基于机载成像光谱数据的宜兴市土地利用/土地覆盖分类方法对比研究

对宜兴市机载成像光谱数据辐进行射畸变纠正、几何精确纠正和辐射定标等预处理,获得高光谱反射率图像。利用相关系数、均方差、离散度等统计特征进行面向土地利用/土地覆盖目的的波段优选,采用高光谱像元提纯分析工具获得分类所需的终端单元,并利用终端单元进行了研究区土地利用/土地覆盖分类对比研究。研究发现:最大似然法分类精度低,整体精度为84.89%,而二进制编码、神经网络分类和光谱角分类方法精度较高,整体精度分别为87.12%,88.75%,90.41%。这说明光谱角分类是最有效的高光谱影像土地利用/土地覆盖分类方法,文章研究采用的高光谱预处理以及波段选择方法是正确的。     

基于HJ-1A高光谱影像的湿地精细分类

混合像元的存在不仅影响了基于高光谱影像的地物识别和分类精度,而且已成为遥感科学向定量化发展的主要障碍。本文以扎龙湿地为试验区,以环境一号卫星采集的高光谱影像为数据源,分别采用传统的全约束最小二乘光谱解混算法(fully constrained least squares spectral unmixing algorithm, FCLS)与基于稀疏约束最小二乘光谱解混算法(sparse constrained least squares spectral unmixing algorithm, SUFCLS)实现了试验区湿地的精细分类,并对两种分类结果的表现及其分类精度进行了对比分析。研究结果表明：SUFCLS算法能够自适应的从光谱库中选择场景中所占比例最高的一组端元,并将此端元的组合应用于传统的全约束最小二乘光谱解混中实现不同湿地类型丰度的提取,该算法充分考虑了端元的空间异质性,弥补了FCLS算法在端元选取过程中的不足。精度验证结果表明与FCLS算法相比,SUFCLS算法分类结果的均方根误差更小,丰度的相关系数更高,因此该方法对于提高湿地解混精度以及实现湿地精细化分类具有重要意义。     

结合多尺度纹理的高分辨率遥感影像决策树分类

地物具有多尺度特点,遥感影像包含的地物纹理信息很难用单一尺度来描述。通过选择最佳纹理尺度组合,利用光谱数据结合多尺度纹理对高分辨率影像进行决策树分类。研究结果表明:结合多尺度纹理的高分辨遥感影像决策树分类,能够更好地描述地物并有效解决光谱数据分类中存在的地物破碎问题,其分类精度为81.7%,kap-pa系数为0.78;与光谱数据分类和结合单尺度纹理数据分类结果比较,分类精度分别提高了11.2%和6%,该方法有助于提高高分辨率影像的分类精度。     

基于相位一致性的红外多光谱影像波段间特征匹配

传统基于灰度的影像匹配方法难以适应红外多光谱影像波段间的非线性灰度差异。该文提出一种基于相位一致性的角点筛选与特征匹配方法。首先基于相位最大矩提取影像边缘图,并利用角点的结构属性进行稳定性判断和角点筛选;然后利用相位一致性的幅值和方向信息构建特征描述符,并采用双向最近邻方法实现初始匹配;最后采用RANSAC算法剔除粗差,得到优化后的匹配结果。实验结果表明,该文提出的角点筛选算法能使匹配点中稳定角点的比例由37.9%提升至85.2%,将最大残差由2.765降到1.766,RMSE由0.854降到0.751。与HOPC模板匹配算法相比,该特征匹配算法能在保证匹配精度的同时,将效率提升了3倍。     

基于Hyperion高光谱数据的土地退化制图研究--以陕西省横山县为例

以陕西省横山县境内的Hyperion数据为数据源,提出一种针对土地退化的制图方法:土地退化指数法(LDI: Land Degradation Index)。在影像分类的基础上,利用在分类过程中提取的训练样本进行线性波谱分离,得到各个端元的分离影像和RMS误差影像,再通过设置新的端元和反复运行线性波谱分离算法得到最终的训练样本,然后利用神经网络法对影像进行二次分类,最后在掩膜处理的基础之上把土地分为:轻度退化,中度退化和高度退化三种类型(Kappa=0.90)。文中分别采用了三种分类方法:监督分类与非监督分类相结合的混合分类方法、光谱角制图(SAM)方法、混合调制匹配滤波(MTMF)方法。结果显示混合分类方法(Kappa=0.71)具有比光谱角制图方法(Kappa=0.54)和混合调制匹配滤波方法(Kappa=0.60)更高的分类精度,所以选择在混合分类的基础上进行土地退化指数LDI的分析。     

