结合高分一号和LiDAR的亚热带森林年度采伐迹地提取

利用高分一号影像结合机载LiDAR数据进行面向对象的亚热带森林年度采伐迹地分类提取。在面向对象的遥感软件Ecognition中,首先利用森林小班数据参与分割,利用小班数据的属性信息确定林地和非林地区域,在林地区域再一次进行多尺度分割,并通过ESP工具确定最佳分割尺度,通过特征表达提取对象的光谱、纹理、形状、冠层高度模型(CHM)等特征信息,通过最小冗余最大相关性(mRMR)特征选择算法提取最优特征子集,且CHM在最优特征子集中。利用随机森林(RF)分类器进行年度森林采伐迹地分类提取。年度采伐迹地提取精度达到了87%,与没有CHM特征参与分类的情况对比,提取精度提高了13%。     

面向对象的覆膜农田信息遥感表征方法

为解决复杂土地利用背景下覆膜农田信息遥感提取方法缺乏的问题,该文以河套灌区为研究区,以Sentinel-2A卫星数据为基础,结合面向对象影像分析和随机森林算法,开展了复杂土地利用背景下灌水与无灌水覆膜农田信息遥感同步提取研究。首先进行遥感影像尺度分割研究,优选出最佳分割尺度。在此基础上,提取光谱特征、纹理特征、几何特征,获取优化特征子集,并采用随机森林机器学习算法表征覆膜农田信息。研究表明,结合利用Sentinel-2A数据与OBIA方法能够有效表征覆膜农田信息,总体精度达93.03%,Kappa系数为0.91;其中,灌水覆膜农田用户精度为91.35%,制图精度为88.57%;无灌水覆膜农田用户精度为97.10%,制图精度为98.63%。研究证明了Sentinel-2A卫星数据和OBIA方法和机器学习算法在覆膜农田信息遥感表征中的应用潜力,能够为地物信息遥感表征研究中提供参考依据。     

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。     

基于多尺度分割的高分遥感图像变异函数纹理提取和分类

变异函数(variogram function,VF)作为遥感图像纹理提取的一种有效工具,可以很好地用于描述图像的结构性和随机性。为了克服传统的基于移动窗口提取的VF纹理带有边缘效应且难以确定合适窗口大小的问题,以新疆维吾尔族自治区英吉沙县裸露地层的World View-2图像为信息源,利用多尺度分割算法获得的3个尺度分割结果提取VF纹理;将提取的VF纹理叠置到原始多光谱图像上进行地层识别研究,并与基于移动窗口的地层识别结果进行对比。研究结果表明,基于分割对象提取的纹理信息可以很好地去除边缘效应,减轻阴影影响,提高地层识别精度;不同分割尺度对纹理的识别效果有一定差别,但选择合适的分割尺度之后,采用VF方法提取的纹理信息比采用移动窗口法提取的信息更加稳定。     

鹤地水库SPOT7影像分类研究

针对水库地区开展的高分辨率影像地物信息提取研究少而需求大以及面向对象的影像分割尺度选择难问题,基于SPOT7高分辨率卫星影像数据,选取广东省湛江市鹤地水库作为研究区域,提出一种针对高分辨率影像的最优分割尺度选择以及针对水库地区的典型地物模糊分类规则构建方法,成功实现水体、植被、裸土、建成区的快速准确提取。结果表明:通过引入局部方差变量和Moran’I指数并结合最小风险贝叶斯决策原则能直观、准确、唯一地识别最佳空间分割尺度;通过分析光谱和纹理特征发现,水体和植被的光谱特征显著,建成区的纹理特征表现突出,而裸土单靠光谱特征不足以辨识,需要纹理特征的辅助;针对典型地物构建的模糊规则分类效果整体良好,总体精度达到了90.8%,Kappa系数为0.884。本研究有助于水库管理部门、国土资源调查部门快速、动态地把握库区的整体用地情况。     

