高光谱图像模糊识别分类及其精度评价

高光谱遥感是在特定光谱域以高光谱分辨率同时获取连续波长的地物光谱图像,并能提供更多的精细光谱信息,有利于选择各种单一地物光谱差异明显的波段,使得高光谱遥感应用于更广的地物识别中。文中采用模糊识别的绝对值指数法对高光谱图像进行识别分类,并对分类结果进行像元级的评价。     

一种面向对象的像元级遥感图像分类方法

本文提出一种面向对象的像元级分类方法(混合模型),并将其与单纯的以像元和面向对象的两种方法同时应用于分辨率分别为30m和0.5m的环境星CCD数据和航空影像进行对比分析。分类结果中不同地物类别之间光谱可分性的大小,很大程度上可反映分类结果的可靠性。若地物类型之间的光谱差异大,说明分类方法能将光谱差异大的地物很好地划分,显示出较可靠的分类结果;相反,如果分类结果中地物类型光谱差异小,则反映分类方法不够可靠。鉴此,本文通过计算分类结果中不同类别所对应的原始遥感影像像元之间的J-M(Jeffries-Matusita Distance)距离来度量分类结果中地物之间的光谱可分性,并用J-M距离比较分析了3种图像分类方法对2种不同分辨率影像的分类结果中各个类别之间的光谱可分性的变化。分析结果表明,混合模型不但能够得到较连续的分类结果,同时能够保持分类结果中类别之间的可分性。本文对分类结果进行了精度验证,结果发现混合模型的分类精度较其他2种方法要高。2种不同分辨率的遥感影像分析结果得到相同的结论,表明该模型适用于中分辨率和高分辨率影像。     

基于同质区和迁移学习的高光谱图像半监督分类

针对高光谱遥感图像分类中标记样本难获取的问题,提出了一种基于同质区和迁移学习的新型半监督分类方法。首先对高光谱图像进行分割得到高纯度的同质分割斑块,获取大量扩展训练样本。并在此基础上引入迁移学习,将扩展训练样本作为源域,剩余未标记样本作为目标域,实现多次迁移,从而减少同一幅图像上各地物的分布差异,并保留其各自的内部属性。实验结果表明,该方法是一种有效的高光谱图像半监督分类方法。     

面向对象的航空高光谱图像混合分类方法

传统的高光谱分类通常仅考虑单一像元的光谱或纹理特征,分类后容易出现地物破碎的现象。鉴于此,本文提出了一种面向对象的混合分类方法,将面向对象的分割结果与传统的像元级分类结果进行有机融合,充分利用对象的光谱特征和空间结构特征。在此基础上,引入了2种具体的混合分类方法,即多尺度分割的SVM分类和多波段分水岭分割的SVM分类。前者将地物光谱的可变性进行弱化处理,转化为多尺度均质对象单元进行分类;后者融入了地物的空间信息和形态学特征,对分割得到的同质区域进行分类。将这2种分类方法应用于航空高光谱数据,实验结果表明：面向对象的混合分类方法的总体精度分别为92.63%和96.13%,与传统的像元级分类法相比,分别提高了10.14%和13.64%,有效地解决了分类后地物的破碎现象。     

光谱与空间维双重稀疏表达的高光谱影像分类

高光谱遥感影像的稀疏分类是当前遥感信息处理的研究热点。本文提出一种光谱与空间双重稀疏表达的高光谱遥感影像分类方法（WSSRC）。首先利用小波字典对光谱维进行稀疏表示,将光谱维稀疏分类转化到小波域稀疏分类;其次,考虑空间邻域地物光谱的统一性和差异性,对邻域内像元分别进行稀疏编码,并对编码进行累加聚合;然后,利用聚合后的稀疏编码构造线性分类器对高光谱影像进行分类;最后,通过2幅标准的高光谱影像数据验证了本文所提出的方法。实验结果表明,该方法能有效地提高影像的分类精度。     

高光谱遥感的物质组分和物质成分反演的应用分析

高光谱遥感的最大特点是可以提取和重建像元光谱,从而依据光谱特征直接识别地物类型、地物组成,乃至地物的成分,反演地物的物理、化学参量。本文阐述了高光谱的光谱识别方法所能探测的岩石、土壤、植被和人工建筑物的物质组分或成分;另外,与多光谱相比较的角度,讨论了高光谱图像地物特征识别和物质成分反演等技术方法的应用。     

萤火虫算法优化的高光谱遥感影像极限学习机分类方法

机器学习方法在高光谱遥感影像分类中广泛应用,本文使用新型的极限学习机（Extreme Learning Machine,ELM）进行高光谱遥感影像分类,针对ELM中正则化参数C和核参数σ,提出以萤火虫算法（Firefly Algorithm,FA）进行优化。首先,采用萤火虫算法进行高光谱遥感影像的波段选择,以便降低维数;然后,利用萤火虫算法以分类精度最大化为准则对ELM的参数组合（C,σ）进行寻优;最后,利用参数优化后的ELM分类器,对3个不同传感器的高光谱遥感影像进行分类。实验中将新型的萤火虫算法与遗传算法（Genetic Algorithm,GA）和粒子群算法（Particle Swarm Optimization,PSO）进行了对比,并将ELM的性能与支持向量机（Support Vector Machine,SVM）方法作对比。结果表明,FA优化方法优于传统的GA和PSO优化方法,ELM方法的效果在训练时间和分类准确率2个方面都优于SVM方法。实验说明,本文提出的方法具有较好的适用性和较优的分类效果。     

