基于对象和DEM的湿地信息提取——以洪河沼泽湿地为例

湿地资源遥感信息提取并满足一定的分类精度和效率,是湿地研究的关键问题之一。利用高分辨率的SPOT5影像数据,通过对研究区分别进行基于像素的监督分类和基于对象的分类,进行典型沼泽湿地专题信息提取,同时将面向对象分类与DEM辅助数据进行信息复合,探寻提升分类精度的方法。结果表明,基于对象和辅助数据DEM的信息提取,可以有效地改善遥感图像的分类精度。     

基于对象和DEM的湿地信息提取——以洪河沼泽湿地为例

湿地资源遥感信息提取并满足一定的分类精度和效率,是湿地研究的关键问题之一。利用高分辨率的SPOT5影像数据,通过对研究区分别进行基于像素的监督分类和基于对象的分类,进行典型沼泽湿地专题信息提取,同时将面向对象分类与DEM辅助数据进行信息复合,探寻提升分类精度的方法。结果表明,基于对象和辅助数据DEM的信息提取,可以有效地改善遥感图像的分类精度。     

利用辅助数据的荒漠区高分辨率遥感分类研究

使用美国NAIP高分辨率航空遥感影像,在多尺度、多变量影像分割的基础上,采用决策树方法建立干旱区半干旱区的荒漠分类规则,并结合水系、道路等辅助地理数据进行干旱区半干旱区面向对象遥感分类.选择位于美国亚利桑那州菲尼克斯大都市区的周边典型荒漠地区为实验区,利用河流、道路等辅助数据进行面向对象遥感分类效果要优于单纯依靠遥感影像的分类,能够有效地提取季节性河流和简易道路.研究对美国亚利桑那州菲尼克斯都市区周边的同一荒漠地区进行了实验,利用决策规则有效提取植被和荒地,以及提取简易道路和土壤,分类总精度从常规面向对象分类方法的82.85％提高到92.45％.研究结果表明:本文提出的分类方法对荒漠地区的泥土路和灌木及其整体分类精度有较大提高.利用辅助数据进行遥感分类可以改善特定研究区的高分辨率遥感影像分类精度.     

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。     

基于Lansat7 ETM+影像的城市道路信息提取研究

道路信息是遥感卫星影像中一种重要的地理专题信息，道路信息的提取在卫星数字图像自动解译方面具有理论与方法意义，如果能自动地从遥感卫星影像中提取出道路网，将会简化城市地物目标的分类和测量过程。研究结合了计算机和人在自动检测和识别上的优势，以ETM＋为数据源，提出了遥感卫星影像中道路特征半自动提取的一种方法。研究首先对ETM＋的多光谱影像和15m分辨率的全色影像进行融合，然后通过设计一个高通滤波器和统计滤波器，完成道路信息的检测与识别（其中高通滤波突出地物的线性特征、统计滤波则是消除高通滤波后的一些噪音），最后进行矢量化跟踪完成道路信息的提取。实践结果表明，该方法能够从中等分辨率遥感卫星影像中提取道路信息，取得了较好的精度效果。     

新疆干旱区绿洲土壤盐渍化信息提取对比研究

在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特征对于遥感影像分类精度的提高也有很重要的作用。以渭干河-库车河三角洲绿洲为例,利用ETM+数据,探讨了该绿洲盐渍化土地覆盖信息的提取方法。提出了基于SVM的光谱和纹理两种信息复合的分类方法,通过此方法对该绿洲进行分类研究,并将分类结果与最小距离法、最大似然法(MLC)、神经网络法(Neural net)和单源数据(光谱)SVM分类结果进行定性和定量比较分析。研究结果表明：该方法能够有效地解决单数据源分类效果破碎、分类精度不高等问题,并对高维输入向量具有较高的推广能力。总精度达到93.179 5%,比单源信息的SVM分类法提高了3.161 8%,比最大似然法提高了4.825 2%,比神经网络法提高了7.475 6%,而与最小距离法相比,总精度甚至提高了11.102 9%,取得了良好的效果。与传统的分类方法的比较表明,文中所提出的分类方法具有明显的优越性和良好的前景,因此该方法更适合于遥感图像分类和盐渍化信息提取,是地物遥感信息提取的有效途径。     

