利用对象和支持向量机的遥感信息提取方法探讨

土地利用/覆被专题信息的快速、高效、准确提取是遥感图像处理研究的重要方向。传统的遥感分类方法常依靠像元的光谱值,未充分利用影像的空间信息。本文将面向对象影像分割和支持向量机方法相结合,复合光谱和纹理信息,建立了Object-SVM分类模型,并与面向对象的模糊函数和基于像元的SVM方法相比较,探寻区域尺度土地利用/覆被信息提取方法。结果显示,Object-SVM模型有效地提高了遥感图像的分类精度和分类效率,对于区域尺度影像的快速、准确、客观的信息提取具有实际意义。     

联合局部二值模式的高光谱影像空-谱分类方法

为充分利用高光谱影像"图谱合一"的特性,提出了一种联合局部二值模式的高光谱影像空-谱分类方法。该方法通过局部二值模式从降维影像中提取空间纹理特征,以线性加权求和核为多核组合方式,与原始光谱特征结合构造混合核极限学习机模型,实现影像的地物分类。为了验证该方法的有效性,利用Indiana和Pavia U两组高光谱影像数据进行实验,总体分类精度分别达到99.23%和94.95%。结果表明该方法分类效果优于纯光谱分类、纯局部二值模式空间分类、GLCM空-谱分类以及3Gabor空-谱分类方法,有效地改善了高光谱影像分类结果,获得更加平滑的分类结果图。     

基于EMP与混合核SVM的高光谱遥感影像分类

传统的SVM模型采用同一映射形式的单核模式对叠加的空间特征和光谱特征进行处理,往往无法得到理想的结果,为了解决该问题,提出了一种基于扩展的形态学剖面(EMP)与混合核SVM的高光谱遥感影像分类方法.该方法首先通过EMP有效提取空间信息,再采用不同的核函数处理空间信息与光谱信息,最终完成混合核SVM的高光谱影像分类.对多种组合形式的单核以及多核SVM模型进行了对比分析,结果表明,该方法具有较高的适应性,对于高光谱遥感影像的分类精度较高.     

多层级二值模式的高光谱影像空-谱分类

利用高光谱遥感影像的空间纹理特征,可以提高高光谱遥感影像的分类精度。提出了一种多层级二值模式的高光谱影像空-谱联合分类方法。该方法将高光谱影像转化为局部二值模式特征图像获取像元微观特征,基于特征图像生成多层级特征向量获取像元宏观特征。为验证该方法的有效性,选取PaviaU、Salinas和Chikusei高光谱影像数据,利用核极限学习机分类器,分别针对光谱、局部二值模式、多层级二值模式等特征开展实验。结果表明,多层级二值模式空-谱分类总体精度分别达到97.31%、98.96%和97.85%,明显优于传统光谱、3Gabor空-谱等分类方法。该方法可为高光谱影像分类提供更加有效的类别判定特征,有助于提高影像分类精度并获取更加平滑的分类结果图。     

基于高斯混合模型的建筑物QuickBird多光谱影像数据分类研究

针对任何一种遥感影像数据的信息提取都有其无法逾越的理论极限,正确认识这种极限有利于明确相关算法研究的方向,降低工程应用成本.制约影像信息提取精度的"同物异谱"现象以及与之相关的影像对象"光谱异质性"问题正是科学认识这种极限的关键和切入点.城市下垫面中的建筑物屋顶材料不同,光谱反射率也不同,"同物异谱"现象严重.基于高斯混合模型的期望最大(Expectation Maximization,EM)估计算法,能为分析建筑物类内以及同一建筑物对象内部光谱异质性程度提供科学依据, 进而提高分类精度.本文以QuickBird多光谱影像为实证研究数据, 利用高斯混合模型及其EM估计算法拟合出不同材料屋顶的密度分布, 实现建筑物影像对象分类, 得到优于传统监督、非监督分类的结果.     

基于OLI影像多参数设置的SVM分类研究

在遥感影像自动分类中仅使用光谱特征很难产生正确的分类,OLI影像是波段数较多的多光谱影像,如果增加纹理、几何等多种特征以提高分类精度,就会使得特征的维度很高.支持向量机善于解决小样本、非线性和高维的影像分类问题,但是核函数和参数的设置只能依靠实验来获得.文中在OLI影像中提取了23个特征,逐个测试核函数和参数值对分类结果的影响.研究的主要结论如下：RBF核的支持向量机分类精度最高,Sigmoid核支持向量机分类精度最低;核函数的选择对分类精度的影响最大;核函数和参数值的变化不会影响重要特征的使用,3种核的支持向量机分类所使用的重要特征基本一致.     

