WorldView卫星16波段影像光谱特征分类

传统的高分辨率遥感卫星光谱分辨率较低,WorldView卫星在8个可见光-近红外多光谱波段的基础上,新增加的8个短波红外(short wave infrared,SWIR)影像,有助于提高影像提取地物信息能力。分析了WorldView卫星的16波段影像上各种地物的光谱特征和分类性能,提出了新的植被指数、水体指数和建成区指数。实验表明,相比于8波段影像,使用16波段影像分类能够显著提高各类地物特别是裸地、建筑物和道路的分类精度,总体精度提高约5.5%。基于16波段设计的新地物特征指数能更好地避免干扰地物,通过简单阈值提取地物,取得较高的提取精度。     

WorldView卫星16波段影像光谱特征分类

传统的高分辨率遥感卫星光谱分辨率较低,WorldView卫星在8个可见光G近红外多光谱波段的基础上,新增加的８个短波红外(short wave infrared,SWIR)影像,有助于提高影像提取地物信息能力。分析了WorldView卫星的16波段影像上各种地物的光谱特征和分类性能,提出了新的植被指数、水体指数和建成区指数。实验表明,相比于8波段影像,使用16波段影像分类能够显著提高各类地物特别是裸地、建筑物和道路的分类精度,总体精度提高约5.5％。基于16波段设计的新地物特征指数能更好地避免干扰地物,通过简单阈值提取地物,取得较高的提取精度。     

基于子空间-粗集法的高光谱数据光谱与纹理特征优选

为提高光谱数据光谱信息和纹理信息利用率,提出基于自动子空间划分和粗集理论的光谱与纹理特征优选方法。该方法在传统子空间划分法的基础上,利用粗集约简思想对不同类别地物光谱特征进行约简,得到基于光谱的初选波段,再利用灰度共生矩阵法计算出初选光谱波段的纹理信息,并约简优选,得到基于光谱和纹理信息的终选波段。利用黑河生态水文遥感试验中所获取的机载高光谱数据CASI,开展该方法的实证研究。对原始光谱波段、初选光谱波段和终选波段进行SVM(Support Vector Machine)分类,结果表明:与原始光谱数据相比,经过光谱初选得到的初选波段和增加纹理优选的终选波段,总体分类精度分别提高了0.84%和2.78%,Kappa系数分别提高了0.01和0.035;对地物纹理信息进行深度挖掘可以进一步提高遥感影像分类精度。     

高光谱遥感影像纹理特征提取的对比分析

地物的“同物异谱”或“异物同谱”问题,使得仅仅依据高光谱影像的光谱信息较难得到理想的分类精度。纹理特征是地物空间分布的重要结构信息,能够一定程度上弥补光谱特征在高光谱遥感影像分类中的不足。纹理特征提取在高光谱遥感影像分类中得到了诸多发展,然而当前的纹理特征方法缺乏较为全面的对比分析。因此,选取旋转不变局部二值模式、简单线性迭代、扩展形态剖面、差分形态剖面、属性剖面、3D-Gabor、联合双边滤波和导向滤波共8种典型的纹理特征方法,利用印第安纳、帕维亚大学和雄安3个高光谱数据集设计分类实验,采用分类精度、计算时间、总体分类精度的标准差来进行定量评价。实验结果表明：扩展形态剖面的总体分类精度和计算速度整体上优于其他7种方法。     

HSRS-SC:面向遥感场景分类的高光谱图像数据集

目的 场景分类是遥感领域一项重要的研究课题，但大都面向高分辨率遥感影像。高分辨率影像光谱信息少，故场景鉴别能力受限。而高光谱影像包含更丰富的光谱信息，具有强大的地物鉴别能力，但目前仍缺少针对场景级图像分类的高光谱数据集。为了给高光谱场景理解提供数据支撑，本文构建了面向场景分类的高光谱遥感图像数据集（hyperspectral remote sensing dataset for scene classification，HSRS-SC）。方法 HSRS-SC来自黑河生态水文遥感试验航空数据，是目前已知最大的高光谱场景分类数据集，经由定标系数校正、大气校正等处理形成。HSRS-SC分为5个类别，共1 385幅图像，且空间分辨率较高（1 m），波长范围广（380~1 050 nm），同时蕴含地物丰富的空间和光谱信息。结果 为提供基准结果，使用AlexNet、VGGNet-16、GoogLeNet在3种方案下组织实验。方案1仅利用可见光波段提取场景特征。方案2和方案3分别以加和、级联的形式融合可见光与近红外波段信息。结果表明有效利用高光谱影像不同波段信息有利于提高分类性能，最高分类精度达到93.20%。为进一步探索高光谱场景的优势，开展了图像全谱段场景分类实验。在两种训练样本下，高光谱场景相比RGB图像均取得较高的精度优势。结论 HSRS-SC可以反映详实的地物信息，能够为场景语义理解提供良好的数据支持。本文仅利用可见光和近红外部分波段信息，高光谱场景丰富的光谱信息尚未得到充分挖掘。后续可在HSRS-SC开展高光谱场景特征学习及分类研究。     

基于改进的3D-CNN的高光谱遥感图像地物分类

高光谱遥感影像波段众多,包含丰富的辐射、空间和光谱信息,是多种信息的综合载体,应用广泛.但是传统的高光谱影像地物分类方法多着重于光谱维度的特征提取,却忽略了空间维度上的特征,进而影响了分类的准确性.三维卷积神经网络(Three-dimensional convolutional neural network,3D-CN...     

