ALOS全色与多光谱影像融合的土地覆盖分类

利用Brovey、HighPass Filter和Gram-Schmidt 3种融合方法,对ALOS卫星全色与多光谱影像进行融合,并对融合后影像进行土地覆盖分类研究,从定性分析和比较融合后影像的分类精度2个方面综合评价了3种融合方法的效果。结果表明,3种融合方法都提高了影像的空间分辨率,Gram-Schmidt和HPF融合后影像光谱保持性好,同时3种融合方法不同程度上提高了影像的总体精度和Kappa系数,Gram-Schmidt最高,Brovey次之,HPF最弱,但对于不同地物分类精度又不尽相同,从整体分类结果来看,Gram-Schmidt最优。     

基于纹理特征和支持向量机的ALOS图像土地覆被分类

高空间分辨率遥感图像在土地覆被分类方面应用广泛,但传统的基于像元分类方法的精度较低.为了提高高分辨率图像的分类精度,通过灰度共生矩阵法快速提取纹理特征,利用支持向量机(SVM)并辅以纹理特征,对浙江湖州典型实验样区的ALOS图像进行土地覆被分类.结果表明:基于纹理特征和SVM的图像分类能更好地提取地物信息,分类总精度达...     

基于ALOS影像的内蒙古杭锦后旗土地盐渍化程度分级

土地盐渍化是影响区域生态环境质量和农业生产安全的重要因素,掌握其区域分布规律对盐渍化的预防和治理具有重要意义。基于ALOS影像和实地调查、土壤样品分析数据建立内蒙古杭锦后旗农用地盐渍化等级划分标准和遥感解译标志,分析了不同地物在不同波段的光谱特征,获得杭锦后旗土地盐渍化等级分类图。结果表明,杭锦后旗农用地盐渍化严重,中度以上盐渍化农用地占土地总面积的15.76%,占农用地总面积的25.68%;重度以上盐渍化农用地占土地总面积的3.28%,占农用地总面积的5.33%。研究区微度和轻度盐渍化农用地分布最广,中度盐渍化农用地分布比较分散,重度盐渍化农用地和盐土则主要沿灌渠和海子边缘分布,由西北向东南重度以上盐渍化土地比例有增加的趋势。     

基于分类回归树分析的遥感影像土地利用／覆被分类研究

以专家知识和经验为基础,综合影像光谱信息和其他辅助信息进行分类的基于知识的遥感影像解译方法,是提高遥感影像分类精度,实现自动解译的有效途径之一。然而,知识的获取一直是其得以广泛应用的“瓶颈”问题。以江苏省江宁试验区土地利用/覆被分类为例,利用分类回归树分析(CART)从训练样本数据集中发现分类规则,集成遥感影像的光谱特征、纹理特征和空间分布特征进行分类实验,并与传统的监督分类和逻辑通道分类方法进行比较。结果表明,基于CART的分类方法的精度基本在80%以上,与另两种方法相比,有了较大的提高,而且该算法复杂性低,效率高。由此说明,利用CART算法构建决策树获取的分类规则是合理的。它可以快速、有效地获取大量分类规则,是促进基于知识的遥感影像分类方法在土地利用/覆被分类中广泛应用的一项有效手段。     

基于ALOS遥感影像的地质灾害调查研究

以ALOS遥感影像为基础,经过数据处理,结合相关地质资料,对研究区的地层岩性、断裂构造进行了解译,重点解译了工作区内的滑坡、泥石流、崩塌、不稳定边坡等地质灾害,经过野外验证,取得了很好的结果,对研究区排查地质灾害起到了重要作用。此外,该方法对相关工程中地质灾害的调查也具有一定的指导意义。     