SVM在多源遥感图像分类中的应用研究

在利用遥感图像进行土地利用/覆盖分类过程中,可采用以下两种途径来提高分类精度:一是通过增加有利于分类的数据源,引入地理辅助数据和归一化植被指数(NDVI)来进行多源信息融合;二是选择更好的分类方法,例如支持向量机(SVM)学习方法,由于该方法克服了最大似然法和神经网络的弱点,非常适合高维、复杂的小样本多源数据的分类。为了提高多源遥感图像分类的精度,还研究了支持向量机在遥感图像分类中模型的选择,包括多类模型和核函数的选择。分类结果表明,支持向量机比传统的分类方法具有更高的精度,尤其是基于径向基核函数和一对一多类方法的支持向量机模型更适合多源遥感图像分类,因此,基于支持向量机的多源土地利用/覆盖分类能大大提高分类精度。     

基于遥感和陆表信息集成的广东省土地覆盖分类方法研究

土地覆盖信息是估算地-气间的生物物理过程和能量交换的关键参数,也是区域和全球尺度气候和生态系统过程模型所需要的重要参量。如何高效地利用遥感数据提取土地覆盖信息是当前研究迫切需要解决的问题。面向对象的分类方法不但充分利用了遥感数据的光谱信息,同时也利用了影像的纹理结构信息和更多的地物分布信息关系,在遥感分类中具有较大的潜力。研究基于2010年多时相的环境卫星数据、TM数据以及DEM数据,并结合地表采集的4000多个样点数据,采用面向对象的分类方法对广东省土地覆盖进行分类。经采样验证,广东省土地覆盖平均精度为85%,分类结果精度远高于常规的分类算法,说明结合陆表信息的面向对象分类方法比常规的分类算法更具有优势,可以实现高精度的土地覆盖分类。     

基于面向对象方法的遥感土壤盐渍化信息监测——以渭干河-库车河三角洲绿洲为例

遥感技术由于具有观测范围广、实时强等特点适合用来研究土壤盐渍化现象。利用遥感手段提取盐渍土信息已经取得了一定的成效。利用面向对象方法,以TM卫星图像数据和野外实地数据为数据源进行提取盐渍地信息。首先,对遥感影像进行预处理,预处理包括几何校正和辐射校正,然后对图像进行图像分割,图像分割使用了分割方法的多尺度分割法、特征选择、面向对象分类和分类图像进行精度评价。对面向对象方法和传统的基于像元分类（最大似然法和最小距离法）结果进行对比分析。结果表明：利用面向对象方法对TM遥感图像进行分类,能有效抑制“椒盐现象”的发生,分类精度比传统的分类方法更高,为盐渍地信息的自动提取提供了广阔的前景。     

遥感图像道路信息提取方法研究进展

随着卫星遥感和信息提取技术的快速发展,地理信息的自动更新成为可能。道路是重要的人工地物,是地理信息数据的重要组成部分,从遥感图像上提取道路信息以更新地理信息数据库成为近年来的研究热点之一。通过总结遥感图像道路信息自动提取的发展历程,归纳了常用的道路信息提取方法,并对各个方法的特点进行了分析,在此基础上分析了遥感图像道路信息提取中的不足,最后对以后道路信息提取的研究进行了展望。     

人工神经网络遥感分类方法研究现状及发展趋势探析

从人工神经网络技术本身出发,概括了其在遥感分类中的研究现状,分析了人工神经网络遥感分类方法与其它分类方法相比具有的优势,介绍了人工神经网络遥感分类的一些主要应用,并进一步对人工神经网络遥感分类方法的发展趋势进行了展望。     

多源信息复合的遥感影像水稻田信息提取方法研究

水稻是中国最主要的粮食作物之一。如何更精确更真实的获取水稻种植信息对于中国农业的可持续发展具有重要的意义。以江苏南京江宁区为试验区,融合遥感影像的光谱信息、纹理信息、空间分布特征等辅助性信息进行基于知识规则的水稻田信息提取,并将提取结果与传统的非监督分类和逻辑通道法的提取结果进行了比较。研究表明,基于知识规则的多源信息水稻田提取方法的精度最高。可见,融合多源信息的基于知识规则分类法是提高遥感水稻田提取精度的有效方法。     

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。     

基于多时序特征和卷积神经网络的农作物分类

近年来,以卷积神经网络为主的深度学习模型在各种遥感应用中都显示出巨大的潜力。以加州帝国郡为研究区,以Landsat 8 OLI年内时序遥感影像计算时序植被指数NDVI、EVI、RVI以及TVI,组合后输入到构建的一维卷积神经网络 模型,以实现作物的高精度精细分类。为了验证卷积模型的优越性,另搭建了基于递归神经网络及其变体的深度学习模型。结果表明：①引入其他时序特征后,能够有效地提高卷积神经网络的分类精度。NDVI+EVI+TVI+RVI组合特征总体精度和Kappa系数最高,分别是89.667 4%和0.856 0,对比NDVI时序特征总体精度和Kappa系数提高了近4%和0.6。②在与其他深度学习模型的对比中,一维卷积神经网络分类精度最高,能够从时序数据中较为准确捕捉作物时序特征信息,尽管递归神经网络被广泛应用于序列数据的研究,但分类结果要略差于卷积神经网络。实验表明在NDVI的基础上引入其他植被指数辅助,能够有效地提高分类精度。基于一维卷积神经网络的深度学习框架为长时间序列分类任务提供了一种有效且高效的方法。     

