遥感信息处理不确定性的可视化表达

如何全面、准确地度量和可视化表达遥感信息处理中不确定性的程度和空间分布方式,是遥感信息不确定性研究的关键问题之一.传统的度量方法(例如误差矩阵)是将以训练样本集为基础的度量作为总分类精度的度量,而我们需要估计模型对于"样本外数据"的性能.本文首先利用信息论和粗糙集理论等度量遥感分类影像属性信息的不确定性,提出基于像元、目标和影像的遥感信息不确定性度量指标;然后分别描述了基于不同度量指标的可视化表达方式,并对我国黄河三角洲地区的Landsat TM影像进行了分类信息不确定性度量和可视化表达实验.     

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。     

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。     

基于正则MAP模型的遥感影像亚像元定位

为了更好地解决亚像元的定位问题,基于超分辨率影像重建的技术,结合亚像元定位理论,提出了一种应用于亚像元定位的正则MAP估计模型,并且通过真实数据进行了检验。实验表明,该模型是一种简单、有效地解决亚像元定位问题的方法。     

遥感影像像元不确定性对SVM分类结果可靠性影响研究

在遥感影像获取过程中,由于地表环境复杂,传感器参数等因素影响,影像存在不确定性.通过分析不确定性产生的原因及特征,在像元尺度上构建像元光谱多义性、灰度差异性、分类信任度3个指标来度量影像不确定性.在此基础上,利用线性回归模型分析像元不确定性对支持向量机分类结果可靠性的影响.结果表明:像元不确定性对分类可靠性有一定影响,...     

遥感尺度内涵及遥感像元尺度效应分析的改进分形方法

本文首先分析了遥感影像尺度的三层次内涵。重点针对遥感像元尺度,分析了遥感像元尺度效应及其分形机理,由于现有分形方法没有考虑影像本身尺度(空间分辨率),造成尺度间分形维数的比较时像元尺度效应变化难以有效反映,本文针对此问题提出了基于表面积的加窗分形布朗运动和加窗双层地毯两种改进分形方法。为验证改进分形方法的可靠性,采用了不同像元尺度下系列监督分类进行验证。试验结果表明,每种地物的分维数都随着空间分辨率的降低或像元尺度的缩小,呈总体下降趋势,在某些特征尺度上会出现预示着某些地物结构的拐点,这些拐点对观测该区域地物具有一定指示意义。系列监督分类精度也一定程度上证明了以上两种改进分形方法在分析尺度效应中的可行性。因此本文的方法对于分析遥感像元尺度效应和探索地物尺度聚合规律具有一定的理论意义。     

基于混合熵模型的遥感分类不确定性的多尺度评价方法研究

不确定性是影响遥感图像分类质量的最主要因素,针对在遥感图像分类过程中同时存在随机不确定性和模糊不确定性的特点,提出基于混合熵模型来综合测度这两种不确定性的方法,并建立起多尺度的评价指标.在分析混合熵模型基本原理的基础之上,提出利用特征空间的和模糊分类器的统计数据来建立信息熵、模糊熵以及混合熵的方法.同时,在像元和类别尺度上,分别建立像元混合熵和类别混合熵的指标对分类不确定性进行评价.最后,应用湖北省黄石市的遥感影像对上述评价方法进行验证分析,实验结果表明,混合熵模型能有效地反映分类过程中随机不确定性和模糊不确定性的综合影响,并从不同尺度反映出遥感影像分类的质量问题.     

用多角度POLDER数据验证互易原理在遥感像元尺度的适用性

利用ＡＤＥＯＳ－ＰＯＬＤＥＲ多角度遥感数据,从统计意义出发,对光照与观测角度互易的观察对进行考察,发现在ＰＯＬＤＥＲ数据中存在不可忽略的不互易现象,以文中定义的不开易度来衡量,可见光波段不互易度可达１．０,红外波段不互易度可达０．３。两个方向上计算ＮＤＶＩ的偏差可达０．２。分析了不互易度与ＮＤＶＩ和海拔的相关性,发现不互易性与地表的复杂程度有一定的相关性,并提出地物光谱反射弱的数据不互易度大的假设     

多尺度表达中线状要素的综合不确定性评价模型

在考虑节点化简的基础上建立了节点数据不确定性评价模型,基于曲线光滑模型建立了线元模型不确定性评价模型,在此基础上,根据不确定性传播律构建了由数据不确定性和模型不确定性合成的线状要素多尺度表达不确定性的综合评价模型。实验表明,综合不确定性指标值作为线状要素多尺度表达不确定性的量化指标是有效的。可将其用于计算线元不确定带的宽度,解决线状要素多尺度表达不确定性空间分析和推理问题;并用于线状要素多尺度表达的质量评价与控制。     

