遥感影像云及云影多特征协同检测方法

遥感影像中云及云影不同程度地影响着地物信息的有效获取。随着多源遥感数据的日益丰富,交叉应用多源、多时相遥感影像复原云及云影区的影像,以有效地获取地类演变过程是遥感大数据应用研究的重要内容。高精度的云及云影检测是遥感影像云及云影区修复的前提和保障。复杂多变的光谱特征以及难以有效表达的空间形态特征,使云及云影一直存在检测过程复杂、适用性差和精度不高的问题,难以形成稳定有效的检测方法。在对厚云、薄云、冰雪及其他地类多光谱特性分析的基础上,本文提出了一种云及云影的多特征协同检测方法。首先,对冰雪、云及其他地物类型可分性较好的红、短波红外、热红外波段,利用SAM方法匹配云光谱特征曲线,并进一步结合短波红外波段像元绝对值区分云与冰雪,以及热红外波段像元绝对值区分云及其他地物类型;其次,通过组合云影定向移动模型与近红外波段亮度阈值检测出云影像元。对具备这些光谱波段的Landsat-8进行实验,结果表明多光谱曲线、“诊断性”波段及空间关系多特征耦合能有效地检测出影像中的薄云、厚云及云影,整体精度优于95%。     

高空间分辨率遥感影像多尺度分割优化组合算法

高空间分辨率遥感影像能够充分地描述地表覆盖空间异质性,可用于提取地面目标物。然而高空间分辨率在像元尺度的目标提取时易产生"椒盐效应"问题,面向对象的小尺度影像分割也受此效应影响;而大尺度的影像分割造成较小目标的遗漏。本文提出了一种针对高空间分辨率遥感影像的多尺度分割优化组合算法MOCA(Multi-scale-segmentation Optimal Composition Algorithm),基于后验概率信息熵指标选择影像中每个地面目标的最优分割尺度并集成组合,获得高空间分辨率遥感影像的多尺度分割优化组合结果。本文使用F指标和BCI(Bidirectional Consistency Index)两种指标评估地面目标物提取精度,并将MOCA与同类多尺度分割方法进行比较。实验结果表明,本文提出的MOCA算法可实现多个分割尺度的最优组合,并获得较高的地面目标物提取精度。     

空间分辨率与纹理特征对多光谱遥感分类的影响

多光谱遥感分类与影像空间分辨率有着密切的关系,在适宜空间分辨率影像上进行地物分类能够获得更高的精度。随着遥感影像空间分辨率的提高,纹理特征被广泛用于遥感分类,但由于不同地类空间尺度不同,纹理对不同地物分类的影响程度也有所差异。本文基于高分一号2 m全色和8 m多光谱影像融合后的高空间分辨率多光谱数据构建反射率空间序列,选用3种分类方法对序列分类,并分别计算2 m融合数据及8 m多光谱影像的纹理特征,选择特征波段与相应多光谱波段组合用以分类研究,最后计算混淆矩阵评价分类精度。研究结果表明,通过回归分析得到多光谱分类的最佳空间分辨率为5 m,与其他研究中利用全色波段分类的结论一致,这说明最佳空间分辨率的选择不受光谱信息影响;对多光谱分类精度随空间分辨率变化的变化趋势分析发现,分类精度在20~30 m分辨率范围区间内快速降低,这为多光谱遥感分类数据空间分辨率的选择提供了重要参考;此外,对光谱与纹理特征结合后不同地类分类精度的变化分析显示,加入纹理特征后,冬小麦、人工建筑、有林地和水体的分类精度在2 m分辨率下分别提高了1.49%、1.51%、4.94%、1.54%,8 m分辨率下分别提高了2.95%、10.95%、5.91%、5.14%,说明引入纹理特征有利于提高分类精度,但其对不同地物类型、不同分辨率影像的影响程度不同。     

利用卫星遥感影像对多尺度专题图形数据库更新

利用PCI遥感图像处理软件,对QUICKBIRD和SPOT5遥感影像进行纠正、数据融合、线性增强,在MapINFO软件支持下,进行遥感图像与矢量数据同名点的配准,矢栅叠加,输出更新变化部分,进行外业调绘,根据调绘信息进行数据更新.     

