基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类

针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络(LDCNN)深层次特征进行多核SVM分类的场景分类方法.首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核...     

基于面向对象的珲春地区高分辨率遥感影像分类研究

以吉林省珲春市春化镇为研究区,以Pleiades、高分一号、资源三号影像为实验数据,利用面向对象信息提取方法实现了对3种遥感影像进行信息提取。利用3D Filter边缘检测算子对多尺度分割进行优化,通过对影像进行多次实验得出地物要素的最优分割参数,并且建立不同地物要素的分割层级。分析实验数据的特点构建了合理的分类层级,选取能区分各个地物要素的特征进行组合,利用阈值分类和模糊分类实现地物要素的信息提取。利用混淆矩阵对数据进行客观分析,得到3种影像的总体分类精度和kappa系数。分析结果表明:Pleiades影像分类精度较高,更适合本实验区的遥感影像信息提取。     

高分辨率遥感影像下线特征提取方法比较

在摄影测量、遥感、计算机视觉等领域,线特征提取的算法层出不穷,因此获取算法的特性和适用范围至关重要。本文采用几种具有代表性的线特征提取算法,通过高分辨率遥感影像下线特征的提取试验,分析了各种算法的参数自适性,从自适性、速度、稳定性、可靠性、自动化程度等5个方面对算法进行了分析比较,并总结得出算法的适用范围。     

一种基于多尺度分割的遥感影像地物分类方法

面向对象分类方法能够解决基于像素分类方法带来的"椒盐噪声"缺点,并能利用分割单元构建对象特征空间,从而提高分类精度。常规的面向对象分类通常会设定经验或最优分割参数,在此基础上进行面向对象遥感影像分类。然而,不同地物具有不同最优分割参数,这样会导致地物分类精度不佳。因此,采用分割参数分级化思想,使用大、中、小尺度进行分阶段分割,首先对水域和浓密植被进行分类,然后再对其他地物进行细分,能够有效提高分类精度。通过对南京市Landsat-8卫星的OLI影像进行实验,试验证明,本方法在精度和分类效率上具有一定优势,在实际工作中可以提供借鉴。     

基于不同分辨率遥感影像的分类方法对比研究

基于4种不同分辨率的遥感影像数据,分别为30 m分辨率的Landsat-8数据,融合Landsat-8多光谱波段和全色波段的15 m分辨率数据,5.8 m分辨率的资源3号卫星数据以及融合后2.1 m分辨率的资源3号卫星数据。采用ISO-DATA、最大似然分类法和面向对象分类法对影像进行分类,对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。结果显示在低分辨率影像中,面向对象方法受到限制,分类效果相比传统方法没有太大改善;而在高分辨率影像中,面向对象方法分类效果很好,并且随着分辨率提高分类精度也相应的提高。     

一种适用于多类别遥感图象分类的新方法——复合神经网络分类方法

该文提出一种由多层神经网络与自组织神经网络相结合进行类别遥感图象分类的复合神经网络分类方法。第１步半训练样本按其统计特征分成若干组，用不同级别的训练样本分别训练ＢＰ网络。第２步将这些训练好的ＢＰ网络并联构成有监督分类器，对遥感图象进行有监督分类。第３步用ＢＰ网络的分类结果对Ｋｏｈｏｎｅｎ网络进行自组织训练，用训练好的Ｋｏｈｏｎｅｎ网络构造无监督分类器，对遥感图象进行细分。通过对ＳＰＯＴ遥感图象的分     

区域多尺度马尔可夫随机场的遥感影像分类

多尺度分析技术广泛应用于高分辨率遥感影像的特征提取和建模。分解层数受制于影像的大小,下采样小波变换实现的影像多尺度表达难以描述大范围的空间模式,导致分类结果出现"胡椒盐"现象;面向对象的影像分析技术虽避免了"胡椒盐"现象,但由于仅利用了单尺度的的特征,也难以描述影像多层次的空间模式,导致分类精度较低。为改善分类结果中的"胡椒盐"现象和提高分类精度,提出了一种结合区域多尺度遥感影像分割和马尔可夫随机场的分类方法。首先,获得原始影像过分割区域,依据区域内亮度均值以及区域间的共享边界长度信息,提取影像低频和高频特征,采用该低频特征波段代替原始影像,重复分割与特征波段提取过程,形成影像的区域多尺度表达。然后,以原始图像为初始尺度,以分割区域为处理单元,以更细尺度分类结果为标记场先验,以当前高频特征建立特征场,逐层分类、投影,获得最终尺度分类结果。合成纹理影像和多光谱遥感影像的实验表明:相比于小波域多尺度建模方法和单尺度区域建模方法,本文提出的方法可以有效提高分类精度,并避免"胡椒盐"现象的产生。     