基于特征整合的卷积神经网络草地分类算法

为提高遥感影像草地分类的精度,分析了卷积神经网络中提取图像特征的特点,提出了一种基于特征整合深度神经网络的遥感影像特征提取算法。首先,将遥感影像数据进行PCA白化处理,降低数据之间的相关性,加快神经网络学习的速率;其次,将从卷积神经网络中提取到的浅层特征和深层特征进行双线性整合,使得整合后的新特征更加完善和优化;最后,对遥感数据进行训练,由于新特征中有效信息的增加,使得特征表达能力得到提高,达到提高草地分类准确率的目的。实验结果表明:该算法能够有效地提高草地分类的准确率,分类精度达到94.65%,相较于卷积神经网络、BP神经网络和基于SVM的分类算法分别提高了4.3%、10.39%和15.33%。     

顾及局部特性的CNN在遥感影像分类的应用

深度学习的方法在图像识别和自然语言处理等方面展示了优异的性能。将卷积神经网络（Convolution Neural Network,CNN）用于高分辨率遥感影像分类。针对CNN用于遥感影像分类使用固定大小窗口遍历时,影像采样窗口数量过多,导致的分类效率低下问题,提出一种基于影像区域特性的采样窗口确定方法,提高分类效率。影像分类包括两个阶段：首先,利用卷积神经网络得到的特征对影像进行分类;然后,采用支撑向量机对第一步分类由于特征区分性不足造成的错分地物类别进行再分类。采用具有不同特性的遥感影像对所提方法进行了验证,实验结果表明,同现有的特征表示和分类方法相比,该方法的性能有明显改善。     

基于有效通道注意力的遥感图像场景分类

针对基于人工设计特征的方法不能提取高层次遥感图像信息以及以往利用VGGNet、ResNet等卷积神经网络（CNN）无法关注到遥感图像中显著分类特征的问题,提出了一种基于有效通道注意力（ECA）机制的遥感图像场景分类新模型——ECA-ResNeXt-8-SVM。为了建立高效模型,一方面,设计了嵌入ECA模块的深度特征提取网络ECA-ResNeXt-8,通过端到端的学习使网络更关注分类特征明显的通道;另一方面,利用支持向量机（SVM）代替全连接层作为已提取到的深度特征的分类器,从而进一步提高模型的分类准确率与泛化能力。该模型在实验数据集UC Merced Land-Use上的分类准确率达到95.81%,相较于使用SE-ResNeXt50与ResNeXt50网络,分别提高了6%与18%,且在分类准确率为75%时所提模型的训练时间比上述两个网络分别减少了82%与81%。实验结果表明,所提模型能够有效地减少模型的收敛时间并提升遥感图像场景分类的准确率。     

基于双池化特征加权结构CNN的图像分类

传统的池化方式会造成特征信息丢失,导致卷积神经网络中提取的特征信息不足。为了提高卷积神经网络在图像分类过程中的准确率,优化其学习性能,本文在传统池化方式的基础上提出一种双池化特征加权结构的池化算法,利用最大池化和平均池化2种方式保留更多的有价值的特征信息,并通过遗传算法对模型进行优化。通过训练不同池化方式的卷积神经网络,研究卷积神经网络在不同数据集上的分类准确率和收敛速度。实验在遥感图像数据集NWPU-RESISC45和彩色图像数据集Cifar-10上对采用几种池化方式的卷积神经网络分类结果进行对比验证,结果分析表明：双池化特征加权结构使得卷积神经网络的分类准确率有很大程度的提高,同时模型的收敛速度得到进一步提高。     

基于多分类器集成的“北京一号”小卫星遥感影像分类研究

将多分类器集合应用于"北京一号"小卫星多光谱遥感数据土地覆盖分类,首先构建分类器集合,应用最小距离分类、最大似然分类、支持向量机(SVM)、BP神经网络、RBF神经网络和决策树等进行土地覆盖分类,然后利用Bagging、Boosting、投票法、证据理论和模糊积分法等分类器集成方法,得到综合不同分类器输出的最终分类结果。试验表明,多分类器集成能够有效提高"北京一号"小卫星土地覆盖分类的精度,具有广泛的应用前景。