高分一号影像融合及在水体信息提取中的应用

针对适用于GF-1卫星影像水体信息提取的影像融合方法展开研究,通过对高分影像的全色及多光谱数据进行融合实验,比较常用的5种影像融合方法,从主观定性评价和客观定量评价两方面分析,筛选出融合后影像质量较优的方法。采用较优融合方法进行水体信息提取,对比总体分类精度和Kappa系数,得出最适合GF-1影像的水体信息提取融合方法。结果表明,5种融合方法中Pansharp变换和GS变换融合质量较好。分别进行水体提取后,Pansharp变换的总体分类精度和Kappa系数的值均高于GS变换,故Pansharp变换更适用于GF-1卫星影像在水体信息提取中的应用。     

城市植被制图中SPOT5影像融合方法研究

不同的融合方法用于不同应用目的融合效果不同,本文采用主成分分析、HIS变换以及基于小波变换的主成分分析和HIS变换四种融合方法对SPOT5全色波段和多光谱波段进行融合,并针对城市植被制图特点对融合结果进行质量评价。结果表明,基于小波变换的PCA和HIS变换融合法光谱保持能力最好,但是空间结构特征较差,不适于城市植被零星分布的特点。主成分分析既有较好的空间结构特征,细小地物纹理清晰,同时又具有较好的光谱保持能力,最适合于城市植被制图研究。     

CBERS-02B星CCD与HR数据融合方法探讨

随着CBERS-02B星(以下简称02B星)多光谱CCD数据与全色HR数据在各个领域的广泛应用,两者相差较大的空间分辨率给图像融合带来难题。在对改进型的IHS变换、主成分变换、Brovey变换、GS变换等融合算法分析的基础上,利用02B星数据进行融合试验,并对试验结果进行定性与定量评价,结果表明:①Brovey变换融合效果较差;②在影像的阴影区域,改进型的IHS变换融合结果存在光谱失真;③PCA变换光谱保真较好;④GS变换无论是统计结果还是图像的色彩和清晰度都明显优于上述三种方法。     

面向对象的高分辨率遥感影像阴影提取方法

针对高分辨率遥感影像阴影提取的问题,通过分析影像主成分变换和HIS变换的特征,提出了一种面向对象的高分辨率遥感影像阴影提取方法:首先,使用mean shift分割方法进行影像去噪和平滑;然后,结合主成分变换和HIS变换形成了一种阴影检测指数(SDI);最后,通过阈值分割提取阴影信息。选取两景影像进行了阴影提取实验。实验结果表明,SDI能有效地区分阴影与建筑物、水体、蓝色地物、植被等非阴影地物;另外,mean shift分割能有效地去除结果中斑点噪声的影响,提高阴影检测精度。     

QuickBird遥感影像融合及在小流域土地利用调查中的应用研究

应用HIS变换、主成分变换和Brovey变换等3种影像融合方法对QuickBird多光谱和全色遥感影像进行融合,并利用标准偏差、相关系数和偏差指数等指标对融合效果进行定量评价;利用基于融合后的高分辨率影像对魏沟流域大比例尺土地利用的遥感调查进行了试验和研究。结果表明：主成分变换法的融合效果最佳;梯田、坡耕地和灌木林地分别占流域土地总面积的34．22％、16．42％和10．67％,是主要土地利用类型．     

城市绿地信息提取遥感影像尺度效应分析

绿地信息提取精度与影像的空间尺度有关,又与提取目标的特点有关。目前用于绿地信息提取的高分辨率遥感影像主要有QUICKBIRD、IKONOS和SPOT5,不同尺度影像对绿地信息提取精度的影响还缺少相关的研究。本文利用目视解译方法,研究三种尺度遥感影像提取绿地信息的精度。结果表明,三种影像中,由于QUICK-BIRD影像有更详细的空间结构,更适合于城市绿地零星分布特点,在以7层建筑物以下为主的研究区,绿地信息提取精度最高。     

WorldView-2遥感影像融合方法对比研究

高空间分辨率卫星影像的融合研究一直备受关注。本文以WorldView-2全色、多光谱影像为数据源,采用主成分分析、小波-主成分分析、高通滤波、HCS(Hypersherical color space)四种融合方法进行实验,并对融合效果做出定性及定量评价。研究结果表明,HCS法不仅显著提高影像空间细节表现力,而且有效地保持多光谱影像的光谱信息,其融合影像质量最高。     