基于蓝噪声理论的遥感图像森林植被纹理测量

遥感图像分割中森林植被是重要的一类目标,有效确定森林植被的纹理尺度是纹理分割的重要问题。提出一种用蓝噪声理论描述遥感图像森林植被纹理特征的方法,是一种新的植被纹理刻画和纹理尺度计算方法。研究尺度与植被纹理形态的对应关系,对于选定的探测区域,迭代寻找蓝噪声特征。迭代过程包含通过几何变换缩小区域的尺寸,用快速傅里叶变换获取区域的频谱响应,从频谱响应中提取蓝噪声特征。对于具有蓝噪声特征的区域,计算森林植被纹理的灰度分布,根据当前区域尺寸计算纹理的尺寸。实验表明,森林植被纹理单元的尺度和灰度分布测量结果准确,为进一步纹理分割提供了可靠的基础。     

一种融合多波段信息的遥感影像纹理提取算法

针对传统纹理提取窗口尺度固定,而且影像提取还会受到影像噪声、同物异谱或异物同谱等因素影响的问题,本文提出了一种融合多波段信息的自适应窗口算法。首先,利用多波段信息改进边缘检测算法,再基于边缘检测结果,选择最佳窗口尺度;其次,运用自适应窗口算法和固定尺度窗口算法分别提取影像纹理特征,并结合影像光谱特征进行支持向量机分类,对比分类结果,光谱特征结合自适应窗口纹理的分类精度优于结合固定尺度窗口纹理。表明自适应窗口算法提取纹理特征比固定尺度窗口算法更具优势,融合多波段信息的自适应窗口算法是有效的。     

基于Relief F与卷积神经网络的湿地植物群落精细分类

湿地是陆地生态系统和水生生态系统之间的重要过渡带,准确高效地获取湿地植物群落分布信息对于保护湿地具有深远的意义。本文以无人机多光谱影像为数据源,首先构建包含光谱特征、植被指数和纹理特征的多维特征数据集,并采用Relief F算法进行特征优选,确定最优特征数据集;然后构建基于特征优选的卷积神经网络(CNN)分类模型,对最优特征数据集进行分类,并与基于原始多光谱影像的CNN和随机森林(RF)分类方法进行对比。结果表明：(1)随着特征个数的增加,分类精度先增加后下降,当特征数为32时分类精度最高;(2)窗口为13×13的GLCM提取的信息熵和同质性等纹理特征及GNDVI、MSAVI2、RVI等多光谱植被指数重要性较高;(3)基于最优特征数据集的CNN分类模型,能够有效提取空间光谱信息,抑制“椒盐现象”的产生,分类效果最佳,总体精度达93.40%,与未进行特征优选的RF和CNN分类模型相比分别提高了9.80%和7.40%。     

无人机多光谱影像土地利用信息提取方法研究

以无人机多光谱和倾斜影像为数据源,运用面向对象自动分类的方法,首先利用分型网络演化分割算法(Fractal Net Evolution Approach,FNEA)进行分割实验,确定研究区每个地类最优分割尺度,并结合多光谱影像的光谱特征、纹理特征、空间特征、语义关系以及通过倾斜摄影提取的数字表面模型(Digital Surface Model,DSM)和其衍生的坡度数据等,构建研究区分类规则集,并采用多尺度分割后的多层次信息提取方法,将地物分为3个尺度,在不同尺度下提取相应的地物,总体精度为88.03%,Kappa系数为86.12%,分类结果较好。同时设置对比实验,利用传统的决策树方法分类,其总体精度仅为77.78%,Kappa系数为74.23%。研究表明,针对无人机的高分辨率多光谱影像面向对象的多尺度信息提取方法在信息提取时要优于决策树分类方法,同时验证了该多光谱传感器在信息提取上应用的可行性。     

融合多特征的村域无人机影像两阶段土地利用分类方法

为提高村域尺度土地利用分类精度,本文基于高分辨率无人机影像,研究了融合多特征的两阶段分类方法。该方法首先利用基于平均J-M距离增量的“扩充特征子集法”获取最优纹理特征和可见光植被指数,并与原始影像融合;然后,根据地物的具体特征表现,基于规则结合最邻近法分两阶段进行提取。研究结果表明：1)纹理特征和可见光植被指数有助于提高影像分割质量,且基于平均J-M距离增量的“扩充特征子集法”选取的特征相较于同类其他特征更能体现地类间差异化程度;2)相较于全局最优分割尺度下的决策树、支持向量机及随机森林等分类,本文方法总体精度分别高出6.89%、2.66%、5.17%,Kappa系数分别高出11.86%、4.28%、9.04%,在村域土地利用分类方面表现出较强适用性。