基于遥感影像光谱信息的二叉决策分类树自动生成方法研究

使用决策树方法进行遥感影像分类时需要人工辅助构建决策树,这种方法存在着一旦数据变化就要人工参与重新建立决策树的缺点。针对这一问题,文中提出了依据地物类的样本训练结果,自动构建二叉决策分类树的方法。从阈值的完整性、有效性以及自动选择满足用户需求最佳的建立决策树标准等方面保证决策树的精度以及合理性等。分类结果表明,与最大似然法相比,文中提出算法分类效果良好。     

城市地区多尺度遥感影像融合研究

本文从实际应用的角度出发,以城市地区的Landsat7ETM+影像和QuickBird影像为例,对小波法(WT)、Gram_Schimdt法(GS)、合成变量系数法(SVR)以及基于平滑滤波的亮度变换法(SFIM)四种融合方法在不同尺度的遥感影像之间的融合效果进行了研究,通过定性和定量评价指标对融合结果进行了评价。结果表明:在不同尺度遥感影像的融合中,SVR变换法具有最好的空间信息保留效果,GS变换法、SFIM法以及WT法分别次之;GS变换法具有最好的光谱信息保真效果,SVR法、WT法和SFIM法分别次之。     

改进分水岭方法下的遥感图像水体提取

针对当下全球的水域环境监测中水体提取不完整、与周围地物区分错误等问题,以山东潍河为研究对象,提出了一种改进分水岭分割方法.首先提取目标水体的光谱信息分量作为前景图,然后将膨胀后的水体对象作为背景图,利用前景图与背景图叠加生成标记图,最后利用标记图通过分水岭变换对原图像进行分割以实现水体信息的自动提取.本文将试验结果与OpenCV中手动标记种子点的分水岭算法、基于Canny边缘的分水岭算法、结合形态滤波和标记的分水岭分割方法结果进行了对比.结果表明,本文算法比用种子点手动标记的方法更加自动化,提取的水体更加完整准确;相比于Canny边缘方法又避免了过度分割;比结合形态滤波标记的方法也更加完整准确,目标水体明显,对于水体提取是一种自动化的有效方法.     

光谱信息与纹理特征结合的GF-1海上溢油检测研究

围绕溢油光学探测工作中油膜信息提取精度低等主要问题,本文利用10景GF-1 WFI数据,发展了一种以光谱信息与多种纹理特征相结合的油膜检测方法。该方法不仅充分考虑了不同光谱组合对油膜与海水的区分能力,并且在纹理特征选择中尝试并确定了灰度共生矩阵的窗口大小、方向、位移量和灰度量化级四个参数,结合不同情况的油膜选择了合适的纹理特征;最后,将选取的若干纹理特征量与最优光谱组合构成多波段数据,应用在4种监督学习分类器中,评价分析了油膜检测的准确性,最终确定支持向量机为最优分类器,这一结论将为今后的海上溢油监测工作提供参考。     

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。     

空间分辨率与纹理特征对多光谱遥感分类的影响

多光谱遥感分类与影像空间分辨率有着密切的关系,在适宜空间分辨率影像上进行地物分类能够获得更高的精度。随着遥感影像空间分辨率的提高,纹理特征被广泛用于遥感分类,但由于不同地类空间尺度不同,纹理对不同地物分类的影响程度也有所差异。本文基于高分一号2 m全色和8 m多光谱影像融合后的高空间分辨率多光谱数据构建反射率空间序列,选用3种分类方法对序列分类,并分别计算2 m融合数据及8 m多光谱影像的纹理特征,选择特征波段与相应多光谱波段组合用以分类研究,最后计算混淆矩阵评价分类精度。研究结果表明,通过回归分析得到多光谱分类的最佳空间分辨率为5 m,与其他研究中利用全色波段分类的结论一致,这说明最佳空间分辨率的选择不受光谱信息影响;对多光谱分类精度随空间分辨率变化的变化趋势分析发现,分类精度在20~30 m分辨率范围区间内快速降低,这为多光谱遥感分类数据空间分辨率的选择提供了重要参考;此外,对光谱与纹理特征结合后不同地类分类精度的变化分析显示,加入纹理特征后,冬小麦、人工建筑、有林地和水体的分类精度在2 m分辨率下分别提高了1.49%、1.51%、4.94%、1.54%,8 m分辨率下分别提高了2.95%、10.95%、5.91%、5.14%,说明引入纹理特征有利于提高分类精度,但其对不同地物类型、不同分辨率影像的影响程度不同。     

