纹理特征辅助遥感影像分类技术的探讨

随着卫星遥感影像分辨率的不断提高,人们希望从遥感图像中获得更多有用的数据和信息,所以遥感影像的分类变得尤为重要.但是基于光谱特征的影像分类精度过低,不能满足生产的需要,所以研究利用其他辅助手段来提高遥感影像的分类成为未来发展的一个重要方向.本文研究了利用灰度共生矩阵提取纹理特征的方法并对利用纹理特征影像辅助光谱特征分类的方法进行了研究.实验结果表明,纹理特征辅助光谱特征分类能够提高遥感影像分类的准确性和精度.     

基于MATLAB的遥感影像纹理特征分析

随着遥感技术的飞速发展,遥感影像计算机分析也随之成为遥感技术应用的一个重要组成部分.传统的遥感影像分析方法大都是基于影像光谱特征的计算机自动分类,忽略了影像的空间结构信息,精度不高.研究了利用灰度共生矩阵提取遥感影像的纹理特征,实现了MATLAB下采用监督分类方法应用最短距离分类器及滤波完成了全色遥感影像的分类分析.     

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。     

辅以纹理和BP神经网络的TM遥感影像分类

在提高遥感图像分类精度的方法中,将纹理信息作为扩展的特征向量加入特征空间中,是一个很有效的方法。利用地物在空间上的联系提取纹理,进而参与BP神经网络分类,实验结果表明加入纹理后明显提高了具有纹理信息的地物的分类精度。     

结合灰度和基于动态窗口的纹理特征的遥感影像分类

在基于灰度共生矩阵提取遥感影像纹理特征的基础上,针对固定窗口算法的局限性,提出了动态窗口算法;并将不同滑动窗口算法提取的纹理特征与影像灰度组合进行支持向量机(SVM)分类,对分类结果进行定性和定量比较分析。实验结果表明:影像灰度结合动态窗口算法提取的纹理特征进行SVM分类的分类精度优于灰度结合固定窗口算法提取的纹理特征的分类精度。因此,提出的算法较传统的固定窗口算法更具优势,是一种有效纹理信息提取方法。     

空间灰度相关在影像纹理分类中的应用及分析

介绍了空间灰度相关法的１１个纹理特征。试验表明，仅３个是描述性强的纹理特征。通过用ｔ检验法来分类纹理，发现该方法具有良好的“去伪”特性，可辅助其它纹理分类。     

基于灰度共生矩阵提取纹理特征图像的研究

在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特征对于遥感影像分类精度的提高也有很重要的作用。本文主要研究了通过灰度共生矩阵提取纹理特征图像的方法,对该方法提取纹理特征图像进行了相关的实验分析。并将其在分类中的应用进行实验,证明了灰度共生矩阵提取的纹理特征对图像分类精度提高起到一定的作用。     

空间灰度相关在影像纹理分类中的应用及分析

介绍了空间灰度相关法的11个纹理特征。试验表明,仅3个是描述性强的纹理特征。通过用t检验法来分类纹理,发现该方法具有良好的\     

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。     

面向城市地物分类的 SAR 图像纹理特征提取与分析

合成孔径雷达（ SAR）图像含有丰富的纹理信息,特别是进行城市地物分类时,纹理特征对于图像的解译具有重要的意义。本文对基于灰度共生矩阵和Gabor变换两种纹理特征提取方法进行了研究,将灰度和不同纹理特征组合应用于SAR图像城市地物分类,并以ALOS PALSAR影像为数据源进行了实验。通过对不同分类结果进行定性和定量分析,结果表明,引入纹理特征后的SAR图像分类结果要优于无纹理信息参与的分类结果,基于不同纹理特征组合的SAR图像分类结果要优于基于单一纹理特征的分类结果。     

