融合低秩和形态学的高光谱影像特征提取

高光谱遥感影像具有较高的光谱分辨率,能够精细刻画地物的反射光谱,具有很高的地物分类与识别能力. 但高维波段之间通常具有较高的相关性,冗余度高,为影像处理和分析带来负担. 针对高光谱影像特点的特征提取和选择为有效提取信息提供了保障. 提出一种融合低秩和形态学的特征提取方法(MSEMP),利用低秩来精简高光谱影像中的冗余信息,获取秩最小的光谱紧致表达,并在此基础上利用多形态多尺度结构元素提取形态学剖面,获取影像空间特征. 实验对AVIRIS和ROSIS传感器的两组数据进行测试,通过MSEMP提取特征后进行分类实验,可以获得较高的分类结果,证明了低秩和形态学相结合的特征提取方法的有效性.     

基于资源一号02C卫星影像的稀土矿区地物提取研究

为解决稀土矿开采区野外调查用时长、成本高等问题,文中利用遥感影像来提取地物信息.全文基于资源一号02C卫星影像,以赣州市寻乌县文峰乡一稀土矿区为研究区,对影像数据进行了预处理,采用最佳的Pan Sharpening融合结果进行多尺度分割,结合目标地物的光谱特征、空间特征、纹理特征等,设置分类规则进行面向对象的信息提取研究,分类结果总体精度为78.71%,达到较好的分类质量.研究结果证明:利用遥感影像提取地物信息具有用时短、成本低、信息量大的优势.     

基于多特征的遥感影像决策树分类

构建了一种基于多特征的遥感影像决策树分类方法。通过对遥感影像进行波段代数运算、主成分分析和图像分割等处理,提取出影像上地物的光谱维特征、纹理特征和形状特征。在此基础上,结合试验区主要地物类型提纯后的训练样本集,采用C5.0决策树分类法进行影像分类,实现主要地物的空间分布专题信息提取,并利用该方法对Landsat-5TM影像进行了分类实验。结果表明,所提出的方法能够有效地提高分类精度。     

遥感影像信息提取技术的研究与实现

随着遥感技术的发展和遥感应用的深入,遥感影像信息提取方法的研究成为关注的焦点.一般来说遥感影像信息提取包括分类、识别和特征提取.文中主要研究利用MATLAB实现影像中的光谱特征和纹理特征的提取和分类,并结合ERDAS软件对影像进行预处理和分类后处理以及精度评定,最终从精度评定结果来看,两种特征分类的总体精度较高,另外,图像的结构信息有助于提高遥感影像信息提取的精度.     

不同分类方法对城区高分遥感影像分类结果的差异性分析

当前遥感影像空间分辨率越来越高,对分类方法的要求也越来越高.针对城市地区高空间分辨率遥感影像,选取了两种不同数据源的高分城区遥感数据,先进行多尺度分割、特征提取,然后使用BF+CFS方法进行特征选择,再通过K最近邻、贝叶斯、支持向量机、决策树、随机森林等五种分类方法对遥感影像进行分类,并对比分析不同分类方法的分类结果及精度.研究结果表明,贝叶斯、决策树和随机森林分类对城区高分影像的分类精度较高.其中随机森林分类方法的分类结果最准确,但分类时涉及参数设置较多,对于实际生产应用的适用性不高;而贝叶斯分类操作简单,分类精度较高,更适用于城区高分遥感数据的生产应用.     

基于面向对象技术的低山区公路信息提取研究——以广西省玉林市为例

针对高分辨率遥感影像提取公路信息中存在的对丰富特征信息利用不够充分的问题,基于GeoEye_1卫星影像,提出一种综合考虑公路光谱属性、纹理属性、空间属性等特征的面向对象公路信息提取技术.针对GeoEye_1数据的不同波段,采用试误法建立适用于公路特征提取的综合分类规则,并进行提取.最后,以目视结果作为参考,对基于各波段的提取结果精度进行验证.结果表明,基于蓝光波段提取的公路信息精度最高,在选取的六个抽样区域的提取精度分别达到84％,68％,78％,68％,83％和66％,平均精度达到74.7％.研究成果对高分辨率遥感影像在山区公路信息提取中的应用具有一定的参考价值.     

