基于混合像元的遥感图像分类技术

本文提出了混合像元的概念，研究了基于混合像元的遥感图像分类问题，根据最小二乘法的原理导出了混合像元的分类算法。实验表明：在多光谱图像分类中考虑混合像元的客观存在，可以大大提高遥感图像的分类精度。     

保持光谱信息的遥感图像融合方法研究

常用的遥感图像融合方法,如IHS变换法、Brovey变换法和主成分变换法等在实施图像融合时,均会有不同程度的光谱扭曲现象.探讨能有效保持光谱信息的EECN融合法.EECN融合法采用比值变换法,同时对参与融合的全色波段进行增强边缘,融合后的图像在光谱保持性能、分类精度等方面均较优.     

基于像元形状指数的图像分类——以长春市为例

像元形状指数是一种基于像元的空间特征算子,采用像元形状指数(PSI)来描述像元点邻近区域的形状特征,通过中心像元及其邻域相似性描述了中心像元的上下文形状分布,有效地提取了影像中的光谱信息,并取代了原有的光谱特性,弥补了原有光谱特性的不足。像元形状指数对原有图像处理后,利用支持向量机光谱与形状特征融合的算法对处理过的影像进行分类处理。研究结果表明,经像元形状指数变换后的光谱特性更加适合图像分类,且形状和光谱特征的融合可以有效地提高分类的准确性。     

基于图像融合的高分全色遥感影像变化检测

针对同一地区不同时期的全色高分辨遥感影像,提出一种基于影像融合的变化检测算法。首先采用基于匹配点的三角网校正方法对两景影像进行几何校正,然后选用基于迭代多元变化检测(IR-MAD)的相对辐射校正方法进行辐射一致性处理,接着对经几何一致性处理、辐射一致性处理后两张影像进行显著性融合,采用Mean-Shift分割算法对融合影像进行分割,选用方向梯度直方图(HOG)特征获取影像纹理强度图,最后通过比较分割块纹理变化获得变化检测结果。以Toposys激光雷达系统搭载相机拍摄的全色影像对该算法进行了检验,并使用单一时期影像为分割对象进行对比实验结果。实验结果表明,以融合影像为分割对象的结果远优于以单一时期影像为分割对象的变化检测结果,极大地减少了误检和漏检,在城市、郊区等地区人工地物变化监测中有一定的应用价值。     

基于纹理和光谱信息的高分辨率遥感影像分类

提出了一种基于纹理和光谱信息的高分辨率遥感影像分类方法,阐述了其基本原理,并通过试验的对比和分析,证明了利用光谱特征与纹理特征相结合进行分类比单纯运用光谱特征进行分类效果更好。     

元胞自动机的遥感影像混合像元分类

通过对元胞自动机理论的研究,提出元胞自动机的遥感影像混合像元分解模型。利用多波段遥感数据验证混合像元分解算法的可行性,并将结果与线性分解模型进行比较。结果表明,元胞自动机混合像元分解模型在分解的准确性方面,明显优于一般线性模型的精度。最后,将分类结果与传统的监督分类算法比较,得出元胞自动机的混合像元分解模型明显优于监督分类精度的结论。     

融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高（空间）分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。     

融合空间关系的遥感图像分类

针对光谱纹理特征分类方法的不足,提出了一种融合空间关系的遥感图像分类方法。利用直方图提取像斑特征,采用G统计量构建单像斑概率,通过迭代统计方法计算地物类别邻接概率,利用地物类别邻接概率表达像斑邻域概率,加权组合单像斑概率与像斑邻域概率构建像斑联合概率,依据最大后验概率准则获取图像分类结果。在QucikBird图像上的试验结果表明:与传统的光谱纹理分类方法相比,该方法能够提高图像分类的精度;整体分类精度与Kappa系数分别提高了1.5%和2.1%。     

