融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。     

面向小样本分类的高光谱影像特征提取

研究了面向小样本分类的高光谱影像特征提取技术，提出了一种用于小样本分类的投影寻踪指标和基于SVMPP的高光谱影像特征提取方法；并借助误差校正输出码，将两类问题的特征提取推广到多类情况。通过高光谱影像分类实验证明，该方法具有很强的小样本学习能力，能够在先验信息很少的情况下较准确地提取地物的分类特征。     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题,提出了一种显著性特征提取方法。首先,利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后,基于分割得到的小区域计算反映不同区域的显著性特征。最后,沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合,并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明,与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比,提取的显著性特征能够获得更高的高光谱影像分类精度,且结合光谱特征能够进一步提高分类精度。     

高光谱影像特征子集选择方法

针对高维遥感数据的降维困难问题,该文提出并构建了一种融合粒子群优化算法全局寻优能力和支持向量机优秀分类性能的高光谱遥感影像特征子集选择与分类方法。通过引入混沌优化搜索技术改进融合粒子群优化算法的全局寻优能力;提出并采用一种基于粒度的网格搜索策略对支持向量机模型参数进行优化;利用二进制融合粒子群优化算法进行特征选择;然后,支持向量机采用该特征子集所对应的训练数据集进行模型参数优化和分类。实验结果表明该方法能有效地提取出用于分类的最佳波段,具有较高的分类精度。为高光谱遥感影像的特征选择与分类探索出了一种可行的方法。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

基于支持向量机的高光谱遥感分类进展

支持向量机作为一种最新的也是最有效的统计学习方法,近年来成为模式识别与机器学习领域一个新的研究热点。支持向量机因其适用高维特征、小样本与不确定性问题的优越性,是一种极具潜力的高光谱遥感分类方法。在分析基于支持向量机的高光谱遥感影像分类进展的基础上,对若干需要进一步研究的问题包括多类分类策略、训练样本与特征空间优化、不确定性控制、核函数选择与优化等进行探讨。     

高光谱遥感影像支持向量机分类中噪声影响的研究

为了验证噪声对支持向量机分类器性能的影响,对"SVM可以有效用于含噪声和不确定性数据"这一观点进行定量分析评价,采用国产OMISII传感器获得的高光谱遥感数据进行了试验,为了更好地比较SVM分类器的抗噪性,先对原始数据进行支持向量机分类,然后在高光谱遥感影像中人为添加不同比例的椒盐噪声和条带噪声,然后进行支持向量机分类...     

基于相关向量机的高光谱影像分类研究

虽然支持向量机在高光谱影像分类得到成功应用,但是它自身固有许多不足之处。相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,其核函数不需要满足Mercer条件,不仅具备良好的泛化能力,而且还能够得到具有统计意义的预测结果。本文从分析支持向量机用于高光谱影像分类存在的不足出发,提出了一种基于相关向量机的高光谱影像分类方法,介绍了稀疏贝叶斯分类模型,将相关向量机学习转化为最大化边缘似然函数估计问题,并采用了快速序列稀疏贝叶斯学习算法。通过PHI和OMIS影像分类实验分析表明了基于相关向量机的高光谱影像分类方法的优越性。     

利用分离性测度多类支持向量机进行高光谱遥感影像分类

从支持向量机的基本理论出发,结合高光谱数据的分离性测度,提出了一种基于分离性测度的二叉树多类支持向量机分类器,并用OMIS传感器获得的高光谱遥感数据和Hyperion高光谱遥感数据进行实验,分析比较了各种多类SVM的分类精度,并和传统的光谱角制图和最小距离分类算法进行了比较。结果表明,SVM进行高光谱分类时,基于分离性测度的二叉树多支持向量机的分类精度最高。     

高光谱-LiDAR多级融合城区地表覆盖分类

城市地区地表覆盖分类在城市研究中是一个十分重要的方向。遥感作为获取地物物理属性的一种重要技术手段,已初步应用于分类研究中。然而,随着城镇化的不断推进,城市内部地物类型越来越复杂,单一的遥感影像已无法满足城区地表覆盖分类中高精度的要求。高光谱影像和LiDAR数据能够分别表征地物的光谱信息及高程而被广泛应用。因此,根据两者之间互补的优势,本文提出了基于高光谱影像和LiDAR数据多级融合的城区地表覆盖分类方法。首先对两幅影像分别进行特征提取,将提取到的光谱、空间及高程信息进行层叠实现特征级融合。对得到的特征影像的所有像素点进行分类,然后利用LiDAR点云数据提取的建筑物掩膜,对非建筑物部分进行分类,再次实现特征级融合,以此改善建筑物区域与非建筑物区域的混淆。然后将未使用掩膜得到的分类结果与利用掩膜得到的分类结果进行投票实现决策级融合。最后利用条件随机场模型对分类结果进行后处理操作,达到平滑图像去除噪声点的目的。     

