融合光谱-空间信息的高光谱遥感影像增量分类算法

提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。     

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。     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。     

高光谱影像信息向量机分类

信息向量机是一种基于贝叶斯理论的稀疏高斯过程方法,其模型训练速度快、内存耗费小、稀疏性强,具有良好的预测性能。本文从高斯过程回归模型出发,提出了一种基于信息向量机的高光谱影像分类方法,针对高斯过程分类中的非高斯噪声模型,采用假定概率滤波算法将分类问题转化为回归问题,通过最大化边缘似然函数进行模型训练,选择活动子集中的信息向量数量达到了稀疏的目的。通过ROSIS影像试验,表明了基于信息向量机的高光谱影像分类方法的优势。     

基于eCognition的资源一号02C土地利用现状自动提取

利用eCognition软件采用面向对象分类的方法,以北京市某地区为试验区,对国产高分影像(资源一号02C)进行土地利用现状信息自动提取试验,为资源一号02C星影像用于土地利用分类信息提取提供技术手段。     

基于图像测量的花键套端面尺寸检测

设计了一套基于图像测量技术的花键套端面尺寸检测系统,采用高分辨率工业相机获取零件图像信息,使用相机标定技术标定相机参数,以校正光学系统导致的零件图像畸变,通过图像处理技术处理并分析图像,得到图像特征尺寸信息,最后采用分区域标定像素当量的方法得到零件实际尺寸.使用该检测系统与三坐标测量仪检测系统进行对比实验,实验结果显示,该系统尺寸检测结果与三坐标测量仪检测结果比照相差不超过10 μm.每个零件检测时间不超过20 s,速度远远快于平均检测时间需约2 min的三坐标测量仪检测方法,因此在满足检测精度的基础上大大提高了检测速度,实现了花键套尺寸批量检测.     

结合MRF与ν-SVM的SAR海冰图像分类

结合支持向量机SVM和马尔可夫随机场MRF在图像分类领域的优点,提出MRF-ν-SVC分类系统。与以往针对像素的分类不同,本系统在区域水平实现分类。首先通过双阈值准则判别区域间边缘的强弱,然后针对模糊边缘区域将基于MRF的空间语境模型改进为边缘语境模型,修正SVM原始问题中的偏差因子,从而优化最优分类超平面。实验表明,本文算法可有效提高分类精度,增强对斑点噪声的抑制能力,更好地分类特征相似的区域。     

基于奇异值分解的遥感图像鲁棒水印算法探讨

针对遥感图像的安全保护问题,文章提出了一种基于DCT-SVD和最近区间量化的鲁棒水印算法,将遥感图像进行分块,选择视觉掩蔽效应好的纹理子块作为嵌入区域,根据混合变换后的系数在各自所属区间上的位置,将系数进行最近区间量化来嵌入水印信息;利用密钥即可实现水印的提取,不需要原始遥感图像参与。实验结果表明,该算法对加噪、滤波、旋转、缩放、随机剪切、JPEG压缩等攻击均具有较强的鲁棒性,可有效保护遥感图像的安全。     

一种面向异常检测的高光谱图像降维算法

针对高光谱数据预处理中传统降维算法的不足,文章提出采用线性局部切空间排列(LLTSA)算法进行降维,并在低维空间中,以数据点到背景流形的最小距离为度量进行异常目标检测。面向异常目标检测问题的降维算法,需要考虑计算量和异常污染两个问题:为减少计算量,选择图像中一部分具有代表性的训练数据进行LLTSA降维并求取用于泛化的投影矩阵;为避免异常信息对背景特性的影响,应该选择不含异常的背景训练数据建立背景流形。背景训练点的选择基于递归多层分割算法,结合分割块的大小和分割块被近邻点重构的误差,去除分割结果中可能包含异常的区域并尽可能多地保留背景信息。实验结果表明LLTSA可以利用少数特征有效区分背景和异常,基于LLTSA的检测算法比经典RX和核RX算法具有更好的异常检测性能。     

基于RS的城市扩张监测与分析

以苏州市为例,利用不同时段的TM影像,结合相关资料,采用决策树分类方法对苏州市辖区建设用地进行了提取和分析。结果表明,1995~2010年间,苏州市辖区建设用地增加了720.7 km2,年均增幅为6.8%,扩张的方向和趋势主要受到地理环境、经济发展、人口增长及政策规划等多种因素的影响。就苏州而言,政府的政策规划影响最为显著。