基于eCognition的混合对象分类方法研究

正一、引言遥感影像的自动解译一直是研究的热点,也是难点。目前,主流的遥感影像处理软件如eCognition(易康)、ERDAS、ENVI都能够提供遥感影像自动解译功能。其中eCognition是由德国Definiens Imaging公司开发的智能化影像分析软件,提供面向对象的遥感信息提取功能,具有独特的多尺度分割技术。遥感影像的自动解译包括分割和分类两个步骤,其中分割是分类的基础,分割的好坏决定着分     

面向对象影像多尺度分割最大异质性参数估计

多尺度分割是遥感影像分析的关键步骤,影像分割过程中的尺度参数选择直接关系到面向对象影像分析的质量和精度。首先,总结了面向对象影像分析中尺度概念的内涵,分析遥感影像空间和属性两大基本特征,依据空间统计和光谱统计获得理论上最优的空间尺度分割参数、属性尺度分割参数。其次,运用了基于谱空间统计的高分辨率影像分割尺度估计方法,分析了分形网络演化多尺度分割与影像谱空间统计特征的关系,进而将基于谱空间统计的面向对象影像分析尺度参数应用于分形网络演化多尺度分割算法中,最后,对其参数的合理性进行验证。研究采用高空间分辨率IKONOS和SPOT 5影像数据,选择建筑实验区和农田实验区进行空间和光谱特征统计,以进一步估计分割中的最佳尺度参数。使用分形网络演化方法对图像进行分割,利用监督分类对本文提出的尺度估计方法进行验证,验证结果表明尺度估计方法可以一定程度上保证后续的面向对象影像分类的精度。不同于以往分割后评价的尺度选择方法会需要大量的运算量,本文方法不需要先验知识的参与,且在分割前就可以自适应地估计出相对较为合适的尺度参数,提高了面向对象信息提取的自动化程度。     

纹理特征遥感影像分割研究

影像分割是面向对象的分类思想应用于遥感影像信息自动提取的基础,纹理是影像的基本特征,是影像分析、理解和识别的重要信息,纹理特性的有效表达和抽取,是基于纹理影像分割的前提。本文系统概述了近年来各类文献中使用频率较高的基于纹理的遥感影像分割方法,并以基于统计的方法、基于纹理结构的方法、基于模型的方法和基于空间/频率的方法四种基本类型为主线,对每一类分割方法的特点进行了分析和总结,在此基础上指出了基于纹理特征遥感影像分割的研究趋势。     

耦合知识图谱和深度学习的新一代遥感影像解译范式

在遥感大数据时代,遥感影像智能解译是挖掘遥感大数据价值并推动若干重大应用的关键技术,如何将知识推理和数据学习两类解译方法有机联合已成为遥感大数据智能处理的重要研究趋势。由此提出了面向遥感影像解译的遥感领域知识图谱构建与进化方法,建立了顾及遥感成像机理和地理学知识的遥感领域知识图谱。在遥感领域知识图谱支撑下,以零样本遥感影像场景分类、可解释遥感影像语义分割以及大幅面遥感影像场景图生成3个典型的遥感影像解译任务为例,研究了耦合知识图谱和深度学习的新一代遥感影像解译范式。在零样本遥感影像场景分类实验中,所提方法在不同的可见类/不可见类比例和不同的语义表示下,都明显优于其他方法;在可解释遥感影像语义分割实验中,知识推理与深度学习的联合方法取得了最好的分类结果;在大幅面遥感影像场景图生成实验中,知识图谱引导的方法精度明显高于基准的频率统计方法。遥感知识图谱推理与深度数据学习的融合可以有效提升遥感影像的解译性能。     

遥感影像像素级融合通用模型及其并行计算方法

影像融合是卫星影像处理流程中重要的一环,已经广泛应用于遥感影像目视解译、自动分类、正射影像制作、影像测图等。随着卫星影像分辨率的提高和在轨卫星数目的增加,大量的数据处理需求及短时间的响应要求对影像融合的处理带来了极大的挑战。     

