基于样本自动选择与SVM结合的海岸线遥感自动提取

利用卫星遥感手段自动、快速、准确地测定海岸线动态信息是遥感应用的一个重要领域,对海域管理规划具有重要意义.由于近岸水体光谱特征受区域环境影响较大,在水陆分离过程中,利用传统的归一化差值水体指数(normalized difference water index,NDWI)阈值分割法时,一部分近岸水体易被错分为陆地,严重影响了岸线提取精度.为此,在NDWI模型的基础上,提出了基于样本自动选择与支持向量机(support vector machine,SVM)的海岸线遥感自动提取算法.首先进行NDWI计算与全局阈值分割,实现水体信息的初步提取;再通过NDWI信息控制初始样本的自动选择;然后利用SVM分类器对水体再次分类,实现海陆分离;最后填充小的陆地水体单元,实现岸线自动跟踪.实验结果表明,该方法能有效增强对近岸水体的识别能力,提高海岸线遥感提取的精度和自动化程度.     

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。     

基于SVM的多源遥感影像面向对象建筑物提取方法

在分析支持向量机(Support Vector Machine,SVM)分类技术和机载激光雷达(LIDAR)数据、航空影像特征的基础上,提出了基于SVM的LIDAR数据和航空影像的面向对象建筑物提取方法。结果表明,该方法充分利用了多源影像的互补信息,能够得到更高的信息提取精度,准确而快速地更新地理空间数据库,是一种有效的面向对象建筑物提取方法。     

结合支持向量机与粒度计算的高分辨率遥感影像面向对象分类

结合支持向量机技术与基于粗糙集的粒度计算,提出一种新的高分辨率遥感影像面向对象分类方法.首先,采用相位一致模型得到QuickBird全色影像的梯度图,并利用扩展最小变换技术获取地物目标的前景标识,进而采用强制最小技术重建梯度.在此基础上,采用分水岭变换得到较佳分割效果.然后,从多光谱波段数据中提取对象的光谱特征,并用G...     

一种顾及形状特征的遥感图像道路提取方法

依照单类分类和主动学习的基本原理,利用光谱信息和道路几何信息共同实现道路提取。首先人工标记部分道路与非道路样本,用SVDD训练筛选出初始道路与非道路样本点代入SVM得到初始分类图,路径开运算处理之后进行直线匹配获取二值道路图。接下来是一个主动学习过程,根据样本点离超平面的距离及与二值道路图的匹配结果选取最终样本。将留下的样本点代入SVM中并赋以一定权值迭代训练,迭代固定次数之后选取正确率最高的SVM模型。最后利用路径开运算处理获取初始道路,经过形态学后处理得到最终的道路。实验结果表明,该方法可以有效地从高光谱遥感影像中提取道路。     

一种面向对象的城市湖泊遥感提取指数

城市湖泊是城市水资源环境的核心组成部分,可对城市区域微气候产生积极的调节作用,同时能反映当地的文化底蕴特色.在当今城市化进程的影响下,城市湖泊比自然湖泊更脆弱且更易发生变化.提出了一种面向对象的城市湖泊遥感提取指数方法,并以武汉市中心城区为研究区,实现了该研究区域城市湖泊对象的一次性提取.定量统计表明,湖泊提取的准确率...     

改进的OIF和SVM结合的高光谱遥感影像分类

文章提出了一种结合改进的最佳指数法(OIF)和支持向量机(SVM)进行高光谱遥感影像分类新方法.利用本文提出的稳定系数进行波段初选择,根据相关系数选择波段组合生成新影像,并对新影像进行OIF计算,得到OIF值最大的波段组合为最佳波段组合;构建SVM分类器,对最佳波段组合分类;最后将分类结果与其他监督分类方法比较,并在相同核函数下与PCA和SVM结合的方法进行精度比较分析.实验结果表明,本文方法能够有效提取最佳波段组合,在SVM算法下获得较高分类精度.     

