmember extraction and spectral unmixing: Among images, only HSI have a complete model to represent the internal structure of each pixel where the endmembers are the elements. Identification of endmembers from HSI thus becomes the foremost step in interpretation of each pixel. With proper endmembers, the corresponding abundances can also be exactly calculated. (3) Target detection: Another practical problem is how to determine the existence of certain resolved or full pixel objects from a complex background. Constructing a reliable rule for separating target signals from all the other background signals, even in the case of low target occurrence and high spectral variation, comprises the key to this problem. (4) Change detection: Although change detection is not a new problem, detecting changes from hyperspectral images has brought new challenges, since the spectral bands are so many, accurate band-to-band correspondences and minor changes in subclass land objects can be depicted in HSI. In this paper, the basic theory and the most canonical works are discussed, along with the most recent advances in each aspect of hyperspectral image processing.