一种多尺度几何细节抽取的阴影处理算法

从高分辨率航空遥感影像的阴影处理角度出发,分析了阴影区域在彩色空间上的特征;采用HIS彩色空间3个通道的联合阈值测度进行阴影检测,并利用高斯函数进行地物纹理几何细节的多尺度抽取,提出了针对影像灰度图的阴影补偿方法。实验证明,该方法能够在最大限度保留阴影区域原始特征的前提下,对阴影区域信息进行补偿,保证了影像后续处理的准确度和可靠性。     

协同处理方式在遥感蚀变异常成因分析中的应用——以北山方山口地区为例

遥感蚀变异常是重要的示矿指标。但以往研究对遥感蚀变异常的地质成因及其示矿意义探讨不足,导致对遥感蚀变异常的分析往往具有多解性,影响了遥感蚀变异常在地质找矿中的先导作用。为此建立了能定量解释遥感蚀变异常地质成因和示矿意义的多源数据、多方法协同处理方式。该方式基于不同光谱分辨率和空间分辨率的多源遥感数据,采用光谱分析与岩矿测试相融合的方法分析不同尺度(不同矿物类型、不同成矿类型、不同地质剖面、不同空间区域)遥感蚀变异常的特征,即利用多光谱遥感宏观分析遥感蚀变异常区域分布特征;利用高光谱遥感分解典型地质体的遥感蚀变异常信息发育模式;利用X射线衍射分析、岩矿鉴定和光谱解算准确鉴别蚀变矿物类型并解释其地质成因与示矿意义。通过对北山方山口地区的测试,发现遥感蚀变异常的类型与地表发育的蚀变矿物类型基本一致,且不同成矿类型矿床的围岩蚀变可以被特定的遥感蚀变矿物信息组合有效反映,据此规律进行遥感蚀变异常查证,新发现多处矿化线索,较好地实现了遥感信息向地质信息的转化应用。研究表明,本研究中提出的多源数据、多方法协同处理的方式可有效克服单一数据源或单一方法分析结果的不完备性,提高遥感蚀变异常在地质应用中的可信度。     

利用慢特征分析进行多尺度融合的 高分辨率影像变化检测

提出利用慢特征分析的特征级多尺度融合的方法。首先对两时相影像分别进行多尺度分割,并与原始影像共同构成多尺度特征集;其次对特征集进行迭代慢特征变换,增大变化区域与未变化区域的可分性;最后通过K-means聚类完成变化区域与未变化区域的分割,得到二值变化检测结果。通过两组北京地区的多光谱影像实验发现,该方法具有更高的精度和自动化程度。     

联合BEMD和WMM方法实现位场多尺度边界检测

利用不同尺度下的位场数据进行边界检测可获得相应的多尺度边界信息,其在区域地质构造单元划分、地质填图、矿产资源圈定和结晶基底研究等方面具有广泛应用。通过联合二维经验模态分解（bi-dimensional empirical mode decomposition, BEMD）和小波模极大值（wavelet modulus maximum, WMM）方法实现位场数据多尺度分解及各尺度异常边界检测,首先,证明了BEMD方法能够实现对位场的多尺度分解,且分解各尺度异常具有实际地质含义;然后,对构建的模型重力异常进行边界检测,结果显示, WMM方法具有良好的抗噪声干扰能力,能够清晰、准确地检测出组合模型体的边界位置、走向及分布范围;最后,将该联合方法用于三峡地区布格重力异常的多尺度分解和各级固有模态函数的边界检测,结合径向对数功率谱曲线对分解各尺度异常进行场源深度估计,得到了三峡地区不同深度层位上的构造或岩体线性分布特征,并对各尺度异常边界检测结果与区域地质构造特征进行了比较分析和解释,验证了该方法的优越性和有效性。     

