结合多特征和模糊偏好关系的高分辨率遥感影像分割

高空间分辨率(简称高分辨率)遥感影像除光谱特征外,还包含丰富的纹理特征,为了实现高分辨率遥感影像的高精度分割,提出结合多特征和模糊偏好关系的分割方法.首先,通过像素光谱测度定义多种统计特征,根据定义的各个特征提取特征影像并分别实现影像分割,利用其结果构建模糊决策矩阵;然后,基于像素定义特征间的模糊偏好关系矩阵,计算不同特征对最终分割决策的权重,并对模糊决策矩阵加权以突出优势特征,抑制劣势特征;最后,通过反模糊化决策矩阵得到最优影像分割结果.对合成影像和真实高分辨率遥感影像的分割结果进行定性和定量评价,结果表明,合成影像的分割总精度为99.8%,Kappa值为0.998,说明所提出的算法通过结合各特征的优势部分能够获得高精度的分割结果.     

边缘保持滤波的遥感影像多特征联合分类

针对高分辨率影像在分类时存在的“海量数据灾难”“椒盐”现象、地物边缘不可分性强的问题,提出边缘保持滤波的高分辨率遥感影像多特征联合分类方法。该方法主要分为3部分。首先,提取影像的多种特征进行联合处理,减少数据处理运算量;然后,利用极限学习机对样本子类训练多个弱分类器,通过分类器获得初始类别概率影像;最后,利用多特征联合影像构建边缘保持滤波器,对初始类别概率影像进行滤波处理,通过投票表决的方法确定每个像素的类别。通过实验验证了该方法的有效性。     

高空间分辨率遥感图像分类的SSMC方法

近年来随着高空间分辨率遥感的发展。影像的空间细节描述能力得到提高，像元之间的空间相关性得到增强，使传统的遥感影像光谱分类方法面临着巨大的挑战。基于此背景，提出了高分辨率遥感影像分类的SSMC（spatial and spectral mixed classifier）方法，旨在同时采用光谱和空间特征进行遥感影像分类。本文是基于SSMC方法的一个具体的实验，通过多尺度的空间金字塔构造每个像元的空间参数，整合影像的光谱信号和空间信息进行高分辨率遥感影像分类。实验结果证明，SSMC方法对于提高高分辨率遥感影像的分类精度具有积极的意义。     

基于对象级的高分辨率遥感影像分类研究

依据高分辨率遥感影像的特点,结合深圳市QUICKBIRD数据提出一种基于多尺度分割的对象级遥感分类方法。文中首先利用分形网络演化法(FNEA)进行多尺度图像分割,获取对地表实体更具代表性的图像对象,然后利用对象所包含的光谱、空间特征来确定地物识别中可能要用到的各种特征参数,最后通过构建语义结构实现了研究区地物的逐级分层分类。研究结果表明,本文所采取的方法比传统方法在分类精度上有了明显的提高,为高分辨率遥感影像的信息提取提供了新的技术途径。     

基于分水岭变换与空间聚类的高分辨率遥感影像面向对象分类

面向对象方法已广泛应用于高分辨率遥感影像分类,提出一种结合改进分水岭变换与空间聚类的遥感影像面向对象分类新方法。首先,基于相位一致思想分析图像特征,由Gabor小波多尺度、多方向提取QuickBird全色影像的梯度信息;利用扩展最小变换与强制最小技术分别获取图像前景标识、重建相位一致梯度图像,利用改进后的分水岭变换获得分割对象。然后,提取各对象的多波段光谱特征,利用Gabor小波获取对象纹理矢量,并用独立成分分析方法进行特征选择,依次进行对象的光谱与纹理聚类。最后,通过分析对象间空间拓扑关系判断聚类后不确定对象的类别属性。实验结果表明该方法能取得较好结果,在一定程度上提高了影像分类的自动化水平。     

融入超像元的高分辨率影像面向对象分类

针对传统像元分类方法精度低和出现"椒盐"现象,提出融入超像元的高分辨率遥感影像面向对象分类方法。首先在顾及高分辨率遥感影像像元光谱的光谱相似和像元空间位置关系的基础上,采用简单线性迭代聚类方法来生成含有超像元的高分辨率遥感影像;再采用均值漂移算法对超像元的高分辨率遥感影像进行分割,最后采用支持向量机分类器进行分类。选择典型地区实验影像进行分类实验,结果表明,该方法在提高高分辨率影像分类精度的同时又能保持地物细节。     