基于缨帽变换影像融合的遥感影像植被信息提取

充分结合缨帽变换、遥感影像融合以及归一化植被指数(NDVI)的优点,提出了一种基于缨帽变换的遥感影像融合与NDVI相结合的植被信息提取方法,并与传统的NDVI方法进行了对比。实验表明,该方法很好地改善了遥感影像植被信息的提取精度,特别是提取道路两旁的行道树以及居民小区中的绿地信息,效果更好。     

高分二号影像融合方法质量评价

针对实际应用中因融合方法选择不恰当而无法充分发挥高分二号数据优势的问题,对常用影像融合算法进行了分析评价,旨在寻找最适用于高分二号数据的影像融合方法。采用Brovey变换、改进IHS变换、PCA变换、GS、HPF、小波PCA、Ehlers、Subtractive、HCS、NND 10种影像融合方法对高分二号影像进行融合处理,并从定性和定量两方面对融合结果进行质量评价。结果表明,针对高分二号数据,综合考虑光谱保真度和空间细节表达以及目视效果,HCS和NND方法的融合效果最佳。     

面向对象的矿山地表要素信息提取方法研究

矿山地表要素提取,可为矿山的合理开发利用、尾矿的管理、土地复垦、生态修复提供数据支撑,具有重要的实践意义。本文以湘西花垣县某铅锌矿区IKONOS影像为数据源,使用4种融合方法:Brovey变换、主成分(PCA)变换、Gram-Schmidt Pan变换、缨帽(KT)变换,对全色影像及多光谱波段进行融合,发现与原始影像相比,KT变换融合影像的光谱信息、空间信息保持得最好。基于ENVI中面向对象分层分类的方法,提取研究区内的典型地物,主要包括植被、裸地、道路、建筑物、矿石堆、尾矿库及蓄水池,并进行识别精度评价,总体精度达86.12%,Kappa系数为0.834 7。结果表明,面向对象分层分类的方法能有效地应用于复杂铅锌矿区的地物提取。     

ALOS PALSAR and Hyperion Data Fusion for Land Use Land Cover Feature Extraction

Detailed and enhanced land use land cover (LULC) feature extraction is possible by merging the information extracted from two different sensors of different capability. In this study different pixel level image fusion algorithms (PCA, Brovey, Multiplicative, Wavelet and combination of PCA & IHS) are used for integrating the derived information like texture, roughness, polarization from microwave data and high spectral information from hyperspectral data. Span image which is total intensity image generated from Advanced Land observing Satellite-Phase array L-band SAR (ALOS-PALSAR) quad polarization data and EO-1 Hyperion data (242 spectral bands) were used for fusion. Overall PCA fused images had shown better result than other fusion techniques used in this study. However, Brovey fusion method was found good for differentiating urban features. Classification using support vector machines was conducted for classifying Hyperion, ALOS PALSAR and fused images. It was observed that overall classification accuracy and kappa coefficient with PCA fused images was relatively better than other fusion techniques as it was able to discriminate various LULC features more clearly.     

Comparison of Pixel and Object Oriented Based Classification of Hyperspectral Pansharpened Images

In this paper pixel-based and object-oriented classifications were investigated for land-cover mapping in an urban area. Since the image fusion methods are playing a useful role in supplying classification different fusion approaches such as Gram-Schmidt Transform (GS), Principal Component Transform (PC), Haar wavelet, and À Trous Wavelet Transform (ATWT) algorithms have been used and the fused image with the best quality has been assessed on its respected classification. A Hyperion image and IRS-PAN image covering a region near Tehran, Iran have been used to demonstrate the enhancement and accuracy assessment of fused image over the initial images. The evaluation results of fused images showed that the Haar wavelet approach has good quality in preserving spectral information as well as spatial information. Classification results were compared to evaluate the effectiveness of the two classification approaches. Result of the pan-sharpened image classifications displayed that the object-oriented procedure presented more accurate outcomes (90.47 %) than those obtained by pixel-based classification method (77.33 %).     