面向特定目标地物提取的改进最佳波段组合方法研究

提出了一种利用一类支持向量机（OC-SVM）进行特定目标地物提取的改进最佳波段组合方法（MOIF）。以Landsat8卫星影像作为数据源,对江苏省沿海滩涂光伏电站进行了提取试验,并利用人工解译的结果进行了精度评定。结果表明,本文提出的波段组合方法能够有效提取特定的目标地物。     

利用主题模型的遥感图像场景分类

提出了一种基于主题模型与特征组合相结合的遥感图像分类方法。该方法首先对图像进行尺度不变特征变换(SIFT)、几何模糊特征(GB)和颜色直方图特征(CH)提取,接着利用潜在概率语义分析(pLSA)模型分别对所得到的图像特征进行潜在主题的挖掘,然后对所得到的主题概率特征进行组合,最后利用支持向量机(SVM)分类器进行场景分类。实验表明,与传统分类方法相比,主题模型更具优势;与使用单特征相比,特征组合具有更高的分类准确率。     

面向对象的天绘遥感影像分类

天绘一号是我国第一代传输型立体测绘卫星,主要用于科学研究、国土资源普查、地图测绘等领域的科学实验任务。以天绘影像为实验数据,利用面向对象的影像分割技术,通过选择合适的尺度参数对影像进行分割。结合SVM对得到的影像对象层进行分类实验。具体分析了SVM分类器核函数的选择以及参数的设置对分类精度的影响。最终分类实验结果的总体精度为90.857 1%,Kappa系数为0.858 1。将分类结果与传统基于像元的马氏距离分类法和最大似然值分类法的分类结果进行比较,总体精度分别提高了约29.29%、5.91%,Kappa系数分别提高了约0.35、0.06。实验结果表明,面向对象的SVM分类法不仅对影像分类的精度有大幅度的提高,同时,也很好地解决了传统基于像素分类法出现的"椒盐"现象,是一种很有优势的影像分类法。     

遥感影像面向对象信息提取技术在GIS土地管理中的应用

本文主要研究通过高分辨率遥感影像和eCognition软件,利用面向对象信息提取技术来获取村庄尺度土地利用类型空间数据的技术方法。本项研究中的实验区主要地物包括麦田、旱作物、荒地、苗圃、道路、水体、建设用地和树木等类型。通过设置不同的分割参数并目视判定待识别地类的轮廓分割效果,获取适用于村庄尺度土地利用类型分类的最优分割参数,并通过分类精度对比说明面向对象信息提取相对于传统分类方法的巨大优势。     

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。     

改进支持向量机的高分遥感影像道路提取

针对支持向量机受分类数的限制在高分辨率遥感影像中无法直接获取高精度道路网信息的问题,该文提出一种新的混合的基于支持向量机的方法:首先,利用模糊C均值聚类方法将输入的遥感影像分为3类,以减少支持向量机的错分现象;其次,运用支持向量机将不同类别的像素分为道路类和非道路类;最后,应用马尔科夫随机场对分类结果进行噪声去除,并采用形态学进行后处理,进而得到精确道路网信息。实验结果表明:该算法不仅能够从高分辨率遥感影像中提取出道路网,而且精度优于直接使用支持向量机算法以及对比算法。     

“全域-局部”不透水面信息遥感分步提取模型

提出"全域-局部"遥感信息分布提取模型,通过计算和整合影像局部范围内的空间和光谱特征来优化全域上光谱混淆较大像元的提取精度。模型分为两个主要计算步骤:"全域"前分类与"局部"后分类;"全域"前分类将仅划分出满足一定精度阈值标准的像元,而"局部"后分类则在此部分分类结果基础上,进一步发掘和计算已分类像元所蕴含的信息来辅助对全域未分类像元的提取。在不透水面专题提取过程中,采用支持向量机SVM作为前分类器,通过控制精度阈值所对应的分类后验概率产生部分分类结果;采用调节最小距离分类器作为后分类器,根据一定的权重整合像元局部范围内的空间与光谱信息,代替了传统的全域光谱信息来优化分类。实验采用TM5影像以及所对应的NLCD(National Land Cover Data)标准不透水面产品作为测试集,"全域-局部"模型对应单一SVM模型的提取精度由80.31%提高为82.73%,局部后分类器精度较单一SVM模型由54.27%提高到59.94%。实验证明该模型具有较明显的精度提升且能够较好地解决不透水面与裸土混淆的问题,并得到空间形态上更为完善的不透水面提取结果。     

