多尺度纹理及多光谱影像协同的遥感岩性识别方法

岩性识别是遥感图像分类的难点,也是遥感地质应用的难点和热点。从遥感地质应用的实际需求出发,以西昆仑地区侏罗纪沉积岩地层为例,通过尺度转换提取高分遥感图像的多尺度纹理信息,采用波段叠加的方式协同多尺度纹理信息与ASTER影像多光谱信息进行岩性识别方法研究。利用WorldView 2全色数据进行向上尺度转换,形成空间分辨率分别为0.5,2,5,10,15,30 m 6种尺度图像数据,基于灰度共生矩阵提取各尺度上的纹理信息;将不同尺度的纹理信息分别与ASTER多光谱数据叠加形成协同数据;采用监督分类方法对研究区协同数据进行岩性分类。结果表明:①岩性纹理信息对空间尺度表现出依赖性,纹理信息量及含义随空间尺度不同而变化;②每套特定岩层因其独特的几何空间结构特征(厚度、产状、夹层、互层等)都有与之相适应的最佳纹理尺度,且该最佳尺度下纹理与光谱的协同效应最大;③纹理信息与多光谱数据形成的协同数据能有效提高岩性分类的精度,分类精度提高的程度与纹理计算的尺度相关。研究区岩性分类结果显示当纹理尺度为10 m时,与仅基于ASTER纯光谱分类结果相比,精度提高了约6.9%。?      

TM图像杨树林识别的MLC与LSU算法应用分析——以河北省文安县为例

以Landsat5 TM1、TM2、TM3、TM4、TM5和TM7等图像数据,经预处理后进行植被指数提取和主成分分析,生成13个波段数据集;并用最优指数法(OIF)选取目视解译波段,运用最大似然法(MLC)和线性光谱分解法(LSU)对华北平原农区河北省文安县2007年5月的杨树林地面积信息作了应用分析.结果表明:(1)...     

基于多尺度纹理分类及矿物识别的ASTER地质填图

遥感技术已经成为基础地质调查必不可少的手段。为提高地质填图效率及精度, 本研究提出了基于ASTER的岩性自动分类加主要和典型造岩矿物识别的填图方法。首先, 对ASTER数据进行主成分变换, 对选取的第一主分量采用Haar小波进行多尺度小波分解, 将小波系数的统计特征作为纹理特征, 构建纹理及光谱多维特征空间; 接着, 运用支持向量机(SVM)进行岩性分类; 同时, 根据光谱特征提取主要造岩矿物; 最后将主要造岩矿物叠加在分类结果上, 结合野外调查背景进行岩性填图。混淆矩阵结果显示光谱+小波纹理分类精度可以达到83.496 2%, 较光谱+灰度共生矩阵纹理分类精度提高了2.675 6%, 较光谱特征分类精度提高了6.318 9%。与最大似然法(MLC)分类相比, SVM分类精度提高了6.623 7%。矿物提取结果表明, 构造的提取指数可有效提取白云母、黑云母、方解石、角闪石等矿物。野外工作证明, 填图结果与野外调查结果的相关系数为0.7, 可见, 基于ASTER数据利用图像处理技术、机器学习算法及波段运算可作为植被覆盖较少地区有效的地质填图手段。      

空间分辨率与纹理特征对多光谱遥感分类的影响

多光谱遥感分类与影像空间分辨率有着密切的关系,在适宜空间分辨率影像上进行地物分类能够获得更高的精度。随着遥感影像空间分辨率的提高,纹理特征被广泛用于遥感分类,但由于不同地类空间尺度不同,纹理对不同地物分类的影响程度也有所差异。本文基于高分一号2 m全色和8 m多光谱影像融合后的高空间分辨率多光谱数据构建反射率空间序列,选用3种分类方法对序列分类,并分别计算2 m融合数据及8 m多光谱影像的纹理特征,选择特征波段与相应多光谱波段组合用以分类研究,最后计算混淆矩阵评价分类精度。研究结果表明,通过回归分析得到多光谱分类的最佳空间分辨率为5 m,与其他研究中利用全色波段分类的结论一致,这说明最佳空间分辨率的选择不受光谱信息影响;对多光谱分类精度随空间分辨率变化的变化趋势分析发现,分类精度在20~30 m分辨率范围区间内快速降低,这为多光谱遥感分类数据空间分辨率的选择提供了重要参考;此外,对光谱与纹理特征结合后不同地类分类精度的变化分析显示,加入纹理特征后,冬小麦、人工建筑、有林地和水体的分类精度在2 m分辨率下分别提高了1.49%、1.51%、4.94%、1.54%,8 m分辨率下分别提高了2.95%、10.95%、5.91%、5.14%,说明引入纹理特征有利于提高分类精度,但其对不同地物类型、不同分辨率影像的影响程度不同。     

随机森林方法支持的复杂地形区土地利用/土地覆被分类研究

随机森林方法目前已经成为遥感分类机器学习中一种有效方法,探索基于中等分辨率的Landsat卫星数据与随机森林方法相结合对复杂地形区长时间序列数据的获取及土地利用/土地覆被变化及模拟研究是非常有意义的。本文基于Landsat8OLI卫星多光谱数据,采用随机森林分类方法对青海省湟水流域复杂地形区土地利用类型进行了分类研究。针对复杂地形区域的情况,将研究区进行地理分区,根据每个分区的特点,选择相应的地形特征参数,并通过提取Landsat 8数据的光谱信息与纹理信息构建最优特征集,探索随机森林方法在复杂地形区土地利用分类的适用性。结果表明：使用Landsat8OLI数据进行随机森林分类,能较好地得到湟水流域复杂地形区域的土地利用类型结果;光谱、地形及纹理信息的结合在不同分区的表现结果不同。在脑山区光谱与地形信息结合能使随机森林分类效果最佳,总体精度达到91.33%,Kappa系数为0.886;而在浅山区与川水区综合考虑光谱、地形、纹理信息进行随机森林分类效果最佳,浅山区与川水区总体精度分别达到92.09%和87.85%,Kappa系数分别为0.902和0.859;利用随机森林算法进行优化选择纹理特征组合可以在保证分类精度的同时能够快速地提取土地利用类型信息,为复杂地形区土地利用类型的区分提供了实际可行的方法。     

