基于面向对象决策树算法的半干旱地区遥感影像分类

半干旱丘陵地区地形复杂,地表覆盖物分布复杂多变,这极易导致"同物异谱,异物同谱"现象的产生,给遥感影像分类工作带来极大的不确定性。本文构建了基于多特征的面向对象决策树分类方法,充分利用光谱特征、地形特征、物候特征及像元间的相关性综合提取地物信息。研究结果表明,该基于面向对象决策树遥感分类方法在半干旱地区能够有效提高分类精度,总的分类精度达86.9426%,能够满足非点源污染模拟研究的需要。     

基于高分辨遥感数据的胡杨与柽柳树冠提取

胡杨、柽柳是干旱荒漠区生境的指示种,其树冠提取是荒漠生境遥感定量监测的基础。以塔里木河下游胡杨、柽柳为研究对象,基于QuickBird数据,使用光谱单数据源SVM、光谱结合纹理SVM、面向对象分类和最大似然分类法提取树冠。结果表明:1光谱结合纹理SVM比光谱单源SVM分类精度高9.65%,冠幅估测精度高7.18%,表明高分辨影像上纹理是提高分类精度的重要因素;2面向对象分类法精度最高,分类总体精度86.47%,较光谱单源SVM提高15.67%,较光谱结合纹理SVM提高6.02%,较最大似然法提高22.58%,其冠幅估测精度达87.45%。它兼顾面向对象影像分割与支持向量机方法优点,有效利用分割对象光谱、纹理和空间等信息,较好地解决了其他方法"同物异谱、异物同谱"造成提取树冠破碎的问题,使树冠提取具有较好的稳定性和较高精度。     

基于双树复小波分解的BP神经网络遥感影像分类

为有效解决高分辨率多光谱遥感影像分类模糊性和不确定性以及较好地克服噪声的影响,提出了一种基于双树复小波分解的BP神经网络遥感图像分类方法。首先提取影像的NDVI、纹理特征来降低影像中因"同谱异物"和"同物异谱"引起的分类不确定性;然后对影像的原始光谱波段、NDVI、纹理特征图像进行一层双树复小波分解,提取出图像的低频信息,降低图像噪声以及减少分类中存在的"椒盐"现象;最后将提取的低频子图作为BP神经网络的输入并根据训练好的网络进行分类,得到最终的分类结果。对比实验结果表明该方法的分类结果杂点较少,区域一致性更强,具有较高的分类精度和较好的鲁棒性。     

基于类半径不确定性度量的遥感影像分类

遥感影像分类是遥感技术应用中的一个重要研究方向,而类准则是分类算法设计过程中的关键问题之一。现有高光谱分类方法很少考虑光谱的不确定性,而地物光谱在获取过程中,由于环境的复杂性,"同物异谱""同谱异物"现象时有发生,为此该文旨在将光谱特征不确定性分析用于高光谱影像的分类算法中。其主要思想是首先利用类半径进行定量描述光谱的不确定性;然后,通过特征加权的方式将光谱不确定性引入到特征相似性的度量中,并提出一种基于类半径不确定性度量的影像分类方法;最后通过高光谱影像进行分类实验,验证了本文所提算法的有效性。     

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.     

基于粗集的遥感影像分类新方法

土地利用信息是进行土地规划和管理的重要数据,有着重要的经济价值。为了准确获取土地利用数据信息,根据粗集理论在处理遥感影像的不确定、不一致和属性选取方面虽有一定优势。然而现有的粗集方法对于遥感影像中的同物异谱和异物同谱现象过于敏感,采用计算机仿真技术对遥感影像进行自动分类是有效的手段,特别是其分类规则在仿真过程中易于出现过度拟合现象,限制了粗集分类的能力。针对上述情况,提出了一种新的基于粗集的遥感影像分类方法,改进了分类规则匹配机制。仿真结果表明通过改进方法可以很好的解决粗集与遥感影像的过度拟合现象,并提高了分类精度。     

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。     

遥感图像异物同谱干扰消除技术研究与仿真

研究卫星遥感图像异物同谱干扰消除问题。遥感图像具有较低的空间分辨率差异被淡化,不同地面物体反射或发射能量之间的光谱差异随着距离的传递迅速衰减,在远程采集图像终端光谱差异消失,存在着"异物同谱"的现象。传统的遥感图像分类技术主要依靠光谱距离差异测量与统计分析的原理来进行图像分类,在光谱差异迅速衰减造成异物同谱现象的干扰下,距离频率特征被干扰破坏,很难以上述标准为基础进行准确分类。为此提出一种改进的HSV模型用于遥感图像的干扰消除,将特征向量做为测试参数输入到优化改进后的BP神经网络进行分类,克服异物同谱现象带来的特征提取与分类不准确的弊端。实验证明,改进方法可以准确地对低分辨率的遥感图像进行干扰消除,对图像进行准确的分类,并为遥感图像正确提取提供了依据。     

基于特征优化的面向对象建筑物提取

相比于基于像素的建筑物提取方法, 面向对象方法能减少“异物同谱”和“同物异谱”现象, 提高提取精度; 针对遥感影像特征繁多, 造成特征维数灾难的问题, 本文提出了一种面向对象的特征优化方法进行建筑物提取. 首先将最小误差自动阈值分割方法和多尺度分割相结合, 优化分割技术; 然后基于Relief算法和fast correlation-based filter (FCBF)算法进行特征选择, 构建最优特征子集; 最后使用随机森林方法进行建筑物提取并用最小外接矩形方法优化建筑物边界. 结果显示, 特征重要性差异较大, 基于最优特征子集建筑物提取的总体精度达到0.93, Kappa系数为0.91, 明显高于原始特征集和优化特征集提取结果.     

