基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

Laws纹理能量结合灰度共生矩阵的遥感影像面状地物提取

针对遥感影像中纹理较复杂的面状地物提取问题,提出一种Laws纹理能量结合灰度共生矩阵的遥感影像面状地物提取方法。该方法首先利用数学形态学膨胀、腐蚀对影像进行预处理;然后,分别对影像进行直方图均衡化,利用4个微观滤波算子滤波生成4幅微纹理影像;计算影像4个方向灰度共生矩阵及每个共生矩阵的4个纹理测度,生成4幅纹理影像;最后,结合8幅纹理影像进行区域生长跟踪轮廓。     

基于QuickBird遥感影像的棚户区提取与制图

以QuickBird遥感影像为数据源,从纹理信息的角度,利用灰度共生矩阵(GLCM)的方法对南京市下关区的棚户区信息进行了提取。首先,利用所选择的4个纹理特征统计量(对比度、能量、同质性和相关性)构建一个特征空间。然后运用非监督分类的方法(ISODATA算法)将研究区分成确定的类别数目。最后,根据实际情况,利用数学形态法对分类结果进行调整和优化,从而获得研究区域的棚户区信息。研究结果表明,基于纹理特征的灰度共生矩阵方法对于棚户区的提取和制图是有效可行的,同时本文的研究结果可以为南京市棚户区的管理及城市规划提供更为科学的依据。     

高分辨率遥感影像的深度学习变化检测方法

为提升高分辨率遥感影像的变化检测精度,提出一种利用深度学习的变化检测方法。在预处理的基础上,利用顾及邻域信息的改进变化矢量分析算法和灰度共生矩阵算法获取影像间光谱和纹理变化,并通过设置自适应采样区间提取最可能的变化和未变化区域样本。构建并训练包含标签层的高斯伯努利深度限制玻尔兹曼机模型,以提取变化和未变化区域深层特征,从而有效辨别变化区域。通过WorldView-3与Pléiades-1影像的试验表明本文方法在变化检测精度方面优于对比方法。     

结合纹理信息的极化SAR影像分类研究

结合Gabor小波、灰度共生矩阵和Fast ICA方法提取的纹理信息,利用支持向量机分类器对单极化SAR影像进行分类研究。首先利用精致Lee滤波器对影像进行去噪处理;然后采用灰度共生矩阵和Gabor小波提取影像纹理特征,利用Fast ICA算法对纹理特征进行降维分析;最后将降维后的纹理特征与强度特征结合,采用支持向量机分类器进行分类;采用北京地区Terra SAR-X影像对该方法进行实验,结果表明,纹理信息的引入使极化SAR影像分类精度得到提高。     

基于MNF变换的高分辨遥感影像建筑物提取方法

针对高分辨率遥感影像建筑物提取时易受噪声影响,且灰度共生矩阵仅通过单波段进行纹理特征提取导致信息不足等缺点,提出了利用最小噪声分离变换降维去噪,从而提高灰度共生矩阵纹理特征提取效果,并对影像进行双边滤波处理,最后,利用支持向量机算法提取融合了特征信息的多光谱影像中的建筑物信息的方法。实验结果表明,改进后的方法相对于传统方法对建筑物识别精度高、效果好。     

基于灰度-基元共生矩阵的多光谱遥感影像分类

提出了基于灰度-基元共生矩阵的遥感影像纹理分析的方法,分析了提取的纹理特征,实现了利用模糊C-均值算法对多光谱影像和纹理特征影像进行分类,比较和讨论了各种不同的分类结果.     

多特征加权融合的高分SAR影像建筑区提取方法

机载SAR影像分辨率的不断提高使得图像纹理信息更加丰富,对地物分类和提取具有重要意义。针对建筑区的纹理特点,该文提出了一种综合统计和结构多特征加权融合的建筑区提取方法。分别采用经典的灰度共生矩阵方法提取统计纹理特征和采用变差函数方法提取结构纹理特征,并考虑方向信息;然后利用提出的巴士距离特征权值计算方法,将所选特征进行加权融合;利用K均值聚类算法对融合后的特征图像进行非监督分类,对分类图像进行后处理并提取外部轮廓。以国产机载P波段全极化SAR影像为数据源进行了实验,并对结果进行了定量分析,表明该方法能够高精度地有效提取高分辨率机载SAR影像中的建筑区。     

结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。     

一种干旱半干旱地区决策树分类方法

以内蒙古自治区伊金霍洛旗为研究区,利用Landsat TM影像,对干旱半干旱地区土地利用信息进行提取。在ENVI软件的支持下,分析了影像的光谱特征及NDVI,NDBI,NDWI特征变量,并运用灰度共生矩阵对影像进行纹理特征提取,得到熵纹理特征图像,确定各类地物的阈值,运用决策树分类法对影像进行分类。结果表明,结合光谱特征和纹理特征的决策树分类方法,提取干旱半干旱地区土地利用信息可行且准确性较高。