基于决策树算法的测绘遥感图像信息分类方法研究

当前的测绘遥感图像信息分类节点的布设形式一般为独立的,分类识别范围较小,导致遥感图像信息漏分误差增加,为此提出了一种基于决策树算法的测绘遥感图像信息分类方法。根据当前的信息分类需求及标准,进行遥感图像信息预处理,采用多目标的形式,以此来扩大分类识别范围,部署多目标分类识别的节点,建立测绘遥感图像信息分类矩阵,以此为基础,构建决策树测算遥感图像信息分类模型,采用多元修正处理实现信息分类。测试结果表明：对比于测试组,该文方法的遥感图像信息漏分误差比被较好地控制在2.5以下,说明在决策树的辅助与支持下,当前对于遥感图形信息的分类效率更高,误差可控,将其应用到遥感图像自动分类中,具有很好的弹性和鲁棒性,且分类结构简单明了,达到了更好的分类效果,定义了一种特殊的数据结构,实现了该分类系统。实践表明,该系统具有很好的稳定性和交互性,实用性较强。     

多分类器组合方法在基于遥感图像的土地利用分类方面的应用

介绍了基于遥感图像的土地利用分类方面应用的研究背景、国内外研究现状,给出了使用提出的多分类器组合方法指导应用实例的研究方法。     

基于深度学习的高分辨率遥感图像识别与分类研究

高分辨率遥感图像,作为卫星及其它航空器拍摄的一种特殊图像类型,不论在军用还是民用领域都具有着极其重要的价值和地位。当前,卫星遥感技术发展迅速,传统的图像识别与分类技术已经不能满足人们对高分辨率遥感图像信息获取的需求。文章在传统图像预处理技术的基础上,结合了深度学习的方法,实现了高分辨率遥感图像的识别与分类。     

基于深度学习的耕地变化检测技术

随着人工智能技术的发展,以深度学习为主流的机器学习逐渐取代人工解译的方法,使遥感影像中地物资源的自动化判读成为现实。为解决传统人工判读引起的人力资源耗费高、解析精度差的问题,同时也为满足日益增长的遥感数据量的判读需求,基于语义分割的深度学习地物变化检测方法,实现耕地区域自动分割分类,通过对比时序影像差异得出变化区域范围,为自动化实现地物变化监测提供有效解决办法。以实际地区为例,采用deeplab语义分割网络的方法实现耕地资源的自动化提取与变化检测,实验证明该方法相比人工以及传统分类模型具有更好的检测精度。     

土地利用类型的模糊分类方法研究

随着模糊数学的发展和模糊分类方法的广泛应用,将模糊理论运用于遥感图像土地利用类型分类中是一个很好的选择,模糊分类方法较传统的分类方法有很大的优越性。     

结合CNN和Transformer的遥感图像土地覆盖分类方法

利用遥感图像进行语义分割是一种有效的土地覆盖分类方法。然而由于主流框架存在边缘分割不准确、缺乏全局信息导致错误分类等问题,阻碍了其在土地覆盖分类中的应用。针对以上问题,提出了一种用于遥感图像土地覆盖分类的卷积神经网络（Convolutional Neural Networks, CNN）和Transformer混合网络CTHNet,结合了CNN的局部细节提取能力和Transformer的全局信息提取能力。同时设计了自适应融合模块,融合来自对应级别的CNN和Transformer特征,自适应融合模块的输出进入分割头得到最终的预测结果。最后,结合边界检测分支为语义分割提供边缘约束。在两个公开的土地覆盖分类数据集上的实验结果表明,该方法优于当前主流的方法,分别实现了90.53%和64.33%的平均交并比（mIoU）,对遥感图像中的大目标和边界也有更好的识别效果。     

基于光谱与纹理特征的高空间分辨率图像分类算法

针对遥感高分辨率光谱图像的特点,提出了一种将纹理信息与光谱信息相结合的分类算法。对传统的局部二值模式纹理提取方法(LBPV)进行改进,并应用到高分辨率图像的土地覆盖分类中。结果表明,加入LBPV纹理特征的分类算法具有很好的空间连续性以及较高的分类精度。     

基于遥感与GIS的南宁市土地利用动态变化研究

本文以南宁市为研究区,选择了南宁市2000、2005、2010年三个年份遥感影像,应用RS和GIS软件,对这三个年份遥感影像进行处理,解译得出三个年份的土地利用空间分布图。在此基础上,运用ArcGIS进行土地利用变化分析,分别从土地利用结构时空变化、土地利用转移变化、土地利用动态变化和土地利用程度变化进行了分析。     

