全极化SAR图像的建筑物提取研究

针对建筑物结构复杂、形式多样,产生的交叉极化散射现象使得其在极化SAR图像上易与植被混淆,提取困难的问题,该文结合极化散射信息和空间信息进行建筑物的提取研究,主要以AIRSAR全极化数据进行实验。①进行基于极化补偿的Yamaguchi四分量分解,根据偶次散射能量提取出建筑物;②提取总功率Span图像的纹理特征利用支持向量机进行分类;③融合前两步的提取结果得到最终结果。结果表明:方法优于基于极化补偿的Yamaguchi四分量分解的提取方法和SVM方法,对于平行建筑物、小方位角建筑物、大方位角建筑物的提取精度分别达到了99%、94%和56%,有效区分了建筑物与植被。     

基于面向对象的遥感影像空间信息提取方法研究

探讨了利用遥感影像,基于面向对象技术进行空间信息提取的方法及技术路线,通过选取试点区域,进行了信息提取实践。在多尺度图像分割的基础上,综合利用影像数据的纹理特征、光谱信息及形状特征等,通过建立规则,实现研究区地物的逐级分层分类。研究结果表明：该方法提取空间信息不但速度快、效率高,而且还有效减少了“噪声”,分类精度显著提高。     

综合机载LiDAR与高分影像的煤矿区典型地物提取方法

综合利用LiDAR点云数据与WorldView-2高空间分辨率遥感影像,采用面向对象分类的矿区地表覆盖信息提取方法,利用nDSM高度阈值区分候选分割对象,构建了基于决策树分类器的矿区典型地物提取模型,在此基础上将图像光谱信息、DSM数据和地形参数等多源数据进行了融合,提取了出矸石堆、煤堆等典型煤矿区地物要素及植被、道路、水体等地表覆被要素信息。     

基于植被分区的多特征遥感智能分类

为了有效地提取大范围地形复杂区域的土地利用/土地覆盖遥感信息,以位居青藏高原与黄土高原过渡地带的青海东部地区为研究区,研究基于蚁群智能优化算法(ant colony intelligent optimization algorithm,ACIOA)的土地利用/土地覆盖遥感智能分类。首先选用TM图像、DEM、坡度和坡向数据作为分类的特征波段;然后利用归一化植被指数NDVI对实验区数据进行植被分区;最后利用ACIOA算法进行分类规则挖掘,并依据分类规则进行土地利用/覆盖信息的提取。研究表明,基于植被分区的多特征蚁群智能分类的总体精度为88.85%,Kappa=0.86,优于传统的遥感图像分类方法,为大范围地形复杂区域的土地利用/土地覆盖遥感信息提取提供了有效的方法。     

基于单时相MODIS数据的决策树自动构建及分类研究

以甘肃省为试验区,利用单时相MODIS数据的光谱信息,使用最大似然法和基于See 5.0数据挖掘的决策树分类方法,进行了分类对比研究.分类结果表明,加入温度一植被角度TVA和温度-植被距离TVD两个指数后,低植被覆盖区的分类效果得到了改善;基于See 5.0数据挖掘的决策树方法能够快速地建立决策树,且能提高较难识别地物类型的分类精度.     

高分辨率遥感植被分类研究

以南京市区的植被覆盖为研究对象,基于IKONOS遥感影像,采用决策树分类算法,根据各种植被光谱特征建立知识库,提出基于光谱信息的植被分类方法,继而结合高分辨率影像特有的纹理特征引进局部一致性指数对该方法进行改进,提出结合纹理信息的高分辨率遥感植被分类方法,分类总体精度从仅利用光谱信息的83.16%显著提高到91.89%,Kappa系数达到0.8886。采用Quickbird遥感影像对该方法进行验证,分类总体精度为91.94%,Kappa系数为0.8783,表明该植被分类方法能有效地对植被进行分类与识别,精度较高,且对于不同数据源的植被分类具有一定的普适性,为实现植被的自动化提取提供了理论依据和有效的方法途径。     

基于GIS的多源地理空间信息提取方法

以解决地理空间信息数据重复采集、准确地完成土地类型的分类和相关信息的提取为出发点,提出基于地理信息系统(GIS)技术的多源地理空间信息提取方法.通过设计多源地理空间信息数据目录节点,准确查找多源地理空间信息数据;通过相应组件调用各类型数据模块实现数据读取,并通过可视化窗口呈现,充分利用多源地理空间信息数据;结合ArcGIS实行解读到的信息数据预处理,依据决策树获取分类规则,将分类规则导入遥感图像处理平台(ENVI)完成多源地理空间遥感影像分类,利用决策树对其完成信息提取.测试分析结果表明:设计方法能够有效完成多源地理空间信息的准确分类及提取,提取结果可清晰呈现所划分的类型全部信息.     

