遥感影像分类的归类学习方法

遥感影像分类专家系统是遥感分类研究中的一个重要发展方向,然而,传统的统计模式识别法和人工神经网络分类法除了能完成具体的影像分类外,不能提供易于被人类理解的分类知识,文中介绍一种基于扩张矩阵的示例学习方法,并将其应用于遥感影像分类知识的自动获取。     

基于对象特征的遥感影像分类

为了有效地实现分类识别,采用多尺度分割后影像为数据源,通过计算影像对象特征,实现特征集构建,并对特征集进行特征提取,辅助决策树的特征选择方法,达到特征优选的目的,针对影像对象的特征实现对TM影像的分类,实验表明该方法较一般的特征提取方法精度大幅提高,且完成可视化特征提取的重要任务。     

多源遥感影像融合

遥感影像融合能富集同一地区不同数据源的信息大跨度波谱特性影像数据的融合,提供了有关各单个传感器的互补信息,使分类更精确;大跨度空间分辨力影 融合,有利于改善２多光谱影像的度,增强特征提取和目视判读能力,能有效地用于变化监测。     

基于稀疏表示和字典学习的全色与多光谱影像融合

Pansharpening方法通过融合多光谱影像的光谱信息和全色影像的空间细节信息来得到高分辨多光谱影像。然而传统的Pansharpening方法易导致产生光谱扭曲和空间信息丢失现象。受到影像稀疏表示超分重建理论启发,本文提出了一种新的基于稀疏表示和字典学习的Pansharpening方法。该方法以影像的高频特征作为训练样本,通过字典学习的方法来获取高低分辨率影像字典,使用正交匹配追踪算法求解出影像的稀疏表示系数,最终通过高分辨影像字典与稀疏系数相乘得到融合影像。实验结果表明:本文提出的方法能很好地保持遥感影像的光谱信息和空间细节信息。     

基于GPU的遥感影像加速处理算法

随着图形处理器(GPU)计算功能的日益强大,人们不再满足仅仅用它来做图形处理,而是越来越多地将其应用在通用计算方面。在遥感影像融合的很多算法中,影像数据都可以被并行的处理。本文针对融合处理中的遥感影像数据源为GPU设计了具有数据级并行性的输入流,介绍了利用OpenGL着色语言在GPU中实现融合算法的过程,实验结果表明基于GPU的IHS融合算法的处理速度在数据量较大时较之基于CPU的算法有明显的优势,而且这种优势随图像数据量的增加而越来越明显。     

基于多进制小波遥感影像融合的研究

为监测地面沉陷区的动态演化信息,探讨了基于多进制小波变换与RGB特征融合相结合的遥感影像融合方法。在融合过程中,首先对高分辨率全色影像和多光谱影像进行M进制小波分解,再将高分辨率影像的高频分量分别与多光谱影像的R,G,B波段高频分量以区域能量为融合准则进行特征融合,形成新的高频分量,然后与多光谱影像的低频分量进行多进制小波逆变换,最后经RGB合成为彩色影像。结果表明,该方法既改善了影像的清晰度和分辨率,同时也保留了原影像的光谱信息,利用融合后的影像进行地面沉陷区监测,效果明显提高。     

基于MATLAB算法的遥感图像融合

遥感影像像素级融合是遥感信息分析与处理过程中非常有效的方法。文章通过分析3种主要的多源遥感影像融合方法特征和不足,运用MATLAB算法实现影像融合,并对融合成果结合主观目视和客观指标进行综合评价。经过实验表明,利用MATLAB影像融合算法融合取得了较好效果,且提高了影像处理效率。     

基于空间数据发掘的遥感图像分类方法研究

采用数据发掘技术从 GIS数据库和遥感图像中发现知识,用于改善遥感图像分类。提出了两种实施空间数据归纳学习的途径:在空间对象粒度上学习和直接在像元粒度上学习。分析了两种粒度学习的特点和适用范围,同时提出了一种归纳学习与传统图像分类法的结合方式。用北京地区 SPOT多光谱图像和 GIS数据库进行土地利用分类的试验证明,归纳学习能较好地解决同谱异物、同物异谱等问题,显著提高分类精度,并且能够根据发现的知识进一步细分类,扩展了遥感图像分类的能力。     

改进利用蚁群规则挖掘算法进行遥感影像分类

基于ant-miner算法,提出改进蚁群规则挖掘算法.首先,从信息素浓度增加项、信息素挥发系数两方面,改进信息素浓度更新策略;其次,在算法求解中,引入变异算子,有效加快进化过程,缩短计算时间,获得较好的分类规则.以长沙市城区2006年TM影像为试验数据,在分类试验中对算法进行了验证.结果表明,相对于ant-miner和决策树方法而言,改进蚁群规则挖掘算法能挖掘出规则数目更少、形式更简单的分类规则,同时缩短计算时间,从而能够提高分类精度和效率.     

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.     

