基于证据理论的水稻遥感信息提取方法研究

水稻播种面积是农业管理部门关心的重要问题之一。本文介绍了证据理论在遥感图像分类上的应用,并以汉川市为示范区,采用2002年TM遥感影像,在GIS技术支持下,通过建模运算,剔除不可能是水稻的像元。然后将证据理论用于影像分类,将影像初次分类结果,与参考图对照,将不满足要求的区域提取出来,再次进行第二次分类。将第二次分类结果与参考图对照,显示分类效果满足要求;若不满足要求,可继续进行再次分类,直到分类效果满意为止。将两次分类结果中的水稻信息进行叠加,提取出水稻遥感信息,经检验精度达到91.39%。     

基于证据理论的遥感图像分类方法探讨

遥感图像分类是一项十分重要而且复杂的问题。传统的图像分类方法多数是基于贝叶斯主观概率理论的图像分类方法,由于其在解决不确定性问题上存在诸多缺陷,近年来,将数学的证据理论应用于遥感图像分类已成为新的发展趋势。本文首先介绍了证据理论与贝叶斯主观概率理论对于解决不确定性问题的差异,证据理论的主要定义和算法。文中还重点介绍了证据理论用于模式识别的支持度函数,并将支持度应用于图像分类,得到像元级按大类（如土地利用的城镇用地、耕地、林地和水体）划分的支持度表面,然后进行硬分类叠加,得到初次分类结果,再进行精度评估。如果不满足精度要求,再对各类支持度小于某域值的像元进行二次分类,如此下去,直到达到分类所要求的精度。该方法的主要优点是可以进行分类后的再分类,且精度非常高,而贝叶斯分类不可以进行分类后的再分类,只能重新训练样本进行整体分类,效率低,精度也难提高。该方法理论可靠,实用性强,易操作,有研究潜力。     

证据推理应用于多源信息融合分析

运用证据理论合并来自不同数据源的证据,以实现各种数据所含信息融合的原理和方法。该方法的最大特点是将数据源中存在的不确定性引入数据分析过程。另外,利用证据推理,可以在数据分析过程中方便地引入专家解译图解的经验和知识。最后通过利用ＥＲＳ ＳＡＲ数据和ＴＭ影像进行融合分析,证明该方法在遥感图解自动分类中有很好的应用前景。     

多特征融合的高分辨率影像建筑物变化检测

为充分发挥遥感影像中各特征的优势,提高遥感影像建筑物变化检测精度,基于面向对象的分析方法,提出了一种基于模糊集合的证据理论特征信息融合的变化检测方法。首先,在影像分割的基础上,利用变化矢量分析法分别计算前后时相对应对象的光谱、纹理特征差异及形态学建筑物指数差异;然后,以Sigmoid函数作为隶属度函数,计算对象属于变化类和非变化类的隶属度并以之构建证据理论所需的基本概率分配函数;最后,利用证据理论对多种特征进行融合并通过规则判定得到建筑物变化区域。利用不同地区影像的试验结果表明,该方法能够有效融合影像的多种特征,提高建筑物变化检测的精度。     

GPS在县级土地监测中的应用

应用遥感(RS)技术实现土地监测,投资少、时间短、效率高,为此南安市成立了国土资源信息监测研究室.本文着重讨论了应用GPS进行土地利用样本信息的采集工作,通过采用人工调查结合遥感判读的方式建立了遥感信息识别样本知识库,提高土地利用遥感分类的精度.还讨论了土地利用遥感监测在生产实际中的应用.     

基于D-S证据理论的多特征融合SAR图像目标识别方法

针对应用单特征SAR图像进行目标识别准确率低的问题,提出了一种将支持向量机(support vector machine,SVM)和D-S证据理论(Dempster-Shafer,D-S)相结合的多特征融合SAR图像目标识别方法.该方法在对SAR图像预处理的基础上,提取目标的纹理、Hu不变矩和峰值特征,并分别以这3类单特征的SVM分类结果作为独立证据,构造基本概率指派,通过D-S证据的组合规则进行融合,并根据分类判决门限给出最终的目标识别结果.将该方法用于SAR图像上的3类目标识别,识别率达95.5％,表明该方法是一种有效的SAR图像目标识别方法.     

