空间分辨率与纹理特征对多光谱遥感分类的影响

多光谱遥感分类与影像空间分辨率有着密切的关系,在适宜空间分辨率影像上进行地物分类能够获得更高的精度。随着遥感影像空间分辨率的提高,纹理特征被广泛用于遥感分类,但由于不同地类空间尺度不同,纹理对不同地物分类的影响程度也有所差异。本文基于高分一号2 m全色和8 m多光谱影像融合后的高空间分辨率多光谱数据构建反射率空间序列,选用3种分类方法对序列分类,并分别计算2 m融合数据及8 m多光谱影像的纹理特征,选择特征波段与相应多光谱波段组合用以分类研究,最后计算混淆矩阵评价分类精度。研究结果表明,通过回归分析得到多光谱分类的最佳空间分辨率为5 m,与其他研究中利用全色波段分类的结论一致,这说明最佳空间分辨率的选择不受光谱信息影响;对多光谱分类精度随空间分辨率变化的变化趋势分析发现,分类精度在20~30 m分辨率范围区间内快速降低,这为多光谱遥感分类数据空间分辨率的选择提供了重要参考;此外,对光谱与纹理特征结合后不同地类分类精度的变化分析显示,加入纹理特征后,冬小麦、人工建筑、有林地和水体的分类精度在2 m分辨率下分别提高了1.49%、1.51%、4.94%、1.54%,8 m分辨率下分别提高了2.95%、10.95%、5.91%、5.14%,说明引入纹理特征有利于提高分类精度,但其对不同地物类型、不同分辨率影像的影响程度不同。     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。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要好。     

基于eCognition平台的第三次全国国土调查应用研究

第三次全国国土调查是我国一项重要的调查工作,是全面查清国土资源的重要手段.本文基于eCognition的面向对象分类方法结合光谱特征、纹理特征和几何特征进行高分辨率遥感影像的土地利用分类,研究结果表明该分类方法具有较好的分类结果和较高的精度评价.该分类方法已应用于第三次国土调查成果的检查,提高了不一致图斑提取的工作效率...     

GF-1影像和OLI影像协同土地利用模糊分类方法研究

针对高分辨率遥感数据进行土地利用类型分类时出现的“同谱异物”现象,以及中分辨率遥感数据划分土地利用类型时受空间分辨率限制产生的“混合象元”问题,本文以高分一号数据(GF-1)和Landsat-8数据(OLI)为例,提出了一种协同利用高分辨率遥感数据和中分辨率遥感数据进行土地利用类型模糊分类的方法。首先,利用主成分变换的方法分别对GF-1纹理信息和OLI光谱信息进行压缩和增强,并将增强后的纹理信息和光谱信息进行特征协同;然后,根据各地物类型的光谱、纹理特征,对特征协同数据进行60、80、100共3个尺度的分割;最后,根据地物类型间的光谱特征和纹理特征的差异,构建各地物类型的模糊逻辑隶属度函数,实现对影像土地利用类型的模糊分类。实验结果表明,主成分变换的方法有效地将研究区GF-1和OLI数据的光谱、纹理信息压缩、增强,为面向对象分类中分类特征的选取提供了一种思路;同时,本文方法成功划分了研究区土地利用类型,并获得了较高分类精度,总体分类精度达到93.52%,对其它高空间分辨率与高光谱分辨率遥感数据协同分类研究具有一定借鉴意义。     

多尺度纹理及多光谱影像协同的遥感岩性识别方法

岩性识别是遥感图像分类的难点,也是遥感地质应用的难点和热点。从遥感地质应用的实际需求出发,以西昆仑地区侏罗纪沉积岩地层为例,通过尺度转换提取高分遥感图像的多尺度纹理信息,采用波段叠加的方式协同多尺度纹理信息与ASTER影像多光谱信息进行岩性识别方法研究。利用WorldView 2全色数据进行向上尺度转换,形成空间分辨率分别为0.5,2,5,10,15,30 m 6种尺度图像数据,基于灰度共生矩阵提取各尺度上的纹理信息;将不同尺度的纹理信息分别与ASTER多光谱数据叠加形成协同数据;采用监督分类方法对研究区协同数据进行岩性分类。结果表明:①岩性纹理信息对空间尺度表现出依赖性,纹理信息量及含义随空间尺度不同而变化;②每套特定岩层因其独特的几何空间结构特征(厚度、产状、夹层、互层等)都有与之相适应的最佳纹理尺度,且该最佳尺度下纹理与光谱的协同效应最大;③纹理信息与多光谱数据形成的协同数据能有效提高岩性分类的精度,分类精度提高的程度与纹理计算的尺度相关。研究区岩性分类结果显示当纹理尺度为10 m时,与仅基于ASTER纯光谱分类结果相比,精度提高了约6.9%。?      