极端干旱区荒漠稀疏河岸林遥感分类研究

研究以位于极端干旱区的塔里木河干流中下游地区为例,基于Landsat TM影像,结合决策树分类、几何光学模型与光谱角匹配,解决混合像元信息分解,实现干旱区稀疏荒漠河岸林类别识别。首先从遥感视角的角度,将地物分解为目标和背景,提出塔里木河干流荒漠河岸林植被分类系统;其次以多变量决策树法将非荒漠植被信息剔除,采用几何光学模型模拟各类荒漠植被的像元光谱,最后以光谱角匹配的方法将荒漠植被进一步进行分解,得到塔里木河干流中下游地区典型研究区的植被分类专题图,分类精度结果表明:基于混合像元分解与几何光学模型的分类方法总精度达到了79.43%,Kappa系数为0.718,表明分类质量良好。     

CBERS-02B与资源三号多光谱影像的光谱可分性实验对比

以江苏省徐州市郊区为实验区,采用Jeffries-matusita距离方法分析了CBERS-02B与资源三号卫星(ZY-3)多光谱影像的光谱可分性。采用最小距离法、最大似然法和支持向量机3种分类算法进行影像分类,以用户精度、制图精度、总分类精度和Kappa系数作为分类精度的评价指标,探讨了CBERS-02B与ZY-3多光谱影像的光谱可分性。实验表明,CBERS-02B和ZY-3多光谱影像均有利于区分农田和水体类,而对建筑物、裸地及道路的光谱可分性较弱;ZY-3影像对建筑物类的光谱可分性优于CBERS-02B影像,但对裸地及道路类的光谱可分性不及CBERS-02B影像。研究结果对于卫星传感器设计和遥感数据应用具有一定的参考价值。     

基于GANBPSO-SVM的高光谱影像特征选择方法

为了在保持对目标检测和分类分析所需信息的同时,降低高光谱影像的维度,提出了一种混合优化策略的特征选择方法。该方法将遗传算法和二进制粒子群优化算法融合成一种新的混合优化策略（GANBPSO）,自动选择最优波段组合,同时优化分类器支持向量机（RBF-SVM）的参数,以提高分类器的分类性能。为了说明所提出方法的有效性,采用了在高光谱分类中广泛使用的Indian Pines（AVIRIS 92AV3C）数据集进行测试。结果表明所提出方法（GANBPSO-SVM）能够自动选择包含最多信息的特征子集以保证分类精度,而不需要预先设置所需要的特征子集数量,本方法与传统方法相比具有更好的分类效果。     

中巴02B卫星多光谱影像中LBV数据变换方法研究

通过对实际获得的多光谱影像的光谱特征分析,提出了可用于中巴02B卫星多光谱影像的LBV数据变换公式,使得LBV数据变换方法在国产中巴02B卫星数据上的应用成为可能;运用该变换公式处理得到的中巴LBV数据变换图像比中巴原始数据假彩色合成图像颜色更鲜艳,地物类别更易区分,具有更好的目视解译效果。将LBV变换图像与中巴数据假彩色图像分别用最大似然法进行分类,分类图像和精度检验结果表明:用LBV变换公式得到的LBV结果图像能很好地提高图像计算机分类的精度,该变换方法在中巴02B卫星数据的应用中具有很大潜力。     

高光谱遥感影像稀疏表示与字典学习分类研究

正稀疏表示作为一种新型数据挖掘技术,能够有效地挖掘影像中各种类型的稀疏特性,已被广泛应用于高光谱遥感影像分类。但是,基于单一特征的稀疏表示模型不能有效地挖掘影像中蕴含的丰富的稀疏特性,且每种单一特征关联的不同非线性结构特征同样蕴含丰富的稀疏特性,充分地挖掘不同特征的稀疏模式和不同非线性结构特征的稀疏模式有助于增强地物的可分离性。此外,通过标注像元直接构建的字     