多分类器组合的遥感影像分类方法

针对传统遥感影像分类方法效果不够理想,单一分类器各自存在不足等问题,该文提出了一种基于多分类器组合的遥感影像分类方法。采用级联和并联相结合的方式对多种子分类器进行组合;利用改进的基于先验知识的投票表决规则,实现遥感影像准确分类。以岳阳市TM遥感影像为例,采用多分类器组合方法进行分类处理,并将处理结果与单一分类器处理结果进行比较。通过误差矩阵对比可知,多分类器的Kappa系数精度高于单一分类器;对分类效果图进行对比分析,在细部效果方面多分类器分类效果优于单一分类器。研究结果表明:组合分类器的遥感影像分类效果明显优于单一分类器,且具有更好的扩展性。     

高分辨率遥感影像信息提取方法综述

感知地物信息最直接的载体就是遥感影像,从遥感影像中提取地形地物等专题信息是当前遥感技术面临的一个迫在眉睫的问题。遥感影像的空间分辨率伴随着遥感技术的飞速发展从公里级发展到厘米级,同时遥感影像所包含的信息正越来越丰富化。高空间分辨率遥感影像具有数据量极大、数据复杂以及尺度依赖的特点,使得高空间分辨率的遥感影像的数据处理以及影像信息提取具有一定的难度,面临一些急需解决的问题。文中介绍了高分辨率遥感影像信息提取的国内外研究现状和趋势,分析了几种遥感影像的分类方法,指出了面向对象的遥感影像信息提取的技术及高分辨率遥感影像的多尺度分割,并指出了国内外在遥感影像信息提取技术方面的不足和迫切需要解决的问题。     

高分辨率遥感影像分割方法研究

在遥感应用分析中,遥感影像分割是低层影像处理和中高层影像分析和理解的桥梁,是实现遥感影像信息自动提取的关键步骤,具有重要的意义。随着大量高分辨率遥感影像的出现,传统基于像素的影像处理方法已不能适应高分辨率遥感影像。近年来,国内外研究者们提出了面向对象影像的分析方法,而面向对象影像分析方法的关键就是影像分割,影像分割精度直接影响着高分辨率遥感信息提取和目标识别的精度。首先给出一般图像分割方法的综述;然后分析和总结了当前主要的高分辨率遥感影像分割方法,着重阐述了均值漂移、分形网络进化、马尔科夫随机场等分割方法的特点和研究现状;最后,对高分辨率遥感应用分析中影像分割方法的发展趋势进行了讨论与展望。     

一种顾及形状特征的遥感图像道路提取方法

依照单类分类和主动学习的基本原理,利用光谱信息和道路几何信息共同实现道路提取。首先人工标记部分道路与非道路样本,用SVDD训练筛选出初始道路与非道路样本点代入SVM得到初始分类图,路径开运算处理之后进行直线匹配获取二值道路图。接下来是一个主动学习过程,根据样本点离超平面的距离及与二值道路图的匹配结果选取最终样本。将留下的样本点代入SVM中并赋以一定权值迭代训练,迭代固定次数之后选取正确率最高的SVM模型。最后利用路径开运算处理获取初始道路,经过形态学后处理得到最终的道路。实验结果表明,该方法可以有效地从高光谱遥感影像中提取道路。     

遥感图像识别中粗糙集理论与神经网络的结合

由于传统神经网络与遥感图像信息量不相匹配 ,为此 ,提出将粗糙集理论集成至遥感图像神经网络识别中。首先分析了神经网络与粗糙集理论结合的可能性以及优势 ,在此基础上提出了基于粗糙集的遥感图像神经网络识别模型 ,并就其中的粗糙集方法处理样本特征集模块和遥感图像识别神经网络模块展开详细的分析。通过对比实验数据说明集成粗糙集理论的遥感图像神经网络识别能够有效提高遥感图像的识别效率 ,具有较强的现实意义     

面向对象的高分辨率遥感影像信息提取技术

介绍了单张高空间分辨率的航空遥感数据在没有其他专题图辅助的情况下进行面向对象的信息提取的方法。以山西省平顺县为研究区,ADS40彩色航空影像为数据源,对不同的地物采取不同尺度的多尺度分割,形成具有"同质性"的对象,然后分别采取不同的信息提取策略,得到研究区信息分类成果,且有效避免了"同谱异物"、"同物异谱"及"椒盐现象",对高分辨率遥感影像信息提取技术研究具有一定的实践指导意义。     