利用卫星遥感影像对多尺度专题图形数据库更新

利用PCI遥感图像处理软件，对QUICKBIRD和SPOT5遥感影像进行纠正、数据融合、线性增强，在MapINFO软件支持下，进行遥感图像与矢量数据同名点的配准，矢栅叠加，输出更新变化部分，进行外业调绘，根据调绘信息进行数据更新。     

利用卫星遥感影像对多尺度专题图形数据库更新

利用PCI遥感图像处理软件,对QUICKBIRD和SPOT5遥感影像进行纠正、数据融合、线性增强,在MapINFO软件支持下,进行遥感图像与矢量数据同名点的配准,矢栅叠加,输出更新变化部分,进行外业调绘,根据调绘信息进行数据更新。     

遥感图象的马尔柯夫随机场模型的纹理识别方法

本文讨论了马尔柯夫随机场图象模型及邻域选择方法,提出了8邻域5特征参数的马尔柯夫随机场图象模型以及一套完整而有效的特征参数的估计算法,将这些特征参数变成可视图象从而实现了视算。对8类不同纹理的标准图象进行分类试验,其识别(分类)的平均正确率达97.57％。     

融合高度特征的高分遥感影像多尺度城市建筑类型分类

城市区域建筑类型信息在城市功能区识别、城市环境变量反演等应用领域具有重要作用。本文提出一种融合高分辨率遥感影像高度特征的多尺度城市建筑类型分类方法。首先利用语义分割模型识别高分辨影像中建筑和阴影对象;然后借助建筑对象及其阴影信息在卫星成像时的几何关系估算建筑高度;最后基于多尺度图像分析思想,提取一系列表征建筑对象的高度、空间结构、几何等多尺度特征,利用机器学习方法进行建筑类型分类,并进一步分析不同粒度的建筑类型分析单元对分类结果的影响。选取福州市主城区国产高分二号高分辨率影像进行实验验证。结果表明：① 基于所提方法的建筑类型分类总体精度达到82.98%, kappa系数为0.77,分类精度优于本文中未加入高度信息的分类方法和单一尺度分类方法;② 引入高度特征有效提高了中低层居民楼和高层商住两用建筑类型的分类精度,较未加入高度特征的分类结果,总体精度提高了11.28%;③ 融合多个尺度的图像特征可有效减少粘连建筑误分为密集型建筑的情况,较单一尺度分类方法,总体精度提高了2.77%。在精细的数字表面模型数据缺失下,利用高分辨影像阴影信息可为建筑物高度估计提供一种有效的策略,提高城市建筑类型分类精度。此外,融合多粒度图像特征可提升城市区域复杂建筑类型的表征能力,进而提高分类精度。     

基于最大公约数的遥感影像空间尺度转换算法

多源、多尺度遥感影像为研究不同尺度的地表变化提供了丰富的数据。但其在作比较研究时,通常会涉及空间尺度统一问题,当多源遥感影像之间的空间分辨率为非整倍数关系时,其空间尺度统一相对困难。为此,本文针对多源、多尺度遥感影像间尺度比较时所涉及的空间尺度转换问题,提出了最大公约数的空间尺度转换算法,并以IKONOS多光谱影像为数据源,采用若干商业软件和本文所提算法进行空间尺度转换比较实验;同时,利用均值、标准差和相关系数等6个评价指标对空间尺度变换后的影像进行定量评价。结果表明,本文提出的空间尺度转换方法对原始影像的光谱信息等特征具有很好的保真性,简单易行,可实现遥感影像任意空间尺度的转换,解决了多源遥感影像之间的空间分辨率为非整倍数关系时的空间尺度转换问题。     

