洪泽湖湿地纹理特征参数分析

应用纹理特征进行影像分类,关键在于纹理特征参数的确定。以洪泽湖湿地典型地区为研究对象,选择灰度共生矩阵进行纹理特征计算,探讨灰度共生矩阵窗口尺寸、移动步长、方向和纹理特征统计量对淡水湖泊湿地的区分能力;然后,利用纹理特征和地物光谱特征,结合决策树方法对研究区湿地及其他主要地类进行分类,并通过混淆矩阵进行精度评价。结果表明:研究区湿地分类中纹理特征的最佳窗口大小为3像元×3像元,方向为90°,步长为1个像元,纹理特征统计量组合为均值、熵和相关度;分类精度为83.24%,Kappa为0.788,其结果验证了纹理特征参数选择的科学性和合理性。     

基于直方变差图的土地覆盖数据集多尺度精度评价

针对目前精度评价尺度单一的问题,提出基于直方变差图的多尺度精度评价方法,分别在像元尺度和亚像元尺度进行土地覆盖数据集精度评价。在像元尺度利用驻点作为采样工具直接评价数据集精度;亚像元尺度上,则利用非严格定义的驻点和驻点直方变差图对不同面积和空间结构的优势类进行精度评价。并以浙江北部典型区域为实验区,Landsat TM/ETM+为参考数据,对UMD、IGBP DISCover、MOD12Q1-2001、GLC2000、GlobCover2009等5种大尺度土地覆盖数据集进行多尺度精度评价实验。结果表明,多尺度精度评价方法能够全面地评价土地覆盖数据集的精度,提供更加丰富的多尺度精度信息。像元尺度精度评价可在一定程度上消除由于参考数据与数据集间的空间匹配造成的误差,评价结果更加客观;亚像元尺度精度评价能有效反映亚像元尺度优势地物面积及空间结构与精度的关系。     

面向对象分类技术在高分辨率遥感影像信息提取中的应用研究

应用高分辨率遥感数据进行矿山环境监测是近几年来矿山监测工作的一个发展趋势,信息提取技术是遥感数据应用中的关键。传统的像元分类方法只考虑了光谱信息,信息提取量少,分类精度低,难以满足高分辨率数据信息的提取。本文以IKONOS影像为数据源,利用面向对象分类新技术,探讨该技术在矿山高分辨遥感数据中的应用。最后运用kappa系数比较评价面向对象分类方法与传统的像元分类方法。研究表明,面向对象分类法比基于像元分类法精度更高,效果更好,具有较好的应用前景。     

基于模拟退火算法的遥感影像亚像元定位方法

根据地物空间分布自相关原理,提出一种基于模拟退火算法的亚像元定位新方法,通过优化子像元的空间分布,最终确定混合像元中各组分的位置。通过遥感影像数据对模型进行测试,并使用已有评价指标对试验结果的视觉效果和分类精度进行评价,试验证明本方法能更好地重建地物空间分布,与硬分类方法相比能显著提高分类精度。     

高光谱遥感影像端元提取方法对比

本文在SMACC法和PPI法端元提取基础上,得到高光谱遥感影像端元丰度图,之后用SVM法进行分类。通过分类结果精度来评价端元提取的优劣。实验结果表明,基于PPI的线性混合像元分解得到的丰度图用SVM分类效果最佳,分类的整体精度达87.59%,而基于SMACC法结合SVM分类的效果和直接应用SVM分类次之,分类的整体精度分别是83.84%和85.16%。     

基于机载LiDAR技术的滑坡识别参数提取方法

选择长江三峡秭归段千将坪滑坡及其周边区域为研究区,利用机载LiDAR数据,开展滑坡识别参数提取方法研究。首先提取滑坡识别参数,再利用相关滑坡识别参数和智能分类算法开展滑坡像元和非滑坡像元分类。试验表明,基于LiDAR技术提取的滑坡识别参数能有效区分滑坡像元和非滑坡像元,确定的特征参数子集对于提高分类精度大有帮助。     