ALOS全色与多光谱影像融合的土地覆盖分类

利用Brovey、HighPass Filter和Gram-Schmidt 3种融合方法,对ALOS卫星全色与多光谱影像进行融合,并对融合后影像进行土地覆盖分类研究,从定性分析和比较融合后影像的分类精度2个方面综合评价了3种融合方法的效果。结果表明,3种融合方法都提高了影像的空间分辨率,Gram-Schmidt和HPF融合后影像光谱保持性好,同时3种融合方法不同程度上提高了影像的总体精度和Kappa系数,Gram-Schmidt最高,Brovey次之,HPF最弱,但对于不同地物分类精度又不尽相同,从整体分类结果来看,Gram-Schmidt最优。     

高分辨率遥感影像分割的城市绿地提取研究

城市绿地是生态文明建设的重要组成部分,绿地信息提取是城市绿地规划和建设的基础和前提。遥感影像分割是绿地信息分类提取的关键步骤,选择合适的影像分割方法能有效提高城市绿地提取精度。传统的遥感分割方法分割结果中边缘锯齿现象严重,与绿地实地边界相差较大,不符合绿地信息提取的要求。本文以高分辨率的WorldView影像为数据源,使用深度学习网络DeepLab-v3+对城市绿地进行分割研究,在分割基础上进行城市绿地信息提取。同时,本研究将该网络模型的分割和分类结果与基于Ostu、MeanShift、FNEA分割算法的分类精度进行比较。研究表明：DeepLab-v3+的分割性能最好,其分割边缘光滑,与绿地实地边界吻合度高,有效解决了传统分割算法的边缘锯齿问题;在各种分割分类算法中,DeepLab-v3+的分类精度最高,达到98.01%。     

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

国产高分卫星遥感影像融合方法比较与评价

选择适宜的融合方法有利于卫星遥感影像融合产品更好地服务于生产实践及科学研究。本文在总结现有影像像素级融合算法原理的基础上,选用Pansharp、Gram-Schmidt、HPF、Ehlers、Subtractive、Modified IHS、Brovey、PCA、NNDiffuse等多种常用的影像融合方法对国产高分影像的全色和多光谱数据进行了融合处理,并从定性和定量的角度对融合结果进行了详细评价,试图寻找适用于国产高分卫星遥感影像的最佳融合方法。结果表明：针对国产高分一号卫星遥感数据,超分辨率贝叶斯算法融合效果在视觉效果与影像质量定量评价指标中综合表现最佳;Gram-Schmidt、NNDiffuse、Subtractive和HPF融合结果地物边界最为清晰;Modified IHS、PCA、Brovey融合影像色彩失真较为明显;NNDiffuse在可见光波段表现较突出;Gram-Schmidt在近红外波段表现效果最佳。     

Fusion of RADARSAT-2 and multispectral optical remote sensing data for LULC extraction in a tropical agricultural area

In this study, we investigated the performance of different fusion and classification techniques for land cover mapping in Hilir Perak, Peninsula Malaysia using RADAR and Landsat-8 images in a predominantly agricultural area. The fusion methods used are Brovey Transform, Wavelet Transform, Ehlers and Layer Stacking and their results classified into seven different land cover classes which include (1) pixel-based classifiers (spectral angle mapper (SAM), maximum likelihood (ML), support vector machine (SVM)) and (2) Object-based (rule-based and standard nearest neighbour (NN)) classifiers. The result shows that pixel-based classification achieved maximum accuracy of the optical data classification using SVM in Landsat-8 with 74.96% accuracy compared to SAM and ML. For multisource data classification, the highest overall accuracy recorded for layer stacking (SVM) was 79.78%, Ehlers fusion (SVM) with 45.57%, Brovey fusion (SVM) with 63.70% and Wavelet fusion (SVM) 61.16%. And for object-based classifiers, the overall classification accuracy is 95.35% for rule-based and 76.33% for NN classifier, respectively. Based on the analysis of their performances, object-based and the rule-based classifiers produced the best classification accuracy from the fused images.     

小波变换在高光谱决策树分类中的应用研究

近几年来，离散小波变换在遥感图像压缩、消噪和融合中得到了广泛的应用。利用航空飞行的高光谱图像数据，先后进行了主成分分析及10种小波变换，并应用分类回归树对其进行分类处理。将小波变换的分类结果与主成分分析的结果及不同的小波变换方法之间进行了对比。结果表明，在样本数相同的条件下，小波变换的分类精度均高于主成分分析，其中Haar小波的分类精度最高；小波变换后的分类对样本数量的要求要小于主成分分析。在样本数足够的情况下，主成分分析数据压缩率要高于小波变换。但小波变换在压缩的情况下，仍保留了原光谱的大部分信息。而主成分分析只保留了原图像的方差而无法保留波形。