双卷积池化结构的3D-CNN高光谱遥感影像分类方法

目的 高光谱遥感影像数据包含丰富的空间和光谱信息,但由于信号的高维特性、信息冗余、多种不确定性和地表覆盖的同物异谱及同谱异物现象,导致高光谱数据结构呈高度非线性。3D-CNN（3D convolutional neural network）能够利用高光谱遥感影像数据立方体的特性,实现光谱和空间信息融合,提取影像分类中重要的有判别力的特征。为此,提出了基于双卷积池化结构的3D-CNN高光谱遥感影像分类方法。方法 双卷积池化结构包括两个卷积层、两个BN（batch normalization）层和一个池化层,既考虑到高光谱遥感影像标签数据缺乏的问题,也考虑到高光谱影像高维特性和模型深度之间的平衡问题,模型充分利用空谱联合提供的语义信息,有利于提取小样本和高维特性的高光谱影像特征。基于双卷积池化结构的3D-CNN网络将没有经过特征处理的3D遥感影像作为输入数据,产生的深度学习分类器模型以端到端的方式训练,不需要做复杂的预处理,此外模型使用了BN和Dropout等正则化策略以避免过拟合现象。结果 实验对比了SVM（support vector machine）、SAE（stack autoencoder）以及目前主流的CNN方法,该模型在Indian Pines和Pavia University数据集上最高分别取得了99.65%和99.82%的总体分类精度,有效提高了高光谱遥感影像地物分类精度。结论 讨论了双卷积池化结构的数目、正则化策略、高光谱首层卷积的光谱采样步长、卷积核大小、相邻像素块大小和学习率等6个因素对实验结果的影响,本文提出的双卷积池化结构可以根据数据集特点进行组合复用,与其他深度学习模型相比,需要更少的参数,计算效率更高。     

结合面向对象方法的多层次干旱与半干旱区域城镇提取方法

在干旱与半干旱区域戈壁及沙漠等高亮地表与城镇连成一片,两者的光谱特征在中等分辨率遥感数据上非常相似;因此,利用基于像素的分类方法很难将城镇准确提取出来。根据两种地物的样本对NDVI、NDBI的分布特征统计分析得出:基于面向对象的分类方法在提取城镇信息方面有较大优势。以典型的干旱区域—黑河流域张掖市及周边地区作为研究区域,将面向对象的方法应用到具有中等分辨率的Landsat-TM数据上,提出了结合面向对象方法的多层次干旱与半干旱区域城镇提取方法。该方法首先使用分层分类的方法得到城镇和荒漠的混合影像,然后使用面向对象的分类方法精确提取城镇信息,其中分割对象过程中引入样本可分离度量化不同尺度的影像分割效果,实现最优尺度分割。结果表明:其目视效果、总体精度(94.51%)和Kappa系数(0.89),均优于支持向量机(SVM)与基于时间序列的分类方法。     

A Remote Sensing Classification Methods of Coastal Wetlands Considering the Distance to Main Water

Coastal wetlands is complex,"different objects with the same spectrum" is serious in the remote sensing image,so the classification accuracy only based on spectral information is low.For this issue,based on the coastal zone wetland's spatial distribution rule,this paper established two kinds of distance layers,distance to coastline layer and distance to river layer,which applied maximum likelihood method and decision tree method,and developed a coastal wetland remote sensing information extraction methods,taking Sheyang County,Jiangsu Province for example.The developed methods highly improved the classification accuracy with the overall classification accuracy of 81.5%,and Kappa of 0.79.The maximum likelihood supervised classification method classification accuracy was lower with overall classification accuracy of 62.3%,and Kappa of 0.60.     