湿地植被成象光谱遥感研究

该文论述了成象光谱信息在鄱阳湖湿地进行植被光谱识别分类与生物量制图的部分研究结果，研究如何从高光谱分析图象上有效地定量提取植被生长物理参量以及湿植被类型识别，包括（１）基地多高度大气订正后的反射率图像获取；（２）导数光谱分析与生物量制图；（３）基于光谱波形匹配的湿地植被分类，识别。     

高光谱图像滚动引导递归滤波与地物分类

高光谱图像类内光谱变化较大,"同物异谱"现象普遍存在。利用原始地物光谱特征进行分类精度较低而且分类结果图中存在"椒盐现象"。为了获得好的分类结果,必须充分利用高光谱图像的光谱信息和空间信息,减少类内的光谱变化,并扩大类别间的光谱差异。为此,提出一种滚动引导递归滤波的高光谱图像光谱—空间分类方法。首先,利用主成分分析对高光谱图像进行降维;然后,利用高斯滤波对输入图像进行模糊化,消除图像中的噪声和小尺度结构;接下来,将模糊化后的图像作为引导图像,对输入图像进行边缘保持递归滤波,输出结果作为新的引导图像,重复迭代这个过程直至大尺度边缘被恢复;最后,利用提取的特征波段和支持向量机对高光谱图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其他的高光谱图像分类方法。在训练样本极少的情况下,本文方法也能获得较高的分类精度。     

一种简单加入空间关系的实用图像分类方法

遥感图像分类是遥感图像处理的一项基本内容，也是遥感应用中关键的一步。为了提高分类的精度，一方面是对光谱信息的合理利用；另一方面，可以加入新的信息源，即进行多源数据处理，并加入地学知识，尤其是对空间信息的利用是至关重要的。但是由于地学知识的复杂性及空间信息利用的难度以及数据源的限制，尚无公认的实用方法。该文提出了一种简单加入空间关系的分类方法，在没有其它数据源的情况下，利用空间关系特性，在分类中构造两个空间关系波段，实现空间约束，部分消除仅依赖光谱数据分类而引起的同物异谱和同谱异物造成的分类错误。简单实用，同时也验证了空间关系在分类中的重要性。     

面向对象方法的时间序列MODIS数据湿地信息提取——以洞庭湖流域为例

以洞庭湖流域为研究区,对大范围湿地信息遥感提取方法进行了研究。先基于时间序列MODIS EVI及物候特征参数,通过J-M(Jeffries-Matusita distance)距离分析,构建了MODIS(250 m)最佳时序组合分类数据;其次,通过Johnson指数确定了最佳分割尺度,采用面向对象的遥感分类方法(Random tree分类器)提取了洞庭湖流域的湿地信息,并验证该方法的适用性。研究结果表明,基于时序数据与面向对象的Random tree分类的总体精度和Kappa系数分别为78.84%和0.71,较之基于像元的相同算法的总体分类精度和Kappa系数分别提高了5.79%和0.04。同时,基于面向对象方法的湿地整体的用户精度与生产者精度较基于像元方法分别提高了4.56%和6.21%,可有效提高大区域湿地信息提取的精度。     

TM classification using local spectral variability

A classification method which takes into account not only spectral but also spatial features for LANDSAT‐4 and 5 Thematic Mapper (TM) data is proposed. In accordance with improvement of Instantaneous Field of View (IFOV), spatial information such as textural, contextual, etc. is also increased so that some treatments of such information is highly required. One of the simplest spatial features is local spectral variability such as standard deviation, variability constant, variance, etc. in small cells such as 2x2,3x3 pixels. Such information can be used together with conventional spectral features in an unified way, for the traditional classifier such as a pixel‐wise Maximum Likelihood Decision Rule (MLDR). From the experiments, there was a substantial improvement in overall classification accuracy for TM forestry data. The probability of correct classification (PCC) for the new clearcut and the alpine meadow classes increased by 7% to 97% correct. The confusion between alpine meadow and new clearcut was reduced from 9% to 3%.     

Dual-tree complex wavelet transform-based image enhancement for accurate long-term change assessment in coal mining areas

The main objective of this study was to improve the long-term land use change detection by improving classification accuracy of previous generation satellite image using a recent super-resolution technique. The study also analysed the change in land cover over a period of 41 years in a coal mining area. A dual-tree complex wavelet transform-based image super-resolution technique was used to enhance Landsat images of 1975 and 2016. Separating pixels with similar spectral response is an enigmatical task, especially when those pixel represent different ground features. Therefore, an advanced neural net supervised classifier was used to minimize classification errors. Accuracy of the classified images (both super-resolved and original) were measured using confusion matrices and kappa coefficients. A significant improvement of more than 10% was observed in the overall classification accuracy for the image of 1975, highlighting that the classification accuracy of earlier generation satellite data can be improved substantially.     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

自适应模糊规则分类方法及在TM土地覆盖分类中的应用研究

根据自组织网络和模糊逻辑推理,实现土地覆盖自适应模糊规则分类方法。该方法通过网络的节点和权值提取出模糊规则,调整网络中节点个数(即相应增加规则节点数)和权值向量,使模糊规则自动生成,并利用模糊逻辑推理,完成TM土地覆盖分类。对拒分类的像元,自适应增加K值使其可分。该方法所得分类精度及Kapp系数与最大似然分类方法结果相比分别提高了2.7%和2.9%;与自组织网络相比,总精度相差不大,而Kapp系数低1%。实验证明,如何提取和表示非光谱知识,从而解决类别混淆等问题,是提高自适应模糊规则分类性能的关键     