典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例

目前普遍采用的分类器通常都是针对单一或小量任务而设计的,在小数据量的处理中能取得比较满意的结果。但对于海量遥感数据的处理,其在处理时效和分类精度方面还有待研究。本文以遥感图像场景分类任务为例,着重对遥感数据分类问题中几种典型分类方法的适用性进行比较研究,包括K近邻(KNN)、随机森林(RF),支持向量机(SVM)和稀疏表达分类器(SRC)等。分别从参数敏感性,训练样本数据量,待分类样本数据量和样本特征维数对分类器性能的影响等几个方面进行比较分析。实验结果表明:(1)KNN,RF和L0-SRC方法相比RBF-SVM,Linear-SVM和L1-SRC,受参数影响的程度更弱;(2)待分类样本固定的情况下,随着训练样本数目的增加,SRC类型分类方法的分类性能最佳,SVM类型方法次之,然后是RF和KNN,在总体分类时间上呈现出L0-SRCL1-SRCRFRBF-SVM/Linear-SVMKNN/L0-SRC-Batch的趋势;(3)训练样本固定的情况下,所有分类方法的分类精度几乎都不受待分类样本数目变化的影响,RBF-SVM方法性能最佳,其次是L1-SRC,然后是Linear-SVM,最后是RF和L0-SRC/L0-SRC-Batch,在总体分类时间上,L1-SRC和L0-SRC相比其他分类方法最为耗时;(4)样本特征维数的变化不仅影响分类器的运行效率,同时也影响其分类精度,其中SRC和KNN分类器器无需较高的特征维数即可获得较好的分类结果,SVM对高维特征具有较强的包容性和学习能力,RF分类器对特征维数增加则表现得并不敏感,特征维数的增加并不能对其分类精度的提升带来更多的贡献。总的来说,在大数据量的遥感数据分类任务中,现有分类方法具有良好的适用性,但是对于分类器的选择应当基于各自的特点和优势,结合实际应用的特点进行权衡和选择,选择参数敏感性较小,分类总体时间消耗低但分类精度相对较高的分类方法。     

像素级和对象级高分辨率遥感图像变化检测分析

高分辨率遥感图像具有丰富的纹理信息,而像素级变化检测方法主要分析图像的光谱信息,导致将像素级变化检测方法用于高分辨率遥感图像具有一定的局限性.因此,本文提出了一种像素级与对象级相结合的高分辨率遥感图像变化检测方法,解决了像素级与对象级变化检测方法中存在的椒盐现象、误检等问题.首先,结合高分辨率遥感图像的多维特征,构建遥...     

高分辨率影像分类的最优分割尺度计算

针对高分辨率遥感影像分类与信息提取中存在的难点,基于不同目标地物在高分辨率影像上具有对应最优分割尺度的基本思想,该文在分析现有最优分割尺度确定方法的基础上,提出了加权均值法结合最大面积的最优分割尺度的确定方法;利用该方法,进行了高分辨率影像分割实验,获取了对应典型地物的最优分割尺度数值范围,实现了典型地物的信息提取;并运用样本点检验的方法,计算并分析了分类的精度结果。结果表明:基于加权均值与最大面积相结合的最优分割尺度计算方法,应用于面向对象高分辨率影像信息的提取具有较为理想的精度。     

遥感数据空间尺度分级模型与基本比例尺关系

多源遥感数据综合应用是遥感发展的必然趋势,统一的遥感数据空间尺度分级模型是多源数据集成与综合应用的基础。虽然已有多种空间尺度分级模型,但很多主流模型并非出于分尺度综合应用目的,缺乏客观的比较和评价。国家基本比例尺系统作为经过论证、中国应用面最广泛、接受度最高的一种尺度分级系统,是以应用为导向的遥感数据空间尺度分级模型的最优参照系。从不同视觉精度下国家基本比例尺对图像空间分辨率的需求出发,比较各空间尺度分级模型的层级分辨率与需求分辨率的匹配情况,包括OGC Well Known Scale Set的Global CRS84Pixel和Google Maps Compatible,以及NASA World Wind、Google Map、百度地图、天地图等软件平台采用的层级格网系统,以及"五层十五级"遥感数据组织模型,通过对数据信息冗余度的分析,对各个模型进行了评价。结果表明,在高视觉精度应用需求下,"五层十五级"模型与基本比例尺精度要求具有较明显的匹配优势,其次为OGC Google Maps Compatible模型和天地图模型,其余模型平均数据冗余倍数在2倍左右;在低视觉精度应用需求下,"五层十五级"模型平均数据冗余度仍为最低,其次为Google Map模型,其余模型平均数据冗余倍数都在2倍以上。     

基于LBV变换的遥感影像多步骤分类法研究

面对与日俱增的遥感数据,如何快速准确地进行影像分类成为遥感领域亟待解决的问题。本文在前人的基础上提出了一种基于LBV变换的遥感影像多步骤分类方法。L:地物的总辐射水平,集中反映了裸地的信息;B:地物的可见-红外光辐射平衡,是地面水分状况和水体存在的一个良好指标;V:地物辐射随波段变化的方向和速度向量,能集中反映地面植被状况。多步骤分类法遵循由易到难的原则,能克服类别之间的互相影响,从而提高分类精度。文章结合LBV变换和多步骤分类法的优点对影像进行了分类,结果表明该方法简单易行,且能达到良好的分类精度。     

一种建立在CPN基础上的分类方法在遥感影像分类中的应用研究

对偶神经网络利用了自组织映射近似函数的一种新的映射神经网络,其结构组合了Kohonen的自组织映射和Grossberg的外星(Outstar)结构,网络结构相对简单。本文以对偶神经网络分类方法原理为基础,研究了一种理想化的分类方法,并以MATLAB平台为基础对遥感影像进行分类处理,实验结果表明,其分类总精度为94.17%,分类精度较传统监督分类结果有所提高。     

Neural network based on rough sets and its application to remote sensing image classification

This paper presents a new kind of back propagation neural network(BPNN) based on rough sets,called rough back propagation neural network (RBPNN).The architecture and training method of RBPNN are presented and the survey and analysis of RBPNN for the classification of remote sensing multi-spectral image is discussed.The successful application of RBPNN to a land cover classification illustrates the simple computation and high accuracy of the new neural network and the flexibility and practicality of this new approach.     

Neural network based on rough sets and its application to remote sensing image classification

This paper presents a new kind of back propagation neural network (BPNN) based on rough sets, called rough back propagation neural network (RBPNN). The architecture and training method of RBPNN are presented and the survey and analysis of RBPNN for the classification of remote sensing multi-spectral image is discussed. The successful application of RBPNN to a land cover classification illustrates the simple computation and high accuracy of the new neural network and the flexibility and practicality of this new approach.     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。