综合多级别检测的林地变化检测方法

为了提高植被变化检测精度和获取植被变化类型信息,在综合利用像素级变化检测、特征级变化检测和分类后变化检测的基础上,提出了一种由粗到精并准确获取变化信息的植被变化检测方法。文中选取2002 年和2007 年的QuickBird多光谱图像作为试验对象,使用像素级变化检测处理多时相遥感数据,确定出包含植被变化的候选区域;然后,使用特征级变化检测确定出变化区域;最后,结合分类后变化检测获取变化信息的位置和类型。通过对两时相遥感数据进行变化检测试验,并与各单独检测方法对比,验证新方法的有效性。结果表明:该方法在提高了变化检测精度的同时能够提供变化地物信息,可以有效地应用于植被变化信息的检测。     

一种针对高光谱遥感影像的波段选择方法

随着传感器技术的不断发展,高光谱遥感影像已经广泛应用于土地覆盖监测等诸多领域。高光谱遥感影像具有波段数目多、波段间相关性强等特点,因此在图像分类时需要有效的波段选择方法以提高遥感影像的使用效率。文中提出了一种针对高光谱遥感影像的波段选择方法,该方法首先使用信息散度描述波段间的相关性,通过构造信息散度矩阵对子空间进行划分。然后使用波段的信息量和Bhattacharyya距离构建适应度函数,并对粒子群算法中的惯性权值更新方式进行改进。通过对AVIRIS高光谱遥感图像进行实验证明,与现有算法相比文中算法具有更高的分类精度及更快的收敛速度。     

Estimating pixel-scale land cover classification confidence usingnonparametric machine learning methods

Conventional approaches to accuracy assessment for land cover maps produced from remote sensing use either confusion matrices or the Kappa statistic to quantify map quality. These approaches yield global or class-specific measures of map quality by comparing classification results with independent ground-truth data. In most maps, considerable spatial variation is present in the accuracy of land cover labels that is not captured by these statistics. To date, this issue has rarely been addressed in the land cover remote sensing literature. The authors present a method to estimate pixel-scale land cover classification confidence using nonparametric machine learning methods. The method is based on recent theoretical developments from the domains of statistics and machine learning that explain the machine learning technique known as “boosting” as being equivalent to additive logistic regression. As a result, results from classification algorithms that use boosting can be assigned classification confidences based on probability estimates assigned to them using this theory. they test this approach using three different data sets. Their results demonstrate that classification errors tend to have low classification confidence while correctly classified pixels tend to have higher confidence. Thus, the method described in this paper may be used as a basis for providing spatially explicit maps of classification quality. This type of information will provide substantial additional information regarding map quality relative to more conventional quality measures and should be useful to end-users of map products derived from remote sensing     

Multiple Kernel Based Remote Sensing Vegetation Classifier with Levy Optimized Subspace

Wireless Personal Communications - Vegetation classification in remote sensing (RS) applications details a rich source of information on land use/land cover decision making. To classify the mixed...     

改进贝叶斯ARTMAP的迁移学习遥感影像分类算法

遥感分类旨在从图像光谱中提取资源环境监测可用的地理信息,然而基于模式分类的图像处理技术受光谱漂移影响而缺乏历史样本重复利用的有效策略,制约着有限目标样本下遥感分类精度的提高.针对该问题,本文构建了基于改进的贝叶斯ARTMAP神经网络的迁移学习遥感影像分类算法,通过提高谐振匹配性来抑制类别扩散,利用节点的离散增量期望最大化参数更新策略,将历史遥感样本中的地物分类先验信息迁移到目标模型当中.实验结果表明本文方法能有效利用历史遥感数据弥补缺少目标训练数据的不足,相比于其他样本利用策略大幅提高遥感影像分类精度.     

基于残差网络的光学遥感图像场景分类算法

提出一种基于卷积神经网络中残差网络的遥感图像场景分类方法。本文方法在原网络模型中嵌入了跳跃连接和协方差池化两个模块,用于连接多分辨率特征映射和融合不同层次的多分辨率特征信息,并在3个公开的经典遥感数据集上进行了实验。结果证明,本文方法不仅可以将残差网络中不同层次的多分辨率特征信息融合在一起,还可以利用高阶信息来实现更具代表性的特征学习。与已有的分类方法相比,本文方法在场景分类问题上拥有更高的分类精度。     

基于遥感影像中电磁特性的地物提取方法

电磁特性数据是电子信息装备内场仿真试验不可或缺的数据资源,为了克服传统电子信息装备仿真试验中的电磁特性数据获取方法的不足,提出了从遥感影像中大批量获取大区域范围的电磁特性数据的新方法.首先依据不同地物的电磁特性规律对某一地域的地物进行了分类,从多尺度分割概念和基于异质性最小的区域合并算法两个方面.深入研究了针对地物分类的面向对象多尺度分割算法,并结合实践对算法进行了应用.由于遥感影像的真实性.保证了电磁特性数据提取的准确性与可靠性,实践证明此研究为大批量获取电磁特性数据提供了一种有效的方法和思路.     