一种综合利用图像和光谱信息的物体真假模式识别方法

传统模式识别方法在物体、人脸、指纹、军事目标识别等领域中只利用单一的图像信息。当研究对象的图像特征高度相似时,识别率较低,如对于真假目标的识别,仅仅利用物体的图像信息很难得到满意的识别结果。针对上述问题,提出了一种综合利用图像和光谱信息的物体真假模式识别方法。该方法采用卷积神经网络模型,通过迁移学习的方式构建图像识别模型,并依据物体图像的语义特征进行物体类别识别,在此基础上,基于逆传播（back propagation,BP）神经网络模型,结合物体的实测光谱数据进行物体真假识别。为了验证该方法的准确性和有效性,利用真假苹果和葡萄作为测试对象,单独利用图像信息和光谱信息进行识别时,识别率分别为38.50%和63.00%,而利用该综合方法得到的识别率为95.00%。可认为该方法提高了真假目标混杂情况下的识别准确度,可为物体识别、人脸识别、指纹识别、军事目标识别等领域的应用提供重要的参考,也为航天侦查载荷设计提供了新的思路。     

Solution of Multiple——Point Statistics to Extracting Information from Remotely Sensed Imagery

Two phenomena of similar objects with different spectra and different objects with similar spectrum often result in the difficulty of separation and identification of all types of geographical objects only using spectral information．Therefore,there is a need to incorporate spatial structural and spatial association properties of the surfaces of objects into image processing to improve the accuracy of classification of remotely sensed imagery．In the current article,a new method is proposed on the basis of the principle of multiple-point statistics for combining spectral information and spatial information for image classification．The method was validated by applying to a case study on road extraction based on Landsat TM taken over the Chinese YeHow River delta on August 8,1999． The classification results have shown that this new method provides overall better results than the traditional methods such as maximum likelihood classifier (MLC)     

以光谱信息熵改进的N-FINDR高光谱端元提取算法

端元提取是高光谱混合像元分解的关键步骤,也是高光谱影像分析的重要前提。N-FINDR算法是一种经典且有效的端元提取算法,但其需遍历所有可能的像元组合,计算量巨大,时间效率不高。本文以光谱信息熵和凸面几何学理论,利用高光谱影像像元,在光谱特征空间形成的单形体顶点附近为相对纯净像元,单形体内部为混合像元的特性,提出了一种结合光谱信息熵的N-FINDR改进算法。该方法根据各波段像元灰度概率计算影像中每个像元的光谱信息熵,将大于光谱信息熵阈值的像元作为混合像元被剔除,在保留的像元组成的单形体上搜索最大体积,并提取最大体积顶点处像元作为端元。最后,使用美国EO-1卫星获取的江西省德兴某铜矿的Hyperion数据,对改进后的算法进行验证。结果表明,改进后的N-FINDR算法在确保较高端元提取精度的同时,大大提高了数据处理的时间效率。     

基于背景场的一种新的赤潮监测算法

Remote sensing has been proven to be an effective means of monitoring red tides. The spectral information is an important basis for establishing a model to monitor red tides. The spectral curves of red tide events are analyzed and compared with multiyear monthly averaged spectral curves based on MODIS data from July 2002 to June 2012, as well as spectral differences at the same location during red tide presence and absence. A red tide monitoring algorithm is developed based on the background field to extract the red tide information of the East China Sea （ECS）. With the application of the algorithm in the ECS, the results reveal that the developed model can effectively determine the location of red tides, with good correspondence to the results from an official bulletin. This demonstrates that the algorithm can effectively extract the red tide information.