面向高分辨率遥感影像分类的多尺度光谱-空间-语义特征融合

在核函数集成SVM分类框架下,提出一种融合多尺度光谱-空间-语义特征的高分辨率遥感影像分类方法。首先,以多尺度影像分割集为基础,利用潜狄利克雷分配模型对分割图斑的语义特征进行建模,并结合原始影像的光谱特征以及分割图斑内的空间均值特征,在不同分割尺度下分别开展光谱-空间-语义特征的多核函数融合分类;然后根据多数投票法原则在决策级集成多尺度分类结果,通过最小尺度下的分割影像实现像素级分类结果至面向对象分类结果的转化。不同场景和分辨率数据下开展的实验结果表明,该分类方法能够实现分类结果的自适应平滑分类,并在一定程度上提高建筑物和道路等"同谱异物"地物的区分能力,分类总体精度由基于光谱特征SVM的66.7%和63.7%提升至86.8%和87.2%。     

高光谱影像多类型复合噪声分析的低秩稀疏方法研究

正高光谱影像具有图谱合一的优点,能够以较高的光谱诊断能力对地物目标进行精细分类与识别,在城市规划、农林检测、地形图更新、地籍调查等诸多领域具有广泛的应用。但在高光谱遥感影像观测过程中,受传感器故障或天气条件的影响,高光谱数据经常会受到条带噪声、信息缺失、云雾遮挡、阴影等降质因素的干扰,这些噪声问题严重影响了高光谱数据后续应用的精度和可信度。为了克服噪声问题,需要从"数据"的角度系统发展高光谱影像噪声分析方法,从"任务"的角度构建高光谱噪声     

基于高分二号的云南松林遥感影像提取方法研究

基于高空间分辨率的高分二号遥感影像,建立包含影像光谱特征、几何特征、纹理特征在内的分类特征集,使用面向对象的分类算法提取研究区的云南松林。研究表明:光谱特征、几何特征和纹理特征同时参与分类,得到的分类效果比单独使用一种特征或两种特征组合的分类效果更显著;与贝叶斯分类算法、K最邻近分类算法、支持向量机分类算法相比,随机森林算法的分类结果总体精度最高,为93.35%,对研究区云南松林提取的生产者精度为96.91%,用户精度为92.35%;云南松林面积占研究区面积的40.10%,是研究区最为重要的树种。     

基于LBV数据变换方法的海岸带多光谱影像分类方法研究

在传统的海岸带多光谱影像分类方法的基础上,提出了运用LBV数据变换方法对海岸带多光谱影像进行地物分类识别的方法,通过图像数据变换能够分别提取出表示地物总辐射水平、可见光-近红外辐射平衡和表示波段辐射变化矢量(方向和速度)L、B、V的值.通过应用青岛海岸带TM多光谱影像,提取LBV变换图像并与原始假彩色合成图像比较,分别进行监督分类试验.运用LBV数据变换方法获得的图像信息量更丰富,地物类别更鲜明,有利于图像的目视解译,分类精度提高约3.12%.     

基于HJ1A-HSI超光谱影像的耕地有机质遥感定量反演

以环境小卫星超光谱影像为主要数据源,在耕地有机质实测样本的支持下,开展光谱反射率及其变化形式与有机质的相关性分析,筛选耕地有机质响应的敏感波段与特征组合算法,利用多元回归分析方法,建立基于HSI影像的耕地有机质定量反演模型。研究结果表明,耕地有机质的HSI影像响应波段均位于可见光与近红外波段间,其中以540～860nm范围最佳,相关系数均在0.5左右;HSI反射率对数一阶微分预测模型精度最高,模型及其检验的决定系数都在0.7以上,均方根误差在0.2%左右,可用于顺义区耕地有机质全覆盖空间填图。因此,环境小卫星的超光谱影像对耕地有机质含量具有较好的光谱响应能力,其空间覆盖能力有助于开展县域尺度的耕地有机质遥感反演和空间填图。     

多角度高光谱CHRIS/PROBA数据在土地覆盖分类中的应用

分析评价多角度CHRIS数据在土地覆盖分类中的性能.分析了不同地物的多角度光谱特征,运用不同角度的CHRIS数据及其组合进行土地覆盖分类.结果表明,不同地物在不同角度上的光谱特征不同,不同角度图像的分类精度不同,而运用多角度CHRIS图像可得到比单角度图像更高的分类精度,但要得到最佳的分类结果,需要选择合适的多角度图像组合.     

