基于多特征的城市用地高分辨率影像分类与提取

利用高分辨率影像对象的多特征信息，采用面向对象的影像分析技术与多尺度影像分割技术，建立基于多特征的遥感影像分类模型，提取城市用地信息，为城市用地的合理规划与有效管理提供信息支撑。该方法分类速度快、精度高，为遥感影像信息的分类与提取提供了新的思路。     

融入超像元的高分辨率影像面向对象分类

针对传统像元分类方法精度低和出现"椒盐"现象,提出融入超像元的高分辨率遥感影像面向对象分类方法。首先在顾及高分辨率遥感影像像元光谱的光谱相似和像元空间位置关系的基础上,采用简单线性迭代聚类方法来生成含有超像元的高分辨率遥感影像;再采用均值漂移算法对超像元的高分辨率遥感影像进行分割,最后采用支持向量机分类器进行分类。选择典型地区实验影像进行分类实验,结果表明,该方法在提高高分辨率影像分类精度的同时又能保持地物细节。     

结合地籍数据的高密度城区面向对象遥感分类 

利用高分辨率遥感影像和GIS辅助数据,对高密度城区进行面向对象的土地利用覆被分类研究。使用NAIP高分辨率航空遥感影像,在多尺度影像分割的基础上,针对特定地物选择合适的影像分割参数。采用决策树方法建立高密度城市地区的分类规则,并结合该地区地籍图数据作为辅助数据,逐步进行高密度城市地区地物信息提取。利用辅助数据进行面向对象的遥感分类效果优于单纯依靠遥感影像进行的分类,且有效提取了道路和复杂的房屋等信息,得到了理想的分类结果,其总分类精度从常规面向对象方法的84.08%提高到89.79%。利用辅助数据进行遥感分类提高了高分辨率遥感影像的分类精度,说明了利用辅助数据进行遥感分类方法的有效性。     

结合空间像素模板和多类AdaBoost的高分影像分类

高分辨率遥感影像分类是遥感图像理解的基本问题之一,也是许多其他遥感应用的前提。为解决目前基于像素分类方法空间关系描述不足的问题,该文利用空间像素模板构建像素间的空间关系,并结合多类AdaBoost算法实现高分辨率遥感影像的分类。首先利用过滤式特征选择方法自动生成空间像素模板,进而构建考虑空间关系的多维特征向量,最后利用基于指数损失函数的多类AdaBoost方法对多维特征进行分类。对不同场景影像开展实验,结果表明,该文方法利用空间像素模板引入空间信息,可有效实现高分辨率遥感影像分类。与其他方法相比,分类精度显著提高(约20%),能够更好地区分光谱相似地物,同时分类结果"椒盐效应"大大降低,具有良好的空间一致性。     

高空间分辨率遥感图像分类的SSMC方法

近年来随着高空间分辨率遥感的发展。影像的空间细节描述能力得到提高，像元之间的空间相关性得到增强，使传统的遥感影像光谱分类方法面临着巨大的挑战。基于此背景，提出了高分辨率遥感影像分类的SSMC（spatial and spectral mixed classifier）方法，旨在同时采用光谱和空间特征进行遥感影像分类。本文是基于SSMC方法的一个具体的实验，通过多尺度的空间金字塔构造每个像元的空间参数，整合影像的光谱信号和空间信息进行高分辨率遥感影像分类。实验结果证明，SSMC方法对于提高高分辨率遥感影像的分类精度具有积极的意义。     

基于面向对象信息提取技术的城市用地分类

针对高分辨率遥感影像的城市用地分类,引入了面向对象的信息提取技术,并将其与传统基于像素光谱信息的分类方法进行了比较。在此基础上详述了面向对象信息提取的关键技术---多尺度影像分割和基于分割的分类技术。以城市作为研究区,实现城市用地的自动分类。图像处理过程包括几何校正、HIS融合、图像分割和图像分类。最终分类结果表明:视觉上,面向对象信息提取技术克服了传统方法无法克服的“椒盐”噪声的影响;精度上,面向对象信息提取技术的总体精度高达84.82%,比最大似然法的总体精度提高了10.95%,并且各类地物信息的提取精度均有所提高,其中草地、道路、建筑物阴影的精度较高。     

