结合变化向量分析和直觉模糊聚类的遥感影像变化检测方法

针对多时相遥感影像变化检测存在数据不确定性、检测精度不高等问题,提出了一种结合变化向量分析（CVA）和直觉模糊C均值聚类算法（IFCM）的多时相遥感影像变化检测方法. 首先通过CVA构建两个时相遥感影像的差异影像;然后采用直觉模糊C均值聚类算法对差异影像进行聚类得出变化区域和未变化区域;最后对变化检测结果进行二值化处理并进行精度评价. 选取两个时相的高分一号遥感影像和Szada数据集影像作为实验数据. 实验结果表明,采用提出的方法可有效解决传统方法存在的数据不确定性问题,变化检测精度达到了95.92%和92.70%,是一种可行的遥感影像变化检测方法. 研究结果可用于森林动态变化监测、土地复垦利用规划变化分析以及灾损评估.      

改进的区间二型模糊聚类遥感影像变化检测

遥感影像的复杂模糊性问题会干扰影像变化检测的结果,可引入区间二型模糊C均值聚类算法解决此问题,但算法参数的随机性导致检测结果不稳定。本文首先利用局部最优解优化萤火虫算法中的候选解,引入可变步长因子,以此自适应寻优区间二型模糊C均值聚类算法的模糊因子;然后结合寻优得到的模糊因子进行区间二型模糊C均值聚类,迭代更新隶属区间提取变化信息;最后通过基于复合梯形法则的加权Karnik-mendel算法降型和解模糊优化聚类中心,依据最大隶属度原则判断变化类型。通过试验验证,本文方法得到更优模糊因子和更精确的聚类中心,具有更好的稳健性,变化检测精度得到提高,检测得到的变化区域更加精细。     

基于纹理特征融合与核模糊聚类的道路提取

根据高分辨率遥感影像中道路方向上的纹理一致性,提出了一种基于纹理特征融合与核模糊C均值聚类的高分辨率遥感影像道路提取新算法。该算法改进了角度纹理特征的计算方式,首先与Gabor纹理特征进行融合;再利用结合空间信息的核模糊C均值聚类算法对融合特征进行聚类,从而提取高分辨率遥感影像中的道路。实验结果表明,该算法可较高精度地从高分辨率遥感影像中提取具有一定纹理的道路。     

基于马尔科夫随机场与模糊C均值的遥感影像分类

模糊C均值聚类是一种经典的非监督聚类模型,成功地应用于遥感影像分类。但是该方法对初始值敏感,容易陷入局部最优解;同时聚类时仅考虑光谱信息,忽略了空间信息。本文提出了一种新的基于马尔科夫随机场的模糊C均值聚类方法,该方法把马尔科夫随机场和模糊C均值结合在一起。初始值依据第一主成分的密度函数确定,这样克服了对初始值的依赖性,又在聚类的时候考虑了空间信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊C均值模型。     

机载激光雷达及高光谱的森林乔木物种多样性遥感监测

利用机载LiDAR和高光谱数据并结合37个地面调查样本数据,基于结构差异与光谱变异理论,通过相关分析法分别筛选了3个最优林冠结构参数和6个最优光谱指数,在单木尺度上利用自适应C均值模糊聚类算法,在神农架国家自然保护区开展森林乔木物种多样性监测,实现了森林乔木物种多样性的区域成图。研究结果表明,(1)基于结合形态学冠层控制的分水岭算法可以获得较高精度的单木分割结果(R~2=0.88,RMSE=13.17,P0.001);(2)基于LiDAR数据提取的9个结构参数中,95%百分位高度、冠层盖度和植被穿透率为最优结构参数,与Shannon-Wiener指数的相关性达到R~2=0.39—0.42(P0.01);(3)基于机载高光谱数据筛选的16个常用的植被指数中,CRI、OSAVI、Narrow band NDVI、SR、Vogelmann index1、PRI与Shannon-Wiener指数的相关性最高(R~2=0.37—0.45,P0.01);(4)在研究区,利用以30 m×30 m为窗口的自适应模糊C均值聚类算法可预测的最大森林乔木物种数为20,物种丰富度的预测精度为R~2=0.69,RMSE=3.11,Shannon-Wiener指数的预测精度为R~2=0.70,RMSE=0.32。该研究在亚热带森林开展乔木物种多样性监测,是在区域尺度上进行物种多样性成图的重要实践,可有效补充森林生物多样性本底数据的调查手段,有助于实现生物多样性的长期动态监测及科学分析森林物种多样性的现状和变化趋势。     

