自然资源要素遥感智能解译样本分类体系研究

根据湖北省自然资源监测监管对大规模遥感智能解译的需求,对已有遥感智能解译样本数据集进行了总结,从提升地类细分领域的深度学习模型效果出发,研究了遥感影像智能解译的典型应用场景和解译对象,构建了湖北省自然资源要素遥感智能解译样本分类体系,并以优于2 m的多源异构高分辨率光学遥感影像为数据源,开展遥感智能解译样本采集。通过具体业务应用场景实验证明,建立的智能解译样本分类体系及其样本库,能够较好地反映湖北省自然资源卫星遥感影像智能解译的区域特征,取得较之前的样本库更为有效的解译效果。     

遥感图像分类精度的点、群样本检验与评估

遥感专题分类结果在使用前,必须进行客观可靠的精度验证和分析,以保持遥感分类结果的可靠性.本文利用不同分辨率遥感数据获取的同一地区土地利用/覆盖信息,进行了简单随机抽样、系统抽样和分层抽样三种不同抽样组织方式下的点样本和群样本检验分析,评估了不同抽样方式下的点样本和群样本检验效果.研究结果表明：（1）抽样方式对遥感分类精度评价结果的影响是客观存在的,不同抽样方式下的点样本和群样本检验结果都存在一定的随机性,但同一种抽样方式下,点样本检验精度评估结果的波动幅度小于群样本检验,稳定性比群样本检验要好;（2）不同抽样方式下的多次点样本和群样本检验的平均精度检验结果基本上都能够反映分类图像的精度特征,其中,点样本检验中,分层随机抽样点样本检验效果较好;群样本检验中,系统抽样群样本检验和分层随机抽样群样本检验的效果优于简单随机抽样群样本检验.     

遥感影像样本自动生成与智能迭代分类方法

针对先验知识未能有效指导智能分类、智能分类与样本采集相对独立的问题,提出遥感影像样本自动生成与智能迭代分类方法。首先利用遥感影像及对应的历史解译数据构建样本数据集;其次利用深度卷积神经网络模型进行训练,得到预训练模型;再次利用预训练模型对即时遥感影像进行智能分类,得到智能分类结果;最后将校正后分类结果反馈到样本数据集,完成样本数据集的更新,利用更新后的样本数据集对智能分类模型进行迭代优化,形成模型与样本的优化闭环。试验结果表明：该方法通过样本自动生成与更新,以及模型迭代训练,能够提升智能分类模型精度,为解决先验知识未充分利用、智能分类与样本采集相对独立、分类结果未实时反馈等问题提供思路。     

遥感影像K-最近邻图目标分类改进算法的研究

针对高分辨率遥感影像数据中典型目标的判别,提出基于K-最近邻图KNN改进算法的深度学习模型.该模型采用深度学习方法研究目标的属性,充分利用数据之间的关联,建立抗变换性的目标特征,可提高目标判别的准确度.高分辨遥感影像目标检测实验表明该方法的有效性.     

一种正样本单分类框架下的高分辨率遥感影像建筑物变化检测算法

高分辨率遥感影像建筑物变化检测对于城市规划、城市执法等方面具有非常重要的意义。文中提出一种基于正样本单分类器学习框架下的建筑物变化检测算法。首先提取影像形态学建筑物指数特征(MBI),通过卡方变换将其与光谱特征进行融合;然后利用一种单分类器完成建筑物变化初始判定;最后利用改进的长宽比形状特征完成最终建筑物变化判定。通过与现有建筑物变化检测算法、传统的多分类器算法对比,本文算法精度有一定提升并具有更强的鲁棒性。     

面向遥感影像智能分类的海量样本数据采集方法

以地理国情监测高分辨率遥感影像及高精度地表覆盖分类产品为数据源,提出了一种面向遥感影像智能分类、基于位置匹配技术的全国尺度海量样本数据采集方法。根据数据源特征,研究了县域采集数量权重设置、坐标投影转换、栅格灰度重采样、无效样本数据过滤、地表覆盖分类码映射、样本数据命名标识、特定地表覆盖类型样本数据采集等关键技术,构建了位置匹配的遥感影像数据与分类标签数据组成的样本数据对,开发了样本数据自动采集软件。利用该方法,以县级行政区划为单元,实现了全国尺度海量样本数据采集。选取其中5个县域的成果,评估了方法的实用性及运算性能。研究表明：该方法提升了生产全国尺度海量样本数据的计算响应速度;采集的样本数据能够满足遥感影像智能分类对样本源高质量、大规模的需求,提升了遥感影像分类与预测的准确度。     