利用概率主题模型的遥感影像半监督分类

土地覆盖是自然环境与人类活动相互作用的中心,而土地覆盖信息主要是通过遥感影像分类来获取,因此影像分类是遥感影像分析的最基本问题之一。在参考基于概率主题模型的高分辨率遥感影像聚类分析的基础上,通过半监督学习最典型的生成模型方法引出了基于概率主题模型的半监督分类（SS-LDA）算法。借鉴SS-LDA模型在文本识别应用的流程,构建了基于SS-LDA算法的高分辨率遥感影像分类的基本流程。通过实验证明,相对于传统的非监督分类与监督分类算法,SS-LDA算法能够获取较高精度的影像分类结果。     

基于U-Net的高分辨率遥感图像土地利用信息提取

随着现代遥感技术的迅速发展,遥感图像的质量和数量得到了显著的提升,新技术带来的高分辨率遥感图像所蕴含的信息也更加丰富,如何利用人工智能手段辅助挖掘这些丰富的信息也成为了遥感图像分析与理解的重要内容。与此同时,以深度卷积神经网络为代表的人工智能技术在图像处理领域大放异彩。得益于类人眼的分层卷积池化模型,深度卷积神经网络可以在图像分割和分类等任务上取得优异的结果。因此采用U-Net为代表的深度卷积神经网络对2 m的高分辨率遥感影像进行了特征提取、分割和分类,不同于传统基于手工设定图像特征的方法,U-Net可以自动对海量高分辨率的遥感图像进行特征提取,从而充分挖掘高分辨率遥感影像中复杂的非线性特征、光谱特征和纹理特征。实验结果表明：利用训练好的U-Net模型对新昌县土地利用分类计算时间为55.7 s,分类准确率可达90.95%,Kappa系数为0.86。U-Net模型可以快速、精确地提取高分辨率遥感影像中的地表覆盖特征,得到高精度的土地利用分类结果,说明将该模型应用于遥感影像土地利用分类提取有着广阔前景。     

面向对象的高分辨率影像采煤塌陷地提取

煤炭开采引起了塌陷等一系列的地质环境问题,与常规监测方法相比,遥感技术可以实现大范围、高效率、周期性的动态监测。在遥感影像分类方法中,面向对象的遥感影像分类方法能更好地利用高分辨率遥感影像中丰富的纹理和几何结构信息。针对煤炭开采导致的地表塌陷地的特点,在归纳整理遥感影像中塌陷地判识准则的基础上,重点探讨了面向对象的遥感影像分类方法中塌陷地的自动提取规则。综合利用ERDAS IMAGINE9.2、ENVI4.7和ENVI4.4 ZOOM进行数据处理,以安徽省淮南矿务集团潘三矿区为实验区,用该方法利用SPOT５影像进行了塌陷地信息提取实验,结果证明,面向对象分类方法能有效地从高分辨率遥感影像中自动提取塌陷地相关信息。     

深度学习U-Net方法及其在高分辨卫星影像分类中的应用

高分辨率遥感影像有精确的几何结构和空间布局,但是光谱信息有限,增大了对光谱特征相似地物的分类难度。针对高分辨率遥感影像分类的问题,采用深度学习U-Net模型分类方法。基于黑河下游额济纳绿洲高分二号遥感影像,通过U-Net模型提取胡杨、柽柳、耕地、草地和裸地五种地物覆被类型,分类总体精度和Kappa系数分别为85.024%和0.795 6,并与传统的支持向量机（SVM, Support Vector Machine）和面向对象的分类方法比较,结果表明：相对于SVM和面向对象,基于U-Net模型的高分辨率卫星影像地物覆被分类,能够更好地对地物本质特征进行提取,分类效果较好,满足精度要求。     

利用面向对象的分类方法提取水稻种植面积

结合广西水稻面积的遥感解译工作,应用SPOT4遥感数据和遥感处理软件ENVI,利用面向对象的遥感分类的方法提取早稻种植面积。分类结果表明,利用面向对象的分类方法有效解决逐像素分类结果的"椒盐"效应,获得比传统的像素级分类方法更高的分类精度,为广西水稻种植面积的自动提取提供了广阔的前景。     

基于决策树方法的罗布泊“大耳朵”干盐湖区盐壳分类研究

本研究在野外综合考察基础上结合试验分析数据及遥感影像上提供的信息建立了罗布泊“大耳朵”干盐湖区盐壳分类体系,采用决策树方法对ETM＋遥感影像进行分类,经过混淆矩阵检验,分类总精度达到86.3%,Kappa系数为0.8420。结果表明,罗布泊“大耳朵”干盐湖区不同盐壳类型在空间上呈环状分布与“耳轮”影像特征大致吻合;影像上同一条带的盐壳表现出相间分布的特点;相似形状的盐壳受地表湿度影响在遥感影像上呈现不同色调。     