基于多元局部二值模式的遥感图像纹理提取与分类

纹理信息已经广泛应用于遥感图像分类以提高地物识别的精度。为了描述多光谱遥感图像多个波段之间的空间信息变化规律,将新型纹理提取算法局部二值模式（Local Binary Pattern,LBP）扩展到多维空间以计算多元纹理。单波段纹理信息、多元纹理信息分别与光谱信息结合后用于遥感图像分类,并根据分类精度评价其有效性。实验表明,加入单波段或多元纹理信息的分类精度均比光谱分类有明显提高;基于多元LBP纹理的分类不仅避免了传统单波段纹理参与分类前进行波段选择的繁琐,其精度还能与基于单波段纹理分类精度最高者相当或者更高。     

无人机可见光遥感影像地物目标提取技术研究

无人机可见光遥感影像中地物目标边界清晰度较低,容易导致地物目标与背景之间的区分度降低,进而难以提取地物目标。为此,提出无人机可见光遥感影像地物目标提取方法。从光谱特征、纹理特征和边缘特征三个方面分析无人机可见光遥感影像特征。结合三种影像特征对无人机可见光遥感影像数据集实行增广处理。对完成增广后的数据集定义影像编码标签,以此确定地物目标增强权重,通过参量化处理地物目标光谱特征,计算光谱吸收指数,获取地物目标提取表达式,从而实现无人机可见光遥感影像地物目标提取。实验结果表明,所提方法能够保证地物目标边界的清晰度,具有较强的地物目标提取能力。     

辅以纹理特征的面向对象的遥感影像分类方法研究——以陕西省杨陵县为例

随着遥感图像分辨率的不断提高,图像的纹理特征更加明显,使得对图像进行纹理分析成为可能。以陕西省杨陵县为试验区,将TM多光谱影像和SPOT 5高分辨率全色影像进行融合,先对影像各种纹理特征进行比较,选用对比度这一属性辅助进行面向对象的分割,同时结合地物的光谱信息,对该地区进行监督分类。与单纯基于光谱特征的分类方法进行比较,该方法在一定程度上改善了分类精度,细化了地物类别。     

基于direct LDA的高光谱遥感影像地物分类

针对高光谱遥感影像的降维问题,提出一种高光谱影像地物分类方法:direct LDA子空间法。先采用直接线性判别分析(direct linear discriminant analysis, direct LDA)进行特征提取,然后在特征子空间中采用最短距离分类器进行地物分类。机载可见光/红外成像光谱仪(airborne visible/infrared imaging spectrometer,AVIRIS)的高光谱影像识别结果表明,该方法相比LDA子空间法和原空间法,可显著降低数据维数,提高识别率。     

利用多属性剖面与双边滤波的高光谱影像分类

随着高光谱影像空间分辨率的提高,"同谱异物"和"同谱异物"问题日益凸显,传统基于纯光谱的地物分类方法已不能满足识别精度要求。结合光谱与空间信息进行高光谱影像分类已成为领域研究热点。鉴于此,该文提出了一种基于扩展多属性剖面(Extended Multi-Attribute Profiles,EMAPs)和指引双边滤波的高光谱影像地物分类方法。首先,基于EMAPs提取高光谱影像4种属性的形态学纹理特征,通过级联纹理与光谱特征获得新特征矢量。其次,对获取的新特征进行降维,并采用指引双边滤波器滤除降维影像的噪声,同时保持影像的边缘信息。最后,采用支持向量机实现分类。高光谱影像分类实验表明,所提方法性能优于多种光谱与空间结合的分类方法。     

