IMD法在多光谱图像分类中的应用

数学形态学着重于分析和处理图像的几何结构信息。根据这一原理，在图像分类预处理过程中，对各种地物区域的几何结构特点进行分析，构造相应的结构元素，然后对图像进行形态迭代分解法(IMD，Iterative Morphological Decompostion)变换。在变换结果中，地物区域的灰度信息进行了归一化处理，同时区域的几何结构特点和独立地物得到了有效保留。将多光谱图像的IMD变换结果进行分类实验的结果表明，该方法可以有效提高多光谱图像分类的精度和效率，具有较强的适用性。     

加入不变矩的高分辨率遥感图像分类

不变矩是表达图像几何形状信息的参数,具有几何变换的稳定性,在图像识别领域已经得到广泛应用。本文将3种常用的不变矩,即胡氏矩、Zern ike矩和小波矩,运用到高分辨率遥感图像分类中,并与只利用光谱信息的图像分类结果进行对比。结果表明,在高分辨率图像分类中加入不变矩图像可以显著提高分类精度,尤其是对那些具有相似光谱特征但同时具有不同形状和结构特征的地物分类更加有效。     

融合引导滤波和迁移学习的薄云图像中地物信息恢复算法

薄云覆盖遥感图像使图像上的地物信息模糊。本文给出了一种融合引导滤波和迁移学习的薄云图像中地物信息恢复算法。首先利用多方向非抽样对偶树复小波变换对薄云目标图像和无云引导图像进行多分辨率分解,再对分解后的低频子带分别进行支持向量引导滤波和迁移学习,对分解后的高频子带利用修正的Laine增强函数进行增强,然后应用基于区域能量的选择和加权相结合的方法对引导滤波输出和迁移学习模型预测的低频子带进行融合,最后对增强后的高频子带和融合后的低频子带进行多方向非抽样对偶树复小波逆变换重构,获得地物信息恢复图像。Landsat-8 OLI多光谱图像的试验结果表明,支持向量引导滤波能够有效保留目标图像的地物细节信息,域自适应的迁移学习能有效扩展可利用的多源多时相遥感图像范围,通过融合引导滤波和迁移学习能有效去除遥感图像上的薄云,获得较好的地物信息恢复效果。     

基于à trous小波变换的Landsat 7 ETM+图像融合研究

以胶州湾及周边海岸带为研究区,采用Landsat 7 ETM 数据,提出一种基于à trous小波变换的全色图像和多光谱图像融合改进算法.对全色图像和多光谱图像进行适当层数的小波分解,多光谱图像的低频部分采用全色图像和其低频分量的比来调制;最高分解层外的其余分解层采用多光谱图像和全色图像在该层分解系数的加权和,加权系数由局部区域能量比来确定;最高分解层则采用绝对值最大准则.实验表明,该方法得到的图像可提高空间分辨率,对多光谱图像的光谱信息扭曲也较小,为提高海岸带地物分类和信息提取精度奠定了基础.     

基于残差网络特征融合的高光谱图像分类

深度学习技术因其在深度挖掘地物特征方面的独特优势为高光谱图像分类提供了技术手段。但是在高光谱图像的像素级地物分类中,由于样本输入尺寸的影响导致深度学习的层数受限,不能充分挖掘高光谱图像中的深度特征,为此提出基于残差网络特征融合的高光谱图像分类方法。首先通过主成分分析(principal component analysis,PCA)方法提取原始高光谱图像中的第一主成分,利用残差网络有效提取地物空谱特征;再通过反卷积算法实现特征图的扩充,将反卷积后不同维度的特征进行多尺度特征融合,充分挖掘高光谱图像中的深度特征信息,进一步提升高光谱图像分类精度。对"珠海一号"卫星拍摄的江苏太湖和安徽巢湖两个区域进行地物分类实验,结果表明,与其他方法相比,该方法有效解决了高光谱图像分类中深度特征提取不足的问题,获得了更好的分类性能。     