一种排除D-S证据冲突的遥感影像变化检测方法

目前的遥感影像的变化检测倾向于多特征融合方法,然而以多特征进行D-S(Dempster-Shafer)证据合成时可能存在证据冲突,直接影响特征组合的合理性。基于证据冲突改进算法,本文提出了一种排除多特征证据冲突的遥感影像变化检测方法,该法通过对影像的边缘、纹理、梯度、形态建筑物指数特征进行信息提取,并在搜索窗和匹配窗中计算先后两时相影像结构相似度,利用改进D-S方法对其进行证据融合,排除不可信证据,提取影像变化信息。实验发现,本文提出的方法可有效排除冲突证据,提高特征组合合理性,具有较高的变化检测精度,不失为一种遥感影像变化检测新方法。     

基于目标分割和景观格局特征的城市土地利用分类

根据相同土地利用类型景观格局特征相似的原理,在传统遥感分类方法的基础上,结合景观生态学理论,建立了土地利用分类新方法; 应用SPOT遥感图像提取了北京市五环内的居民用地和非居民用地类型,总分类精度达到了85.9%,Kappa系数为71.1%.本研究结合学科交叉的优势,为遥感技术应用和土地利用信息提取提供了新思路.     

基于人工神经网络--多层感知器(MLP)的遥感影像分类模型

新一代遥感信息分类方法的应用,主要是将近年来发展起来的人工神经网络、模糊理论、人工智能等技术用于遥感信息分类,从算法上改进分类的精度.论述人工神经网络中的多层感知器(MLP)的基本思想,结合实例,用多层感知器(MLP)方法对单源及多源融合遥感影像进行了分类,并与各种分类方法的结果进行比较.     

人工神经网络在遥感数字图像分类处理中的应用

近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段,并有逐步取代最大似然法的趋势。本文重点讨论国外遥感图像分类处理研究中应用效果显着或应用前景广阔的一些神经网络方法。最后讨论了有关上述方法在遥感数据分类处理中实际应用的一些原则性问题。     

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。     

遥感图像分类自动选取最优波段组合的方法研究

在遥感影像计算机自动识别与分类中,选取最佳的波段子集对地物进行分类对提高分类精度至关重要。根据统计学原理,遥感影像中属于某类别地物的特征向量服从正态分布,训练样本的正态性检验是关键,基于此理论,本文利用TM影像数据,通过检验所选取的训练区的正态性与否,让计算机自动的选取最优的波段组合,并对分类的精度进行评估。研究表明,计算机自动选取最佳波段组合后对分类精度的预先评估,较常规分类后再进行数据检验精度评估方法方便,快捷,省时,省力。     

面向对象与卷积神经网络模型的GF-6 WFV影像作物分类

GF-6WFV影像是中国首颗带有红边波段的中高分辨率8波段多光谱卫星的遥感影像,对于其影像及红边波段对作物分类影响的研究利用亟待展开.本文结合面向对象和深度学习提出一种适用于GF-6 WFV红边波段的卷积神经网络(RE-CNN)遥感影像作物分类方法.首先采用多尺度分割和ESP工具选择最佳分割参数完成影像分割,通过面向对...     

增强型DeepLab算法和自适应损失函数的高分辨率遥感影像分类

高分辨率遥感影像地物复杂,分类难度大,而深度学习方法可以提取地物更多更深层次的特征信息,适用于高分辨率遥感影像的地物分类。本文研究对高分辨率影像中不透水地面、建筑、低矮植被、树、车辆等地物的高精度分类。结合遥感多地物分类的特点,以DeepLab v3+网络模型为基础,提出E-DeepLab网络模型。主要改进为：（1）改进编码器和解码器的结合方式,使用简洁有效的加成连接方式。（2）缩小单次上采样倍数,增加上采样层,提高编码器与解码器连接的紧密性。（3）使用改进的自适应权重损失函数,自动调节地物损失权重。同时根据数据特点,提出结合DSM、NDVI数据等多通道训练方式。使用两个地区数据进行实验,结果表明,两地区精度均明显优于原始DeepLab v3+模型和其他相关模型,Potsdam地区总体提取精度达到93.2%,建筑物提取精度达到97.8%,Vaihingen地区总体提取精度达到90.7%,建筑物提取精度达到96.3%。目视对比分类图和标准标记图,两者具有高度的一致性。本文所提出的E-DeepLab网络在高分辨率遥感影像地物高精度提取和分类中有较好的应用价值。     