基于地表参数真实性的GF-1和SPOT-7多光谱影像质量评价

目的 遥感影像中地表信息表达真实程度决定了影像信息提取和定量化应用水平,传统的从像素灰度和视觉特性角度的影像质量评价方法难以评价影像对地表信息表达能力,本文从地表反射率和NDVI（normalized difference vegetation index）两种地表参数真实性角度评价GF-1和SPOT-7多光谱影像质量。方法 提出了一种基于地表参数真实性的多光谱影像质量评价方法,完成GF-1和SPOT-7卫星对实验区同步成像,地面同步测量大气光学特性和典型地物样区光谱,获取同步观测数据并对多光谱影像进行辐射误差处理,计算地物样区在影像上的反射率和NDVI,通过与地面实测光谱数据比较分析了地表参数真实性,评价GF-1和SPOT-7多光谱影像质量。结果 人工靶标中GF-1影像在4个波段反射率误差均在5%内,精度优于SPOT-7;植被地物中SPOT-7影像在蓝绿红波段反射率误差在4%内,近红外波段误差在15%内,NDVI误差在16%内,反射率和NDVI精度均优于GF-1;硬地地物中GF-1影像在4个波段反射率误差在6%内,精度优于SPOT-7;评价结果表明SPOT-7多光谱影像对植被类地物光谱表达真实度更高,GF-1对硬地类地物光谱表达真实度更高。结论 提出的基于地表参数真实性的遥感影像质量评价方法,能够有效地从地物光谱信息表达精度的角度评价影像质量。     

基于一维Kohonen网络的遥感影像分类方法研究

分析了Kohonen网络的训练模式和聚类特性,选用规模相对较小的一维Kohonen网络,并调整网络输出层的规模和邻域形状,优化网络结构;同时根据多光谱遥感影像中地物波谱曲线特征,通过不同波段组合、波段权重系数调整等方法对输入数据进行预处理,使该方法更适用于多光谱遥感影像分类和专题提取.本文以浙江省绍兴地区多光谱遥感影像分类为例,研究结果表明使用改进后的分类方法可以有效提高分类精度.     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;② 引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机(SVM)常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明:①基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;②引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

CBERS-02B卫星CCD数据质量评价与植被分类应用潜力

针对CBERS-02BCCD影像,结合图像客观质量评价方法、目视解译、自动解译等方法,以广西三娘湾一带为研究区,对影像的植被识别能力进行了综合评价。与TM数据的对比分析表明,CCD1、2、3波段辐射精度稍偏低,第4波段表现出较好的性能,19．5m的空间分辨率比TM能更好地显示出地物的几何纹理特征。RGB假彩色合成图像的地物目视解译效果较好。通过非监督分类、监督分类和决策树分类等常规方法对地物分类及对典型植被识别效果表明,CBERS-02BCCD遥感影像能较好地区分出红树林、桉树林、松树林和灌丛／农田等典型植被类型。     

结合纹理分析的多光谱图像分类研究

为了有效抑制同谱异物和同物异谱对多光谱遥感图像分类的影响,提出了一种宏观与微观相结合的两级多光谱地物分类算法:首先,通过基于纹理特征的动态聚类形成地形地貌相同或相似的区域分块,降低地物复杂度对后续基于光谱特征鼢的地物分类的影响,然后,再根据每个区域分块中地物的光谱特征分层次进行再分类,从而得到对整幅图像的分类结果.最后,以大庆遥感数据为例,给出了实验结果和精度评价.     

高光谱遥感影像中最佳谱段的快速选择方法

针对高光谱遥感影像数据量大、信息冗余多的特点,在子空间划分理论基础上,结合最大熵和光谱角制图算法,提出一种快速的最佳谱段选择方法。充分利用相邻波段数据间的相关性分块特点,首先提取各子空间熵值最大的波段,然后依据地物光谱可分性选择最佳的波段组合。实验验证,最佳谱段选择速度快,并且所选谱段组合用于目标提取,效果显著。     

一种基于物理机理的高光谱遥感图像真彩色校正模型

针对高光谱遥感影像由于各波段光谱范围窄,难以获得符合人们视觉效果的真彩色合成影像问题,提出一种基于物理机理的高光谱遥感图像真彩色校正模型。该模型充分利用高光谱影像在红、绿、蓝反射区的所有谱段信息,通过插补波段并进行波段加权积分重建真彩色合成图像,进而结合实测地物反射率光谱,利用辐射传输模拟的方式,构建具备普适性的真彩色校正模型。利用航空高光谱遥感影像进行色彩校正实验的结果表明,所构建的真彩色校正模型能够很好地应用于高光谱遥感影像真彩色校正。     

山东省寿光市滨海地区盐田信息提取方法研究

山东省寿光市滨海地区盐田水体因含盐度高,其光谱特征与海域水体及其他地物差异大,光谱特征显著;盐田系人为建造,排列整齐\,几何特征明显,遥感影像上表现为纹理特征显著(棋盘状纹理、条纹状纹理),纹理指标可计算性强。首先采用缨帽变换方法增强光谱信息,采用定向滤波及灰度共生矩阵方法增强纹理信息;其次基于增强的光谱与纹理信息,采用以面向应用为目的的感兴趣地物提取方法对研究区TM图像进行分类,将分类结果与仅依据纯光谱及仅依据纯纹理分类结果相对比,分类总体精度分别为90.8985%、84.9102%和60.4017%。结果表明:以面向应用为目的的感兴趣地物提取方法分类精度最高。