图像分形维数计算及其边缘提取

为提高遥感影像中地物边缘信息的提取精度,以离散分形布朗随机场（DFBR：DiscreteFractalBrownRandomfield）模型为依据,尝试设计并利用Matlab编程实现一种基于遥感影像单个像元的分形维数计算算法。该算法将影像的灰度空间映射成分形维数空间,然后在该空间进行变换和边缘检测。地物空间分布及其影纹结构边缘特征的差异,使计算分形维数所选窗口大小成为关键。选取研究区局部地段高空间分辨率遥感影像作为实验数据,通过计算不同窗口下像元分形维数,得到最佳边缘信息提取的计算窗口。实验结果表明,该算法在同类计算中更符合遥感数据的特点,提高了遥感影像地物边缘信息提取精度。     

基于ZY-3影像的土地利用信息提取方法

本研究构建适于ZY-3卫星影像的土地利用信息提取技术——面向对象的SVM分类方法。首先进行ZY-3高分影像分割,将具有同质性信息的象元合并成图像对象,然后提取对象的光谱、纹理及空间属性信息,以这些多元信息作为输入,基于支持向量机进行分类器训练和土地利用分类。通过与其他方法的对比,发现此方法的总体分类精度和Kappa系数高于其他方法。此方法利用不同维度信息,克服了传统逐象元分类方法对空间信息利用不足的缺点,更全面地反映不同地物之间的异质性。本研究有助于提升中国高分影像的利用效率,并为土地利用现状调查提供技术支持。     

融合谱-空域信息的DBM高光谱图像分类方法

在高光谱图像分类问题中,提取能够有效表达地物特征的信息是分类方法中的关键问题。为了提高高光谱图像分类精度,提出一种基于深度玻尔兹曼机的高光谱图像分类方法。该方法首先对高光谱图像数据进行主成分分析法白化处理,并提取像元的空域信息,与像元光谱信息组成综合的谱-空域信息;然后通过多层深度玻尔兹曼机模型从像元的谱-空域信息中提取深层次类别特征;最后通过逻辑回归模型对所提取特征进行分类。这种深度玻尔兹曼机模型能够利用数据的先验知识对高维数据进行特征提取,并且所提取的特征内在地表示了地物的空间结构和光谱特征。实验结果表明,这种方法能够有效地提高高光谱图像的分类精度。     

基于增强图注意力网络的高光谱影像分类方法

高光谱遥感影像中隐含了不同地物的光谱特征,高光谱地物分类成为了遥感领域的一个研究热点。高光谱数据存在维度灾难以及训练样本标签过少等问题,进而影响了其分类精度。针对此问题,文章提出一种空-谱特征融合的增强图注意力网络高光谱影像分类方法,即从高光谱数据中获得初始的空-谱特征作为图的节点属性,并以节点的相邻关系构建图结构;将空-谱特征初步融合的高光谱图数据作为输入,并通过增强图注意力来提取节点的空-谱特征;以深度融合的空-谱特征来实现精准的高光谱地物分类。经在龙口和汉川数据集上的实验测试结果表明：这一方法能够有效提取深度融合的空-谱特征,总体分类精度分别达到99.62%和95.45%,实现了高光谱地物的精准分类。     

基于模糊分割参数优化下的土地利用分类研究

影像分割是分类的基础,分割结果的好坏直接影响分类结果的精度。针对目前存在的分割结果获取通常消耗大量时间且结果因人而异这一现象,文中基于一种模糊分割的参数优化工具—Fuzzy-based Segmentation Parameter optimizer(FbSP optimizer)来确定分割参数,并借助面向对象分类软件eCognition以济宁某一地区高分辨率遥感影像为基础进行土地利用的分类研究。结果表明,利用该工具不仅可以快速确定土地的最优分割尺度,结合eCognition也可较高精度地对土地利用进行分类。     

高分辨率遥感影像结合LiDAR数据的面向对象分类方法

为了更准确地对遥感数据进行分类,结合Geo Eye高分辨率遥感影像和机载Li DAR数据,通过对分割参数、特征选择、分类规则等特征进行研究,提出采用面向对象的模糊分类方法——成员函数法选择实验区进行了分类研究。实验结果表明:该分类方法能够更有效地提取出建筑物、煤堆、灌木等矿区典型地物,总体分类精度达到93.92%,KIA为92.52%,分类精度相比单一遥感数据明显提高。     

基于E-cognition的面向对象的高分辨率遥感图像分类研究

高分辨率遥感影像具有丰富的空间以及纹理信息,而光谱信息较弱,若采用传统的基于像元的分类方法,仅从光谱特征出发,在进行图像处理时能够获取的信息有限,导致分类精度较低。为了能够更精确地对图像进行分类,文中利用专业的软件E-cognition采用面向对象的方法对高分辨率影像先进行多尺度分割和光谱辅助分割,之后选取合适的特征空间对河海大学遥感影像进行分类,并利用总体分类精度和Kappa系数等标准对分类精度进行客观评价。实验表明,面向对象的分类方法精度较高。     