基于多点信息统计法的土地覆盖图像超分辨率重建方法

在利用遥感技术对土地覆盖情况制图的过程中,超分辨率重建被广泛采用.包含土地覆盖图像特征的先验模型可以减少重建过程中的不确定性.多点信息统计法可以从先验模型提取其本质特征,然后将特征复制到待模拟区域.然而传统基于线性降维的多点信息统计法不能有效处理非线性数据,因此将等距特征映射引入到多点信息统计法以实现非线性数据的降维,再对降维后的数据作分类处理.比较当前数据事件和各个分类的均值,从与当前数据事件最接近的类中提取模式.同时利用低精度原始图像作为软数据以重建较高精度的土地覆盖图像.实验表明重建的超分辨率土地覆盖图像具有与参照图像相似的结构特征.     

动态规划理论在遥感影像边缘检测中的应用研究

灰度特征和空间结构是影像的两大识别特征,利用遥感影像中不同地类的纹理特征及灰度特性之区别,提取出有效的地类识别因子,应用动态规划理论综合考虑这些识别因子,找出不同地类的边缘。这种综合运用的方法可有效地检测出遥感影像中地类的边缘．     

基于多特征组合的彩色遥感图像分类研究

为了解决利用单一特征对彩色遥感图像进行分类效果不理想、普适性不强等问题,提出了一种基于颜色和纹理特征组合的支持向量机彩色遥感图像分类方法。该方法尝试将彩色遥感图像的颜色信息和纹理信息相结合作为支持向量机算法分类的特征向量,据此对遥感影像进行分类,并进行了实验验证。结果表明,颜色和纹理特征组合的支持向量机分类方法能够取得较高的分类精度,其分类效果优于传统的单一颜色或纹理特征分类,是一种有效的彩色遥感图像分类方法。     

联合NDRI特征和空间相关性的机载MS-LiDAR数据分类

对比仅包含多光谱信息、仅可实现二维土地覆盖分类的传统光学遥感数据,机载多光谱激光雷达(multispectral light detection and ranging,MS-LiDAR)的优势在于同时包含多光谱和空间信息、可实现三维土地覆盖分类,但现有的机载MS-LiDAR数据的土地覆盖分类研究所需特征维度过高、算法复杂度高。因此,提出了一种整合空间相关性和归一化差分比率指数(Normalized Difference Ratio Index,NDRI)特征的逐步分类算法。该算法首先融合机载MS-LiDAR数据的多波段独立点云,获取兼具空间位置及其多光谱信息的单一点云数据;然后利用空间邻域增长下的地面滤波算法分离地面和非地面点;接着基于不同目标的激光反射特性差异设计将草地(树木)自地面(非地面)中分离的NDRI指数,并利用类间方差最大原则下的自适应最优NDRI指数实现地面和非地面点的精细分类;最后利用3D多数投票法优化分类结果。采用加拿大Optech Titan实测MS-LiDAR数据测试提出算法的有效性及可行性,实验结果表明：算法的平均总体精度和Kappa系数分别可达90.17%和...     

Automated differentiation of urban surfaces based on airbornehyperspectral imagery

The urban environment is characterized by an intense use of the available space, where the preservation of open green spaces is of special ecological importance. Because of dynamic urban development and high mapping costs, municipal authorities are interested in effective methods for mapping urban surface cover types that can be used for evaluating ecological conditions in urban structures and supporting updates of biotope mapping. Against this background, airborne hyperspectral remote sensing data of the DAIS 7915 instrument have been analyzed for their potential in automated area-wide differentiation of ecologically meaningful urban surface cover types for a study area in the city of Dresden, Germany. The small urban structures and the high spectral information content of the hyperspectral image data require the development of special methods capable of dealing with the resulting large number of mixed pixels. In this paper, a new approach is presented that combines advantages of classification with linear spectral unmixing. Since standard unmixing techniques are not suitable for an area-wide analysis of urban surfaces representing a large number of spectrally similar endmembers (EMs), the mathematical model, were extended and a new method for pixel-oriented EM selection was developed. This method reduces the number of possible EM combination for each pixel by introducing spectrally pure seedlings and a list of possible EM combinations into a neighborhood-oriented iterative unmixing procedure. The results and their comparison with standard spectral classification methods show that the new pixel- and contest-based approach enables reasonable material-oriented differentiation of urban surfaces