结合像元分解和STARFM模型的遥感数据融合

高空间、时间分辨率遥感数据在监测地表快速变化方面具有重要的作用。然而,对于特定传感器获取的遥感影像在空间分辨率和时间分辨率上存在不可调和的矛盾,遥感数据时空融合技术是解决这一矛盾的有效方法。本文利用像元分解降尺方法(Downscaling mixed pixel)和STARFM模型(Spatial and Temporal Adaptive Reflectance Fusion Model)相结合的CDSTARFM算法(Combination of Downscaling Mixed Pixel Algorithm and Spatial and Temporal Adaptive Reflectance Fusion Model)进行遥感数据融合。首先,利用像元分解降尺度方法对参与融合的MODIS数据进行分解降尺度处理;其次,利用分解降尺度的MODIS数据替代STARFM模型中直接重采样的MODIS数据进行数据融合;最后以Landsat 8和MODIS遥感影像数据对该方法进行了实验。结果表明:(1)CDSTARFM算法比STARFM和像元分解降尺度算法具有更高的融合精度;(2)CDSTARFM能够在较小的窗口下获得更高的融合精度,在相同的窗口下其融合精度也高于STARFM;(3)CDSTARFM融合的影像更接近真实影像,消除了像元分解降尺度影像中的"图斑"和STARFM模型融合影像中的"MODIS像元边界"。     

基于像斑空间关系的遥感图像分类

为充分挖掘遥感图像本身包含的空间关系信息,弥补基于光谱信息的传统图像分类方法的不足,提高分类精度,提出了一种基于像斑空间关系的遥感图像分类方法.通过图像分割获取像斑,利用最大似然法获取初始分类结果,引入马尔科夫随机场对像斑的空间关系予以描述,通过地物的类别邻接矩阵定量地描述各地物类别之间的空间关系,从而对图像的分类结果进行修正,最后采用条件迭代的方法获取最终的图像分类结果,精度较好.实验结果表明,该方法应用于高分辨率遥感图像可取得较好的分类效果.     

一种融合PSO和Isodata的遥感图像分割新方法

针对当前遥感图像分割方法存在的缺点,将人工智能领域的粒子群优化方法应用到遥感图像分割方面,提出了一种融合PSO和Isodata的遥感图像分割新方法。对不同分辨率遥感图像的分割实验结果表明,融合PSO和Isodata的遥感图像分割新方法能够自适应确定聚类数目,避免了聚类过程的随机性,使分割结果更加接近实际情况。     

顾及邻域像元分类决策的遥感影像分类蚁群算法

为了进一步发掘蚁群算法的应用潜力,提高分类精度,将相关性引入分类规则发掘过程,试图在蚁群算法挖掘规则时既考虑像元的光谱信息,又兼顾邻近像元灰度的空间相关性,提出了一种优化的蚁群算法。算法包括对单个像元的分类规则挖掘和顾及邻域像元相关性的分类规则挖掘,单个像元的分类规则挖掘中,为使信息素缓和增加,避免陷入局部最优解,同时保证算法具有适当的收敛速度,采用自适应方案调整参数。顾及邻域像元相关性的分类规则挖掘中选用了优势类、优势度、类熵和邻域类相关性等4个指标,以反映邻域相关性对分类结果的影响。实验研究发现,顾及邻域蚁群算法的分类结果精度有了较为明显的提高,总体精度提高了3.00%,其优势主要体现在对建设用地、裸地等复杂地物的识别。研究结果表明,顾及邻域蚁群算法能够更准确地提取光谱信息复杂的地物,有效地减弱同物异谱和异物同谱现象的干扰。     

顾及混合像元分解的遥感图像光谱模拟

基于尺度下降理论,利用高时间分辨率的MODIS遥感影像数据,结合同时间段高空间分辨率的ETM+遥感影像及其分类数据,应用混合像元分解技术,获得了不同时间段的MODIS子像元类别反射率数据。通过类别反射率与像元反射率间的关系模型,以原有的ETM+影像的像元反射率和时间序列的类别反射率,模拟出具有高时间分辨率与高空间分辨率特征不同时间段的模拟影像,实现了遥感影像地物类别反射率在时间上和空间上的细化。通过计算模拟影像与真实影像的相关系数,以及比较模拟影像与真实影像生成的NDVI影像,验证了该方法的有效性。     

基于多尺度分割的高分遥感图像变异函数纹理提取和分类

变异函数(variogram function,VF)作为遥感图像纹理提取的一种有效工具,可以很好地用于描述图像的结构性和随机性。为了克服传统的基于移动窗口提取的VF纹理带有边缘效应且难以确定合适窗口大小的问题,以新疆维吾尔族自治区英吉沙县裸露地层的World View-2图像为信息源,利用多尺度分割算法获得的3个尺度分割结果提取VF纹理;将提取的VF纹理叠置到原始多光谱图像上进行地层识别研究,并与基于移动窗口的地层识别结果进行对比。研究结果表明,基于分割对象提取的纹理信息可以很好地去除边缘效应,减轻阴影影响,提高地层识别精度;不同分割尺度对纹理的识别效果有一定差别,但选择合适的分割尺度之后,采用VF方法提取的纹理信息比采用移动窗口法提取的信息更加稳定。     

