高分辨率遥感影像在林业应用中存在的问题与思考

高分辨率遥感影像的出现,给林业遥感带来前所未有的机遇.但是高分辨率遥感影像在林业领域中的应用面临诸多问题,如数据源的价格偏高、图像阴影无法去除、树种识别困难和森林蓄积量估测精度不高等.提出了建立主要树种的波谱数据库,采用基于多特征的面向对象的分类技术,提高高分辨率影像在林业中的应用水平等建议.     

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。     

高分辨率遥感影像建筑物震害信息提取方法比较研究

利用高分辨率遥感影像进行建筑物震害信息提取是地震灾害损失评估的重要手段,建筑物震害信息的提取技术是准确获取灾害信息的关键。利用青海玉树震后QuickBird影像,采用面向对象和像素的分类方法进行建筑物震害信息提取,通过精度评价和目视比较分析发现,面向对象的分类方法提取建筑物震害信息分类结果与实际震害情况具有较好的一致性,精度更高,能够避免基于像素的分类提取中出现的"椒盐现象"。     

基于面向对象的建筑物信息提取方法研究

为了更好地进行城市建设和规划,对建筑物进行有效识别非常重要。针对目前遥感技术对建筑物难以实现高精度提取的问题,本文提出一种基于引入红色边缘波段规则的面向对象和基于样本的面向对象相结合的方法,提取城市建筑物信息。该方法利用worldview 2影像的全色和多光谱的融合数据,进行尺度分割,根据建筑物的光谱特征、形状特征、数字表面模型(digital surface model,DSM)和worldview2的红色边缘波段(RedEdge)的纹理特征建立双层规则知识库,进行建筑物信息提取;同时,利用基于样本的面向对象方法对worldview 2数据影像进行建筑物信息提取。最后,对2种方法获取的建筑物信息结果进行融合,实现建筑物的高精度提取。以广州市天河区试验区为例,研究结果表明:基于样本的面向对象法、基于规则的面向对象法、基于引入红色边缘波段规则的面向对象法以及本文方法的分类精度分别为81.27%,83.75%,87.06%,91.43%。基于引入红色边缘波段规则的面向对象与基于样本的面向对象分类相结合的方法比其他3种方法提取的精度都高,为高分辨率遥感影像建筑物信息的识别提供了有效的手段。     

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.     

基于面向对象分类方法的遥感影像变化检测

介绍了一种利用GIS数据辅助实现遥感影像变化检测的方法.该方法将面向对象的概念引入遥感影像分类中,使分类的目标不仅可以是影像的像素,也可以是表示一个GIS对象的全部像素集合(像素组).在影像分类中,为减少工作量和降低分类精度对训练样区选择经验的依赖性,最大似然分类中的训练样区由现有GIS数据对象引导生成.实验表明该方法在针对面状对象进行变化检测时具有良好的效果.     

基于ALOS遥感影像的湿地地表覆被信息提取研究

为了验证ALOS遥感影像湿地地表覆被信息提取的可行性,以黑龙江省三江平原典型内陆淡水沼泽湿地为研究对象,通过ALOS遥感影像波段的光谱及纹理特性分析,探讨适合水体、旱地、水田、沼泽、林地、建设用地、草甸等覆被类型的分类特征;基于非监督、监督及面向对象分类方法,遴选能实现最优分类结果的特征组合,为湿地地表覆盖分类数据源及方法的选择提供参考。结果表明:非监督、监督及面向对象分类方法的总体精度分别达到63.86%、96.14%和85.26%;非监督分类方法整体分类效果不够理想;面向对象方法虽然得到了相对较高的分类精度,但是针对建设用地、林地及草甸地类信息提取的精度处于较低水平;监督分类方法能取得较好效果,最适合于湿地地表覆被信息提取。     

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。     

面向对象的泰安市城市附属绿地信息提取

城市附属绿地广泛分布在居民区和道路等与人类工作生活最息息相关的区域。基于面向对象的分类方法,选取泰安市高分辨率遥感影像Quick Bird,对城市附属绿地信息进行提取,并与监督分类结果进行比较评价。结果表明,面向对象分类的总体精度达到了84.15%,Kappa系数为0.816 1,明显高于监督分类。泰安市居民区、单位和道路绿化程度总体较低,需要加强居民区和单位附属绿地建设,并提高道路绿化水平。     

