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。     

地物大小、对象尺度、影像分辨率的关系分析

遥感数据的分辨率越来越高, 给地物信息提取提出了新的挑战。利用基于像元的分类技术和基于多尺度分割的面向对象分类技术对高分辨率影像进行分类实验, 分析地物大小、对象尺度与影像分辨率的关系。实验结果表明不同地物由于其空间尺度不同, 与之相适宜的空间分辨率和对象尺度也不同, 在适宜分辨率的影像提取有较高的精度, 在适宜的对象尺度上提取对象信息有更高的精度。分析也表明面向对象的多尺度影像分类技术适应了不同地物有其相适宜的空间分辨率, 在适宜尺度影像层中提取地物, 其分类精度大大高于基于像元的分类方法。     

面向对象的高分辨率影像分类与信息提取

采用面向对象遥感影像分类方法对高分辨率遥感影像进行了信息提取实验,并将其与基于像元方法的信息提取结果进行了对比分析。实验研究表明,在目视效果上,传统方法的分类结果图中“椒盐现象”非常明显,而面向对象方法可以有效地避免“椒盐现象”;在分类精度上,面向对象方法分类结果的总体精度、Kappa系数、生产者精度、用户精度、Hellden精度和Short精度均明显高于传统方法,各类地物提取效果显著提高,总分类精度提高21.76%,Kappa系数提高0.2756。面向对象方法在高分辨率遥感影像信息提取中具有明显的优势。     

基于高分二号数据的面向对象城市土地利用分类研究

利用国产高分二号数据提取城市地物类别的方法研究具有重要的意义。以鸡西市城区作为研究区域,采用高分二号(GF-2)遥感影像为数据源,对影像进行多尺度分割,建立相应地物的分类规则,采用规则集的面向对象分类方法对地物进行分类,并与支持向量机(Support Vector Machine,SVM)监督分类结果进行比较。实验结果发现:利用面向对象方法对城市土地利用分类的总体精度92.52%,Kappa系数为0.91,与SVM方法相比较,有很大的提高,分类效果更加能体现城市地类形状特征。使用面向对象的分类方法对高分二号影像进行分类效果更好,精度更高,基于高分二号数据面向对象分类方法是提取城市土地利用分类的有效方法。     

基于多尺度特征融合的U-Net网络高分影像不透水面提取研究

不透水面作为监测城市生态环境的重要指标,其信息提取具有重要意义。由于城市地表的复杂性及细化的城市管理需要,急需提取高精度的城市不透水面。但是基于传统方法提取高精度的城市不透水面面临巨大困难。而深度学习方法因其自动化提取影像特征的特点逐渐成为遥感影像地物提取的新兴方法。基于此,采用多尺度特征融合的U-Net深度学习方法以提升语义分割精度,开展高分辨率遥感影像不透水面的精确提取研究。模型引入残差模块代替普通卷积以加深网络,提取更多影像特征;加入金字塔池化模块增强网络对复杂场景的解析能力;利用跳跃连接方式融合不同尺度特征,有利于恢复空间信息。以广州市航摄正射影像为数据源,通过卷积神经网络将遥感影像分割为背景、其他、植被、道路和房屋5种地物类型,将其与人工目视解译的地面真值进行验证,最终提取研究区域不透水面。实验证明：多尺度特征融合的U-Net模型总体精度和Kappa系数分别为87.596% 和0.82。在定性与定量两个方面均优于传统的监督分类法、面向对象分类法和经典U-Net模型法。结果表明：该模型利用多维度影像特征信息,有效提升了复杂场景图像的分割精度,分割效果好,适用于高分辨率遥感影像不透水面提取,该研究成果可为城市环境监测提供数据支撑。     

基于面向对象分类技术的景观信息提取研究

依据高分辨率遥感影像的特点,如何充分地利用影像的光谱信息和空间信息以及地学特征进行更为微观的遥感监测或大比例尺制图是高分辨率遥感研究的重要内容之一。本文以地形复杂的武夷山自然保护区为研究区域,以SPOT5原始影像为数据源,采用面向对象的多尺度分割方法,实现了不同尺度地物信息的分层提取。基于上层的分类结果对特定地物进行影像分割,选择合适的特征参数,并通过多次试验建立影像对象的隶属度函数,或利用最邻近分类法,逐级分层地提取了研究区的景观信息。研究结果显示：利用面向对象分类方法可以快速方便地对地形复杂条件下研究区的SPOT5遥感影像的景观信息提取,精度为76%,为高分辨率遥感影像的信息提取提供了更为快速、有效的技术途径。     

辅以波谱分析的高分辨率影像面向对象分类研究

随着遥感影像空间分辨率的提高,地物的空间信息更加丰富,地物尺寸、 形状以及相邻地物的关系得到更好的反映,因此目前高分辨率影像分类方法更侧重于利用地 物的空间信息,分类过程中参与较多的人为主观因素,在地物类型未知的地区很难进行解译 工作。另外,分割过于细碎导致操作数据量太大也是高分辨率影像分类的难题之一。论文提 出了辅以波普分析的高分辨率影像面向对象分类方法,即在传统面向对象分类方法的基础上 结合影像波谱分析,先对影像光谱角制图粗分类、掩膜操作,再面向对象精分类,较好解决 了以往面向对象分类方法地物类型的不确定性和分割细碎等问题。试验以空间分辨率为0.5 米的八波段WorldView2 影像为研究数据提取西部那曲地区道路和河流,精度达到96.36%。     

