一种新的高光谱遥感图像纹理特征提取方法研究

提出了一种新的基于自相关的高光谱遥感图像纹理特征提取算法,该算法通过引入核函数技术,将单波段纹理窗口的空间自相关函数,扩展到多波段遥感图像的纹理描述.然后对特征矢量进行无监督C均值聚类实验和有监督RBF神经网络分类实验,在分类实验中确定了最佳窗口尺寸.实验结果表明,该文提出的自相关特征可以有效地描述高光谱遥感图像的纹理.     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了 一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进 行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机 的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比 单纯运用光谱特征进行分类效果要好。     

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.     

基于FCM和SVM的TM遥感影像自动分类算法

遥感影像分类是遥感信息提取和定量化分析的重要手段,是目前遥感技术研究中的一个热点.以TM遥感影像为研究对象,提出了一种基于模糊C均值聚类和支持向量机的自动分类方法,解决了以往利用SVM等监督分类方法训练样本时需要人工选择样本且样本难以选定的问题,比FCM等非监督聚类算法的分类精度高.该方法首先对待分类的遥感影像用FCM算法进行初始聚类,然后根据聚类后得到的隶属度矩阵设计一种算法,选取其中的混合像元作为标注的训练样本,并送入SVM分类器进行训练.最后通过一块TM遥感影像对该方法进行验证.试验结果表明,该方法减少了人工对分类过程的干预,具有较高的分类效率和分类精度.     

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。     

基于高分辨率遥感影像的输电线走廊场景分类

提出了一种将纹理特征和颜色特征相结合的输电线走廊遥感图像分类方法.该方法首先采用简单线性迭代聚类(SLIC)过分割技术将一幅大场景遥感图像分割为若干个尺寸大致规则的超像素块,然后对这些超像素块进行联合散射纹理特征和颜色词袋(BOC)特征提取,接着将这两种特征级联融合,最后将组合后的特征输入到直方图交叉核支持向量机(HIK-SVM)中训练分类器并进行场景分类.武汉地区输电线走廊场景的高分辨率遥感影像分类实验结果表明,与仅利用单个特征相比,两种互补特征的组合具有更高的分类准确率,可获得更为满意的场景分类结果.     

基于D-S证据理论的遥感影像融合技术研究

多源遥感影像融合是一种将来自多个传感器所拍摄的同一区域图像进行智能合成的一项技术。目前,遥感影像融合研究大多数都停留在像素级融合方面,很少考虑到异质影像融合后新像元的物理意义丢失。因此,提出基于D-S证据理论的热红外高光谱和可见遥感影像决策级融合方法,首先采用最大似然监督分类方法分别对热红外高光谱遥感影像和可见光遥感影像分类,并对分类结果进行评价,然后利用D-S证据理论对热红外高光谱影像和可见光遥感影像分类信息实现决策级融合,实验结果表明:使用D-S证据理论融合后的图像分类精度较融合之前改善效果非常明显,说明该方法在异质遥感影像融合中有很强的理论和实际意义。     

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。     

基于蚁群算法的遥感图像聚类方法

聚类分析是遥感图像非监督分类的有效方法,蚁群算法具有离散性和并行性的特点,蚂蚁觅食行为、蚂蚁堆积尸体行为和基于蚂蚁自我聚集行为的聚类算法是目前研究较为广泛的3种基于蚂蚁的仿生聚类算法.为验证上述3种算法的有效性,在对这3种聚类算法进行研究的基础上,针对遥感图像进行了聚类实验.实验结果表明,基于蚂蚁的聚类方法对图像的聚类分析是有效的,较传统的k均值和模糊C均值算法有一定优越性.     

基于FTMP特征的小波域非监督纹理分割新算法

为了能够在非监督环境下利用有限纹理混合模式(finite texture mixture pattern,FTMP)特征进行图像分割,提出了一种基于两步聚类的小波域非监督纹理分割算法。该算法通过两步Kmeans聚类来实现多尺度纹理分割。第一步Kmeans聚类计算每一子带的PLVP及对应的FTMP特征;第二步Kmeans则对每一尺度的FTMP特征进行聚类,从而计算各尺度的分割结果。为了获取更为可靠的分割结果,算法考虑了不同尺度之间的交互。合成纹理影像和遥感影像的分割实验验证了该算法的有效性。     

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.     

遥感图像赋锡环块构造机理探讨

遥感图像中典型的赋锡影像是环块构造，是以环形体为主，线性体相伴的线一环复合结构。根据遥感基本原理，将遥感地质学与矿床学相融汇应用，将已知锡矿床的地质资料与其赋存的遥感影像图案对应分析，认为遥感图像赋锡环块构造是赋锡地质体所特有的地学特征以电磁波形式在传感器中的总体反映──遥感影像的地学总和效应。     

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.     

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。     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

模糊控制BP网络的遥感图象分类方法研究

针对遥感图象分类中经常采用的BP算法存在训练时间长、不易收敛缺点,提出了一种改进方法,即采用模糊规则有效控制BP网络学习率的方法,该方法使网络具有自适应能力,从而不易陷入局部最小,导致收敛速度大大加快,训练时间大大缩短。最后以徐州地区TM图象土地利用分类为例,将模糊控制BP网络模型同BP算法及学习率自调整算法进行了比较。结果表明新方法确实大大加快了网络收敛速度,一定程度上提高了图象分类精度,是一种有效的图象分类方法。     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.     

基于eCogniton的高分辨率遥感图像的自动识别分类技术

传统的遥感信息分类和提取,主要是利用数理统计与人工解译相结合的方法．这种方法不仅精度相对较低,效率不高,而且依赖参与解译分析的人,在很大程度上不具备重复性．专业高分辨率遥感影像分类软件eCogniton采用一种全新的面向对象图像的分类技术来进行影像的分类和信息提取．面向对象图像分类技术的关键技术在于：（1）用来解译图像的信息并不在单个像元中,而是在图像对象和其相互关系中;（2）eCogniton采用多分辨率对象分割方法生成图像对象,提高了分类信息的信噪比;（3）基于对象的分类技术不同于纯粹的光谱信息分类,图像对象还包含了许多的可用于分类的一些其他特征：形状、纹理、相互关系、上下关系等信息．eCogniton的分类结果与传统分类方法相比。其特征提取算子更加地适合于几何信息和结构信息丰富的高分辨率图像的自动识别分类．