A Remote Sensing Image Fusion Algorithm Based on the Second Generation Curvelet Transform and DS Evidence Theory

A new method of remote sensing image fusion is proposed based on the second generation Curvelet transform and Dempster-Shafer (DS) evidence theory. In this paper, the remote sensing images are decomposed by the Curvelet transform to get the coefficients and optimize the high coefficients with DS evidence theory. Firstly, the high resolution and multispectral remote sensing images are decomposed by the Curvelet transform to get the Curvelet transform coefficients of all layers (Coarse, Detail and Fine scale layer). Secondly, the Coarse scale layer is used the maximum fusion rule. The Detail scale layer is used by the weighted average fusion rule. The Fine scale layer is optimized by the DS evidence theory. Get the three features of the Fine scale layer coefficients. The three features are the variance, information entropy and energy. Use the features to be some parameters belief function and the plausibility function. Then compose the mass function and get new fusion coefficients. Finally, the fused image is obtained by the inverse Curvelet transform. The experimental results show that the new algorithm can more effectively than wavelet and other traditional fusion algorithms such as HIS, brovey in the remote sensing image fusion.     

结合多分类器的遥感数据专题分类方法研究

采用标准的多分类器结合方法进行遥感图像的分类研究。首先介绍了标准的多分类器结合的算法,然后以Landsat-TM多光谱遥感数据的土地覆被分类为例,分别给出了抽象级上相同训练特征的多分类器结合、抽象级上不同训练特征的多分类器结合和测量级上的多分类器结合进行土地覆被分类的方法,并进行了实例研究。参与分类器结合的单个分类器包括最大似然分类器,最小距离分类器,马氏距离分类器,K-NN分类器,多层感知器神经网络分类器。分类器的分类精度用总体精度、用户精度、生产者精度、kappa系数和条件kappa系数评价。结果表明,每一种多分类器结合的分类方法都能够比较显著地提高总体分类精度。文章最后对不同多分类器结合方式的优缺点进行了分析。     

基于无人机遥感和面向对象法的简单地物分类研究

近年来,全国各地进行了大范围的土地利用调查,随着无人机遥感技术越来越成熟,无人机影像分析技术已深入应用到土地利用调查中,其中最多的用途是地物分类。本文选择昭通市昭阳区某乡镇区域为研究区,对采集到的无人机影像进行预处理,生成对应的正射影像;基于多种可见光植被指数,计算每3种指数合并得到影像的OIF指数,确定最佳波段组合;采用基于规则和基于样本两种面向对象分类方法,提取房屋、道路、植被等简单地物及背景。分析结果:两种方法的提取精度均达到90%以上,基于规则的面向对象分类方法精度较高,但耗时较长;基于样本的面向对象方法耗时较短,精度相对较低。两种方法相结合的全自动分类提取是下一步研究的目标。     

变差函数和神经网络结合的遥感影像分类方法研究

提出利用地统计学变差函数对遥感影像纹理信息进行提取，将变差函数得到的纹理信息与光谱信息相结合，运用神经网络进行分类的遥感影像分类方法。将该分类方法应用于试验区，并与最大似然法的分类结果进行对比分析，结果表明，该方法具有较高的分类精度。     

基于高光谱影像的渤海海冰遥感监测研究

监督分类方法是海冰遥感监测中常用的有效方法,但不同的监督分类方法以及波段选择,在海冰识别中的精度有较大差异。为提高海冰监测的精度,本文使用高光谱传感器提供的可见光、近红外波段的连续成像光谱信息,对比了不同的波段组合在多种分类方法中海冰提取的精度,分析了不同波段组合、不同分类方法在海冰监测上的优缺点,最终得出海冰监测中最佳的波段组合以及最适宜的监督分类方法。     

基于GOODALL相近指数的遥感图像和其它空间数据综合分类方法

介绍 Ｄａｖｉｄ Ｗ． Ｇｏｏｄａｌｌ 的基于概率的相近指数理论,研究它被应用在遥感图像和其它空间数据综合分类中的可能性,并首次在 Ｇ Ｒ Ａ Ｓ Ｓ环境下实现了基于 Ｄａｖｉｄ Ｗ． Ｇｏｏｄａｌｌ 的相近指数的遥感图像和其它空间数据综合分类算法,并对该算法进行了测试,将分类结果与其它几种较流行的分类方法结果进行了比较。