有限样本类别城市高光谱数据SVM分类应用分析

对比分析线性核函数和非线性核函数支持向量机算法在样本类别不足情况下城市高光谱影像分类中的应用。选用张掖地区高光谱影像作为试验区,依据高分影像和地面调研信息获取参考样本数据,利用非线性核函数和线性核函数的支持向量机进行影像分类,获取每一类别的分类后验概率图,对分类后验概率图采用0.2,0.4,0.6,0.8,0.9的后验概率截断,分析不同截断概率下的地物分类精度变化情况,结果表明：线性核函数和非线性核函数SVM方法的结论相似,随着截断概率的增加,分类结果中用户精度提高或保持稳定,制图精度下降或保持稳定,总体分类精度先提高后降低,但波动幅度不大。所以,SVM的后验概率可以用于指导类别不足时城市高光谱影像的分类。通过分析各类地物的混淆矩阵,可知,非线性核函数的SVM方法比线性核函数SVM方法更敏感,在低后验概率下就可以准确提取出未分类信息,而线性核函数SVM在高后验概率下才能提取出未分类信息,而且还混入了许多训练过的类别信息。所以,非线性核函数SVM方法的分类精度更稳定,利用后验概率提取未分类信息的可信度更高。     

无人机多光谱影像土地利用信息提取方法研究

以无人机多光谱和倾斜影像为数据源,运用面向对象自动分类的方法,首先利用分型网络演化分割算法(Fractal Net Evolution Approach,FNEA)进行分割实验,确定研究区每个地类最优分割尺度,并结合多光谱影像的光谱特征、纹理特征、空间特征、语义关系以及通过倾斜摄影提取的数字表面模型(Digital Surface Model,DSM)和其衍生的坡度数据等,构建研究区分类规则集,并采用多尺度分割后的多层次信息提取方法,将地物分为3个尺度,在不同尺度下提取相应的地物,总体精度为88.03%,Kappa系数为86.12%,分类结果较好。同时设置对比实验,利用传统的决策树方法分类,其总体精度仅为77.78%,Kappa系数为74.23%。研究表明,针对无人机的高分辨率多光谱影像面向对象的多尺度信息提取方法在信息提取时要优于决策树分类方法,同时验证了该多光谱传感器在信息提取上应用的可行性。     

基于PCA和极限学习机的高光谱遥感分类研究

针对高光谱遥感分类研究中面临的数据处理效率低、分类结果精度不高等难题,本文在引入极限学习机(ELM)算法的基础上,顾及其在噪声影响下出现稳健性降低的现象,进一步将主成分分析(PCA)应用于ELM的前端,从而构建了一种基于PCA和ELM的联合算法。将该算法与目前常用的神经网络和支持向量机进行对比分析发现:PCA-ELM分类结果的精度最高,其数据处理效率也较高,该算法具有较强的稳健性和泛化能力,适用于高光谱遥感信息的高效提取。     

有限样本类别城市高光谱数据SVM分类应用分析北大核心CSCD

对比分析了线性核函数和非线性核函数支持向量机(SVM)算法在样本类别不足情况下城市高光谱影像分类中的应用。选用甘肃张掖地区高光谱影像作为试验区,依据高分影像和地面调研信息获取参考样本数据,利用非线性核函数和线性核函数的支持向量机进行影像分类,获取每一类别的分类后验概率图,并对分类后验概率图采用0.2、0.4、0.6、0.8、0.9的后验概率截断,分析了不同截断概率下的地物分类精度变化情况。结果表明,线性核函数和非线性核函数SVM方法的结论相似,随着截断概率的增加,分类结果中用户精度提高或保持稳定,制图精度下降或保持稳定,总体分类精度先提高后降低,但波动幅度不大。因此,SVM的后验概率可以用于指导类别不足时城市高光谱影像的分类。通过分析各类地物的混淆矩阵可知,非线性核函数的SVM方法比线性核函数SVM方法更敏感,在低后验概率下就可以准确提取出未分类信息,而线性核函数SVM在高后验概率下才能提取出未分类信息,而且还混入了许多训练过的类别信息。非线性核函数SVM方法的分类精度更稳定,利用后验概率提取未分类信息的可信度更高。