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。     

基于特征融合的随机森林飞机尾流识别

为提高民航运输的高效性和安全性,利用随机森林模型,结合多普勒激光雷达技术,提出一种基于径向速度极差特征和边缘轮廓特征融合的方法,实现对飞机尾流的准确识别。将在双流机场采集的数据样本进行速度极差特征提取,同时将样本数据映射成灰度图,通过形态学梯度提取图像轮廓特征,再将二者融合,并以此构建随机森林尾流识别模型,最后进行对比实验。实验结果表明,特征融合后随机森林模型的分类准确率、精确率、召回率、F1-score分别为95.8%、87.3%、89.4%、88.4%,高于单一特征方式和决策树模型识别结果。本文提出的方法能够对具有复杂背景风场中的尾涡进行检测。     

基于PCA、SFIM、MLT算法的ETM+影像融合

采用PCA、SFIM和MLT3种融合算法对ETM 影像进行融合,并从融合影像的光谱质量、空间结构信息和分类精度等方面对融合方法进行评价.结果表明,SFIM融合法的光谱质量最高,PCA融合法具有最高的高频空间结构信息融入度,MLT融合法具有最高的分类精度,3种融合影像的分类精度都较原始影像的分类精度有所提高.     

基于随机森林的流量分类方法

网络流量识别在提高网络管理能力和保护网络安全方面有着重要作用。传统的基于端口识别和深度包检测的方法由于无法应对端口随机化、数据加密等原因,识别效率大大降低。近年来,出现了基于流统计特征的识别方法。然而,已有的基于流统计特征的识别方法大多使用单个分类器进行流量识别,存在着精度提高难、环境依赖强等局限性。针对这一问题,提出一种基于随机森林的流量分类方法,基于多分类器集成的思想,采用由多个决策树集成、由随机向量决定决策树构造方式的随机森林,实现对网络流量的分类。实验分析结果表明,所提出方法的分类性能优于常见的基于C4.5和Naive Bayes的流量分类方法。     

基于Sentinel-2A的太行山区土地覆被分类方法研究

以太行山区为研究对象,基于Sentinel-2A遥感影像数据,采用基于像元和面向对象分类两种策略,定量分析不同特征组合模式下,最大似然法(ML)、贝叶斯(Bayes)、支持向量机(SVM)、决策树(Decision Tree)以及随机森林(RF) 5种分类方法在该区域地表土地覆被信息分类中的表现差异。结果表明:(1)基于像元的RF分类器取得了最高精度,仅使用光谱特征参与分类和使用光谱、红边、指数特征参与分类的总体精度分别为96. 85%和96. 64%。(2)红边和指数特征的加入能够对各分类器分类精度产生不同程度的影响,即使基于像元的RF和面向对象的CART决策树总体精度有所下降,但降幅均在0. 5%左右,其他分类器精度均有所提升。     

基于差分隐私下包外估计的随机森林算法

针对差分隐私随机森林算法在对高维数据进行分类时准确率不理想的问题,本文通过引入差分隐私下的包外估计来计算决策树权重以及特征权重,从而提出一种基于差分隐私下包外估计的随机森林算法（random forest under differential privacy based on the out-of-bag estimate, RFDP_OOB）.本算法首先在差分隐私保护下生成一部分的随机森林,利用差分隐私下包外估计的特性对决策树和特征的重要性进行评估,从而计算出决策树权重以及特征权重,然后通过特征权重对特征进行划分,得到非重要特征集.接着在生成剩下的一部分随机森林的过程中,对最佳特征为非重要特征的结点进行预剪枝操作,使其成为叶子结点,从而减小噪声、提高决策树分类准确率,并具有较好的执行效率.最后在预测分类结果时,取所对应的决策树权重最大的分类结果作为随机森林算法的分类结果,从而提高随机森林算法的分类准确率.本文还对算法的有效性和隐私性进行了理论分析,并通过实验结果验证了本算法的有效性,本算法可以在保护数据隐私性的同时提高算法的分类准确率.     