改进的分水岭变换算法在高分辨率遥感影像多尺度分割中的应用

由于高空间分辨率遥感影像自身的复杂性,传统的分水岭分割方法难以取得令人满意的效果。本文提出一种改进分水岭变换的高分辨率遥感影像多尺度分割方法,在抑制分水岭过分割现象的同时,还能实现对遥感影像的多尺度分割。该方法充分考虑了高分辨率遥感影像的多光谱和多尺度特性,首先,利用各向异性扩散滤波技术对影像进行平滑滤波,目的是在滤除各种噪声的同时还能保持影像的边缘特征和重要的细节信息;然后,提取影像的多尺度形态学梯度,并从梯度图像中提取标记;接着进行基于标记的分水岭变换;最后,利用改进的快速区域合并算法实现对影像的多尺度分割。实验表明,改进的算法能有效地抑制分水岭的过分割现象,对高分辨率遥感影像有较好的分割性能。     

网络环境下的遥感影像金字塔纹理压缩算法与实验

 建立不同分辨率的遥感影像金字塔模型是现阶段虚拟地球平台的主要技术手段,遥感影像数据的高效压缩是模型应用的基础。论文在分析多种图像压缩技术的基础上,提出以小波变换的JPEG2000标准来压缩网络环境中遥感影像金字塔的纹理瓦片数据。首先,介绍了小波变换的JPEG2000标准的基本原理和EBCOT算法特点,然后,结合实例实现了网络环境中遥感影像金字塔纹理压缩/解压缩的具体过程,对4幅影像图像进行5级离散小波变换,分别对在1024×1024、512×512、256×256、128×128、64×64不同分块大小和1∶15、1∶30、1∶60不同压缩倍率情况下进行图像压缩和重构耗时实验,通过改变分块大小参数和压缩倍率,对压缩性能进行了对比分析,最后,从主观视觉质量和客观辐射质量,对JPEG2000压缩、DXT压缩和JPEG压缩几种方法的压缩图像进行了评价与对比分析。实验结果表明,小波变换的JPEG2000具有高质量、高压缩率、良好的抗误码能力等特性,重构图像的视觉质量与原始图像相比人眼看不出失真,而峰值信噪比较好,是一种简单有效、易于快速实现的压缩方法,更适合于网络环境下空间遥感图像数据的近无损实时压缩。     

基于岩石图像深度学习的多尺度岩性识别

岩性识别作为人工智能和大数据在地质工程细分领域的实践应用方向,可以为相关人员野外地质工作提供有效助力。为了更好地促进岩性识别在专业领域的应用,通过对巢湖北部山区的岩石图像采集、数据预处理、迁移学习、网络搭建、网络训练及模型测试等步骤,实现了基于岩石图像的大数据深度学习识别;并在归纳总结前人工作的基础上,提出了多尺度岩性识别方法。根据岩石细观图像建立多尺度模型并赋予一定权重,与岩石识别模型共同识别得到综合结果,对岩石岩性整体识别的同时兼顾局部纹理、粒径等细观信息。研究结果表明,本模型对岩石识别的适用性强,多尺度方法对于提高识别结果的正确率具有一定的帮助,模型的测试正确率达到95%以上,能很好地识别岩石岩性。     

基于mRMR特征优选算法的多光谱遥感影像分类效率精度分析

在遥感图像分类过程中,进行合理的特征优选操作,将有助于提高分类器的分类效率及精度。本文以淮南地区资源三号卫星多光谱遥感影像数据为例,采用二值离散化、直方图法及F统计法3种计算方法实现mRMR（minimal-Redundancy-Maximal-Relevance）算法特征优选过程。根据3种方法所得到的特征优选结果及全部特征信息,分别采用C5.0决策树和K近邻2种分类器进行图像分类实验,并利用目视解译方法对不同方法组合的影像分类结果进行精度验证。实验结果表明,利用3种计算方法实现mRMR特征优选算法对不同分类器的影响程度不同：在分类效率方面,C5.0决策树分类器可提高36.84%,而K近邻分类器可提高72.05%;在分类精度方面,C5.0决策树分类器能保证分类精度大致不变,总体分类精度可提高0.60%,Kappa系数可提高0.80%,而K近邻分类器总体分类精度可提高4.34%,Kappa系数可提高7.90%。     