基于空-谱先验条件随机场的高分辨率遥感影像变化检测方法

高空间分辨率遥感影像能够提供丰富的空间细节信息,使利用遥感影像进行精细变化检测成为可能.为充分挖掘高分辨率影像中的光谱、空间信息,本文提出一种基于影像空-谱先验信息的条件随机场(Conditional Random Field based on Spectral-Spatial Prior,SSPCRF)模型,该方法使用显著性检测方式自动提供先验光谱-空间样本信息,提高一元势能构建精度,有效缓解一元势能构建不准确导致的推理过程中的误差传递问题,并在二元势能中综合考虑标记场与观察影像的空间上下文信息以保持变化地物轮廓信息.最后,使用基于消息传递机制的推理方法将模型进行全局优化.在2组高分辨率影像数据集上的实验结果表明该方法能够提供较精确的初始变化检测信息,使得在减少变化检测结果中虚警点的同时保持变化地物细节信息.     

基于时空遥感特征耦合的农作物类型识别

遥感技术凭借其能够精准地识别作物的分布情况以及动态监测作物的长势,已经被广泛应用到农业生产中。然而,传统的作物分类方法是基于单一中低分辨率遥感影像的像元进行分类,会存在地物混合、分类精度较低等问题。选择滁州市全椒县作为实验区,对GF1-PMS(2 m)与2018年10月至2019年9月内的11个时相的GF1-WFV(16 m)遥感影像进行预处理。运用时序特征分析、可分性比较分析、多尺度分割、面向对象等方法,提取作物分布信息并对分类后的结果进行精度评价。研究结果表明:采用中高分辨率卫星遥感影像相结合的方式,利用两者在农作物识别方面的优势进行农作物种植结构提取,作物识别的总体精度达到88.38%,效果显著。     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

面向对象的海域使用变化遥感监测

基于SPOT-5和WorldView-2高分辨率遥感影像,采用面向对象的分类方法,通过多尺度图像分割,获取海域使用地物斑块;结合影像光谱特性、纹理特征等信息建立分类规则,提取海域使用信息,并通过空间叠置分析来定量分析研究区海域使用变化情况.结果表明,面向对象的多尺度分割方法有效提高了分类精度.该研究也分析了海域使用变化情况,研究区内变化主要集中在建筑用地的扩张上.该研究对研究区治理海洋有重要意义.     

基于深度学习特征融合的遥感图像场景分类应用

针对传统手工特征方法无法有效提取整体图像深层信息的问题,本文提出一种基于深度学习特征融合的场景分类新方法.利用灰度共生矩阵（GLCM）和局部二值模式（LBP）提取具有相关空间特性的纹理特征和局部纹理特征的浅层信息;通过基于AlexNet迁移学习网络提取图像的深层信息,在去除最后一层全连接层的同时加入一层256维的全连接层作为特征输出;将两种特征进行自适应融合,最终输入到网格搜索算法优化的支持向量机（GS-SVM）中对遥感图像进行场景分类识别.在公开数据集UC Merced的21类目标数据和RSSCN7的7类目标数据的实验结果表明,5次实验的平均准确率分别达94.77%和93.79%.该方法可有效提升遥感图像场景的分类精度.     

基于细化分割的遥感影像水体边缘轮廓提取

为实现遥感影像的水资源特征识别,需要对遥感影像中的地表水体边缘信息进行有效检测识别,提出了一种基于细化分割的遥感影像水体边缘轮廓提取识别方法。采用卫星遥感技术进行高分辨率遥感水陆场景图像成像,通过灰度像素增强技术进行遥感影像空间分辨率增强处理,在不同场景纹理中进行遥感影像空间像素特征重构,以中心像素的灰度值为阈值建立遥感影像陆地地物的空间结构特征辨识模型,采用细化分割方法进行遥感影像的水体边界点分割处理,采用形态学滤波方法进行遥感影像水体边缘轮廓检测过程中的细化分割和滤波,对水陆粗分离结果进行形态学闭运算处理,根据细化分割结果进行水体边界平滑处理,实现对遥感影像水体边缘轮廓的提取。仿真结果表明:采用该方法进行遥感影像水体边缘轮廓提取的精度较高,水体边界平滑性较好,轮廓特征的辨识度较高。     

基于RFA-LinkNet模型的高分遥感影像水体提取

针对现阶段卷积神经网络模型在复杂地物背景下水体提取精度低、多尺度特征捕获能力差、模型复杂的问题,基于LinkNet模型提出一种结合RFB模块和通道注意力机制的RFA-LinkNet高分辨率光学遥感影像水体提取模型.首先,将RFB模块用于获取高阶水体语义信息与多尺度特征;其次,利用通道注意力机制,对特征编码和解码的特征进行加权融合,抑制背景特征,增强水体语义.与现有卷积神经网络模型相比,提出方法不仅具有高效的性能和鲁棒性,而且能实现高精度的水体提取.