基于遥感和陆表信息集成的广东省土地覆盖分类方法研究

土地覆盖信息是估算地-气间的生物物理过程和能量交换的关键参数,也是区域和全球尺度气候和生态系统过程模型所需要的重要参量。如何高效地利用遥感数据提取土地覆盖信息是当前研究迫切需要解决的问题。面向对象的分类方法不但充分利用了遥感数据的光谱信息,同时也利用了影像的纹理结构信息和更多的地物分布信息关系,在遥感分类中具有较大的潜力。研究基于2010年多时相的环境卫星数据、TM数据以及DEM数据,并结合地表采集的4000多个样点数据,采用面向对象的分类方法对广东省土地覆盖进行分类。经采样验证,广东省土地覆盖平均精度为85%,分类结果精度远高于常规的分类算法,说明结合陆表信息的面向对象分类方法比常规的分类算法更具有优势,可以实现高精度的土地覆盖分类。     

基于知识的山东丘陵区土地利用/覆盖分类研究

土地利用/覆盖信息的获取是土地利用/覆盖变化研究的前提和基础, 传统的基于光谱信息的分类无法克服地物光谱特征相似造成的混淆。以龙口市为例, 探讨了综合应用高程、坡度等地学专家知识和地物的光谱知识, 对山东丘陵地区土地利用/覆盖进行自动分类的方法。实验证明, 基于知识的土地利用ö覆盖分类方法消除了单纯利用光谱信息的不足, 达到了90. 24% 的分类精度, 远高于最大似然法分类。     

基于面向对象的青海湖环湖区居民地信息自动化提取

居民地的空间格局和密度直接反映着区域人类活动的强弱程度,影响着区域人地系统演变和生态环境可持续发展。基于高分辨率卫星遥感影像数据,提出了一种面向对象的青海湖环湖区居民地信息自动化提取方法。首先,利用尺度集理论对高分辨率卫星遥感影像进行多尺度分割,获取不同尺度的分割对象;其次,通过机器学习算法集对分割对象的自定义特征、光谱特征、几何特征和纹理特征进行训练,选取最优自动分类算法;最后,利用最优自动分类算法提取青海湖环湖区城镇居民地和农村居民地信息。采用平均召回率、平均准确率和平均F值评价指标对分类结果进行精度评价,其中,城镇居民地各评价指标均在93%以上,农村居民地各评价指标均在86%以上。结果表明:该方法提取城镇居民地和农村居民地总体精度较高,在大面积人类活动精细化监测中具有较好的科学意义和应用价值。     

基于数据流的TIN迭代滤波算法

通过机载LiDAR数据滤波获取地面信息是机载LiDAR数据的一项重要且基本的应用。基于现行的滤波算法都有一定的应用局限,本文提出了一种基于数据流的TIN滤波算法。该方法基于流的思想,首先对机载LiDAR数据进行点流的空间结点化,之后在构建Delaunay三角网的同时,进行插入点判断。通过试验区数据的滤波验证,此算法能够较好地滤除地物点,保持地形;提高了滤波效果的同时,在算法效率上还占有一定优势。     

高寒干旱地区环境遥感信息提取方法研究

根据高寒干旱地区环境研究的特点,研究了适合于遥感信息提取的区域环境综合分类系统,提出了利用现有成熟的图像分类和专题信息提取的技术方法,在ＧＩＳ的支持下实现了多种遥感信息与非遥感信息的复合。利用多重判据在ＧＩＳ环境下,通过基于知识的识别和修改,对初分类结果中相混淆异类进行了有效分离,达到类型纯化     

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。     

遥感图像的云分类和云检测技术研究

为了有效减小云层遮盖对遥感图像数据利用率的影响,提出了一种基于灰度特性 的算法,实现了遥感图像高效自动的云分类及云检测。该方法首先将大幅遥感图像切分成小块 子图,然后统计子图灰度值的均值和方差,在此基础上将云分成无云、薄云和厚云三类,最后 通过边缘检测算法,实现了对厚云影响范围的有效标记。对100 幅典型水域遥感图像的实验测 试结果表明：正确云分类判别率达到97%,误判率小于4%,漏判率小于2%,基本满足实时性 需求,证明了该算法的有效性。     

Analysis of wavelet packet and statistical textures for object-oriented classification of forest-agriculture ecotones using SPOT 5 imagery

Textural features of high-resolution remote sensing imagery are a powerful data source for improving classification accuracy because using only spectral information is not sufficient for the classification of objects with within-field spectral variability. This study presents the methods of using an object-oriented texture analysis algorithm for improving high-resolution remote sensing imagery classification, including wavelet packet transform texture analysis, the grey-level co-occurrence matrix (GLCM) and local spatial statistics. Wavelet packet transform texture analysis, with the method of optimization and selection of wavelet texture for feature extraction, is a good candidate for object-oriented classification. Feature optimization is used to reduce the data dimensions in combinations of textural sub-bands and spectral bands. The result of the classification accuracy assessment indicates the improvement of texture analysis for object-oriented classification in this study. Compared with the traditional method that uses only spectral bands, the combination of GLCM homogeneity and spectral bands increases the overall accuracy from 0.7431 to 0.9192. Furthermore, wavelet packet transform texture analysis is the optimal method, increasing the overall accuracy to 0.9216 using a smaller data dimension. Local spatial statistical measures also increase the classification total accuracy, but only from 0.7431 to 0.8088. This study demonstrates that wavelet packet and statistical textures can be used to improve object-oriented classification; specifically, the texture analysis based on the multiscale wavelet packet transform is optimal for increasing the classification accuracy using a smaller data dimension.