基于卷积神经网络的遥感影像地表覆盖分类

遥感影像地表覆盖分类是地理国情监测和地理信息资源建设中至关重要的环节,利用卷积神经网络对遥感影像进行特征提取和分类,具有十分重要的科研和应用价值。为提高遥感影像的地表覆盖分类精度,在深度卷积神经网络VGGNet的基础上,采用SeLU函数作为激活函数,并将激活函数中的λ、α作为训练参数,得到改进的VGGNet,用逐层贪婪算法对网络参数初始化,并选择适当的学习次数利用迁移学习的方法对网络参数调整,以提高网络的泛化能力来提取遥感影像各类别的深层特征,从而有效进行地表覆盖分类。通过GF-1卫星影像的实验表明本文方法在地表覆盖分类精度方面的优越性。     

高分六号遥感卫星新增波段下的树种分类精度分析

高分六号卫星具有覆盖广、多种分辨率、波段多的优势,能为遥感解译提供更丰富的信息。为探究高分六号卫星新增波段在森林树种识别上的应用,本文以覆盖根河市阿龙山林业局的一期高分六号宽幅影像为数据源,基于特征优化空间算法（Feature Space Optimization,FSO）和最大似然分类法,分别利用高分六号的前4个波段和所有波段（8波段）的光谱、纹理等特征进行了森林树种分类,并逐一添加新增波段特征确定了各波段的贡献率排名。结果表明：在加入了优选出的均匀性纹理、均值纹理和角二阶矩纹理3种纹理特征后,前4波段和8波段的分类精度比只基于光谱特征时的精度分别高出13.23%和24.63%;利用8波段信息比只利用前4波段在基于光谱特征上的精度高11.88%,在基于光谱+纹理特征上则高23.24%;基于8波段光谱+纹理特征的树种分类精度最高,达到68.74%,新增4波段的贡献率排名为B6>B5>B8>B7,说明新增红边波段对于本次树种分类试验的贡献率最高,能为北方树种识别提供有效帮助。     

光谱与空间维双重稀疏表达的高光谱影像分类

高光谱遥感影像的稀疏分类是当前遥感信息处理的研究热点。本文提出一种光谱与空间双重稀疏表达的高光谱遥感影像分类方法（WSSRC）。首先利用小波字典对光谱维进行稀疏表示,将光谱维稀疏分类转化到小波域稀疏分类;其次,考虑空间邻域地物光谱的统一性和差异性,对邻域内像元分别进行稀疏编码,并对编码进行累加聚合;然后,利用聚合后的稀疏编码构造线性分类器对高光谱影像进行分类;最后,通过2幅标准的高光谱影像数据验证了本文所提出的方法。实验结果表明,该方法能有效地提高影像的分类精度。     

基于多源遥感数据的第四系覆盖物分类方法研究:以内蒙古旗杆甸子幅１∶５万填图试点为例

遥感图像分类技术对于荒漠草原浅覆盖区第四系覆盖物分类具有重要意义。以内蒙古旗 杆 甸 子 幅１∶５万填图试点为例,基于 ＡＳＴＥＲ、ＧＦ－２等多源遥 感 数 据,利用植被抑制法、波 段 比 值 法、主 成 分 分 析 以 及 纹 理 信 息提取等多种方法,充分考虑了多光谱数据的光谱信息和高分辨率数据的形状、空间结构、纹理信息等特征,结合面向对象分类法,对研究区第四系覆盖物进行了分类,并比较分析了不同分类方法的分类效果与精度。结 果 表 明:将波段比值、主成分分析以及纹理分析多种特征作为辅助数据参与分类,其分类效果优于基于单一 ＡＳＴＥＲ 数 据进行的分类;通过几种不同分类方法的比较分析,发现多特征面向对象分类的总体精度最高,达 到８５．４０％,比 多特征传统监督分类的总体精度提高了约１１％,分类影像上地物边界清晰。该法分类技术可以为荒漠草原浅覆盖区的地质填图提供相关技术支持。      