基于对象级的ADS40遥感影像分类研究

针对ADS40影像的空间分辨率高而光谱分辨率相对不足的特点,提出了一种基于多尺度分割的对象级遥感分类方法.首先通过多尺度分割获得影像对象,然后利用对象所包含的光谱特征、几何特征、拓扑特征来确定地物识别中可能要用到的各种特征参数,并建立对象间的分类层次结构图,最后利用模糊分类器逐级分层分类来提取地物信息.研究结果表明,面向对象的分类方法与传统方法相比,可显著提高分类精度,有效抑制"椒盐现象"的产生,更加适合于几何信息和结构信息丰富的ADS40影像的自动识别分类.通过对太原市ADS40影像进行分类验证了此方法的有效性.     

多光谱遥感图像土地利用分类区域多中心方法

针对遥感图像土地利用一种类别由多种地物组成,存在难以求取类别光谱特征多元分布模型的问题,分析了多光谱遥感图像土地利用的光谱特征和区域多中心特征,提出了一种光谱信息和区域信息基于规则的区域多中心分类方法,以类别的类内中心集合表征类别模式,以区域为分类单元,以区域单元含类别类内中心数和区域单元中属于某种类别的像元占单元总像元的百分比为分类准则;采用类内中心表征类别模式和基于规则的分类方法,较好地解决了土地利用类别由多种地物组成、类别模式不满足多元正态分布的问题,由于类别区域单元多中心特性差异大,分类规则的建立及训练样本的选择易于实现。实验表明:该方法能提高分类精度4%—6%。     

航空多光谱图像地形影响校正的模拟反射率方法

开展强起伏地形等复杂条件下的多光谱数据处理实用方法研究,是使中高山地区多光谱定量化解释成果水平取得明显提高的重要途径之一。本文根据地形因素对航空多光谱图像地质解释影响的特点、多光谱仪的成像方式,应用简化的太阳辐射能量平衡原理,研究了如何从航空多光谱图像像元的亮度变化中消除地形影响,模拟生成反射率图像的新方法。新方法综合考虑了地表太阳辐照度的变化、地物的光谱反射率、反照率和热辐射信息,与目前常规的处理技术(如比值法和剩余对数法) 相比,消除了地形坡度和坡向变化对图像解释的影响,保留了地物反照率信息,为多光谱定量化解释提供了更合理有效的反射率图像,对超光谱数据的处理和解释均有潜在的应用价值。     

结合MST划分和RHMRF-FCM算法的高分辨率遥感图像分割

针对基于像素的HMRF-FCM算法抗噪性差以及对地物复杂边界分割精度低的问题,提出一种结合形状信息的静态MST区域划分和RHMRF-FCM算法的高分辨率遥感图像分割方法。该方法定义一种静态MST同质区域划分准则,借助MST能较好表达边界和形状信息、能较好抑制几何噪声的特点,解决地物复杂边界的表达和降低分割结果中几何噪声问题。首先,利用MST静态划分将图像域划分成若干个均质区域,假设每个均质区域内光谱测度服从独立同一的多元高斯分布。然后,在此基础上构建了区域隐马尔可夫随机场模型,以及建立基于信息熵和KL信息正则化项的模糊聚类目标函数。最后,采用偏微分方法对分割模型参数进行求解,从而得到全局最优分割结果。为验证本文方法,对WorldView-3高分遥感图像进行分割试验。定性、定量分析了尺度参数、光谱相似性参数和区域紧致度参数对最优分割结果的影响,并对比分析本文算法和eCognition软件中的多分辨率分割算法、分水岭算法。     

QuickBird全色与多光谱数据融合方法用于土地覆盖分类中的比较研究

QuckBird提供的高分辨率卫星图像可以制作大比例尺城市土地覆盖分类图.图像融合可以充分利用全色图像的高空间分辨率和多光谱图像的光谱信息,提高目视和自动图像分类精度.在遥感领域应用较多的融合方法有IHS变换、主成分分析、颜色归一化和小波变换等多种方法,从光谱质量和图像分类两个方面进行比较研究,发现进行小波系数调整的小波变换融合方法光谱退化最小,土地覆盖分类精度最高.