遥感多光谱影像数据与航片数字化影像融合方法的研究

本文探讨利用ＨＩＳ变换对航片化影像分析与遥感多光谱影像ＳＰＯＴ ＸＳ、Ｌａｎｄｓａｔ ＴＭ和ＭＳＳ进行融合的方法，并提出了一种改进的方法。试验结果表明：本文提出的方法行之有效。融合后的影像在很大程度上保留了原多光谱影像的光谱特征，空间分解力较我光谱影像提高到近３倍，清晰度也提高了。因而具有更强的解译和量测能力，能进一步提高分类精度、制作专题图的精度，多时相监测能力等。     

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。     

一种面向对象的遥感影像城市绿地提取方法

针对目前面向对象方法在高分辨率遥感影像中提取绿地专题信息的特点,以及受到城市区域范围尺度限制因素的影响,本文提出一种利用高分辨率遥感影像提取城市区域范围绿地专题信息的方法,结合影像分割、影像面向对象模板统计和基于多阀值的模糊分类技术的优势,林地、密草地和疏草地专题信息被提取出来.研究中提出利用基于面向对象多尺度分割算法...     

地理信息系统支持下的山区遥感影像决策树分类

山区遥感影像分类是遥感研究的一大难题。本文利用一种决策树生成算法（C 4.5算法）自动提取知识，基于知识建立决策树用于山区影像分类，并结合研究区土地利用类型与DEM空间统计关系的先验知识，在GIS空间分析的基础上进行影像分类的后处理。与传统的最大似然法分类结果相比，该方法极大地改善了山区地表覆被分类的精度，得到试验区较为可靠的遥感分类图像。     

高分辨率遥感影像智能解译研究进展与趋势

遥感影像解译是一个不断发展的研究方向,随着日新月异的遥感应用需求、高分辨率遥感数据的快速发展、地理知识的日积月累、以及人工智能技术的发展,亟需发展自动化、智能化的遥感影像解译技术。本文针对遥感影像智能解译,首先从遥感影像解译单元、分类方法、解译认知3个方面阐述遥感影像解译的研究进展,然后提出了面向地理场景的 “地理知识图谱构建—深度学习模型构建—地理知识图谱与深度学习模型协同的遥感影像语义分类”遥感影像智能解译总体框架,并给出初步试验成果,最后对智能解译的重要发展趋势予以展望,以期拓展遥感影像智能解译研究的思路与方法,提高遥感影像智能解译的精细程度和智能化水平,使智能解译具备地理空间理解能力,推动“数据—信息—知识—智能”的深度转化。     

Intelligent services for discovery of complex geospatial features from remote sensing imagery

Remote sensing imagery has been commonly used by intelligence analysts to discover geospatial features, including complex ones. The overwhelming volume of routine image acquisition requires automated methods or systems for feature discovery instead of manual image interpretation. The methods of extraction of elementary ground features such as buildings and roads from remote sensing imagery have been studied extensively. The discovery of complex geospatial features, however, is still rather understudied. A complex feature, such as a Weapon of Mass Destruction (WMD) proliferation facility, is spatially composed of elementary features (e.g., buildings for hosting fuel concentration machines, cooling towers, transportation roads, and fences). Such spatial semantics, together with thematic semantics of feature types, can be used to discover complex geospatial features. This paper proposes a workflow-based approach for discovery of complex geospatial features that uses geospatial semantics and services. The elementary features extracted from imagery are archived in distributed Web Feature Services (WFSs) and discoverable from a catalogue service. Using spatial semantics among elementary features and thematic semantics among feature types, workflow-based service chains can be constructed to locate semantically-related complex features in imagery. The workflows are reusable and can provide on-demand discovery of complex features in a distributed environment.     