基于GF-1和Hyperion影像的新增建设用地占用地类信息提取

新增建设用地及其占用地类是年度土地利用动态遥感监测的重点关注信息,综合利用多源数据是提高占地信息提取精度的主要手段之一。现有研究基于光学与高光谱特征波段的像素级融合影像开展分析,不可避免地导致了高光谱影像光谱信息的损失。为了尽量避免信息损失,提出一种光学和高光谱影像独立分析、结果集成的新增建设用地占用地类信息提取方法。该方法首先结合土地利用动态遥感监测所定义的3种主要新增建设用地形态,利用前后两个时相GF-1光学影像的光谱和纹理特征提取新增建设用地,其次利用前时相Hyperion高光谱影像的精细光谱成像能力进行详细土地利用分类,最后通过新增建设用地与土地利用分类图的叠置分析提取新增建设用地占用地类。在北京市丰台区典型区域开展的验证实验取得了86.71%的新增建设用地占用地类属性精度,表明本方法可为土地利用动态遥感监测提供较为准确的地类变化信息。     

Review of Remotely Sensed Imagery Classification Patterns Based on Object-oriented Image Analysis

1 Introduction With the rapid development of remotely sensed (RS) information collection, transfer and storage in the last two decades, the limitation of RS application is becom- ing weaker because of availability of multiple RS data sources of increasingly finer spatial, temporal, spectral and radiant dimensions. In the high spatial-resolution RS imagery, characteristics of land-cover are fairly clear such as spatial shape, structure, texture, etc., so the mixture of different land covers …     

基于Gabor滤波方法的居民地识别分析

图像纹理对于高分辨率遥感图像的信息提取与目标识别具有重要意义。针对"北京一号"小卫星全色遥感图像非城市区域居民地块往往呈现出比较明显的方向性纹理的特点,扩充改进Gabor滤波方法进行提取。方法主要利用Gabor滤波器的多尺度、多方向滤波的性质,提取多尺度纹理特征集,并进行特征;而后利用多特征聚类实现图像的初步分割。由于分割是对特征进行聚类完成的,其结果可能存在一个居民地块由若干个相互间存在间隔的子区域组成、存在无用小斑块、居民地内部存在大量小孔洞等缺陷。针对上述不足,利用形态学尺度空间融合方法,对居民地块通过结构元素不断增大的闭运算进行迭代融合,并选择一个具备"最长生存期限"的类别个数作为最佳类数,选择首次出现该类别数的分割结果作为最后的识别结果。对延庆地区的小卫星影像进行了居民地提取,并与共生矩阵纹理分析方法进行了实验对比。结果表明方法是有效的,并在提取精度上具有优势。     

光谱、形状特征结合的多精度图像分割算法与应用

由于高分辨率遥感图像的数据量和计算复杂性骤增,影像噪声、光谱混淆现象更为突出,这对传统主要依据于像元光谱特征的图像处理与分析方法提出了极大挑战。为此,特征更为丰富、在噪声处理和知识融合上,更具优势的面向对象的图像分析方法,逐步成为高分辨率遥感图像应用的研究热点。面向对象图像分析的第一步,以及关键一步是图像分割。本文设计了多精度图像分割算法:(1)采用降水分水岭变换进行初步分割获取图像次一级斑块,即分割亚基元;(2)设计一种可重复合并的快速图斑合并方法,进行亚基元的层次归并获得最后分割斑块,完成图像分割。在合并过程中,斑块之间的差异指标是其光谱合并代价、形状合并代价的加权和,合并结束的标志是斑块间两两合并代价超过尺度参数的平方。设置不同的尺度参数,则可实现多精度图像分割过程。实验证明,方法分割效果较好,并在算法效率上满足实际应用需求,可以开展后续图像分类、专题信息提取等工作。     

基于图分割的高分辨率遥感影像建筑物变化检测研究

建筑物是城市地理数据库中最容易发生变化和最需要更新的部分,其更新工作量巨大,因此开展对高分辨率遥感影像中的建筑物进行自动提取和变化检测研究具有重要的意义.本文以精确提取变化建筑物的位置和轮廓为目标,基于图分割提出一种高分辨率遥感影像建筑物变化检测方法.首先,将遥感影像中的每个像元映射成图的顶点,利用像元之间的距离阈值构造图的边,综合利用位置,灰度和边缘3种特征计算边的权值,将遥感影像的分割转化为图的分割,并用归一化图分割方法得到分割对象集合;然后,以长宽比和矩形度作为约束条件,对2期遥感影像中的分割对象集合进行筛选,提取建筑物对象;最后,根据2期影像中建筑物之间的空间,面积和格局关系识别建筑物的变化类型(包括新增,消失和改建),并对其进行可视化表达.为了验证本文方法的有效性,分别以深圳市的WorldView影像和北京市的QuickBird全色影像为数据源,从中选取13组具有代表性的子影像进行实验.结果表明,本文提出的方法对配准精度较低的影像组具有一定的适应性,容许的配准误差达到20个像元(10 m),平均查准率和平均查全率分别达到93.16%和87.90%.     