结合多特征的快速协同高光谱异常探测算法

针对协同表示算法的计算复杂度高、空间特征缺失问题,该文提出基于快速递归与多特征协同表示的异常探测算法。首先根据像素位置构造变换矩阵,由矩阵求逆引理导出递归更新方法,以提升协同表示算法的时效性。然后从高光谱图像中分别提取光谱特征、Gabor特征、扩展多属性轮廓特征,应用快速递归和协同表示方法,将多特征探测结果采用自适应加权方法进行融合,更好地实现异常目标和背景类的分离。采用该算法对3组高光谱数据进行实验：通过时效性对比发现,快速递归算法的检测效率提高了30%以上;同时,利用ROC曲线及AUC值对比分析发现,该算法表现出良好的探测性能。     

基于多尺度边缘的重力异常分离方法

利用多尺度边缘分析理论,对重力异常的小波多重分解法作了改进,提出了基于多尺度边缘的重力异常分离方法。实验表明,改进方法除保留了多重分解法的优点外,还能够同时实现异常的纵向和横向分离,而且可以根据每个场源对应的多尺度边缘的分布情况确定小波分解的阶数,有利于单一异常特征的提取。利用该方法对琉球俯冲带西南端区域的船测重力资料进行了处理分析,结果与该区域的地质构造具有很好的对应关系。     

区域多尺度马尔可夫随机场的遥感影像分类

多尺度分析技术广泛应用于高分辨率遥感影像的特征提取和建模。分解层数受制于影像的大小,下采样小波变换实现的影像多尺度表达难以描述大范围的空间模式,导致分类结果出现"胡椒盐"现象;面向对象的影像分析技术虽避免了"胡椒盐"现象,但由于仅利用了单尺度的的特征,也难以描述影像多层次的空间模式,导致分类精度较低。为改善分类结果中的"胡椒盐"现象和提高分类精度,提出了一种结合区域多尺度遥感影像分割和马尔可夫随机场的分类方法。首先,获得原始影像过分割区域,依据区域内亮度均值以及区域间的共享边界长度信息,提取影像低频和高频特征,采用该低频特征波段代替原始影像,重复分割与特征波段提取过程,形成影像的区域多尺度表达。然后,以原始图像为初始尺度,以分割区域为处理单元,以更细尺度分类结果为标记场先验,以当前高频特征建立特征场,逐层分类、投影,获得最终尺度分类结果。合成纹理影像和多光谱遥感影像的实验表明:相比于小波域多尺度建模方法和单尺度区域建模方法,本文提出的方法可以有效提高分类精度,并避免"胡椒盐"现象的产生。     

一种改进的基于最小生成树的遥感影像多尺度分割方法

影像分割是遥感影像面向对象信息提取的基础步骤。基于多特征、多尺度及考虑空间关系的遥感图像分割是主流研究方向。本文基于eCognition软件的多尺度分割思想,引入基于图论的最优化理论,提出了基于最小生成树分割和最小异质性准则的多尺度分割方法。该方法采用相干增强各向异性扩散滤波和最小生成树分割得到初始分割结果,通过最小异质性合并准则同时考虑多波段光谱特性区域形状参数进行区域合并,实现多尺度的影像分割。本次研究选取两景试验影像,对本文方法和eCognition软件的多尺度分割方法开展了目视比较和定量指标评价,结果表明,本文提出的方法是一种有效的影像分割方法,在光谱差异较小区域的细分方面优于eCognition方法。     

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。     

基于分区的局域神经网络时空建模方法研究

区域数据表现为两种尺度的空间特性:反映全局特征的空间依赖性和反映局域特征的空间波动性.空间波动性表现为空间数据在局部地区的聚集或高低交错现象.在研究区域数据时空预测性建模时,从降低数据的空间波动和不平稳性对模型预测能力的影响角度出发,提出了一种基于分区的局域神经网络时空非线性建模的思路.分区过程由基于空间邻接关系的K-means聚类算法完成.不同的分区方案通过相关性、波动性、紧凑性等指标进行评价和优选.在确定最优分区方案的基础上,对各子区分别采用两层前馈网络进行建模,模型的输入不仅要考虑本区内单元的作用,而且要考虑相邻子区的边界效应.各神经网络模型的时空预测能力通过平均相均差和动态相似率等指标进行衡量.最后,通过对法国94个县每周流感报告病例的时空建模分析表明,与全局神经网络模型相比,基于分区的局域神经网络模型具有更好的预测能力.