遥感图像的神经网络分类法

神经网络的研究已有近35a的历史,各种模型相继出现,应用领域越来越广,近年来,神经网络的研究在国内外遥感界也越来越受到重视。笔者结合国家“八五”攻关项目“太湖地区水稻遥感估产”的要求,运用半线性前馈神经网络对TM图像进行分类作了研究,并以无锡县的华庄、羊尖两个乡作为试验区,用1991年7月23日的TM资料提取了两个乡的水稻种植面积,并与采用传统的Bayes分类法作的分类结果进行了比较,取得了满意的效果。     

变差函数和神经网络结合的遥感影像分类方法研究

提出利用地统计学变差函数对遥感影像纹理信息进行提取，将变差函数得到的纹理信息与光谱信息相结合，运用神经网络进行分类的遥感影像分类方法。将该分类方法应用于试验区，并与最大似然法的分类结果进行对比分析，结果表明，该方法具有较高的分类精度。     

基于小波变换特征的遥感地貌影像纹理分析和分类

本文基于图像的正交小波变换特征，研究了遥感地貌纹理影像的特征提取和分类方法，并对２５幅地貌影像进行了分类。结果表明，所述方法不仅对同一分辨率的影像有较高的分类正确率，而且对不同分辨率的影像也有较高的分类正确率，同时对训练样本和考试样本来自不同母体的影像也有较高的分类正确率。     

基于地统计学的图像纹理在岩性分类中的应用

纹理是遥感图像的重要特征,它揭示了图像中辐射亮度值空间变化的重要信息。本文运用地统计学中的对数变差函数计算图像纹理,并与图像的光谱信息结合,进行图像岩性分类,分析了不同大小窗口纹理信息对分类精度的影响。结果表明,运用地统计学原理进行图像分类,可大大提高图像的分类精度;采用较大窗口提取的纹理信息参与分类能使总体分类精度提高,但某些岩性类的分类精度有所下降,建议在实际应用中,根据具体情况选择窗口的大小。     

基于灰度-基元共生矩阵的多光谱遥感影像分类

提出了基于灰度-基元共生矩阵的遥感影像纹理分析的方法,分析了提取的纹理特征,实现了利用模糊C-均值算法对多光谱影像和纹理特征影像进行分类,比较和讨论了各种不同的分类结果.     

遥感图像分类方法研究综述

 综述了遥感图像监督分类和非监督分类中的各种方法，介绍了各种方法的优缺点、适用领域和应用情况，并作了简单评述，最后，展望了遥感图像分类方法研究发展方向和研究热点。     

波浪波长和方向提取的图像纹理分析技术

传统的波浪波长和方向分析技术是谱分析。本文从海洋波浪图像直接作图像纹理分析,在图像的每一个处理窗口,以海浪图像灰度极值点大小、个数的分布和灰度共生矩阵为基础,构造了借以区分不同海浪波长和方向的纹理测度,实现提取海浪波长和方向信息。     

概率神经网络与BP网络模型在遥感图像分类中的对比研究

通过分析概率神经网络(以下称PNN)的基本结构及其训练算法,建立了卫星图像分类的概率神经网络模型,并通过实例对比分析了概率神经网络与BP网络分类模型的分类效果。实验表明,PNN图像分类方法在分类精度上优于误差反向传播神经网络模型,且分类时间相当,是一种有效的图像分类方法。     

基于形态学的遥感影像滤波方法研究

针对遥感影像的特点，提出了一种基于多结构元素形态学的滤波算法。运用此算法和传统的中值滤波算法以及均值算法一并对遥感影像进行了处理，并且使用多种指标对处理的结果进行了比较。结果表明，该算法能够很好地滤除遥感图像中的噪声点，改进了对遥感图像的细节目标的保护。     

雷达遥感图像分类新技术发展研究

总结了雷达遥感图像分类技术的发展过程,指出新的分类技术正朝着采用新特征(如雷达极化信息与干涉信息、多参数极化干涉信息、多时相信息、DEM与地理信息等),应用新理论(如小波理论、分形理论、模糊理论),设计新算法(如改进的最大似然法、上下文分类法、改进的神经网络分类算法等)的方向发展.