一种面向对象的像元级遥感图像分类方法

本文提出一种面向对象的像元级分类方法(混合模型),并将其与单纯的以像元和面向对象的两种方法同时应用于分辨率分别为30m和0.5m的环境星CCD数据和航空影像进行对比分析。分类结果中不同地物类别之间光谱可分性的大小,很大程度上可反映分类结果的可靠性。若地物类型之间的光谱差异大,说明分类方法能将光谱差异大的地物很好地划分,显示出较可靠的分类结果;相反,如果分类结果中地物类型光谱差异小,则反映分类方法不够可靠。鉴此,本文通过计算分类结果中不同类别所对应的原始遥感影像像元之间的J-M(Jeffries-Matusita Distance)距离来度量分类结果中地物之间的光谱可分性,并用J-M距离比较分析了3种图像分类方法对2种不同分辨率影像的分类结果中各个类别之间的光谱可分性的变化。分析结果表明,混合模型不但能够得到较连续的分类结果,同时能够保持分类结果中类别之间的可分性。本文对分类结果进行了精度验证,结果发现混合模型的分类精度较其他2种方法要高。2种不同分辨率的遥感影像分析结果得到相同的结论,表明该模型适用于中分辨率和高分辨率影像。     

基于多尺度纹理分类及矿物识别的ASTER地质填图

遥感技术已经成为基础地质调查必不可少的手段。为提高地质填图效率及精度, 本研究提出了基于ASTER的岩性自动分类加主要和典型造岩矿物识别的填图方法。首先, 对ASTER数据进行主成分变换, 对选取的第一主分量采用Haar小波进行多尺度小波分解, 将小波系数的统计特征作为纹理特征, 构建纹理及光谱多维特征空间; 接着, 运用支持向量机(SVM)进行岩性分类; 同时, 根据光谱特征提取主要造岩矿物; 最后将主要造岩矿物叠加在分类结果上, 结合野外调查背景进行岩性填图。混淆矩阵结果显示光谱+小波纹理分类精度可以达到83.496 2%, 较光谱+灰度共生矩阵纹理分类精度提高了2.675 6%, 较光谱特征分类精度提高了6.318 9%。与最大似然法(MLC)分类相比, SVM分类精度提高了6.623 7%。矿物提取结果表明, 构造的提取指数可有效提取白云母、黑云母、方解石、角闪石等矿物。野外工作证明, 填图结果与野外调查结果的相关系数为0.7, 可见, 基于ASTER数据利用图像处理技术、机器学习算法及波段运算可作为植被覆盖较少地区有效的地质填图手段。      

城市建成区遥感影像边界提取与扩张分析

针对城市建成区提取过程中,仅依赖单一数据源导致精度不够的问题,本文基于面向对象分类方法和利用土地类型信息标准差统计变量,实现遥感影像中城市建城区边界的提取,并以该建成区为依据对河南省虞城县的城区空间扩张特征作了分析。实验中首先采用均值漂移分割算法对高分一号遥感影像实现分割,然后利用决策树分类算法实现土地利用类型分类,最后基于0.1 km × 0.1 km窗口统计土地利用类型标准差信息,获取建成区边界。面向实际应用,以河南省虞城县为例,采用高分一号影像获得虞城县2017年建成区数据,并基于该数据采用多个TM影像提取城区其他年份的建成区边界,实现河南省虞城县城区空间扩张特征分析。结果表明,本文方法获取的建成区边界精度较一般的监督分类提取边界有进一步的提高,精度达到89%。进而说明结合高分辨率影像提取多个年份的建成区数据的可靠性,在城市扩张研究中,对仅利用低空间分辨率提取精度不够问题和仅利用高分辨影像提取效率低等问题提供了较好的解决方案。     