基于像元的遥感影像融合方法的比较

阐述了融合TM和航片数字化影像的HIS变换、主分量分析和高通滤波三种方法，并定性和定量地比较了三种方法融合的影像。结果表明：HIS方法导致影像数据的光谱特性变化最大；主分量分析法居中；高通滤波法导致光谱特性变化最小。     

基于像元的遥感影融合方法的比较

阐述了融合ＴＭ和航片数字化影像的ＨＩＳ变换、主分量分析和高通滤波三种方法，并定性和定量地比较了三种方法融合的影像。结果表明：ＨＩＳ方法导致影像数据的光谱特性变化最大；主分量分析法居中；高通滤波法导致光谱特性变化最小。     

基于光谱信息的遥感图像空间域自适应滤波

遥感图像往往由于内外因素的干扰含有各种噪声 ,为提高图像质量人们对其进行滤波。常规的滤波方式完全基于图像空间域 ,在消除异常点使图像平滑的同时使边界变得不清楚从而使图像模糊 ;或者正相反 ,在边缘信息得到增强时也放大了图像噪声而使图像变得粗糙。该文的自适应滤波方法充分利用多光谱和高光谱遥感图像的光谱维信息 ,滤波时不仅要使均匀的地块得到平滑 ,而且要使地块间的边缘、局部的异常点、线仍然得到保存、在光滑的同时尽量保持原有的数值特征     

高光谱遥感图像亚像元信息提取方法综述

高光谱遥感图像光谱分辨率高、波谱连续、图谱合一,这为精细地物分类、探测和识别提供了数据基础。然而,由于高光谱遥感图像空间分辨率的局限性及地物场景的复杂分布,混合像元普遍存在于高光谱遥感图像。混合像元是高光谱遥感图像精细信息提取与分析中的难点。解决混合像元问题,实现亚像元级信息的提取与分析是近年来高光谱遥感图像解译的热点和前沿。本文系统梳理了高光谱遥感图像亚像元信息提取的主要研究内容,具体从混合像元分解、亚像元制图及亚像元目标探测3个研究方向综述了经典方法,并对国内外相关方向的研究进展、发展前沿及主要挑战进行了分析与评价,最后分析讨论了高光谱遥感图像亚像元信息提取研究在模型构建、优化求解及与应用结合等方面的研究趋势及方向。     

基于SVM的高光谱遥感图像亚像元定位

提出了基于支持向量机（support vector machine,SVM）的高光谱遥感图像亚像元定位方法。全变分（total variation,TV）模型是经典的保边缘平滑滤波器,本文将其引入作为预处理,来提高混合像元分解及亚像元定位的精度;本文方法在训练和检验样本的构建过程中,依据空间相关性理论,同时考虑了中心像元及其邻近像元丰度值对亚像元类别归属的影响;在监督分类训练和检验过程中,通过剔除纯净像元来缩减样本数量,在保证算法准确性的同时提高了效率。对真实高光谱遥感数据进行了实验,主观评价和定量分析验证了本文方法的有效性。     

基于混合像元分解的水体遥感图像去云法

大型内陆水体的遥感图像中往往存在着不均匀薄云或者是气溶胶的影响，由于种种原因，传统的大气辐射校正算法无法消除这种不均匀影响，这就给遥感图像的大气校正带来了很大困难。由于水体属于低反射率地物，这种薄云或者气溶胶的不均匀性带来的误差，极大地降低了水体遥感图像的信噪比，进而影响水体信息遥感提取精度。根据部分太湖地区的遥感图像和地面实测数据，作者以一种新的思路来尝试解决这个问题。该方法充分考虑了水气环境的特点，把水体像元光谱看作水、污染物和气溶胶（薄云）等光谱的混和。基于混合像元模型，该方法有效地消除了薄云和气溶胶的影响，可使我们通过遥感手段更加精确地提取水质信息。