结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。     

多相位水平集高分辨率遥感影像非监督分类

高空间分辨率遥感影像(特别是城区场景)常表现出高的光谱异质性、地物细节丰富且地物拓扑关系复杂等特点,这对影像分类产生较大干扰,导致分类精度不高。针对以上情况提出一种新的非监督多相位水平集分类方法:该方法以基于区域竞争思想及Bayes准则的多相位水平集分类框架作为高分辨率遥感影像分类的基础,通过采用Parzen窗非参数密度估计方法来改善复杂场景下样本概率密度估计的准确性,从而增加分类模型的抗干扰能力;此外,为提高多水平集模型演化效率,在模型求解中提出一种简单而有效的水平集函数重初始化方案。通过与前人工作的试验对比及分析,验证了提出的模型在复杂场景及存在上述干扰的情况下表现出好的分类效果。     

GF-2影像城市地物分类方法探讨

GF-2影像具有较高的分辨率和丰富的光谱、几何及纹理信息。为了深入探索GF-2影像城市地物分类方法,本文以四川省隆昌县城为研究区,提出了一种基于最优尺度和规则的面向对象分类法。在影像分割的基础上,通过构建评价函数,并结合最大面积法选取最优尺度,进而构建分层体系,提取影像的光谱、几何及纹理特征建立规则并分类,且将其与单尺度下的面向对象和基于像素分类法进行对比分析。结果表明,本文方法的总体精度和Kappa系数分别为93.33%和0.92。     

深度神经网络的高分三号全极化SAR图像分类方法

针对传统极化SAR地物分类方法和基于像素的神经网络分类方法容易受到SAR图像固有斑点噪声影响而出现的破碎孤立点和精度下降问题,该文在考虑了极化SAR图像的基本特征的基础上结合深度卷积神经网络的方法对地表覆盖类型进行了分类研究,利用不同尺度的全极化SAR特征融合RGB图像对GoogLeNet模型进行迭代训练,结合对实验区的多尺度分割结果,对SAR图像做不同尺度下的样本分类,并最终获得整体图像的分类结果。实验证明,此方法能够获得较高的分类精度。     

基于SVM监督分类的水体信息提取研究

利用遥感影像提取地表地物信息及人工目标是构建、更新地理空间数据库的重要手段。选用2景Landsat-TM遥感影像作为试验区,采用选取训练样本的SVM监督分类方法进行地表水体提取试验。结果表明,基于SVM监督分类方法仅适用于地表同质性好的区域,而对于地表信息丰富、地物混合度较高的区域,基于SVM监督分类方法选取和优化样本用时会显著增加,后期人工修改量大,分类效率较低。     

高分一号多光谱遥感数据的面向对象分类

文章针对高分一号(GF-1)高分辨率遥感数据,提出了一种基于多特征的面向对象遥感图像分类算法:首先,对GF-1卫星数据进行分水岭分割,并利用仿射不变矩形状特征算子获得遥感图像的几何特征;其次,利用主成分分析和灰度共生矩阵获得遥感图像的纹理特征;然后,基于多特征数据进行均值漂移滤波,并利用自动标记分水岭分割方法实现遥感图像分割;最后,结合基于像元的最大似然监督分类结果做投票分类处理,从而实现面向像元与面向对象相结合的遥感数据分类.以高分一号遥感数据进行分类实验,结果表明:本文方法可有效地提高遥感图像分类精度.     