基于IHS的多源遥感数据融合

首先简要叙述了IHS法在遥感图像融合中的应用,然后对实验结果进行了分析,并用融合后的图像建立了土地利用类型的解译标志,以期为HIS法用于遥感图像融合提供参考。     

利用决策级融合进行遥感影像分类

提出了一种基于决策级融合的遥感影像分类方法。该方法对遥感影像特征以最大似然分类器进行预分类,应用Adaboost算法将分类的结果进行决策级融合,实现影像的分类。实验结果表明,该方法的分类精度较传统分类方法有明显的提高。     

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。     

多源遥感图像融合的数据对象选择

多源遥感图像融合处理能够综合利用来自多种传感器的遥感图像,获得关于同一目标/场景的更为准确、全面和可靠的描述。针对不同的应用目的、图像融合算法和传感器特性,遥感图像融合的数据对象选择有所不同。分析影响遥感图像融合数据对象选择的这三个方面主要因素,总结一些以往成功的多源遥感图像融合中数据对象的组合模式,给出具体的传感器组合应用实例。     

小波变换在遥感图像数据融合中的应用

用小波变换实现了一种新的遥感图像数据融合方法 ,该方法采用梯度算法对不同尺度子带数据进行融合 ,用加权法对基带数据进行融合。给出了 SAR图像与 TM图像的融合结果的定性评价 ,并用熵及平均梯度进行了定量评价     

小波理论在遥感图像融合中应用

小波变换用于多源遥感图像融合已得到了国内外学者的广泛关注,并且又提出了很多小波变换与传统融合方法结合的融合算法。本文在对这些算法进行总结的基础上,讨论了基于小波包变换和最优树变换以及多进制小波变换在融合中的应用,分析他们在融合中各自的特色,以便使用时根据具体情况进行选择。     

A Multiple SVM System for Classification of Hyperspectral Remote Sensing Data

With recent technological advances in remote sensing sensors and systems, very high-dimensional hyperspectral data are available for a better discrimination among different complex land-cover classes. However, the large number of spectral bands, but limited availability of training samples creates the problem of Hughes phenomenon or ‘curse of dimensionality’ in hyperspectral data sets. Moreover, these high numbers of bands are usually highly correlated. Because of these complexities of hyperspectral data, traditional classification strategies have often limited performance in classification of hyperspectral imagery. Referring to the limitation of single classifier in these situations, Multiple Classifier Systems (MCS) may have better performance than single classifier. This paper presents a new method for classification of hyperspectral data based on a band clustering strategy through a multiple Support Vector Machine system. The proposed method uses the band grouping process based on a modified mutual information strategy to split data into few band groups. After the band grouping step, the proposed algorithm aims at benefiting from the capabilities of SVM as classification method. So, the proposed approach applies SVM on each band group that is produced in a previous step. Finally, Naive Bayes (NB) as a classifier fusion method combines decisions of SVM classifiers. Experimental results on two common hyperspectral data sets show that the proposed method improves the classification accuracy in comparison with the standard SVM on entire bands of data and feature selection methods.     

Multiple Classifier Systems for Hyperspectral Remote Sensing Data Classification

One of the most widely used outputs of remote sensing technology is Hyperspectral image. This large amount of information can increase classification accuracy. But at the same time, conventional classification techniques are facing the problem of statistical estimation in high-dimensional space. Recently in remote sensing, support vector machines (SVMs) have shown very suitable performance in classifying high dimensionality problem. Another strategy that has recently been used in remote sensing is multiple classifier system (MCS). It can also improve classification accuracy by combining different classifier methods or by a diversity of the same classifier. This paper aims to classify a Hyperspectral data using the most common methods of multiple classifier systems i.e. adaboost and bagging and a MCS based on SVM. The data used in the paper is an AVIRIS data with 224 spectral bands. The final results show the high capability of SVMs and MCSs in classifying high dimensionality data.     

一种直线特征遥感影像与GIS矢量数据匹配方法

针对飞行器的匹配制导,提出了一种基于直线特征的遥感影像与GIS矢量数据自动匹配方法.该方法首先利用遥感影像的概咯方位参数实现预处理后的GIS数据与遥感影像概略叠加;接着对GIS直线数据叠加所在的遥感影像区域开辟窗口进行边缘检测;然后利用Hough变换同步进行折线特征提取和特征匹配;在实现过程中采用了金字塔分层和新型投票方法以节省运算时间,最终实现影像特征与GIS数据的成功匹配.实验证明了该方法的有效性和稳健性.     

机载LiDAR数据和航空影像基于角特征的配准

机载激光雷达(Light Detection And Ranging,LiDAR)系统近年来逐渐成为一种新兴的测量手段,是一种可以直接提供大量地面离散点的高精度三维信息的主动式遥感技术,具有依赖控制测量条件少、受天气影响小、自动化水平高等优点。然而LiDAR获取的数据主要是离散激光点云,具有高精度的空间结构信息而缺少纹理和光谱信息。将LiDAR数据和遥感影像数据进行融合将是当今测绘科学研究的方向之一。融合影像数据和点云数据的关键步骤就是将两者进行高精度的配准。