基于MERIS影像空间、光谱及时间维信息提取亚像元级的土地覆盖组分

及时获取有效的土地覆盖信息是地球系统模拟的基础。因此,中等空间分辨率传感器如MODIS或MERIS空前的通道设置与观测能力,使其具有快速更新土地覆盖图的能力。本文说明了如何结合MERIS的空间维（像元大小为300m）、光谱维（可见光与近红外范围内15个通道）和时间维（重返周期2—3d）,用于获取不同区域土地覆被组分的亚像元级组成权重。利用4月、7月和8月三期MERIS FR1b级数据得到荷兰主要土地覆被类型的组成权重。单一时相和多时相的数据都使用单个像元最优化的端元数进行线性光谱分解。利用一种形态偏离指数得到MERIS的空间维并用于端元的选择。应用荷兰土地利用数据库（LGN5）25m分辨率的栅格数据作为本文的参考数据。基于这种数据的高分辨率,因此可以从像元和亚像元的水平同时评价的分类精度。结果显示,结合4月和7月的影像可以获得最优的分类结果,精度约为58%。总的说来,亚像元和像元级的分类精度相似。通过几种组分类别和日期的光谱融合表明,物候状况对于数据获取时相最佳结合的选择以及正确识别土地覆盖类型的重要性。     

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。     

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。     

专家系统在 TM 图像分类中的应用

提高TM图像的分类精度,是图像处理及应用领域中一个很重要的研究课题。本文在总结已有成果基础上,首先利用现有的统计分类技术,对待分类图像进行预分类,并检测出“不确定”像元。然后综合光谱、地理、土壤类型、早期判别结果、目视判读经验等各种知识和信息,充分发挥专家系统的推理判断能力,对“不确定”像元的类别作进一步判别,使得整幅图像的分类精度得到改善。并据此初步建立了一个土地利用的分类系统。试验证明,这种分类方法的精度比仅用单一多光谱信息的统计分类法(最大似然法)提高约8％。     

基于证据理论的水稻遥感信息提取方法研究

水稻播种面积是农业管理部门关心的重要问题之一。本文介绍了证据理论在遥感图像分类上的应用,并以汉川市为示范区,采用2002年TM遥感影像,在GIS技术支持下,通过建模运算,剔除不可能是水稻的像元。然后将证据理论用于影像分类,将影像初次分类结果,与参考图对照,将不满足要求的区域提取出来,再次进行第二次分类。将第二次分类结果与参考图对照,显示分类效果满足要求;若不满足要求,可继续进行再次分类,直到分类效果满意为止。将两次分类结果中的水稻信息进行叠加,提取出水稻遥感信息,经检验精度达到91.39%。     

二型模糊集合在遥感影像土地利用分类中的应用

在遥感影像土地利用分类中,传统的布尔分类法只考虑地物光谱信息,用"是"与"非"的二值确定逻辑状态分类影像,当存在较多混合像元时,其不能满足一些实际应用的要求。模糊分类法综合了地物光谱特征、空间特征和对象的拓扑关系,对每个像元的归属用[0～1]的模糊度来表示,有效地解决了该问题。通过对研究区TM影像进行传统布尔法分类和模糊分类法分类的结果比较可知:对混合像元较多且波段较少的遥感影像土地利用分类,二型模糊集合分类能够适应用户不同精度需求,并能交互式输出结果。     

TM图象数字镶嵌的几何精度分析及镶嵌方法的探讨

本文对ＴＭ数字镶嵌图象的内部几何精度进行分析后指出，传统的利用选取控制点建立图象间坐标转换方程，并利用此方程对图象进行处理，实施图象镶嵌的方法，在保证镶嵌图象几何精度方面存在着不足，用此方法得到的ＴＭ镶嵌图象的内部几何误差约８个象元；在对传统的图象数字镶嵌方法进行分析的基础上，笔者总结大量工作的经验并参照前人的作法，在选定的地图投影下利用旋转方法对ＴＭ图象进行处理，进而完成镶嵌工作、这种方法舍去了控制点选取的繁复过程，使镶嵌工作变得简单，同时可保证ＴＭ镶嵌图象的几何畸变很小，经检测，镶嵌后的ＴＭ图象内部几何误差小于２个象元。     

An application of spatial filtering techniques for land cover mapping using TM‐images

Land cover classification using satellite imagery is commonly based on spectral information in the individual pixels. The information in neighbouring pixels is ignored. Spatial filtering techniques using information present in neighbouring pixels may however, contribute significantly to an improvement of the classification. In this study different methods of spatial filtering are applied to a part of a TM‐scene of Kenya to assess their relative reliability. The study area is characterized by extended, relatively homogeneous areas of eucalyptus forests and tea estates and by fragmentated areas of agricultural land use. Spectral information was combined with the results of different spatial filtering methods and then classified. The spatial filtering techniques applied were texture calculation by means of variance, “median minus original” filtering and fractal dimension computations using several sizes of templates. The obtained classification accuracy of several image combinations is compared using the percentage correctly classified and using an overall accuracy measure: the Kappa coefficient. It is concluded that in this case the spatial filtering techniques only slightly improve the classification. From the applied filtering methods texture calculation by means of variance yielded the best results.     