多源遥感影像融合最佳波段选择及质量评价研究

本文选用了有蓝色波段和无蓝色波段两种遥感数据源,使用定量指标对各波段进行基本统计及分析,并计算各波段之间的联合熵、协方差、相关系数及最佳指数,确定四类遥感数据各自的最佳波段组合;并采用了几种融合方法将四种影像按照最佳波段组合融合,计算融合后影像与原始影像之间的相关系数,分析得到两类数据的最佳融合方法。     

基于最佳波段组合的高光谱遥感影像分类

针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点,在综合各种数据降维方法的基础上,提出一种基于最佳波段组合的高光谱遥感影像分类方法。以美国印第安纳州地区的AVIRIS数据为例,分析各波段信息量和相邻波段的相关性,利用子空间划分、分段波段指数选择法,进行特征波段的选择;并针对难区分地物类别,应用J-M距离模型对其可分性进行判别,获得最佳波段组合。最后采用支持向量机分类器进行分类。实验结果表明,采用最佳波段组合方法,可以有效地提高高光谱的分类精度。     

ALOS在土地资源调查与监测中的应用研究

ALOS卫星是日本宇航研究开发机构（JAXA）于2006年1月24日成功发射的新一代陆地观测卫星,其全色影像的最高空间分辨率是2.5 m,多光谱影像的分辨率是10 m,在土地资源调查与监测领域中有一定的应用潜力。本文通过与同为2.5 m和10 m分辨率的SPOT5影像在卫星参数、影像质量、应用精度等方面进行比较试验,研究ALOS卫星在土地领域中的应用效果和应用潜力。     

基于波段选择的高光谱遥感影像分类

针对高光谱数据波段众多、数据量较大的特点,提出了一种基于波段选择的高光谱遥感影像分类方法,以北京昌平小汤山地区高光谱遥感数据为例,分析了各波段的信息含量和相邻波段的相关性,采用子空间划分、自适应波段选择的方法,实现了特征波段的选择。针对农村道路和空地、柏油路和居民地间的同谱异物现象,利用J-M距离模型判别其类间的可分性,获得了最佳波段组合,最后采用支持向量机分类器进行分类。结果表明,采用波段选择的方法能有效地提高高光谱数据的分类精度。     

基于地表覆盖的TM影像波段选择定量分析算法应用研究

地表覆盖变化信息提取更加依赖丰富、准确、可靠的多时相、多层次、多分辨率、多源的数据,因此,为了获取地表覆盖的信息,必须要对影像波段进行优化组合。不同的波段组合对不同的地图显示的效果不同,多光谱影像合成需要进行波段组合优化,本文重点针对地表覆盖研究中经常采用的TM的多光谱数据的波段选择问题,对地表覆盖研究具有借鉴意义。     

Band Selection for Hyperspectral Image Classification Using Mutual Information

Spectral band selection is a fundamental problem in hyperspectral data processing. In this letter, a new band-selection method based on mutual information (MI) is proposed. MI measures the statistical dependence between two random variables and can therefore be used to evaluate the relative utility of each band to classification. A new strategy is described to estimate the MI using a priori knowledge of the scene, reducing reliance on a "ground truth" reference map, by retaining bands with high associated MI values (subject to the so-called "complementary" conditions). Simulations of classification performance on 16 classes of vegetation from the AVIRIS 92AV3C data set show the effectiveness of the method, which outperforms an MI-based method using the associated reference map, an entropy-based method, and a correlation-based method. It is also competitive with the steepest ascent algorithm at much lower computational cost     

