基于样区纯化的BP神经网络多光谱影像分类研究

提出了一种基于局部自动搜索和光谱匹配技术训练样本纯化的BP网络分类方法。利用影像的空间信息在图像局部范围内自动搜索和选择最佳样区位置,再用光谱匹配对寻找到的最佳样区在光谱空间上进一步纯化。从空间和光谱两个角度对样区进行了纯化,使得训练样本更适合遥感图像分类的要求,最后利用BP网络对遥感图像进行分类。实验结果证明,原始遥感图像经过样区纯化算法处理后,目视判读效果和数值分析都表明提高了分类精度。     

基于相空间重构和支持向量机的电能扰动分类方法

电能扰动的分类需要信号特性提取和分类器构造2个阶段，文中采用相空间重构和支持向量机的组合，提出了一种全新的电能扰动信号的分类方法。首先利用相空间重构方法构造扰动信号轨迹，通过编码获得二进制轨迹图像。针对该图像定义了4类具有区别性的指标，以表征不同扰动类型的特性。然后将特性指标作为支持向量机分类器的输入矢量，实现自动分类识别。算例表明该方法计算量少，正确率高，所需训练样本少，可以有效分类识别电压暂降、电压瞬升、电压中断、脉冲振荡、谐波、闪变等6种电能扰动。     

ENVI遥感图像处理中几种监督分类方法的比较

遥感图像通过像元值的差异反映地物的光谱信息及空间变化原理来表示地物差异[1],为提取各类信息,图像分类尤为重要[2]。在遥感图像数据分类处理过程中,监督分类是普遍适用的一种分类方法[3]。为了评价几种监督分类的优势与缺点,主要选用SPOT5图像数据进行试验,介绍了监督分类中平行六面体、最小距离以及最大似然3种分类方法[4]。通过定义训练样本、训练样本评价、执行监督分类、分类结果评价等步骤[5],得出最大似然分类法的总体分类精度最高,制图精度和用户精度都很高,漏分误差和错分误差较低,而且计算时间较短,相对于另外两种分类方法更有应用优势。     

基于遥感图像的河流提取方法及应用研究

通过融合监督分类和非监督分类方法,提出了基于彩色遥感图像的河流提取算法。在监督分类方法中,采用局部傅里叶变换来捕捉图像的不同颜色和纹理特征,用从样本中提取出来的LFT特征集对大间隔最近邻分类器进行训练,把图像分为河流和背景两部分;在非监督分类方法中,采用基于颜色的k-均值分类分割方法,从背景中分离出河流。对两种方法的输出结果进行融合,即可得到最终的河流提取结果。实例表明:该方法能够准确地从彩色遥感图像中进行河流提取。     

基于小波变换的高光谱遥感影像光谱匹配技术研究

以中国的高光谱影像OMIS为例,研究了基于小波变换的高光谱遥感影像光谱匹配算法,然后将该方法用于遥感影像智能化解译。实验结果表明,该算法先对光谱曲线进行小波去噪,再对不同频率信号进行小波多分辨率分析,能够在匹配过程中拉大异类间的特征值距离,提高分类精度。     

水土保持生产建设项目扰动遥感分析

生产建设项目遥感监督管理往往需要通过大量遥感图像人工标注训练样本,进行深度学习模型的训练。为此,通过对大量遥感影像进行统计观察,结合实际建立了包括裸地、水泥地、森林等14种基本地类解译标志库,并以此为基准制作训练样本。在此基础上,详细分析生产建设项目的要素组成,探究了机场工程、涉水交通工程生产建设项目的地类组成规律,为后期深度学习模型的构建提供可靠的约束条件与决策支撑。     

结合高分辨遥感影像和GIS数据的土地利用变化监测

研究了一种结合高分辨率遥感影像和GIS数据的土地利用自动变化监测方法。分别采用马氏距离、支持向量机、神经网络3种分类方法对研究区域进行模糊分类,然后通过多分类器模糊决策融合分类方法对3种分类结果进行融合,提高总体分类精度。在获得高精度分类结果的基础上,结合历史时期GIS专题数据和分类结果,计算对应的图斑多边形内各类别成份,并与其历史属性对比分析,自动实现土地利用变化监测。实验数据选取QuickBird高分辨率遥感影像和1∶1万土地利用GIS数据,实验结果表明模糊决策融合分类能够明显改善分类效果,获得比单一分类器更为精准的结果。利用决策分类结果并结合GIS数据进行变化区域判定实验,结果表明,对区域中存在较大变化能够准确自动判定为变化区域,而区域中存在较少部分变化则存在部分误判现象。     