基于Faster R-CNN深度网络的遥感影像目标识别方法研究

遥感影像目标识别在众多领域中具有极高的理论意义与应用价值,更快速、更精确的目标识别方法研究是目前遥感及图像研究领域的热点与难点。本文将深度学习的方法应用于遥感影像目标识别中,提出基于Faster R-CNN深度学习网络的目标快速精确识别方法。该方法采用了包括基于RPN的建议区域提取方法和VGG16训练卷积网络模型,构建了面向遥感影像目标识别的深度卷积神经网络。为验证该方法的精度及性能,在Caffe深度学习框架上,选取高分辨率遥感影像中飞机、油罐、操场及立交桥目标进行验证实验。结果表明,基于Faster R-CNN的深度学习方法能够实现对遥感影像目标的快速、准确识别,同时具有较好的推广性。通过本文的研究,证明基于Faster R-CNN深度学习的高分遥感影像目标识别方法具有显著优势和潜力,对基于其他深度学习方法的目标识别研究也有一定的参考意义。     

基于多尺度纹理分类及矿物识别的ASTER地质填图

遥感技术已经成为基础地质调查必不可少的手段。为提高地质填图效率及精度, 本研究提出了基于ASTER的岩性自动分类加主要和典型造岩矿物识别的填图方法。首先, 对ASTER数据进行主成分变换, 对选取的第一主分量采用Haar小波进行多尺度小波分解, 将小波系数的统计特征作为纹理特征, 构建纹理及光谱多维特征空间; 接着, 运用支持向量机(SVM)进行岩性分类; 同时, 根据光谱特征提取主要造岩矿物; 最后将主要造岩矿物叠加在分类结果上, 结合野外调查背景进行岩性填图。混淆矩阵结果显示光谱+小波纹理分类精度可以达到83.496 2%, 较光谱+灰度共生矩阵纹理分类精度提高了2.675 6%, 较光谱特征分类精度提高了6.318 9%。与最大似然法(MLC)分类相比, SVM分类精度提高了6.623 7%。矿物提取结果表明, 构造的提取指数可有效提取白云母、黑云母、方解石、角闪石等矿物。野外工作证明, 填图结果与野外调查结果的相关系数为0.7, 可见, 基于ASTER数据利用图像处理技术、机器学习算法及波段运算可作为植被覆盖较少地区有效的地质填图手段。      

基于光谱时间序列拟合的中国南方水稻遥感识别方法研究

多云多雾现象是农作物遥感分类经常遇到的问题,影响分类精度。为解决此类问题,本文提出一种基于时间序列GF-1号遥感影像识别水稻方法。利用多时相时间序列的GF-1号遥感影像提取中稻、晚稻的近红外波段（NIR）反射率、红光（R）波段反射率、归一化植被指数（NDVI）特征;拟合光谱和植被指数时间序列特征曲线;分析多时相影像离散近红外波段 、红光波段、NDVI值落在拟合中稻、晚稻近红外波段、红光波段、NDVI时间序列曲线两侧的敏感性区域的比例,该区域也可以视为水稻作物识别特征的目标特征区域,只有达到一定的比例才能视为某类水稻作物。在此情形下,需要综合3种情况进行集中投票决定其最终分类结果。研究表明：该方法可以在多云雾地区对中稻和晚稻精确识别,中稻和晚稻用户精度可达95.97%和95.95%,总体精度为95.76%,kappa系数为0.9335。实验结果表明了NIR、R、NDVI时间序列曲线拟合的有效性,以及拟合曲线目标特征区域设置的合理性。     

综合多层优选尺度的高分辨率影像分割

采用面向对象方法处理高空间分辨率遥感影像时,影像分割质量对后续影像的信息提取结果影响很大。本文主要针对高分辨率影像分割中地物多尺度的问题,提出了一种基于多层优选尺度的高分辨率影像分割算法。该算法首先采用一系列规律变化的尺度对高分辨率影像进行多尺度分割,然后通过单分割层全局标准差的变化与尺度的关系确定一组最优分割尺度。在此基础上,通过各优选分割层之间的包含关系,局部建立多层次对象树,从整体上形成影像森林;通过局部同质性异质性综合评价指数的比较及父层光谱特征的限制来选取多层次对象树中的优势对象,从而获得最终的高分辨率影像分割结果。最后,本文分别采用了Geoeye和ZY3多光谱影像进行了2组分割实验,结果表明本文算法能有效地提高正常分割影像对象的比例。     