影像融合技术应用于地表分类之探讨

本论文尝试讨论两个主题：主题一为利用主成分分析PCA方法应用于像元阶层资料融合技术的研究。主题二为应用Dempster-Shafer evidence theory方法于特征阶层数据融合技术的研究。在第一个主题中，由于合成孔径雷达的数据具有全偏极特性，在此选取了对植被较为敏感的HV极化合成孔径雷达数据，与具有光谱特性的光学SPOT数据做数据融合处理以利接下来的地物分类。首先，本研究利用小波转换技术来滤除合成孔径雷达斑驳噪声，在接下来融合步骤中，主成分分析出来的第一部分（PCI）是用做完滤除噪声后的合成孔径雷达取代，在数据融合后，进行地物分类是采用最大似然法来分类融合影像。在第二个主题中，利用全偏极雷达数据的极化特性结合SPOT数据的光谱特性，其主要目的是为了增加分类的精确度。首先使用李式滤波器滤除全偏极雷达数据噪声，接下来同样是使用采用最大似然法来分类融合影像，（不同的在于全偏极雷达影像使用Wishart几率分布，在光学影像采用multivariate Gaussian几率分布）将每个类别中每个像元属于某个类别的几率值计算出来，再利用Dempster-Shafer evidence theory来结合这些类别的机率值。最后产生出一张新的分类影像。实验的结果显示分类的精确度比较于未融合的资料都有明显提升的效果，也证明了此两个数据融合方法对于不同数据特性的融合都是很成功的。     

ALOS PALSAR全极化图像分类研究

极化干涉相干矩阵服从复Wishart分布,通过对相关系数的分析可以获得不同的地物类别。在总结极化干涉非监督Wishart ML分类流程的基础上,基于该方法对塔河地区全极化PALSAR数据进行了分类,研究结果表明:基于极化干涉的分类方法能够有效区分不同散射机制对应的地物,该分类方法具有较强的适应性,并且类间边界比较明显,这些分类信息为森林资源的开发和利用提供了参考。     

ALOS PALSAR and Hyperion Data Fusion for Land Use Land Cover Feature Extraction

Detailed and enhanced land use land cover (LULC) feature extraction is possible by merging the information extracted from two different sensors of different capability. In this study different pixel level image fusion algorithms (PCA, Brovey, Multiplicative, Wavelet and combination of PCA & IHS) are used for integrating the derived information like texture, roughness, polarization from microwave data and high spectral information from hyperspectral data. Span image which is total intensity image generated from Advanced Land observing Satellite-Phase array L-band SAR (ALOS-PALSAR) quad polarization data and EO-1 Hyperion data (242 spectral bands) were used for fusion. Overall PCA fused images had shown better result than other fusion techniques used in this study. However, Brovey fusion method was found good for differentiating urban features. Classification using support vector machines was conducted for classifying Hyperion, ALOS PALSAR and fused images. It was observed that overall classification accuracy and kappa coefficient with PCA fused images was relatively better than other fusion techniques as it was able to discriminate various LULC features more clearly.     

高光谱影像空-谱协同嵌入的地物分类算法

针对传统高光谱影像地物分类算法大多仅考虑光谱信息而忽略空间邻近像元间相关性的问题,提出了一种空-谱协同嵌入(SSCE)降维算法和空-谱协同最近邻(SSCNN)分类器。首先,定义一种空-谱协同距离,并将其应用于近邻选取和低维嵌入;然后,构建空-谱近邻关系图来保持数据中的流形结构,并在权值设置中增大空间近邻点的权重以增强数据间的聚集性,提取鉴别特征;最后使用SSCNN分类器对降维后的数据进行分类。利用PaviaU和Salinas高光谱数据集进行试验验证,结果表明,与传统的光谱分类算法相比,该算法能有效提高高光谱影像的地物分类精度。     

粒子群优化算法用于高光谱遥感影像分类的自动波段选择

针对传统SVM分类方法的缺点,采用粒子群优化(particle swarm optimization,PSO)算法自动选择合适的渡段影像并对SVM核函数参数进行优化,提出一种新的PSO-BSSVM分类模型.经过对高光谱遥感影像的分类试验,并与K_最近邻(K-NN)、径向基神经网络(RBF-NN)和标准的支持向量机(SVM)三种分类方法进行对比实验,证明PSO-BSSVM方法能优选高光谱遥感影像的波段和优化SVM参数,明显提高影像的分类精度.