遥感影像融合方法在ALOS影像水体信息提取中的应用研究

为了应用ALOS遥感影像调查浙江省德清县水域分布,首先采用小波变换、GS变换和高通滤波三种影像融合方法,分别对已配准的ALOS多光谱与全色波段影像进行融合;然后采用监督分类方法分别对融合前后影像提取水体信息,通过比较这三种融合方法在水体信息提取的效果,给出了适于水体信息提取的影像融合方法。     

利用Hyperion图像估算森林覆盖度

植被覆盖度是评价土地荒漠化最有效的指标,遥感是获取区域尺度植被覆盖度参数的一个重要手段。针对EO-1 Hyperion高光谱遥感图像成像的特点,探讨了高光谱Hyperion图像的预处理和森林覆盖度遥感估算的方法,研究中采用几何光学模型和混合像元模型等方法从高光谱EO-1 Hyperion图像估算植被覆盖度,进一步将2种方法估算的植被覆盖度进行了对比,并利用实测数据对估算结果进行验证。研究结果表明:利用几何光学模型反演的植被覆盖度(决定系数R²=0.76;均方根误差RMSE=0.06)优于混合像元模型法(R²=0.71; RMSE=0.07)。     

空谱联合的高光谱遥感图像稀疏解混综述与展望

受传感器空间分辨率低的限制以及复杂地物的影响,高光谱遥感图像中存在大量的混合像元。混合像元问题阻碍遥感技术向定量化发展,限制了高光谱遥感图像的应用范围。解决混合像元问题,是高光谱遥感图像信息处理领域的前沿科学问题。鉴于稀疏表示理论在混合像元分解方面的优势,近年来受到了广泛的关注和研究,取得了一系列成果。基于此,对现有的稀疏解混技术进行综述,系统地分析了各种经典的稀疏解混算法和空谱联合的稀疏解混算法的原理及优缺点,并对各解混算法进行了分析和评价,最后对该研究领域发展提出建议和展望。     

融合光谱和几何特征的高分辨率遥感变化检测研究

针对高分辨率遥感影像城市区域地类复杂的特点,提出了一种融合光谱和几何特征的多时相高分辨率遥感变化检测方法。在获取光谱和几何差异影像的基础上,采用模糊分类的方法,进行变化类和非变化类区分,建立各类的隶属度图像。采取基于模糊集理论的融合算法,对各种检测方法获取的隶属度图像进行有效融合,以减小部分区域的模糊度,提高变化类和非变化类的检测精度。采用城区多时相高分辨率影像为实验数据,进行各种变化检测方法的对比与分析,实验结果表明,融合光谱和几何特征的方法所获取的检测结果与光谱、几何差异影像法相比,具有检测精度高、漏检率低的特点。     

基于遥感云计算的鄱阳湖湿地植被群落分类研究

针对大型通江湖泊湿地植被精细分类中精度不高、算法稳健性不强的问题，以鄱阳湖湿地植被为研究对象，基于遥感云平台GEE和Sentinel-2影像，着重研究不同训练样本数量、不同时相特征数据及不同机器学习算法对鄱阳湖湿地植被类型分类的影响。结果表明：(1)随着训练样本数量的增加，植被类型的分类精度呈现先上升后平稳的规律，当不同植被类型训练样本达到550个时，精度达到峰值平稳状态；(2)不同时相特征的数据集分类精度具有显著差异，具体为：月度时序>枯水期>四季多时相>单时相，其中，月度时序数据集的总体精度最高，总体精度及Kappa系数分别为82%和0.79;(3)不同遥感算法获得的分类结果精度不同，RF分类精度最高，SVM和CART次之；(4)当不同植被类型的训练样本达到550个时，使用Sentinel-2月时序影像和RF算法能取得最优的分类结果。研究成果可为鄱阳湖湿地精细分类提供方法借鉴，为鄱阳湖湿地保护提供技术支持。     

土地利用遥感分类方法研究进展

遥感技术已经广泛的应用于土地利用与土地覆盖数据获取中。现综合分析了目前主要的遥感图像分类方法, 将遥感图像分类方法归纳为:基于传统统计分析的分类方法、神经网络分类方法、模糊分类方法、决策树分类方法、专家系统分类方法,并对各种方法的应用情况进行了综述,并总结出各种分类方法应用特点。     