基于AlexNet和集成分类器的乳腺癌计算机辅助诊断方法

为解决在计算机辅助诊断(computer aided diagnosis, CAD)中采用人工提取医学影像特征的弊端,在ImageNet数据集上预训练深度神经网络模型Alexnet,通过迁移学习再训练后的Alexnet模型对医学影像进行特征提取,利用集成学习方法训练分类器进行分类。试验结果表明,基于Alexnet和随机森林方法的分类器正确率达到了0.87±0.03,集成分类器的分类性能优于单一分类器。     

基于面向对象随机森林方法的滨海湿地植被分类研究

基于Sentinel-2数据,以盐城国家级珍禽自然保护区核心区为研究区,采用基于面向对象的随机森林模型对研究区内的湿地信息进行分类研究. 首先,对影像进行分割处理,计算光谱特征、纹理特征、水体指数、植被指数与纹理特征,并对特征重要性进行排序筛选. 其次,基于此构建5种特征组合方案,并对研究区进行分类,比较不同组合的分类精度找出研究区最优的特征组合方案. 最后,实验表明:通过特征优选后的随机森林算法进行分类效果最好,总体精度达到87.07%,Kappa系数为0.84. 其中互花米草在3种植被中分类精度最高,为97.73%. 证明此方法能够有效提高滨海湿地的分类精度,可用作该区域湿地变化研究.     

Segmentation and classification of high resolution imagery for mapping individual species in a closed canopy, deciduous forest

In this paper we investigate the use of a shadow-based delineation program for identifying segments in imagery of a closed canopy, deciduous forest, in West Virginia, USA, as a way to reduce the noise associated with per-pixel classification in forested environments. Shadows typically cluster along the boundaries of trees and therefore can be used to provide a network of nodes for the delineation of segments. A minimum cost path algorithm, where cost is defined as the cumulative sum of brightness values traversed along the connecting route, was used to connect shadow clumps. To test this approach, a series of classifications was undertaken using a multispectral digital aerial image of a six hectare test site and a minimum cost path segmentation. Three species were mapped: oaks, red maple and yellow poplar. The accuracy of an aspatial maximum likelihood classification (termed PERPIXEL classification) was 68.5%, compared to 74.0% for classification using the mean vector of the segments identified with the minimum cost path algorithm (MEAN_SEG), and 78% when the most common class present in the segment is assigned to the entire segment (POSTCLASS_SEG). By comparison, multispectral classification of the multispectral data using the field-mapped polygons of individual trees as segments, produced an accuracy of 82.3% when the mean vector of the polygon was used for classification (MEAN_TREE), and 85.7% when the most common class was assigned to the entire polygon (POSTCLASS_TREE). A moving window-based post-classification majority filter (POSTCLASS_MAJ5BY5) produced an intermediate accuracy value, 73.8%. The minimum cost path segmentation algorithm was found to correctly delineate approximately 28% of the trees. The remaining trees were either segmented, aggregated, or a combination of both segmented and aggregated. Varying the threshold that was used to discriminate shadows appeared to have little effect on the number of correctly delineated trees, or on the overall accuracy of the multispectral classification, although it did have a notable effect on the proportions of aggregated and segmented trees.     

Unsupervised noise-robust feature extraction for aerial image classification

The rich data provided by satellites and unmanned aerial vehicles bring opportunities to directly model aerial image features by extracting their spatial and structural patterns. Although convolutional autoencoders(CAEs) have been attained a remarkable performance in ideal aerial image feature extraction, they are still challenging to extract information from noisy images which are generated from capture and transmission. In this paper, a novel CAE-based noise-robust unsupervised learning method is proposed for extracting high-level features accurately from aerial images and mitigating the effect of noise. Different from conventional CAEs, the proposed method introduces the noise-robust module between the encoder and the decoder. Besides,several pooling layers in CAEs are replaced by convolutional layers with stride=2. The performance of feature extraction is evaluated by the prediction accuracy and the accuracy loss in image classification experiments. A 5-classes aerial optical scene and a 9-classes hyperspectral image(HSI) data set are utilized for optical image and HSI feature extraction, respectively. Highlevel features extracted from aerial images are utilized for image classification by a linear support vector machine(SVM)classifier. Experimental results indicate that the proposed method improves the classification accuracy for noisy images(Gaussian noise 2D σ=0.1, 3D σ=60) in both optical images(2D 87.5%) and HSIs(3D 85.6%) compared with the traditional CAE(2D 78.6%, 3D 84.2%). The accuracy loss in classification experiments increases with the increment of noise. Compared with the traditional CAE(2D 15.7%, 3D 11.8%), the proposed method shows the lower classification accuracy loss in experiments(2D 0.3%, 3D 6.3%). The proposed unsupervised noise-robust feature extraction method attains desirable classification accuracy in ideal input and enhances the feature extraction capability from noisy input.