Spatial application of Random Forest models for fine-scale coastal vegetation classification using object based analysis of aerial orthophoto and DEM data

High spatial resolution mapping of natural resources is much needed for monitoring and management of species, habitats and landscapes. Generally, detailed surveillance has been conducted as fieldwork, numerical analysis of satellite images or manual interpretation of aerial images, but methods of object-based image analysis (OBIA) and machine learning have recently produced promising examples of automated classifications of aerial imagery. The spatial application potential of such models is however still questionable since the transferability has rarely been evaluated.We investigated the potential of mosaic aerial orthophoto red, green and blue (RGB)/near infrared (NIR) imagery and digital elevation model (DEM) data for mapping very fine-scale vegetation structure in semi-natural terrestrial coastal areas in Denmark. The Random Forest (RF) algorithm, with a wide range of object-derived image and DEM variables, was applied for classification of vegetation structure types using two hierarchical levels of complexity. Models were constructed and validated by cross-validation using three scenarios: (1) training and validation data without spatial separation, (2) training and validation data spatially separated within sites, and (3) training and validation data spatially separated between different sites.Without spatial separation of training and validation data, high classification accuracies of coastal structures of 92.1% and 91.8% were achieved on coarse and fine thematic levels, respectively. When models were applied to spatially separated observations within sites classification accuracies dropped to 85.8% accuracy at the coarse thematic level, and 81.9% at the fine thematic level. When the models were applied to observations from other sites than those trained upon the ability to discriminate vegetation structures was low, with 69.0% and 54.2% accuracy at the coarse and fine thematic levels, respectively.Evaluating classification models with different degrees of spatial correlation between training and validation data was shown to give highly different prediction accuracies, thereby highlighting model transferability and application potential. Aerial image and DEM-based RF models had low transferability to new areas due to lack of representation of aerial image, landscape and vegetation variation in training data. They do, however, show promise at local scale for supporting conservation and management with vegetation mappings of high spatial and thematic detail based on low-cost image data.     

领域知识辅助下基于多尺度与主方向纹理的遥感影像土地利用分类

基于灰度共生矩阵(GLCM)的纹理特征在影像空间分析中具有重要作用,提出了一种在领域空间知识辅助下构建GLCM多尺度窗口与主方向权值的方法,从而提高纹理特征的有效性,并解决影像土地利用分类中存在的不确定性问题。为此,根据人类目视解译的特点,对GIS与RS数据进行集成计算:首先,在图像配准的基础上,利用经典的GIS空间数据挖掘算法,渐近式地提取领域形态知识;接着,采用关联分析法建立其与GLCM构造因子之间的响应机制,并设计了基于地类形状指数的多尺度窗口建立算法,以及基于地类主方向分布指数的方向权值测度算法。试验结果表明,领域形态知识与GLCM空间因子之间具有强相关关系,该方法提取出的纹理特征可以描述复杂地物的空间意义,算法复杂度低,性能优越,有效提高了影像土地利用分类的精度。     

一种结合地理知识的遥感影像目标实体关联方法北大核心CSCD

遥感影像目标识别技术已广泛应用于目标动态监测与定位等领域。但影像目标识别的结果缺乏与目标属性信息的链接,导致分析人员只能依据影像特征进行分析,难以进行更复杂的目标数据关联分析与挖掘。针对遥感影像目标识别语义属性信息缺失的问题,本文利用知识图谱相关技术将影像判别的目标信息与知识语义网链接。首先,提出了一种遥感影像目标知识图谱构建框架;其次,针对遥感影像目标不同的数据类型,构建遥感影像目标知识抽取模型,提出了基于相似度目标实体识别和预定义模式的关系抽取方法;然后,基于多特征Logistic模型的影像目标实体链接方法,实现了遥感影像目标实体与百科知识库的知识关联;最后,针对预定试验区域进行试验,验证了本文方法的可行性。     

地学粗空间的理论与应用

提出了由粗实体，粗关系和粗算子组成的地学粗空间。在分析通过粗集研究地球空间信息学不足的基础上，提出了简化的实用粗符号系统；定义了地学粗空间的内涵和外延，把空间论域全域划分为下近似集，边界集和非集，将空间实体以上，下近似集表示为粗实体，并且粗度衡量其逼近程度；给出了兼顾位置和属性的不确定性的粗关系及其矩阵表示；研究了地学粗空间的粗算子，重点讨论了粗交集近似通用矩阵，基于影像灰度值的粗隶避函数和冗余属性剔除等粗算子；以基于地学粗空间的河流专题遥感影像分类为例，检验了地学粗空间的实用性。结果表明，地学粗空间可以较大可能地逼近地学实体的真实存在形式,决策信息较为丰富，可靠。     