基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测

飞机检测在遥感图像解译中具有重要的研究意义。针对现有目标检测算法对于复杂场景区域或飞机密集区域的小尺度飞机目标检测精度较低的问题,本文提出了一种端到端的多尺度特征融合飞机目标检测框架MultDet。该方法基于SSD多尺度检测框架,采用轻量级基础网络提取多尺度特征信息;然后设计反卷积特征融合模块,通过跳跃连接将高层语义特征与低层细节特征进行特征融合,得到结构层次丰富的多尺度融合特征;最后设计了一系列不同纵横比的候选框以适应多尺度飞机目标检测。本文在光学遥感图像数据集UCAS-AOD上进行数据分析试验,结果表明,MultDet512在飞机数据集上取得了94.8%的平均检测精度(average precision,AP),在Titan Xp GPU上达到0.0500s/img的检测速度。本文所提飞机目标检测算法在包含多种复杂场景的遥感图像中,能够实现多尺度飞机目标的高精度稳健检测。     

高光谱遥感影像多级联森林深度网络分类算法

高光谱遥感技术在环境监测、应急保障、精细地物提取等方面有着广泛的应用,随着高分五号高光谱数据的正式发布,高光谱遥感技术将发挥更重要的作用。遥感影像分类作为高光谱遥感影像信息处理的重要部分,已成为当前研究重点。本文针对传统多级联森林深度学习中模型复杂、无法利用基分类器差异信息、对类间差异较小的样本无法正确区分等不足,提出了一种改进的多级联森林深度学习模型,在模型框架中,分别采用了随机森林和旋转森林作为基分类器,并引入逻辑回归分类器作为判别器用于训练层扩展。相较于传统的深度神经网络,改进的多级联森林深度网络超参数较少且能够自适应确定训练层,更方便进行模型优化。实验采用了高分五号数据集及两个公开的高光谱数据集(Indian Pines数据集及Pavia University数据集)进行精度评定,同时选择了传统分类器支持向量机、深度置信网等模型作为对比分析。实验结果表明,改进的多级联森林深度学习模型能有效地进行高光谱遥感影像分类,且较传统的分类方法精度有所提升。     

一种基于PPI的高光谱数据矿物信息自动提取方法

本文通过分析PPI算法后续处理存在的问题,引入最大距离法(MD)实现基于PPI的端元自动分类,并将获得的未知端元在波谱库中遍历以匹配最佳地类,最终完成基于PPI端元的矿物信息的自动提取。实验采用美国内华达州Cuprite地区的机载AVIRIS和我国东天山地区的星载Hyperion高光谱遥感数据,利用IDL编程实现矿物信息的自动提取,通过对实验结果的比较分析,验证了本文方法的有效性和实用性。     

Per-pixel and object-oriented classification methods for mapping urban land cover extraction using SPOT 5 imagery

To have sustainable management and proper decision-making, timely acquisition and analysis of surface features are necessary. Traditional pixel-based analysis is the popular way to extract different categories, but it is not comparable by the achievements that can be achieved through the object-based method that uses the additional characteristics of features in the process of classification. In this paper, three types of classification were used to classify SPOT 5 satellite image in mapping land cover; Support vector machine (SVM) pixel-based, SVM object-based and Decision Tree (DT) pixel-based classification. Normalised Difference Vegetation Index and the brightness value of two infrared bands (NIR and SWIR) were used in manually developed DT classification. The classification of the SVM (pixel based) was generated using the selected groups of pixels that represent the selected features. In addition, the SVM (object based) was implemented by using radial-based function kernel. The classified features were oil palm, rubber, urban area, soil, water and other vegetation. The study found that the overall classification of the DT was the lowest at 69.87% while those of SVM (pixel based) and SVM (object based) were 76.67 and 81.25%, respectively.     