不同年份的Radarsat与TM数据融合探测土地利用变更

常规的土地利用变更信息的遥感获取方式有分类后比较法和逐像元比较法/图像增强法。本文使用不同年份的遥感数据进行融合来探测土地利用变更信息,针对本文使用的雷达遥感数据的特点,本文采用改进的IHS变换法进行融合,对融合后图像的灰度进行分析,结果表明,融合图像的灰度既不同于融合前的Radarsat,又不同于融合前的TM,变更信息非常明显。     

Study of land cover classification based on knowledge rules using high-resolution remote sensing images

This paper deals with the limitations of visual interpretation of high-resolution remote sensing images and of automatic computer classification completely dependent on spectral data. A knowledge-rule method is proposed, based on spectral features, texture features obtained from the gray-level co-occurrence matrix, and shape features. QuickBird remote sensing data were used for an experimental study of land-use classification in the combination zone between urban and suburban areas in Beijing. The results show that the deficiencies of methods where only spectral data are used for classification can be eliminated, the problem of similar spectra in multispectral images can be effectively solved for the classification of ground objects, and relatively high classification accuracy can be reached.     

Context inclusive function evaluation: a case study with EM-based multi-scale multi-granular image classification

Many statistical queries such as maximum likelihood estimation involve finding the best candidate model given a set of candidate models and a quality estimation function. This problem is common in important applications like land-use classification at multiple spatial resolutions from remote sensing raster data. Such a problem is computationally challenging due to the significant computation cost to evaluate the quality estimation function for each candidate model. For example, a recently proposed method of multi-scale, multi-granular classification has high computational overhead of function evaluation for various candidate models independently before comparison. In contrast, we propose an upper bound based context-inclusive approach that reduces computational overhead based on the context, i.e. the value of the quality estimation function for the best candidate model so far. We also prove that an upper bound exists for each candidate model and the proposed algorithm is correct. Experimental results using land-use classification at multiple spatial resolutions from satellite imagery show that the proposed approach reduces the computational cost significantly.     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

基于自编码神经网络的航空物探遥感数据分类方法研究

航空物探遥感数据的采集过程中受到电磁波辐射等外界因素的影响,导致航空物探遥感数据分类准确率较低,为此提出基于自编码神经网络的航空物探遥感数据分类方。根据航空物探对象的基本特征,设置遥感数据的分类标准。通过辐射校正、几何纠正、噪声消除等步骤,完成航空物探遥感数据的预处理。构建自编码神经网络,利用自编码神经网络算法,从光谱、形状、纹理等方面提取遥感数据特征,通过特征匹配确定航空物探遥感数据的所属类型。通过分类性能测试实验得出结论:所提方法的全局遥感数据分类成功率和错误率的平均值分别为99.8%和0.6%,局部遥感数据分类的成功率和错误率的平均值分别为99.8%和0.3%,即所提方法在分类性能方面具有明显优势。     

基于JESS的四湖湿地景观的遥感分类

详细介绍了如何在ENVI系统中嵌入JESS专家系统语言,并给出了相应的代码,在分析湖北省四湖湿地多源遥感数据的基础上,总结出了遥感分类的专家知识与分类规则,利用该方法实现了四湖湿地景观的遥感分类,表明JESS专家系统不仅能很容易、方便地应用到遥感领域,而且其代码与专家知识和规则分离的特征将使其在农业遥感系统开发领域中有广阔的前景。     

基于改进决策树分类算法的遥感影像分类研究

针对现有分类器对遥感影像分类结果存不准确的问题,本文提出了一种基于决策树分类器的遥感影像分类方法,该方法以复合决策树Boost Tree思想为基础,首先利用分形理论中的毯模型提取遥感影像的纹理特征,根据遥感影像分类的特点,构造新的单棵决策树生成算法对遥感影像进行分类。以北京市五环内区域为研究区,使用landsat7 ETM数据源,实现了基于分形纹理特征、光谱特征的改进决策树分类。实验结果表明：通过毯模型提取的纹理特征可以很好地表达表面特征,辅以该纹理信息的改进决策树分类精度相比于只用光谱信息进行分类的精度有一定的提高,改善了分类效果。