Converting local spectral and spatial information from a priori classifiers into contextual knowledge for impervious surface classification

A classification model was demonstrated that explored spectral and spatial contextual information from previously classified neighbors to improve classification of remaining unclassified pixels. The classification was composed by two major steps, the a priori and the a posteriori classifications. The a priori algorithm classified the less difficult image portion. The a posteriori classifier operated on the more challenging image parts and strived to enhance accuracy by converting classified information from the a priori process into specific knowledge. The novelty of this work relies on the substitution of image-wide information with local spectral representations and spatial correlations, in essence classifying each pixel using exclusively neighboring behavior. Furthermore, the a posteriori classifier is a simple and intuitive algorithm, adjusted to perform in a localized setting for the task requirements. A 2001 and a 2006 Landsat scene from Central New York were used to assess the performance on an impervious classification task. The proposed method was compared with a back propagation neural network. Kappa statistic values in the corresponding applicable datasets increased from 18.67 to 24.05 for the 2006 scene, and from 22.92 to 35.76 for the 2001 scene classification, mostly correcting misclassifications between impervious and soil pixels. This finding suggests that simple classifiers have the ability to surpass complex classifiers through incorporation of partial results and an elegant multi-process framework.     

高光谱-LiDAR多级融合城区地表覆盖分类

城市地区地表覆盖分类在城市研究中是一个十分重要的方向。遥感作为获取地物物理属性的一种重要技术手段,已初步应用于分类研究中。然而,随着城镇化的不断推进,城市内部地物类型越来越复杂,单一的遥感影像已无法满足城区地表覆盖分类中高精度的要求。高光谱影像和LiDAR数据能够分别表征地物的光谱信息及高程而被广泛应用。因此,根据两者之间互补的优势,本文提出了基于高光谱影像和LiDAR数据多级融合的城区地表覆盖分类方法。首先对两幅影像分别进行特征提取,将提取到的光谱、空间及高程信息进行层叠实现特征级融合。对得到的特征影像的所有像素点进行分类,然后利用LiDAR点云数据提取的建筑物掩膜,对非建筑物部分进行分类,再次实现特征级融合,以此改善建筑物区域与非建筑物区域的混淆。然后将未使用掩膜得到的分类结果与利用掩膜得到的分类结果进行投票实现决策级融合。最后利用条件随机场模型对分类结果进行后处理操作,达到平滑图像去除噪声点的目的。     

TM数据用于亚热带桔果林区的土地利用分类和专题信息提取

本文介绍利用TM数据进行动态聚类并作最小距离分类的非监督和监督相结合的分类方法, 对桔乡黄岩市郊的土地利用进行自动分类, 获得了能充分揭示桔园分布的高质量土地利用分类图像；继而采用阈值法和均值─均方差窗口法成功地实现了桔林资源信息的自动提取, 面积精度达95.3%.为在我国南方亚热带地区快速监测经济林资源及其动态变化提供了有效的新手段。     

黄土丘陵区数字地貌模型与遥感影象分类

黄土丘陵区地形破碎、沟壑纵横，为遥感影象的土地利用自动分类带来了很大困难。仅依靠传统的光谱统计分类方法，难以达到较高的分类精度。本文拟探讨在黄土丘陵区运用大比例尺地形图数据，建立区域数字地貌模型；并在模糊数学理论的指导下，运用数字地貌模型对影象的分层分类结果进行修正和细化。研究表明，此方法能够有效地提高土地利用分类精度和机助制图比例尺。     

通过训练样本采样处理改善小宗作物遥感识别精度

训练样本质量是决定农作物遥感识别精度的关键因素,虽然高空间分辨率卫星的发展有效地解决了农作物遥感识别过程中的混合像元问题,但是当区域内不同作物种植面积差异较大时,训练集中不同类别样本数量往往相差较大,这样的不均衡数据集影响分类器的训练,导致少数类别的识别精度不理想。为研究作物遥感识别过程中的不均衡样本问题,本文基于GF-2号卫星数据,首先挖掘了地物的光谱信息、纹理信息,用特征递归消除RFE (Recursive Feature Elimination)方法进行特征优选,然后从数据处理的角度采用了5种采样算法对不均衡训练集进行处理,最后使用采样后的均衡数据集训练分类器,对比数据采样前后决策树与Adaboost(Adaptive Boosting)两种分类器的识别结果,发现:(1)经过采样处理后两种分类算法明显提升了小宗作物的分类精度;(2)经过ADASYS (Adaptive synthetic sampling)采样处理后,分类器性能提升最多,决策树的Kappa系数提高了14.32%,Adaboost的Kappa系数提高了10.23%,达到最高值0.9336;(3)过采样的处理效果优于欠采样,过采样对分类器的性能提升更多。综上所述,选择合适的采样方法和分类方法是提高不均衡数据集遥感分类精度的有效途径。