高分五号高光谱数据融合方法比较

数据融合是解决高光谱卫星在时空分辨率等指标上受限的有效途径,探讨不同方法在GF-5高光谱数据上的融合效果,对GF-5高光谱数据的信息挖掘与推广应用有着重要意义。本文本着算法简单易用、适于推广的原则,采用GS（Gram-Schmidt）葛兰—施密特正交变换融合算法、GSA（GS Adaptive）自适应GS融合算法、CNMF（Coupled Non-negative Matrix Factorization）耦合非负矩阵分解融合算法、CRISP-W（Color Resolution Improvement Software Package with Wavelet transform）基于小波变换和CRISP-B（Color Resolution Improvement Software Package with Butterworth）基于巴特沃斯滤波器的分辨率提升融合算法、GLP（Generalized Laplacian Pyramid）广义拉普拉斯金字塔融合算法共6种融合方法,分别对BJ-2、GF-2、GF-1、GF-1C、GF-1D国产卫星多光谱数据与GF-5高光谱数据进行融合实验。通过目视分析、指标评价（相关系数、通用图像质量指标、峰值信噪比、光谱角、全局综合误差）、分类应用、时间成本4种方式对融合结果进行综合比较分析。结果表明,相融合的一组图像系列相同、空间分辨率相差越小,融合结果越好。CRISP-B、CRISP-W、GLP在提升空间分辨率、光谱保真度方面能达到较好的平衡,空间重建方面,GLP稍优且更稳定,CRISP-B、CRISP-W则在光谱信息保持方面稳定性更强且效果更好。数据源会对融合方法产生一定的影响,在光谱特征信息提取、分析等对光谱保真度要求高的工作中,GLP更适合同源数据（如GF-5与GF-1/1C/1D/2）融合,而在多源数据间（如GF-5与BJ-2）进行融合时,则优先选择CRISP-W。CNMF存在一定程度的色彩畸变,且运行时间较长。GSA、GS融合效果最差,其中,GSA不论是光谱保持能力还是空间分辨率提升能力均较GS更稳定。在小样本高光谱图像分类应用中,CRISP-B融合结果分类效果稳定,分类精度较高。GSA融合结果空间细节丰富,虽光谱失真较为严重,但同时增大了地物光谱分离度,仍适用于准确勾勒建筑物、道路等地物。本研究为GF-5高光谱数据与其他国产卫星多光谱数据融合方法的选择提供参考,有助于高分五号高光谱数据的应用与推广。     

多分辨率特征融合的光学遥感图像目标检测

高分辨率遥感图像目标检测是计算机视觉的一个重要研究领域,在民用与军事领域具有重要的应用价值。目前,基于深度学习的自然图像目标检测有了突破性进展。但是,由于遥感图像具有目标尺度差异大且类间相似度高的特点,使得处理自然图像的目标检测算法直接应用于遥感图像时仍面临着一些挑战。针对上述挑战,本文提出一种多分辨率特征融合的遥感图像目标检测方法。首先,通过特征金字塔提取多尺度特征图并在其后嵌入多分辨率特征提取网络,促使网络学习目标在不同分辨率下的特征,缩小不同特征层之间的语义差距。其次,为实现多分辨特征的有效融合,本文采用自适应特征融合模块挖掘更具判别性的多分辨特征表达。最后,将自适应特征融合模块的输出特征的相邻层进行深度融合。在公开的遥感图像目标检测数据集DIOR和DOTA上评估了本文方法的有效性,相比采用特征金字塔结构的Faster R-CNN,本文方法的准确率(mAP)分别提高2.5%和2.2%。     

从高光谱遥感影像提取植被信息

遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。高光谱遥感数据因其特有的高光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力。植被信息作为生态环境评价的重要参数对区域生态环境的监测和建设具有重要的意义。本文基于云南省鹤庆县北衙的高光谱遥感数据用SAM方法对植被信息进行了提取,参考光谱使用ASD光谱辐射仪采集的植被光谱曲线。文中对高光谱遥感影像的辐射定标和大气校正进行了研究,针对影响光谱辐射仪采集的主要因素采取了相应的措施,并对光谱曲线分类及参考光谱曲线的选取进行了研究。将选取出的参考光谱曲线与大气校正后的遥感影像进行SAM匹配提取出植被信息,经过与实地调查资料比较并计算总体精度和kappa系数,计算结果达到预期精度。最后将分类结果转换为矢量图,经过投影转换为大地坐标后制作出北衙植被分布图。