一种模糊聚类的遥感影像分析方法研究

针对传统模糊聚类的遥感影像分析方法的不足,重点研究基于模糊ISODATA聚类的遥感影像分析。通过Matlab软件编程实现基于迭代自组织数据分析技术、模糊C均值聚类、模糊ISODATA算法对合成图像、纹理图像及真实遥感影像的分类,并对其分类结果进行讨论。通过实验数据对比,评价FISODATA算法的优越性。实验结果表明:ISODATA算法及FISODATA算法都能够实现变类,而FCM算法只能在固定聚类数下进行分类,但是,ISODATA算法分类机制不稳定,不能每次都确定正确聚类数。在迭代过程中,将FISODATA算法引入模糊集理论,便能够快速准确的实现聚类数的确定。     

快速城市化地区土地利用动态变化及城市化空间进程分析

基于多时相TM数据，对上海西南快速城市化地区近10 a来的土地利用变化进行分析研究； 揭示了该区域各类土地利用数量变化的幅度、土地利用变化的空间分布特征、以及城市扩展强度； 计算城市化成熟区中建成区用地面积密度值。通过城市化成熟区和各实验区建成区用地面积密度值的比较，制定“城市化进程指数”，进行城市化空间过程的刻画。     

土地动态监测中非正常建设用地分类识别模型研究

土地执法监察的实施需明确土地利用变化区域的位置、是否违法及违法类型等信息。大多数土地动态监测手段只获取变化区域的位置信息,无法快速明确具体违法类型及识别伪变化,加大了土地动态巡查的工作量。基于此,本文提出针对非正常建设用地的分类识别模型,即一种可快速识别建设用地变化图斑违法类型的方法。该模型将变化检测获取的变化图斑与相关地政数据进行叠置分析,并设计非正常建设用地分类识别矩阵对变化图斑进行判断,采用计算机识别和人工辅助识别相结合的方式快速明确非正常建设用地的变化性质。应用结果表明,该模型可有效解决综合分析多层矢量数据时图斑要素的跨界问题,提高了识别效率;和现有监测方法结合使用,可快速了解监测区域的土地利用变化概况,较大地提高了土地执法工作的自动化程度。     

高精度建设用地变化自动提取技术在土地督察中的应用

为提高土地督察线索获取的快捷性和准确性,提出了一种基于稳定地物样本库的建设用地变化监测方法。首先,利用先验知识结合本底影像选取土地利用类型未发生变化的对象,形成稳定的地物样本库;然后,关联最新影像,动态筛选训练样本,实现建设用地变化自动监督分类;最后,基于先验知识对分类结果自动甄别,进行双重辅助变化信息提取,并利用相隔4个月的资源3号卫星数据开展对比试验。结果表明,该方法提取的建设用地变化位置准确率达72.82%(常规矢量监测法仅为33%),大大提高了违法用地位置信息发现的准确率,具有较高的可靠性和精度。     

基于决策树分类的滨海滩涂围垦区土地利用变化研究

本文以浙江省上虞市海涂围垦区为研究区,运用基于C4.5算法的决策树分类方法对研究区2001年和2010年两期遥感影像数据进行解译,获取土地利用类型及其变化数据。结果表明,两期影像的总体分类精度和kappa系数均达到了90%以上,分类结果理想。该研究区是典型的农林养殖区,土地利用类型以农用地和养殖场为主,共占研究区总面积的74%以上,其中耕地(水稻田和旱地)、果园、菜地是主要的农用地类型。10年间,各地类间存在耕地转变为建设用地、水稻田转变为养殖场、养殖场转变为水稻田、水体转变为滩涂和滩涂转变为水体等多种转变关系。围垦较早的区域内耕地和建设用地比例较大,土地利用变化主要是由耕地转变为建设用地;围垦较晚的子区内水体较多,养殖场与耕地、滩涂与水体存在相互转变的关系。土壤盐分是造成海涂围垦区土地利用变化的重要驱动力。     

基于相似度验证的自动变化探测研究

变化检测技术越来越多地应用于城市遥感分析和应用领域,但目前城市变化检测的研究主要基于中低空间分辨率的遥感数据,使用的方法也主要是像元直接比较法或者是分类后比较法。提出一种基于变化向量分析和相似度验证相结合的变化检测方法,应用高空间分辨率影像来快速实现城市建筑物、街道等目标的自动变化检测。并详细阐述了变化目标的提取以及验证的方法和过程,其结果真实地反映了地面目标的实际变化程度和类型。     