高光谱遥感数据波谱相似性模糊聚类方法研究

高光谱遥感数据的聚类是定量遥感研究的热点。为提高其聚类精度,将光谱相似性测度与模糊动态聚类法有机结合,构建四种模糊聚类新方法：光谱角度-模糊聚类法、光谱信息熵-模糊聚类法、光谱角度与光谱信息熵混合-模糊聚类法与海明距离-模糊聚类法。以实测植被高光谱信息为数据,利用该四种方法进行比较分析其聚类精度。实验结果表明光谱角度与光谱信息熵混合模糊聚类法以及光谱角度模糊聚类法的聚类精度均相对其他几种方法较好,是最有效高光谱遥感聚类方法。为今后该领域的方法的进一步研究提供一种借鉴与参考。     

基于GF-1和Hyperion影像的新增建设用地占用地类信息提取

新增建设用地及其占用地类是年度土地利用动态遥感监测的重点关注信息,综合利用多源数据是提高占地信息提取精度的主要手段之一。现有研究基于光学与高光谱特征波段的像素级融合影像开展分析,不可避免地导致了高光谱影像光谱信息的损失。为了尽量避免信息损失,提出一种光学和高光谱影像独立分析、结果集成的新增建设用地占用地类信息提取方法。该方法首先结合土地利用动态遥感监测所定义的3种主要新增建设用地形态,利用前后两个时相GF-1光学影像的光谱和纹理特征提取新增建设用地,其次利用前时相Hyperion高光谱影像的精细光谱成像能力进行详细土地利用分类,最后通过新增建设用地与土地利用分类图的叠置分析提取新增建设用地占用地类。在北京市丰台区典型区域开展的验证实验取得了86.71%的新增建设用地占用地类属性精度,表明本方法可为土地利用动态遥感监测提供较为准确的地类变化信息。     

面向对象图像识别的地学理解方法的优化与应用

近年来,面向对象技术的应用愈加广泛,以适应不同应用目的下不同地物复杂度的图像处理与信息提取要求。本文详细分析了面向对象信息提取方法中存在的问题,提出将传统像元级光谱分类与面向对象信息提取技术相结合,通过最大似然光谱分类和地学统计分析获取图像区域的先验知识,包括不同类型地物光谱混淆情况和图像复杂程度的定性描述等,以反映图像处理与信息提取的难度大小及技术要求,利用预分析获得的知识优化面向对象信息提取技术流程中图像分割参数设置及分类器的构造等,用于克服面向对象方法参数选取的盲目性和结果的多样性。并以SPOT5高分辨率遥感图像为例,通过常规方法和改进方法的对比,证明本试验方法有利于真实地分割地物基元,提高分类精度、效率和训练器性能。     

多核学习算法及其在高光谱图像分类中的应用研究进展

多核学习算法在高光谱图像分类领域占据着十分重要的地位。与灰度图像、全色图像和多光谱图像等相比,高光谱图像因具有很强的分类识别能力等多方面优势而被广泛应用。为进一步提高高光谱图像的分类精度,促进多核学习算法在高光谱图像分类中的应用,本文对多核学习算法及其在高光谱图像分类中的应用进行了总结。首先在回顾核方法的基础上阐述了多核学习框架,其次对多核学习核函数组合方法进行综述,随后根据求解多核学习组合系数方法的不同将多核学习分为两类：固定规则的多核学习算法和基于优化的多核学习算法,并对两类多核学习算法在高光谱图像分类中的应用进行综述,总结各类算法在高光谱图像分类的应用进展。同时,为了便于研究者对多核学习算法及其在高光谱图像分类问题中的应用研究,本文对常用核函数和高光谱图像数据集进行了整理归纳。最后,讨论了多核学习算法在高光谱图像分类研究方面的不足,并对未来研究方向进行了展望,以期为该领域的研究和应用提供参考。     

基于局部空间信息KFCM的遥感图像聚类算法

针对模糊C均值(Fuzzy C-Means, FCM)算法,不能有效地对夹杂噪声的遥感图像聚类的问题,本文提出了一种基于局部空间信息核模糊C均值(Kernel Fuzzy C-Means, KFCM)的遥感图像聚类算法。首先,运用核函数将遥感图像的所有像元映射到高维特征空间,通过非线性映射优化遥感图像的有用特征;然后,根据相邻像元之间的相关性,利用一种空间函数重新定义像元的模糊隶属度,将像元的局部空间信息引入到FCM算法中,并在高维特征空间中使用这种基于局部空间信息的FCM算法对像元聚类。由于引入了像元的局部空间信息,算法可以直接应用于原始遥感图像,不需要滤波预处理。大量实验结果表明,本文提出的基于局部空间信息KFCM的遥感图像聚类算法具有较强的抗噪能力,可得到较好的同质区域,优于现有的FCM算法、模糊局部信息C均值(Fuzzy Local Information C-Means, FLICM)算法及KFCM算法。     