多图卷积网络的遥感图像小样本分类

小样本学习旨在利用非常少的监督信息识别出新的类别,由于忽视了样本之间的关联信息,现有的小样本分类方法用于遥感图像小样本分类时往往不能获得令人满意的精度。为此,本文利用图来建模图像在特征空间的相似关系,使用图卷积运算平滑同类别图像的特征,增强不同类别图像特征的区分度,提升分类精度。所提方法在现有图卷积运算的基础上,使用多阶次的邻接矩阵线性加权的方法代替传统的一阶邻接矩阵,通过图谱分析得出这种改进方法能够让不同阶次邻接矩阵的频率响应函数在高频部分正负相抵,有效抑制图信号的高频分量,更显著的提升同类别节点特征的聚集程度;同时,在训练过程引入了微调的方法,使用新类别中的标记数据对最后一层图卷积网络进行少量次数的训练,能够进一步提高精度,增强模型的迁移能力。实验使用AID、OPTIMAL31以及RSI-CB256这3个常用的遥感数据集对方法的有效性进行了测试,结果表明提出的方法在同数据集小样本分类任务和跨数据集小样本分类任务中,在分类精度方面均优于原型网络等比较方法。     

遥感影像分类中的模糊聚类有效性研究

通过不同遥感影像对常用的模糊聚类有效性指数进行测试,检验这些指数能否适用于遥感影像分类。实验结果证明,Xie-Beni系列指数能够有效地获得遥感影像最优分类数,相对于其他模糊聚类有效性指数更适用于遥感影像分类。     

一种基于支撑向量机的遥感影像不完全监督分类新方法

不完全监督分类是研究在只有目标类训练样本的情况下如何准确地将目标类从数据集中提取出来。在许多遥感应用问题中,往往只需要从遥感影像中提取某一类地物。如果分类过程中只要选取目标类训练样本,将节省在训练样本选取过程中的大量人力物力。因此不完全监督分类是一个值得研究的遥感分类问题。提出了一种基于加权无标识样本支撑向量机(WUS-SVM),并在其基础发展出一种不完全监督分类方法。该方法分3个步骤:(1)在影像中随机选取一定量的无标识样本,将它们作为具有不同权重的非目标类训练样本;(2)用目标类的训练样本和加权无标识训练样本一起训练WUS-SVM,得到初步的分类器;(3)利用初步的分类器确定无标识样本的类别,并与原目标类训练样本一起再次训练SVM得到最终的分类器。通过对模拟数据和遥感影像的分类试验初步证明了该分类方法的有效性。     

基于数据场聚类的遥感影像分类方法研究

将数据场聚类方法引入到遥感影像分类中,将数据集映射到光谱空间,让光谱点对聚类的贡献通过势能充分表现出来。通过特征空间的建立、势能的计算及势能图像的分割等步骤实现了对遥感影像的分类,并讨论了辐射因子及辐射半径等对聚类的影响。     

遥感卫星数据产品分类分级规则研究

随着遥感卫星应用的发展,多源、多时相、多尺度以及不同类型遥感卫星的数据综合集成应用以及与地面观测信息集成,对遥感信息产品进行深度开发利用正在成为遥感应用的重要趋势。目前不同国家和地区、不同系列的遥感卫星数据产品分别采用不同的分类分级方案,难以适应多源、多系列地理空间信息整合应用的需求。本文从遥感应用对遥感卫星数据产品分类分级的需求出发,分析了目前主要遥感卫星的产品系列及其数据产品分类分级规则,参考了正在研究的相关国际标准,遵循系统性、科学性、完整性、兼容性、可操作性和可扩充性原则,研究提出了中国遥感卫星数据产品分类分级的规则。该规则以卫星载荷采用的遥感探测光谱特征及其数据获取方式作为分类依据,以卫星遥感数据的处理水平作为分级依据,建立统一的遥感卫星数据产品的分类分级体系。该规则与正在研究制订的相关国际标准保持一致,不但覆盖目前广泛应用的各类遥感卫星数据产品,而且能方便地建立与现有遥感卫星数据产品分类分级方案的映射关系,并且对未来的数据产品的分类分级留有比较充分的可扩充性,为遥感卫星数据产品分类分级指标体系的研究和相关国家标准的研制提供了依据。     

基于进化人工免疫网络的遥感影像分类算法

人工免疫网络是受免疫网络理论的启发建立的用于数据处理的一种人工免疫系统。同时免疫系统是进化的,通过不断调节系统内细胞的数量和种类适应外界环境。提出的进化人工免疫网络借鉴免疫网络和进化的思想,是用于遥感影像分类的监督算法。算法通过一个学习过程,得到能够表示训练数据特征的网络细胞,然后利用这些网络细胞进行分类。实验表明进化人工免疫网络是遥感影像分类的有效工具。     