利用多分类器自适应级联模型的高分二号影像分类

针对传统单一分类器分类效果不够理想,存在各自的不足,以及已有的多分类器级联模型不能根据待识别样本特征进行动态调整优化等问题,提出了一种基于多分类器自适应级联模型的遥感影像分类方法。该模型选取各类别最优分类器进行级联组合,以待识别样本在整体性能最优分类器的表现对类别最优分类器作出自适应调整,对高分辨率影像分割后的像斑对象输出类别信息。以杭州区域高分二号遥感影像进行分类试验,结果表明,本文方法相比于单一分类器及已有的级联模型具有更高的分类精度。     

一种新的极化SAR图像非监督分类算法研究

提出了一种建立在Mean-shift过分割结果区域图上的极化SAR图像非监督分类算法。首先通过Mean-shift算法得到极化SAR图像的过分割结果区域图,并将过分割小块视为“超级像素”,然后在Freeman-Durden分解的基础上引入散射功率熵和各向异性量参数来进一步分析“超级像素”的混合散射机制问题,最后结合Wishart迭代聚类实现极化SAR图像的非监督分类。实验表明,该算法具有较为满意的分类效果。     

基于高分一号影像的两种地表覆盖分类方法对比研究

以高分一号影像为数据源,分别应用最大似然分类法和面向对象分类法对影像进行遥感分类,比较不同影像分割尺度,对分类结果进行精度评价,结果显示:面向对象分类方法综合利用多类遥感指数,提高了分类精度,可以有效应用于遥感影像快速分类。面向对象分类方法中分割尺度对分类精度影响较大,但如何设置最优分类尺度仍需进一步研究定量确定方法。     

利用面向对象分类方法提取冬小麦种植面积的研究

应用陆地卫星TM数据和遥感图像处理软件eCognition5.0和ENVI4.3软件,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。逐像素分类的结果存在"椒盐"效应,而且很难克服同物异谱、同谱异物现象,面向对象的分类方法可以有效的集成专家知识和各种辅助数据,克服逐像素分类的弊端。分类结果表明,利用面向对象的分类方法可以获得比传统的像素级分类方法更高的分类精度,为冬小麦种植面积的自动提取提供了广阔的前景。     

以地块分类为核心的冬小麦种植面积遥感估算

以提高冬小麦种植面积估算精度为目标,选取种植结构复杂的都市农业区,采用QuickBird影像数字化农田地块边界,以多时相TM影像为核心数据源,以地块为基本分类单元,进行不同特征向量组合、不同分类器的冬小麦地块分类方法研究,并对比分析了基于地块分类和基于像元分类的冬小麦种植面积估算精度。研究结果表明,基于地块分类的冬小麦种植面积估算方法的总量精度和位置精度均高于像元分类;植被指数和纹理信息的引入有助于进一步提高地块分类精度;支持向量机与最大似然均能得到高达97%的总量精度和90%的位置精度,支持向量机地块分类所需的训练样本量远低于最大似然,因此支持向量机更加适合于冬小麦地块分类;冬小麦错分与漏分情况大多发生在细碎地块,其面积总量较小,而大地块错分和漏分较少,因此相对于像元分类,地块分类能在整个区域能得到较高的冬小麦位置精度和总量精度。     

冬小麦叶面积指数的高光谱估算模型研究

本文以山东禹城为研究区,利用地面实测光谱数据,探讨不同植被指数和红边参数建立高光谱模型反演冬小麦叶面积指数的精度。通过逐波段分析计算了4种植被指数(NDVI、RVI、SAVI、EVI),结合同步观测LAI数据,确定反演叶面积指数的最优波段;计算了5种常用的高光谱植被指数MCARI、MCARI2、OSAVI、MTVI2、MSAVI2,同时利用4种常用方法计算红边位置和红谷,与实测LAI进行回归分析,比较植被指数和红边参数模型对冬小麦LAI的估测精度。结果表明各因子与LAI均具有较高的相关性,整个研究区归一化植被指数具有最高的反演精度,确定了估算冬小麦LAI的最优模型,并使用独立的LAI观测数据对模型进行了验证。     