简单线性迭代聚类的高分辨率遥感影像分割

影像分割是面向对象影像分析的基础和关键。针对传统影像分割方法地物边界依附性差、易受影像噪声影响等问题,提出一种简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)的高分辨率遥感影像分割方法。该方法首先用SLIC算法对影像过分割生成SLIC超像素,之后根据相似性规则对SLIC超像素进行合并实现影像分割;然后通过构造Lab颜色空间下的五维特征参数度量影像像素的局部特征差异,并通过SLIC算法把具有相似性特征的像素聚类生成超像素,克服影像噪声对分割结果的影响;最后根据相似性合并规则以超像素为基本单元进行区域合并,从而达到分割目的。实验结果表明,所提出方法具有良好的高分辨率遥感影像分割结果。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

一种面向对象的高分辨率影像道路提取方法

高分辨率遥感影像为用户提供了丰富的地表细节信息, 如何利用图像分析技术从高分辨率遥感影像中进行目标提取、更新地理信息数据库, 成为遥感信息处理研究的热点。传统的道路提取方法一般采用像素级检测方法, 仅利用了像素的光谱信息作为道路提取的依据, 无法利用影像的空间信息。提出了一种面向对象的高分辨率卫星影像道路提取方法, 并选取南京市IKONOS 影像进行了实验。首先, 对影像进行分割获取影像对象, 再通过对IKONOS 影像中道路特征的分析, 利用影像对象的光谱特征、几何特征和空间关系建立知识库, 最后, 利用知识库中的规则来提取影像中的道路。实验结果表明采用本方法能够较好地提取出实验区中的道路。     

基于Block-Gibbs抽样的无限潜Dirichlet分配模型的高分辨率全色遥感影像非监督分类

通过引入文本检索算法中的无限潜Dirichlet分配(infinite Latent Dirichlet Allocation,即iLDA)模型,对遥感影像进行建模以获取地物的统计分布及其共生关系,从而实现遥感影像非监督分类。首先,将遥感影像有重叠地划分成一组大小相等的影像块(文集)。其次,以iLDA为基础,构建"像元"(视觉词)、"影像块"(文档)和"地物类"(主题)之间的条件概率关系,并采用Block-Gibbs抽样的方法来估计模型参数,从而构建基于BlockGibbs抽样的iLDA遥感影像非监督分类模型(Block-Gibbs based iLDA,即BG-iLDA)。最后,通过对BG-iLDA模型的逼近求解实现高分辨率遥感影像的非监督分类。实验结果表明,本文提出的基于BG-iLDA的面向对象非监督分类方法相对传统的K-means等算法精度更高,更能有效区分"同谱异物"的地物。     

基于DBN与对象融合的遥感图像变化检测方法

在高分辨率光学遥感图像变化检测中,多数面向对象的方法只能利用简单的特征组合得到对象特征,难以进行高层特征的设计和提取。针对该问题,提出一种基于深度置信网络和对象融合的图像变化检测方法。将变化检测转化为二分类问题,并把图像像素作为分类单元,在特征学习和分类阶段设计多尺度的图像特征学习和分类方法,以充分利用图像目标的上下文信息。在此基础上设计基于对象的分类融合方法,对利用深度置信网络分类得到的结果进行融合,从而减小局部噪声的影响。在QucikBird影像数据集上的实验结果表明,该方法可有效提高图像变化检测的准确率。     

一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法

针对高分辨率遥感影像中传统超像素分割方法存在过分割和边缘分割一致性的问题,选取五景高分辨率遥感影像,提出了一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法。首先,采用熵率超像素进行过分割,生成超像素过分割区域;然后,分析影像地物的空间信息,对比区域相似性;最后,采用空间约束模糊聚类和光谱差异进行区域合并,获取最终分割影像。定性和定量分析结果表明,该方法改善了过分割问题,能有效提高分割精度,使得分割影像的地物边缘一致性较优。     

纹理与几何特征在道路提取中的应用

提出一种利用纹理与几何特征的高分辨率遥感影像道路提取方法。首先分析高分辨率遥感影像的纹理特征,提出基于纹理特征的聚类方法,将影像大致分为道路区域和非道路区域,然后选取适当的几何特征指数,剔除道路区域中含有的非道路像素,得到初步道路信息。最后通过数学形态学处理,去除初步道路信息中由于车道线、树木影响而产生的孔洞,最后得到完整的道路信息。实验结果表明,与传统方法相比,该方法能够有效地从高分辨率遥感影像中提取道路。     