高空间分辨率遥感影像分割尺度参数自动选择研究

面向对象解译技术在高分辨率遥感影像信息提取中得到广泛应用,但影像分割的基础问题仍严重制约其自动化水平,尤其是分割参数选择。因此,本文以广泛使用的分型网络演化分割算法为例,开展尺度参数选择研究。借鉴对遥感影像分辨率敏感的局部方差指标,引入边长和面积权重,构造加权局部方差（WLV）指标,对多个分割结果进行评价,进而实现最佳尺度参数选择。在珠江区域2.5 m的SPOT 5融合影像上进行实验,通过计算最佳分割结果与人工分割结果的相似度对WLV进行定量验证。此外,还对WLV在分割对象最小为一个像元、最大为整景影像的全范围尺度参数的变化规律进行了实验,结果表明：在WLV随尺度参数的变化曲线中,不同极大值点的分割结果反映了实验区不同景观层级上的斑块,其中第1个极大值点对应的分割结果能够较好地反映影像的最小可识别单元。     

基于卫星高光谱遥感影像的浅海水深反演方法

遥感水深反演具有非接触测量和省时省力等优点,能够为航海、岛礁工程与珊瑚礁生态调查等活动提供重要参考。随着高光谱遥感卫星数量的增长,基于高光谱遥感影像的水深反演具有良好的发展与应用潜力。HOPE（Hyperspectral Optimization Process Exemplar）算法是比较常用的高光谱水深反演算法。鉴于HOPE算法在低遥感反射率海域会出现水深被高估的问题,本文基于Hyperion高光谱遥感影像提出一种改进的水深反演算法。该算法针对危险或难以到达海域往往具有水体光学性质较为均一的特点,利用深水区遥感反射率的观测值来估计整个研究区域内的水体光学性质参数并将其固定,以便减少未知参数数量,解决水深被高估的问题,最终达到提高水深反演整体精度的目的。塞班岛和中业岛的实验结果表明,改进算法能够有效克服常规HOPE算法在低遥感反射率水域高估水深的问题。改进算法能够将平均遥感反射率小于0.0075sr^-1（塞班岛）和0.001 sr^-1（中业岛）范围内的水域的水深反演平均绝对误差从常规HOPE算法的2.94 m和6.44 m分别降低至2.56 m和4.99 m,从而能够相应地将整体的均方根误差从3.18 m和5.39 m分别降低至2.30 m和3.32 m,而将整体的平均相对误差从32.4%和27.1%分别降低至30.6%和23.9%。因此,改进算法在提高卫星高光谱遥感影像水深反演效果方面具有可行性和有效性。     

基于时序遥感影像的西南山区地块尺度作物类型识别

西南山区地块破碎且复杂,种植类型多样,且该地区多云多雨,可利用遥感数据有限,利用单一的光谱特征或植被指数难以实现作物的有效识别。物候特征能够反映作物的生长周期规律,可用于复杂地区作物的精细监测。本研究以重庆市潼南区为例,基于多时相中分辨率的Sentinel-2和Landsat8遥感影像,对地块尺度的NDVI、EVI等6个植被指数进行时间序列构建并提取其物候特征,通过特征优选构建多维数据,利用随机森林分类模型对柠檬、油菜、水稻、玉米等作物进行识别。结合植被指数与物候特征进行作物分类,总体精度达94.52%,Kappa系数为0.90,柠檬、油菜、玉米、水稻的精度分别为89.88%、87.30%、84.98%和95.57%。研究表明,利用时序遥感数据的植被指数与物候特征能够有效进行地块尺度的作物识别,为复杂种植结构地区获取大范围作物分布制图提供参考。