高分二号遥感影像提取冬小麦空间分布

精细的农作物空间分布数据对于资源、环境、生态、气候变化和粮食安全问题均具有重要的意义,卷积神经网络已经成为从遥感影像中提取农作物空间分布数据的主要方法,但提取结果中的种植区域边缘往往比较粗糙。本文以高分二号遥感影像为数据源,选择冬小麦为提取目标,利用RefineNet模型和最大后验概率模型构建冬小麦遥感提取模型WWRSE(Winter Wheat Remote Sensing Extraction),获取精细的冬小麦空间分布数据。WWRSE模型利用RefineNet网络提取像素的语义特征,使用改进的SoftMax模型生成像素的类别概率向量;以类别概率向量的最大分量与次大分量的差值作为置信度,根据置信度将类别概率向量分为可信和不可信两组,可信组直接使用最大分量对应的类别标签作为相应像素的分类结果;结合最大后验概率模型确定不可信组像素的分类结果。利用随机梯度法对WWRSE模型进行训练。选择SegNet、DeepLab、RefineNet作为对比模型进行实验,WWRSE提取结果的精度为92.9%,比SegNet提高了13.8%,比DeepLab提高了10.9%,比RefineNet提高了8.6%。实验结果表明WWRSE模型在提取冬小麦空间分布数据方面具有一定的优势。WWRSE模型提取的结果能够为大范围冬小麦种植面积统计提供依据。     

一种综合的极化SAR非监督分类方法

针对仅利用物理散射特征分类方法无法实现精细类别差异区分和分辨率保持的问题,该文设计了一种将物理散射机制和统计特征相结合的极化SAR非监督分类算法。该算法采用加利福尼亚州Camp Roberts地区的JPL AIRSAR数据,通过H/A/珔α和Wishart分类相结合的非监督分类方法,对900像素×900像素大小的研究区进行了分类,分类结果表明,该算法在保持分辨率及区分精细类别差异方面是有效的。     

自适应无监督分类的PolSAR图像机场跑道区域快速检测

针对复杂PolSAR图像场景中机场目标区域检测问题,本文提出一种自适应无监督分类的机场目标快速检测方法,该方法首先对极化SAR相干矩阵分解提取PolSAR图像的特征值图,转化为超像素图实现图像去噪及降维。然后用SLIC超像素分割算法分割构造超像素。基于超像素图构建极化分类特征,并采用无监督的谱聚类方法提取出疑似机场跑道区域,其中的类别数确定利用VAT-DBE(Visual Assessment of cluster Tendency-Dark Block Extraction)算法获得。最后,在疑似区域内结合跑道结构特征进一步辨识检测出场景中的机场跑道区域。利用美国UAVSAR系统采集的多组全极化SAR实测数据对算法进行验证,并与两种已有的无监督跑道检测算法进行对比,实验结果表明,该算法能够快速准确检测出机场跑道区域,处理耗时可减小80%以上。具有更好的鲁棒性。     

结合时相和波谱信息的植被信息提取

本文利用2002年陕西省ETM卫星影像及相关植被地理信息,在其影像上选取覆盖全省包含不同地物类型的85个地面样地(Ground Truth),通过2003年陕西省MODIS卫星影像获取所选样地全年的NDVI时间序列曲线。采用决策树分类方法,结合NDVI时间序列曲线,实现基于时相和波谱信息的植被分类。最后通过混淆矩阵与Kappa系数等方法对分类结果进行正确率评价,结果表明,文中所给方法优于传统分类方法,所得结果与其他调查结果相一致。     

Preliminary analytical method for unsupervised remote sensing image classification based on visual perception and a force field

Abstract

The analysis of remote sensing (RS) images, which is often accomplished using unsupervised image classification techniques, requires an effective method to determine an appropriate number of classification clusters. This paper proposes a preliminary analytical method to evaluate the input parameters for unsupervised RS image classification. Our approach involves first analysing the colour spaces of RS images based on the human visual perception theory. This enables the initial number of clusters and their corresponding centres to be automatically established based on the interaction of different forces in our supposed force field. The proposed approach can automatically determine the appropriate initial number of clusters and their corresponding centres for unsupervised image classification. A comparison of the experimental results with those of existing methods showed that the proposed method can considerably facilitate unsupervised image classification for acquiring accurate results efficiently and effectively without any prior knowledge.