基于地质统计学纹理的遥感影像分类研究进展

传统的基于像素与像素基础上的遥感影像光谱分类方法忽视了邻近像素值之间潜在有用的空间信息,三十多年来,人们一直都在谋求利用遥感影像本身所固有的空间信息以加强光谱分类,尽管从事该方面研究的人一直都很少,其实现的手段主要依靠对原始影像的滤波,滤波的一般方式是生成纹理波段以指导接下来的分类。近年来,变异函数被用来表达空间依赖性,并取代简单的方差滤波成为了纹理分类的主要手段,在这篇综述性的论文中,笔者主要讨论了两类将基于地质统计学的纹理信息集成到遥感影像分类中的应用,它们代表了当前遥感影像纹理分类的主流。     

以SPOT5遥感数据为例比较基于像素与面向对象的分类方法

以SPOT5高空间分辨率遥感影像为研究数据,采用面向对象的遥感影像分类方法,将基于像素的分类精度与基于影像对象的分类精度进行对比分析。结果表明:基于像素的分类方法在处理高空间分辨率遥感影像时具有一定的局限性,而面向对象的分类方法充分利用了影像中的光谱信息、几何结构、空间信息及上下文信息,在高空间分辨率遥感影像分类方面更具有优势,有良好的应用前景。     

训练样本数目选择对面向对象影像分类方法精度的影响

面向对象遥感影像分类中的样本选择与基于像素的方法有很大不同,基于统计学理论,研究了面向对象方法的样本数量选择问题。首先,针对面向对象方法的特点,对影像特征空间进行分析,结果表明面向对象方法中要求训练样本的数量可以显著地减少。然后,在遥感影像分类实验中,借助样本数量与波段数目的关系,验证了理论分析的结果。     

遥感影像元数据多维可视化方法的设计与实现

遥感影像元数据的可视化表达对遥感影像的管理和有效利用有非常重要的意义。针对以往遥感影像元数据多维可视化方法存在当数据量较大时无法对信息进行有效的分辨以及不同数据维度之间联系不紧密的问题,该文以遥感影像元数据为对象,通过比较遥感影像元数据经典型多维信息可视化的不同方法,提出了基于改进的平行坐标多维可视化方法及基于圆形平行坐标和球极坐标多维可视化方法,并以GeoGlobe作为实验平台及数据载体,对上述方法予以了实现。结果表明,与其他方法相比,这两种方法在表现力和动态交互性方面都有更好的效果。     

基于多特征的城市用地高分辨率影像分类与提取

利用高分辨率影像对象的多特征信息，采用面向对象的影像分析技术与多尺度影像分割技术，建立基于多特征的遥感影像分类模型，提取城市用地信息，为城市用地的合理规划与有效管理提供信息支撑。该方法分类速度快、精度高，为遥感影像信息的分类与提取提供了新的思路。     

基于视觉注意机制的大范围水体信息遥感智能提取

建立契合遥感数据内在特征的智能信息分析模型与方法,是解决遥感大数据时代信息智能提取的关键所在。从普适性的大范围水体信息遥感智能采集的需求出发,构建一种基于视觉选择性注意机制与AdaBoost算法的水体信息遥感智能提取方法。首先通过对遥感多特征指数的RGB配色方案的优化设计,实现水体信息图像特征的增强和可视化表达。然后在HSV颜色空间中,利用色差距离图像的关键节点信息构造分类特征集,并采用AdaBoost算法构建水体识别分类器,据此从图像色彩聚类结果中自动识别出水体所属类别,实现水体信息的智能提取。对比实验结果表明,该方法的水体信息提取结果在漏分率（LR）和复合分类精度（CCA）上都有明显提高;同时,该方法能有效减少对高质量训练样本的依赖性,对于丰水期泥沙含量较高水体以及洪灾导致的淹没区等临时性水域也具有较好的识别性能。     

NMI特征优化边界敏感的LSC遥感影像分割算法

针对线性谱聚类方法处理复杂场景的高分辨率遥感影像时存在地物边界丢失、过分割问题,提出基于归一化转动惯量特征优化边界敏感的线性谱聚类方法。首先,利用LOG算法提取影像边缘信息,将边缘信息与LSC算法融合,并将存在边缘信息的超像素块的区域质心替代原始聚类中心,改善地物边界信息丢失问题;然后,通过边缘敏感的LSC分割方法,对高分辨率影像进行分割,获取地物完整的初始超像素,并确定微小的超像素;最后,计算微小超像素与相邻超像素相似性度量值,并将其合并到相似性度量值最小的超像素,优化过分割结果。实验结果表明,该方法可以有效地解决地物边界丢失、过分割问题,获取较好的分割结果。