Feature Extraction in Remote Sensing High-Dimensional Image Data

High-dimensional image data open new possibilities in remote sensing digital image classification, particularly when dealing with classes that are spectrally very similar. The main problem refers to the estimation of a large number of classifier's parameters. One possible solution to this problem consists in reducing the dimensionality of the original data without a significant loss of information. In this letter, a new approach to reduce data dimensionality is proposed. In the proposed methodology, each pixel's curve of spectral response is initially segmented, and the digital numbers (DNs) at each segment are replaced by a smaller number of statistics. In this letter, the proposed statistics are the mean and variance of the segment's DNs, which are supposed to carry information about the segment's position and shape, respectively. Tests were performed by using Airborne Visible/Infrared Imaging Spectrometer hyperspectral image data. The experiments have shown that this methodology is capable of providing very acceptable results, in addition of being computationally efficient     

A Combined Detail Enhancing Algorithm and Texture Feature Extraction Method for Supervised Classification of Remote Sensing Images

In this paper, we propose a supervised classification in multispectral satellite images based on a novel detail enhancing texture feature extraction algorithm. The multispectral training and test images are first given for pre-processing, which is decomposed into low-pass approximation and high-pass multi-directional subbands by wavelet based contourlet transform. High pass subbands are easily interfered by noise. Based upon the Normal Shrink technique, thresholding is applied in high frequency images to eliminate the noise. The intra and inter scale fusion rule is used to combine the approximation and detail subbands to form the enhanced image. The co-occurrence features are calculated by forming the gray level co-occurrence matrix on training and test images. Mahalanobis distance classifier is applied on the training and test data sets for effective classification. The experiment result shows that the overall accuracy is improved to 2.2% for (Test-1) 2% for (Test-2) and 3.2 5% for (Test-3) and kappa coefficient is improved to 0.02 for (Test-1) image 0.03 for (Test-2) image and 0.03 (Test-3) image.     

运用SI-Harris算子提取遥感图像点特征

推导了SI-Harris算子(尺度不变Harris算子)的理论公式,并将其应用于遥感图像的点特征提取。重点对Harris算子与SI-Harris算子在不同空间分辨率遥感图像上的点特征提取进行实验比较,利用"重复率"指标对实验结果进行定量评价。实验表明:SI-Harris算子"重复率"较Harris算子有明显提升,可用于不同空间分辨率遥感图像的点特征提取,进而可服务于不同空间分辨率遥感图像的匹配。     

一种基于卷积运算的遥感影像道路提取方法

根据遥感影像道路特征,提出一种基于卷积运算和数学形态学的道路提取方法。首先通过拉普拉斯算子对图像行锐化处理;再用卷积运算获得线特征加强系数,在加强道路线特征的同时,背景灰度恒定区域被弱化;然后去除短线和块状噪声,适当地加入人工干预进行道路修剪;最后用数学形态学细化处理得到道路网。实验结果表明,该方法能有地从遥感影像中提取出道路。     

面向图像分类的遥感影像综合评价方法研究

本文首先简要介绍了模糊综合评价法的基本原理和过程,然后根据图像分类的理论基础,分析图像分类对遥感影像质量的要求,并确定影响分类精度的各项质量要素,构建了综合评价指标体系和评语等级论域。然后通过对大量的不同质量遥感影像的单指标评价实验,确定了遥感影像综合评价模型的隶属函数、权数向量和合成算子;最后通过开发的面向分类遥感影像质量评价程序验证质量评价模型的合理性和实用性。     

一种基于线特征的高分辨率遥感影像配准方法

针对高分辨率遥感影像的配准,提出一种基于直线特征的配准方法。首先提取场景中的直线特征,其次利用一种迭代的霍夫变换方法建立直线特征的相关,最后以仿射变换作为配准转换函数,利用对应特征在同一参考坐标中的距离作为相似测度求解配准转换函数,从而实现了高分辨率遥感影像的快速配准。试验结果表明该方法对具有全局仿射几何失真的图像配准问题,具有较高的可靠性和配准精度。     

高分影像信息提取的特征结构化多尺度分析建模方法研究

围绕高分影像丰富的细节信息和多分辨率特征多尺度分析与信息提取的建模方法开展研究。首先研究高分影像特征分解与表达的变换域方法,构成多尺度、多通道、多层级的变换特征,然后分别使用下采样、上采样和非下采样方法进行特征结构化,最后建立特征结构化多尺度分析模型。并对直塔模型进行具体建模过程分析与实验研究,验证了特征结构化多尺度分析模型方法的有效性。结果表明,该方法可以增强高分影像多尺度分析的灵活性,并有效解决其多尺度分析与信息提取问题。