作物种植成数的遥感监测精度评价

以河南开封和山西太谷地区作为研究区域 ,选用LandsatTM作为农作物种植面积遥感监测的数据源。利用LandsatTM提取河南开封实验区 2 0 0 1年的夏季作物和山西太谷地区 2 0 0 3年秋季作物的作物种植成数。同时 ,利用IKONOS ,QuickBird高分辨率遥感影像 ,通过地面调查进行了地面作物填图和分类 ,同样得到实验区的农作物种植成数。最后通过两种结果对比 ,表明开封实验区夏季作物的监测精度达到 99%以上 ,太谷实验区秋季作物的监测精度达到 97%以上 ,由此推断 ,表明利用LandsatTM监测农作物种植成数的精度能够满足中国农情遥感监测的运行化要求     

基于Radarsat和TM图像融合与分类的土壤盐渍化信息遥感监测研究

单一雷达影像数据通常不能提供足够的用以监测干旱地区盐渍化的信息。雷达图像与TM图像的融合可以提高遥感数据的利用率,增强数据的可靠性和信息的互补性,有助于提高分类精度。本文采用了GramSchmidt变换融合法将Radarsat和TM图像进行融合,并将该融合方法与一些常用融合方法(HIS融合、PCA融合、Brovey融合)进行了比较,结果表明该融合方法优于其他方法。最后采用支持向量机分类法(SVM)对Radarsat、TM融合后的图像进行了分类。结果表明:同单独Radarsat影像和TM影像分类结果相比,该融合分类法将分类精度分别提高了近30%和2%。因此该融合分类法更适合于遥感图像盐渍化信息监测。     

变端元混合像元分解冬小麦种植面积测量方法

针对线性混合像元分解(Linear Spectral Unmixing,LSU)在端元(Endmember)个数不变情况下常会出现端元分解过剩现象导致分解结果精度不高的问题,以地物分布的聚集性特征为基础,提出了基于格网的变端元线性混合像元分解(Dynamic Endmember LSU,DELSU)方法.以冬小麦为研究...     

Distribution of Errors in a Classified Map of Satellite Data

Abstract

The output from any spatial data processing method may contain some uncertainty. With the increasing use of satellite data products as a source of data for Geographical Information Systems (GIS), there have been some major concerns about the accuracy of the satellite‐based information. Due to the nature of spatial data and remotely sensed data acquisition technology, and conventional classification, any single classified image can contain a number of mis‐classified pixels. Conventional accuracy evaluation procedures can report only the number of pixels that are mis‐classified based on some sampling observation. This study investigates the spatial distribution and the amount of these pixels associated with each cover type in a product of satellite data. The study uses Thematic Mapper (TM) and SPOT multispectral data sets obtained for a study area selected in North East New South Wales, Australia. The Fuzzy c‐Means algorithm is used to identify the classified pixels that contained some uncertainty. The approach is based on evaluating the strength of class membership of pixels. This study is important as it can give an indication of the amount of error resulting from the mis‐classification of pixels of specific cover types as well as the spatial distribution of such pixels. The results show that the spatial distribution of erroneously classified pixels are not random and varies depending on the nature of cover types. The proportions of such pixels are higher in spectrally less clearly defined cover types such as grasslands.     

ANFIS Based Land Cover/Land Use Mapping of LISS IV Imagery Using Optimized Wavelet Packet Features

Digital image classification is the process of sorting all the pixels in an image into a finite number of individual classes. But, it is difficult to classify satellite images since they include both pure pixels and boundary pixels. The boundary pixels are ‘mixed’ pixels, representing an area occupied by more than one ground cover. That is, class boundaries represented by pixels, are not sharp but fuzzy. This paper discuses the application of Adaptive Neuro-Fuzzy inference system (ANFIS) for classification of remotely sensed images that contains mixed pixels. Decision making was performed in two stages: feature extraction using the Wavelet Packet Transforms (WPT) and the ANFIS trained with the back propagation gradient descent method in combination with the least squares method for classification. Genetic Algorithms (GA) based approach is analysed for the selection of a subset from the combination of Wavelet Packet Statistical Features (WPSF) and Wavelet Packet Co-occurrence (WPC) textural feature set, which are used to classify the LISS IV images. GA has been employed to reduce the complexity and increase the accuracy of classification. Four indices—user’s accuracy, producer’s accuracy, overall accuracy and kappa co-efficient are used to assess the accuracy of the classified data. Experiments show that the proposed approach produces better results compared to the results obtained when classical classifiers are used.