不同时相遥感影像的土地利用分类精度分析

土地利用调查对遥感影像的获取有很强的时间性、季节性要求。本次研究选取研究区不同时相的SPOT5遥感影像进行计算机自动分类试验,结合野外实地调绘工作,统计分类精度,拟合分类误差与时相间的回归关系,推导相关回归函数,对遥感影像开展综合分析与评价,提高遥感数据在土地利用调查中的利用率。     

喜马拉雅山地区冰湖信息的遥感自动化提取

在“全域—局部”分步迭代水体信息提取方法的基础上, 通过对水体信息提取指标——水体指数的物理特性的分析实现了算法中全域阈值的自动选择与局部阈值的自适应调整, 并结合DEM 生成的山体坡度和阴影信息,减少局部迭代过程中对其他地表特征与水体信息的误判。在此基础上, 建立一种适合于高山地区冰川湖泊的自动化提取方案。试验采用Landsat 数据对喜马拉雅山地区的冰川湖泊进行信息提取, 结果表明该方法能够快速准确地完 成大区域范围内的冰川湖泊制图, 并能最大程度地消除高山地区湖泊水体识别中冰川和山体阴影的影响。     

一种顾及上下文的高光谱遥感图像端元提取方法

端元提取技术是混合像元分解中重要的步骤之一,传统的端元提取方法仅考虑了像元的光谱信息。本文将数学形态学算子扩展到高光谱空间,并应用到端元提取技术中,可以顾及像元的上下文信息。利用AVIRIS高光谱仿真数据对算法进行了实验验证,结果表明本文算法具有较强的抗噪能力和较高的可靠性。在此基础上,结合徐州地区的EO-1 Hyperion高光谱遥感图像,使用本文算法进行了端元提取应用研究,将实验结果与纯净像元指数、顶点成分分析方法做了对比分析和精度评价,证明本文算法是一种可靠的高光谱遥感图像端元提取技术。     

高光谱遥感影像SVM分类中训练样本选择的研究

支持向量机(SVM)分类的关键是发现分类最优超平面及类别间隔,而混合像元比纯净像元更接近类别边界,更容易找出最优超平面。本文针对SVM分类器的特点,在高光谱数据分类中采用混合像元作为训练样本对SVM进行训练,试验表明采用类别边界上的混合像元作为训练样本是可行的,能够获得与纯净训练样本接近的分类精度,进一步验证了SVM分类对训练样本空间分布依赖度较低的特点。     

高分辨率遥感影像建筑物分级提取

高分辨率遥感影像建筑物信息自动提取是遥感应用研究中的一个热点问题,但由于受到成像条件不同、背景地物复杂、建筑物类型多样等多个因素的影响使得建筑物的自动提取仍然十分困难。为此,在综合考虑影像光谱、几何与上下文特征的基础上,提出了一种基于面向对象与形态学相结合的高分辨率遥感影像建筑物信息分级提取方法。该方法首先利用影像的多尺度及多方向Gabor小波变换结果提取建筑物特征点;然后采用面向对象的思想构建空间投票矩阵来度量每一个像素点属于建筑物区域的概率,从而提取出建筑物区域边界;最后在提取的建筑物区域内应用形态学建筑物指数实现建筑物信息的自动提取。实验结果表明,本文方法能够高效、高精度地完成复杂场景下的建筑物信息提取,且提取结果的正确性和完整性都优于效果较好的PanTex算法。     

无人机遥感影像的城市绿地信息提取

针对传统人工城市绿地调查费时、费力等问题,该文提出了一种利用无人机遥感进行城市绿地信息提取的思路和方法。设计构建了基于固定翼无人机平台的遥感系统,对宁波市部分区域进行航飞实验。采用PixelGrid软件对无人机影像进行了预处理,得到测区正射影像。采用基于像元统计特征分类和面向对象分类两种方法,对研究区进行绿地信息快速提取并进行了精度验证。研究结果表明,利用最大似然分类法和归一化绿红差异指数法提取精度最高,分别为81.73%和80.23%。