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。     

样本尺寸对遥感影像FCN训练模型的影响分析

针对如何选择合适尺寸的影像样本来得到较好的网络模型这一问题,该文基于全卷积神经网络(FCN)的遥感影像分类方法,开展了不同样本尺寸下的网络模型训练实验,分析了样本尺寸分别为128、256、512像素大小时对FCN网络模型的影响。结果表明:512像素×512像素大小样本尺寸下像素准确率、平均准确率、平均交叉联合度量和带权交叉联合度量4个评价指标的精度值均高于128像素×128像素和256像素×256像素大小的值,比128像素×128像素样本尺寸平均高出20%以上,比256像素×256像素样本尺寸高出10%以上,因此,在计算机内存允许范围内采用大尺寸样本进行网络模型的训练,有利于提高模型训练精度,可得到更好的分类结果。     

生成式对抗网络的高光谱遥感图像分类方法研究

针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制...     

行星遥感影像目标识别与分类进展

从行星遥感海量数据中对地形地貌特征进行识别和分类,是行星科学研究中的一项重要基础工作.本文综述了自实施月球和深空探测任务以来,国际、国内采用行星影像数据进行地形地貌识别与分类技术的研究进展.首先,从月球、火星以及其他行星探测任务3个方面,对相关的探测任务和获取的影像数据进行简介.然后,在介绍通用目标识别与分类方法研究进...     

高光谱遥感影像SVM分类中训练样本选择的研究

支持向量机(SVM)分类的关键是发现分类最优超平面及类别间隔,而混合像元比纯净像元更接近类别边界,更容易找出最优超平面。本文针对SVM分类器的特点,在高光谱数据分类中采用混合像元作为训练样本对SVM进行训练,试验表明采用类别边界上的混合像元作为训练样本是可行的,能够获得与纯净训练样本接近的分类精度,进一步验证了SVM分类对训练样本空间分布依赖度较低的特点。     

遥感影像解译样本的一体化生产研究

遥感影像解译样本数据包括地面照片和遥感影像实例,是制作遥感影像解译样本数据库的基础资料。文中针对地理国情普查中遥感影像解译样本的采集、整理进行了研究,通过利用GEOWAY地理国情普查外业调绘核查软件完成遥感影像解译样本的采集、整理,实现了解译样本的一体化生产流程,并与传统的纸质调绘、PDA数字调绘进行对比分析,充分证明解译样本的一体化生产流程自动化程度高,减少了人力、物力,提高了生产效率。     

典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例

目前普遍采用的分类器通常都是针对单一或小量任务而设计的,在小数据量的处理中能取得比较满意的结果。但对于海量遥感数据的处理,其在处理时效和分类精度方面还有待研究。本文以遥感图像场景分类任务为例,着重对遥感数据分类问题中几种典型分类方法的适用性进行比较研究,包括K近邻(KNN)、随机森林(RF),支持向量机(SVM)和稀疏表达分类器(SRC)等。分别从参数敏感性,训练样本数据量,待分类样本数据量和样本特征维数对分类器性能的影响等几个方面进行比较分析。实验结果表明:(1)KNN,RF和L0-SRC方法相比RBF-SVM,Linear-SVM和L1-SRC,受参数影响的程度更弱;(2)待分类样本固定的情况下,随着训练样本数目的增加,SRC类型分类方法的分类性能最佳,SVM类型方法次之,然后是RF和KNN,在总体分类时间上呈现出L0-SRCL1-SRCRFRBF-SVM/Linear-SVMKNN/L0-SRC-Batch的趋势;(3)训练样本固定的情况下,所有分类方法的分类精度几乎都不受待分类样本数目变化的影响,RBF-SVM方法性能最佳,其次是L1-SRC,然后是Linear-SVM,最后是RF和L0-SRC/L0-SRC-Batch,在总体分类时间上,L1-SRC和L0-SRC相比其他分类方法最为耗时;(4)样本特征维数的变化不仅影响分类器的运行效率,同时也影响其分类精度,其中SRC和KNN分类器器无需较高的特征维数即可获得较好的分类结果,SVM对高维特征具有较强的包容性和学习能力,RF分类器对特征维数增加则表现得并不敏感,特征维数的增加并不能对其分类精度的提升带来更多的贡献。总的来说,在大数据量的遥感数据分类任务中,现有分类方法具有良好的适用性,但是对于分类器的选择应当基于各自的特点和优势,结合实际应用的特点进行权衡和选择,选择参数敏感性较小,分类总体时间消耗低但分类精度相对较高的分类方法。     

一种基于自适应谐振理论的TM遥感影像神经网络分类器

提出了一种基于自适应谐振理论建立起来的自组织模糊ARTMAP神经网络分类器。分析了ART神经网络的结构和工作原理,给出模糊ARTMAP神经网络分类的具体算法,并将其运用到TM遥感影像分类的实验中。结果表明模糊ARTMAP神经网络分类器的速度快,精度高,比常用的BP网络具有更好的性能。