基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例

土地覆被作为地表自然和人工建造物的综合体,是开展土地科学相关研究的重要基础,在遥感大数据背景下,准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于eCognition软件,采用面向对象的多尺度分割法,综合考虑地物在遥感影像上的光谱、形状和纹理特征,建立多种地物提取规则。通过模糊函数、支持向量机（SVM）和阈值法对研究区的土地覆被进行分类提取,并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明：①研究区土地覆被分类的总体精度为97%,Kappa系数为0.96,分类精度较高;②基于10 m分辨率影像,综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果,道路提取Kappa系数为0.84;③分类结果在面积和空间分布上都优于FROM-GLC10数据,与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征,分类精度高,对于处理高分辨率遥感数据具有很好的优势。     

多尺度分割的高分辨率遥感影像变化检测

针对高空间分辨率的遥感影像,提出了一种基于多尺度分割的变化检测算法。采用Mean-Shift分割算法对影像进行多尺度分割,构建了不同尺度上的地理对象,以不同尺度上的地理对象灰度均值构建了变化检测的多尺度特征向量,采用变化矢量分析法获得最后的变化检测结果。以城镇区和农田区的Quick Bird影像对本文算法进行了检验,从精度评价的效果来看,无论城镇区还是农田区,采用面向对象的变化检测方法精度都高于基于单像素的检测方法,且当尺度层数固定时,多尺度组合的变化检测结果优于单一尺度的变化检测结果,对城镇、农田区域的变化检测的精度分别达到87.57%和81.55%。本文算法既可以顾及大面积同质区域变化,又可以反映小的地物目标及边缘部分的变化,能够很好地满足城镇、农田等不同环境背景下的变化检测需求,在国土资源监测中具有一定的应用价值。     

改进的模糊聚类遥感影像分割

聚类是数据挖掘的重要分支之一,引入模糊理论的模糊聚类分析为显示数据提供了模糊处理能力,在许多领域被广泛应用。本文应用考虑邻域关系的约束模糊C均值(Fuzzy C-Means with Constrains,FCM_S)算法,将邻域像素引入到目标函数中,进而有效地利用邻域像素信息,提高分割精度。本文应用FCM_S算法对模拟彩色纹理图像进行分割,计算其混淆矩阵,定性定量地与FCM算法进行对比分析,证明了该算法的鲁棒性。     

一种新的融合空间信息的半监督变化监测方法

基于改进的半监督FCM算法和马尔科夫随机场,提出了一种新的融合空间信息的半监督变化监测方法。首先将两幅遥感图像相减得到差值图像,并通过第4波段的差值给出了一种新的样本标记方法;然后,通过标记样本对差值图像利用半监督FCM算法进行聚类;最后,为了提高监测精度和去除聚类噪音点,利用像元点之间的空间邻接关系和马尔科夫随机场,通过更新后的隶属度矩阵得到了监测结果。为了验证本文方法的有效性,选取了两组TM遥感图像,监测了森林的变化。试验结果表明,改进的半监督FCM算法可以减少监测的漏检率,马尔科夫随机场方法可以很好地去除聚类过程中形成的噪声点,减少监测的虚检率。     

A particle swarm optimized kernel-based clustering method for crop mapping from multi-temporal polarimetric L-band SAR observations

Polarimetric Synthetic Aperture Radar (PolSAR) data, thanks to their specific characteristics such as high resolution, weather and daylight independence, have become a valuable source of information for environment monitoring and management. The discrimination capability of observations acquired by these sensors can be used for land cover classification and mapping. The aim of this paper is to propose an optimized kernel-based C-means clustering algorithm for agriculture crop mapping from multi-temporal PolSAR data. Firstly, several polarimetric features are extracted from preprocessed data. These features are linear polarization intensities, and several statistical and physical based decompositions such as Cloude-Pottier, Freeman-Durden and Yamaguchi techniques. Then, the kernelized version of hard and fuzzy C-means clustering algorithms are applied to these polarimetric features in order to identify crop types. The kernel function, unlike the conventional partitioning clustering algorithms, simplifies the non-spherical and non-linearly patterns of data structure, to be clustered easily. In addition, in order to enhance the results, Particle Swarm Optimization (PSO) algorithm is used to tune the kernel parameters, cluster centers and to optimize features selection. The efficiency of this method was evaluated by using multi-temporal UAVSAR L-band images acquired over an agricultural area near Winnipeg, Manitoba, Canada, during June and July in 2012. The results demonstrate more accurate crop maps using the proposed method when compared to the classical approaches, (e.g. 12% improvement in general). In addition, when the optimization technique is used, greater improvement is observed in crop classification, e.g. 5% in overall. Furthermore, a strong relationship between Freeman-Durden volume scattering component, which is related to canopy structure, and phenological growth stages is observed.