基于 LandsatＧ８OLI和 ASTER数据集成基于 LandsatＧ８OLI和 ASTER数据集成以包古图斑岩型铜矿为例

围岩蚀变现象是热液矿床成矿作用发生的重要标志之一,使用遥感数据进行蚀变信息的提取能够降低找矿成本,提高找矿效率.多光谱遥感数据以覆盖范围广、获取容易、价格便宜等优点成为蚀变信息提取的主要数据之一.根据 LandsatＧ８OLI和 ASTER数据各自的波谱优势,把两者进行集成,得到 AO 数据;然后融合 AO 和 LandsatＧ８OLI全色波段得到融合后的 AOM数据.基于 AOM 数据,利用波段比值、相对吸收深度、混合调制滤波对研究区的矿化和围岩蚀变进行了提取.为了验证 AOM 数据在矿化蚀变信息提取中的优势,对比了数据集成和融合前后的蚀变信息提取结果.对比结果表明:①AOM 数据能够充分利用LandsatＧ８OLI和ASTER的波段信息,包含了比任何单个数据都多的蚀变信息;②AOM 数据能够提取出更多的信息,尤其是对一些细节信息提取效果更好,可应用于矿化信息提取研究.      

面向对象的航空高光谱图像混合分类方法

传统的高光谱分类通常仅考虑单一像元的光谱或纹理特征,分类后容易出现地物破碎的现象。鉴于此,本文提出了一种面向对象的混合分类方法,将面向对象的分割结果与传统的像元级分类结果进行有机融合,充分利用对象的光谱特征和空间结构特征。在此基础上,引入了2种具体的混合分类方法,即多尺度分割的SVM分类和多波段分水岭分割的SVM分类。前者将地物光谱的可变性进行弱化处理,转化为多尺度均质对象单元进行分类;后者融入了地物的空间信息和形态学特征,对分割得到的同质区域进行分类。将这2种分类方法应用于航空高光谱数据,实验结果表明：面向对象的混合分类方法的总体精度分别为92.63%和96.13%,与传统的像元级分类法相比,分别提高了10.14%和13.64%,有效地解决了分类后地物的破碎现象。     

浅析SPOT5卫星数据在西部测图项目中融合及制作模拟真彩色的方法和应用

遥感影像数据的融合对于利用影像进行分类、特征提取和目标识别具有重要的意义。本文以2005年4月的SPOT5卫星全色数据和多光谱数据为例,针对国家西部测图项目利用SPOT5卫星数据进行融合处理和制作模拟真彩色影像,阐述了主成分分析法(PCA)、乘积法(Multiplicative)、比值变换法(Brovey Transform)及PANSHARP等的算法实现,并且对SPOT5全色波段和多光谱波段进行了融合实验,介绍了目前较为成熟的像元级融合技术及模拟真彩色影像图的制作方法。     

基于Landsat 8 QA云标识的云影识别方法研究

Landsat系列卫星数据是对地观测研究中应用最为广泛的遥感数据源之一,但是Landsat数据易受云及云影的影响,因此,在Landsat数据的应用中,云和云影的识别十分关键。美国地质调查局（United States Geological Survey,USGS）在其分发的最新的Landsat 8 数据中新增了一个质量评估（Quality Assessment）波段,能快速提供高精度的云掩膜,然而并不能识别云影。本文在Landsat 8 QA波段云识别基础上,对影像的近红外和短波红外波段进行种子填充变换,提取影像中的潜在云影,采用非监督分类的方法识别影像中的水体,将水体从潜在云影中去除。利用太阳方位角和太阳高度角对云及云影相对位置的影响,对云和云影进行匹配,识别真实的云影。利用全球云和云影验证数据集对本文的云影识别结果进行了精度评价,结果表明：不同生态区域云影识别精度达到87%以上。与Fmask云影检测方法相比,本文方法所需波段数更少,流程简单,简化了云高度估算和视角问题,可以快速、准确地识别云影,对基于Landsat 8数据的定量分析或时序研究有重要价值。     

多源遥感数据融合应用研究

多源遥感数据融合是遥感技术向纵深发展的必然趋势。本文对多源遥感数据融合算法的应用特点,从基于像元的融合、特征的融合以及决策级融合3个层次上进行了详细的分析,并以河北丰宁县为例,说明遥感数据融合方法在遥感信息提取中的具体应用:对所用数据进行预处理,然后对1999年Landsat TM数据进行主成分变换,前3 个主成分占总信息量的97.8%,主成分逆变换后的结果影像更清晰,层次更丰富。信息提取时选择TM全色和主成分变换后的多光谱数据融合后的影像,波段4、3、2和波段5、4、3的彩色合成方案,并对植被指数和穗帽变换后的绿度指数进行了分析,遥感影像与DEM以及与GIS空间数据的信息融合也可以提高遥感信息提取的精度。最后分析了多源遥感数据融合尚待解决的问题及努力方向。