矢量居民地多边形多级图划分聚类方法

针对复杂居民地多边形的信息挖掘问题,提出了一种多级图划分聚类分析方法,构造居民地多边形的图模型,并通过对图模型进行粗化匹配与重构、初始化分和细化得到聚类结果.首先构建研究区域内居民地建筑物的Delaunay三角网,生成包含研究对象之间的邻接信息图;然后结合空间认知准则和人类认知的特点,采用形状狭长度、面积比、凹凸性、距...     

基于CNN模型迁移的OLI影像光伏电池板场景识别

获取光伏电池板的空间分布及动态变化信息对于国土调查、资源环境监测和能源结构评估具有重要意义,然而,传统的光伏电池板的识别依赖于人工设计的中低层次特征,无法克服对象光谱不确定性、空间结构类型复杂等难题,算法普遍存在稳健性不强、效率不高等问题。目前,基于场景单元从遥感影像中提取空间信息,多数算法仅建立在少数标准数据集上,未考虑实际应用中遥感图像质量、空间分辨率等因素对图像场景深度特征表达的影响,制约了遥感技术在城市结构、经济社会知识挖掘方面的深入应用。针对以上情况,本文基于卷积神经网络（CNN）采用迁移学习和模型微调的策略,在中等分辨率的Landsat影像上进行光伏电池板场景识别。结果表明,本文方法能够提取电站场景的多层次特征,在形态结构复杂的电站场景中取得了较好的识别效果。     

Landsat7 ETM＋影像的融合和自动分类研究

利用SFIM、MLT、HPF和修改的Brovey(MB)等遥感影像融合算法对Landsat 7 ETM 影像进行融合和自动分类研究，并就融合影像的光谱保真度、高频空间信息融人度和分类精度对这些方法进行评价。结果表明SFIM变换几乎完全保持了原始影像的光谱特点，并具有最高的平均分类精度；MB变换具有最高的高频空间信息融人度；MLT变换也具有较高的分类精度；只有HPF变换的各项指标都不突出。所有4种融合影像的分类精度都较原始影像的分类精度有明显的提高。这表明，源于同一传感器系统的不同分辨率影像的融合可以避免异源传感器融合影像所常见的各种参数、时相和配准误差，所以能够明显地提高影像的自动分类精度。     

基于网络和图的时空智能——概念、方法和应用

当前时空智能(SpaceTimeAI)和地理空间智能(GeoAI)已是热门的话题,该研究领域旨在将计算机科学的最新方法(如深度学习)应用于地理空间问题。虽然深度学习方法因其对栅格数据的自然适用性而在图像处理中取得了巨大成功,但仍未广泛应用于其他空间和时空数据类型。本文提出使用网络和图作为SpaceTimeAI或GeoAI的基本结构的倡议,并将其应用于城市研究中。相比于基于网格的表达,基于网络的结构更加精确和实用。图能实现对点、线、面/多边形/网格和网络等多种空间结构的表达。本文通过时空预测、聚类和时空优化等常用时空分析方法展示基于网络和图的时空智能分析的优势,并介绍其在交通出行、警务和公共卫生等领域的应用。     

Enhancement techniques for landuse analysis

In image interpretation, to make maximum use of the available information, some sort of enhancement is usually needed. In image enhancement, the aim is to manipulate the image to improve its quality. Image enhancement techniques emphasize upon the viewing of the image for extraction of information that may not have been so readily apparent in the original. Hera the software package for various enhancement techniques that has been developed at National bemote Sensing Agency (NRSA) is described. In order to illustrate the utility of the techniques, the enhanced imagery have been analysed for land use categories and linear features, and the corresponding thematic maps have also been shown in the results.