基于光谱特征拟合的高光谱遥感影像植被覆盖度提取

植被光谱中可见光部分的吸收谷主要由叶绿素强烈吸收引起,不同植被覆盖度下光谱吸收谷的深度和形状不同,因而可以通过比较光谱吸收谷的深度和形状来提取植被覆盖度。该文采用基于光谱吸收特征匹配的光谱特征拟合SFF方法从高光谱遥感影像中提取植被覆盖度,参考光谱采用ASD光谱仪在影像覆盖地区采集的植被光谱,通过将参考光谱与像元光谱连续统去除处理后进行SFF匹配,完成植被覆盖度的提取并生成植被覆盖度图。研究结果与植被指数、光谱夹角映射方法及实地调查资料之间存在较高一致性。     

ALOS融合影像质量评价及其土地盐渍化应用研究

将经过配准的同一地区不同空间分辨率和光谱分辨率的遥感影像进行融合是提高土地覆盖/土地利用分析精度的有效途径。采用PCA、IHS、HPF和小波变换融合法对内蒙古杭锦后旗中部地区的ALOS全色和多光谱影像进行融合,并对融合结果进行了定性和定量评价。基于地物光谱特征、解译标志和监督分类法提取试验区土地盐渍化信息,比较多光谱影像和融合影像的土地盐渍化信息提取精度。结果显示,PCA、IHS和HPF融合影像的空间细节表现能力得到提升,而PCA和小波变换融合影像的光谱保真度优于IHS和HPF融合影像;PCA融合影像的盐渍化分类精度、总分类精度和Kappa系数均为最高,是最适于试验区土地盐渍化分类研究的融合方法。     

利用Landsat 8多光谱数据的湿地信息提取方法比较研究

以淮河流域蚌埠段为研究区,利用2014年3景Landsat 8多光谱数据,采用支持向量机、决策树和面向对象分类方法,对研究区中的河流、湖泊、滩地和库塘(包括水田、水库、坑塘和水渠)进行遥感分类。由于各类型湿地在Landsat 8各波段影像中的光谱特征相似度较高,不利于分类,所以,在利用影像光谱数据的同时,借助于影像数据中的空间信息和温度信息,进行分类。研究结果表明,采用面向对象分类方法提取的河流、湖泊的用户精度较高;采用决策树分类方法提取的滩地、库塘的用户精度较高;采用支持向量机分类方法提取的河流、湖泊、库塘的用户精度较高,但是在河流、湖泊的分类中出现了椒盐现象,在滩地分类中出现了错分;与另两种方法相比,面向对象分类方法提取的河流或狭长湖泊末梢信息更准确。     

基于WorldView-2数据的基塘系统遥感分类研究

分布在热带和亚热带低洼地区的基塘系统是一种典型的人工复合农业生态系统。通过水陆交互作用和能量多级利用,基塘系统创造出较高的生态价值和经济价值。掌握基塘系统土地利用的类型、面积和比例关系,有助于了解和分析基塘系统的现状及其生态模式和功能。以广东省佛山市顺德区西南部为研究区,利用高空间分辨率WorldView-2卫星影像数据,采用结合面向对象分类和基于像元的混合分类方法,提取基塘系统中的塘面和基面(基面又细分为道路、植被和裸土等);从分类特征组合与分类器两个方面,通过对比分析,筛选出基塘系统遥感影像分类的最优方法;根据最优分类结果,计算出塘基与塘面的面积比例。研究结果表明,采用面向对象分类方法分离的塘面和塘基的总体精度为82.2%;在基于像元进一步对塘基进行分类的过程中,结合8个多光谱波段光谱反射率平均值、影像亮度值和8个红边波段指数特征组合方式的随机森林分类器的分类精度最高,达到85.6%;得到的基-塘面积比例约为4.9∶5.1,植被-塘面的面积比例约为3.5∶6.5。提出的结合面向对象和基于像元的混合分类方法能够对基塘系统进行精细的遥感影像分类,能准确估计基塘系统中各地物的面积和基-塘比例等指标,并为基塘系统生态功能的调查和基塘系统的合理保护与开发提供参考和数据支持。