遥感影像混合像元的分解——基于加权后验概率的支持向量机分类算法

混合像元是遥感影像中普遍存在的现象,对此,本文提出基于加权后验概率的支持向量机进行影像混合像元分解。该分类算法可判定端元种类的同时得到每种地物的后验概率,从而进行非线性模型的混合像元分解。由于加权后验概率的支持向量机分类算法能够减少分类器受土地覆盖类型模糊样本点的干扰,因此,改善了非线性混合像元分解模型的精度。首先,由样本点计算得到核函数参数值,然后,计算影像中每一种土地覆盖类型的后验概率,将其作为各个两类支持向量机分类器的权系数并求得多类后验概率值,确定影像每一种土地覆盖类型并得到丰度值。本文采用TM多波段遥感影像验证该方法的可行性,实验区位于我国东北部的大兴安岭中北段地区,土地覆盖类型包含农田、居民地、水体、荒地等。将本文提出的混合像元分解方法结果与标准支持向量机模型分解的结果对比表明,以加权后验概率的支持向量机遥感影像混合像元分解方法精度优于标准支持向量机模型。     

Fusion and classification of Beijing-1 small satellite remote sensing image for land cover monitoring in mining area

In order to promote the application of Beijing-1 small satellite(BJ-1) remote sensing data,the multispectral and panchromatic images captured by BJ-1 were used for land cover classification in Pangzhuang Coal Mining.An improved Intensity-Hue-Saturation(IHS) fusion algorithm is proposed to fuse panchromatic and multispectral images,in which intensity component and panchromatic image are combined using the weights determined by edge pixels in the panchromatic image identified by grey absolute correlation degree.This improved IHS fusion algorithm outper-forms traditional IHS fusion method to a certain extent,evidenced by its ability in preserving spectral information and enhancing spatial details.Dempster-Shafer(D-S) evidence theory was adopted to combine the outputs of three member classifiers to generate the final classification map with higher accuracy than that by any individual classifier.Based on this study,we conclude that Beijing-1 small satellite remote sensing images are useful to monitor and analyze land cover change and ecological environment degradation in mining areas,and the proposed fusion algorithms at data and decision levels can integrate the advantages of multi-resolution images and multiple classifiers,improve the overall accuracy and produce a more reliable land cover map.     

鄱阳湖南矶湿地景观信息高分辨率遥感提取

鄱阳湖南矶湿地是亚热带典型过水性湿地,由于该区域水文情况复杂,且泥滩、沼泽和疫水（血吸虫）分布较广,导致野外考察验证工作困难,使用传统的遥感信息提取方法很难保证该地区湿地景观的提取精度。本文以高分一号影像为数据源,综合运用数字高程模型（DEM）、归一化植被指数（NDVI）、归一化水体指数（NDWI）等辅助数据,采用面向对象分类方法,对鄱阳湖南矶湿地景观信息进行提取研究,并取得了较好的分类效果。研究结果表明：（1）基于国产高分辨率影像的面向对象分类,既兼顾了国产高分辨率影像光谱、空间、结构、纹理信息,又综合利用多源辅助数据参与到分类计算中,分类精度得到明显的提升;（2）基于面向对象与多源数据分类方法对湿地混合像元有较好地识别能力,可获得较高的总体分类精度（94.3275%）和Kappa系数（0.9324）,说明利用多源数据的面向对象方法提取湿地信息是可行的,其分类结果具有较高的准确性和可信度,较好地解决了过水性湿地景观分类问题;（3）该分类方法弥补了单一遥感影像分类方法的不足,对研究国产高分卫星在提取过水性湿地景观信息方面具有重要的参考和实际意义。最后,分析了多源数据面向对象分类尚待解决的问题和下一步的研究方向。     

集成夜间灯光数据与Landsat TM影像的不透水面自动提取方法研究

利用多源遥感数据提取不透水面信息是一个重要的研究方向。针对以往研究中多需要人工选取不透水面样本进行模型训练的问题,本文通过整合夜间灯光遥感与Landsat TM影像中的空间和光谱信息实现了不透水面覆盖范围（Impervious Surface Area,ISA）的自动提取。首先根据夜间灯光的分布来定位ISA聚集的城市区域的位置,分别在城市区域内部和外部自动提取可靠性高的ISA及非ISA样本,然后通过迭代分类提取城市区域的ISA,再以此为样本对城市区域外部进行分类,最后将分类结果整合完成整幅影像的ISA提取流程。应用本方法对美国雪城地区的DMSP/OLS夜间灯光影像上提取了84个城市区域,提取精度大于95%。从中分别选择高ISA密度和低ISA密度的2个城市区域作为ISA提取的测试区,本文方法在城市区域内的ISA提取总体精度与kappa系数分别为88.23%和0.63;在城市区域外部为78.6%和0.54,均优于人工样本选取方法的提取精度,表明该方法能够实现精度稳定且高效的ISA自动提取。