Response of fuzzy clustering on different threshold determination algorithms in spectral change vector analysis over Western Himalaya,India

Change detection is a standard tool to extract and analyze the earth's surface features from remotely sensed data. Among the different change detection techniques, change vector analysis(CVA) have an exceptional advantage of discriminating change in terms of change magnitude and vector direction from multispectral bands. The estimation of precise threshold is one of the most crucial task in CVA to separate the change pixels from unchanged pixels because overall assessment of change detection method is highly dependent on selected threshold value. In recent years, integration of fuzzy clustering and remotely sensed data have become appropriate and realistic choice for change detection applications. The novelty of the proposed model lies within use of fuzzy maximum likelihood classification(FMLC) as fuzzy clustering in CVA. The FMLC based CVA is implemented using diverse threshold determination algorithms such as double-window flexible pace search(DFPS), interactive trial and error(TE), and 3×3-pixel kernel window(PKW). Unlike existing CVA techniques, addition of fuzzy clustering in CVA permits each pixel to have multiple class categories and offers ease in threshold determination process. In present work, the comparative analysis has highlighted the performance of FMLC based CVA overimproved SCVA both in terms of accuracy assessment and operational complexity. Among all the examined threshold searching algorithms, FMLC based CVA using DFPS algorithm is found to be the most efficient method.     

基于监督与非监督分割评价方法提取高分辨率遥感影像特定目标地物的对比研究

基于地理对象的影像分析方法已成为高分辨率遥感影像分析的重要手段。影像分割作为其关键步骤,如何设置合适的分割算法参数对后续分割和分类结果有重要的影响。目前分割参数优选方法的探讨分别从非监督与监督分割质量评价2个方面展开,而何者更适合高分辨率遥感影像特定目标地物分析仍缺乏对比研究。本文以城镇和乡村为例,选取多源遥感数据Quickbird、WorldView-2和ALOS影像中共有的3种典型土地覆被为研究对象,基于2种具有代表性的非监督与监督方法ESP2 (Estimation of Scale Parameter 2)与ED2 (Euclidean distance 2) 进行实验,对最优分割和分类的结果进行全面的对比分析。结果表明：① 相同实验参数下,监督方法均能以较少的分割数据集获得目标地物的最优分割结果,且与真实地理对象吻合度更高;② 非监督方法依靠影像自身特征分析进行分割参数优选,无法克服不同景观格局和影像分辨率的影响,而监督方法可通过改变参考数据集的面积和空间分布模式等来降低其影响;③ 非监督方法往往因为欠分割而漏分小目标地物,这样会严重影响局部分类结果。虽然本文中非监督与监督方法的整体分类精度均可达90.08%以上,但非监督方法的漏分率却是监督方法的1.43~4.65倍。因此,本研究认为监督方法更适合分析高分辨率遥感影像特定小目标地物。     

融合LiDAR数据与高分影像特征信息的建筑物提取方法

建筑物是城市环境中的主要地物类型,从高分影像等数据中自动提取建筑物对于提升土地利用变化检测、城市规划与土地执法等业务的质量与效率具有重要意义。本文针对现有建筑物提取方法存在的边界提取不精确的问题以及采用手工特征表达图像信息的局限性,融合LiDAR数据与高分影像两种数据源的特征信息,提出一种基于SegNet语义模型的建筑物提取新方法。首先,对LiDAR数据预处理得到数字表面模型（DSM）、数字地形模型（DTM）、归一化数字表面模型（nDSM）,利用高分影像NDVI值去除nDSM中部分树木点,得到结果影像nDSM_en;其次,分别获取LiDAR数据回波强度、表面曲率以及高分影像NDVI值 3个特征构建特征图像训练SegNet语义模型,利用训练得到的模型完成建筑物初始提取;最后,采用阈值法分割nDSM_en得到影像对象,利用影像对象约束建筑物初始提取结果,完成建筑物精提取。在以ISPRS 官方提供的标准数据集（数据采集的地理区域为德国Vaihingen,采集时间2008年7—8月）为样本的实验中,本文方法在像素层次的平均查全率、平均查准率和提取质量分别为96.4%、94.8%和91.7%;针对面积大于50 m ²的建筑物对象,上述3个指标均为100%。实验结果表明：本文提出与实现的建筑物提取方法更好地利用了反映建筑物与非建筑物本质差异的特征信息,有效地实现了2种数据源的相对优势互补,提高了建筑物的检测与提取精度。