融合注意力的自适应元学习岩性分类研究

岩石图像采集过程难度大、成本高,导致岩性识别的训练样本匮乏。基于岩石图像样本分布导致特征分布不均衡的问题,提出融合注意力的自适应元学习岩石图像分类方法(FA-AML),捕捉岩性分类任务之间的共性,实现少样本场景下的岩性分类;利用融合注意力的残差网络提取最具有区分度的岩石关键特征,缓解特征分布不均衡的问题,并引入元网络自适应更新网络的学习率与正则项系数,提高网络超参数更新自适应性,增强网络适应新类别岩石图像的能力。结果表明,与其他主流元学习方法相比,FA-AML在进行岩石图像分类研究时具有优越的分类性能。     

基于光学和雷达图像的土地覆被分类

为寻求一种有效的提高多源遥感数据土地覆被分类制图精度的方法,探讨了融合HJ1B和ALOS/PALSAR图像进行遥感图像分类制图的方法。在对光学图像HJ1B和雷达遥感数据ALOS/PALSAR进行离散小波融合的基础上,应用分类决策树CART(Classification and Regression Tree)算法对融合的图像进行了土地覆被分类制图,并将其分类结果与支持向量机SVM（Support Vector Machine）分类结果进行对比。研究结果表明：将光学和雷达图像数据进行离散小波融合,采用分类决策树CART和支持向量机SVM进行图像分类,CART的分类精度要优于SVM的结果。可见,在光学图像HJ1B和雷达数据ALOS/PALSAR融合的基础上,应用CART能有效进行地物识别,提高图像的分类精度。     

基于改进人工蜂群算法的高光谱图像端元提取方法

针对高光谱图像中端元提取的问题,提出了一种基于改进人工蜂群算法的提取方法。首先,为平衡人工蜂群算法全局和局部搜索能力,研究了加权构造蜂引导的搜索策略,构造了改进人工蜂群算法。在8个基准测试函数中进行实验,验证了新算法的性能有明显提升。然后,介绍了基于IABC端元提取的核心思想与主要步骤,与ABC和常规提取算法在模拟和真实高光谱遥感数据中进行实验对比,结果表明了新算法具有更好的适用性。     

高分辨率遥感影像融合方法应用研究

介绍对高分辨率遥感影像的不同融合方法,同时从遥感影像光谱特征的分析入手找到颜色偏差的原因,然后分别利用传统的和改进的方法进行了融合试验,从而找到对新型高分辨率遥感影像融合的最佳方法。     

基于边界提取的混合像元分解

混合像元普遍存在于遥感图像中,对混合像元进行处理是遥感图像处理的难点.利用SUSAN算子进行边缘识别,提取图像边界;同时利用混合像元的线性分解模型首先对图像进行边缘提取,对非边界图像进行分类,再对边界进行混合像元分解.选取武汉市一部分影像对基于边界提取的混合像元分解进行了实验分析,结果显示,此方法具有定位混合像元简单,容易操作,结果可靠等特点.     

双种群粒子优化算法在非线性光谱解混中的应用

光谱解混是高光谱遥感图像分析中的核心技术。近年来,非线性光谱解混引起了广泛的关注,但由于其模型的复杂性,导致求解方法十分复杂,此外,非线性模型很多,适用于不同的场合,传统的数值求解方法需要逐个模型推导其梯度等搜索方向,灵活性较差,导致其难以扩展。引用了粒子群算法(Particle Swarm Optimization,PSO),提出了双种群粒子优化框架,以适应各种非线性光谱混合模型,并以广义双线性模型为例,设计了非线性光谱解混算法。在实验中,采用了模拟数据和真实高光谱图像对算法进行了检验,结果表明,该算法可获得较高的光谱解混精度,能够很好地解决非线性光谱解混问题。     

基于高光谱数据和雷达融合的滑坡信息提取

为了改进微地形滑坡遥感影像分类技术,从而提高微地形滑坡遥感信息提取的精度,采用湖北宜昌部分地区的无人机航拍高光谱影像(HSI)和激光雷达(LiDAR)数据作为研究数据源,并对高光谱和LiDAR数据进行融合,最后采用结合注意力模块(CBAM)的卷积神经网络(CNN)方法,对融合后的数据进行滑坡信息提取。研究表明,利用高光谱和雷达数据的优势,可以更准确地提取滑坡信息。