基于高分辨率影像数据的耕地信息提取应用研究

遥感影像地物信息丰富,使得直接通过影像获取耕地地块信息成为可能。本文介绍了以高分辨率遥感影像数据为基础图件,应用ERDAS、ARCGIS、eCogntion软件平台,通过非监督分类法、监督分类法和面向对象分类法分别对试验区域提取耕地信息的过程。试验结果表明,遥感技术是获取耕地信息提取的有效途径之一,监督分类进度为75．5％,面向对象法精度为90％。面向对象分类方法提取精度较高,效果最好。     

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。     

基于遥感影像的军事阵地动态监测技术研究

针对部队快速机动作战的军事要求,提出基于高分辨率遥感影像的军用阵地动态监测方法。借助面向对象的多尺度分割技术将阵地影像分割为同质对象,以提取各个对象的特征;针对监督分类和非监督分类的弊端,提出通过一定的先验知识制定分类规则的方法对遥感影像进行地物识别,在此基础上定性和定量地输出变化检测结果。实验结果表明:利用基于对象影像分析方法具有较高的识别精度,能够有效监测军事阵地变化。     

U-Net Neural Networks and Its Application in High Resolution Satellite Image Classification

High-resolution remote sensing images have precise geometric structure and spatial layout, but the spectral information is limited, which increases the difficulty of classifying similar features of spectral features. Aiming at the problem of high resolution remote sensing image classification, a U-Net convolutional neural network classification method based on deep learning is proposed. Based on the remote sensing image of the Ejina Oasis GF-2 in the lower reaches of the Heihe River, the U-Net model was used to extract the five types of land cover types of Populus euphratica, Tamarix chinensis, cultivated land, grassland and bare land. The overall classification accuracy and Kappa coefficient were 85.024% and 0.795 6 respectively. Compared with the traditional Support Vector Machine(SVM) and object-oriented method, the results show that compared with SVM and object-oriented method, the U-Net model is used to classify the high-resolution remote sensing, and the classification effect is better. The ground extracts the essential features of the features to meet the accuracy requirements.     

基于面向对象的多源卫星遥感影像玉米倒伏面积提取

风灾引起的玉米倒伏可能导致玉米大量减产,利用遥感技术准确监测玉米倒伏面积与空间分布信息对灾情的评估非常重要。利用Planet和Sentinel-2影像分别结合面向对象与基于像元方法提取研究区玉米倒伏,同时评估了不同影像特征（光谱特征、植被指数和纹理特征）与不同分类方法（支持向量机法SVM、随机森林法RF和最大似然法MLC）对玉米倒伏提取精度的影响。结果表明：①使用高空间分辨率的Planet影像进行玉米倒伏提取的精度普遍高于Sentinel-2影像;②从分类精度和面积精度来看,Planet影像的光谱特征+植被指数+均值特征结合面向对象RF分类,总体精度和Kappa系数分别为93.77%和0.87,面积的平均误差最低为4.76%;③采用Planet和Sentinel-2影像结合面向对象分类提取玉米倒伏精度高于基于像元分类。研究不仅分析了面向对象方法的优势,还评估了使用不用影像数据结合面向对象方法的适用性,可以为遥感提取作物倒伏相关研究提供一定的借鉴。     

基于面向对象方法的沙化土地遥感信息提取技术研究

针对基于像元光谱特征提取沙化土地信息分类精度偏低的问题,以Landsat\|5 TM为数据源,基于面向对象的方法对沙化土地遥感信息提取技术进行研究。首先采用多尺度分割法对影像进行分割以获得同质区域,然后结合野外调查数据制成不同地物类型的多种特征图,从而确定提取目标地物的特征并建立沙化和非沙化地物提取决策树,最后对影像进行模糊分类,并对分类结果进行精度评价。结果表明,基于面向对象提取沙化土地信息的总精度达84.89%,Kappa系数为0.8077。研究结果为后续深入研究奠定了基础。     

结合纹理特征的SVM样本分层土地覆盖分类

支持向量机(SVM)分类在精度、泛化性、高维数据处理等方面都具有较强的优势,在遥感影像分类中也得到了广泛应用。由于遥感影像“同物异谱”和“异物同谱”现象的影响,结合纹理特征提高SVM分类精度已成为遥感应用研究的热点。但不同尺度的纹理特征突出的信息不一,在同一尺度上难以区分的地物在多尺度空间则更容易区分,因此,采用多尺度纹理特征进行SVM分类,并从分类样本和纹理特征的选取两个方面探讨SVM土地覆盖分类的方法。首先,以ALOS影像为例,通过灰度共生矩阵提取不同尺度、不同方向的几种纹理特征;然后在光谱分类结果基础上,借助地类特征曲线,选取有效的多尺度纹理特征,最后进行样本分层分类。样本分层分类是选取首层样本进行分类,再从“漏分和错分”地块中选取新样本加入到首层样本中,得到第二层样本并对整个影像进行分类;用同样的方法选出第三层样本或更高层样本进行分类,直到结果满意为止。结果表明:该方法比仅用光谱特征的SVM分类总精度提高了8.11%,Kappa系数增加了0.11。其中,纹理特征的引入使分类总精度提高了4.13%,且对纹理特征较明显的地类更有效;采用样本分层后的分类总精度进一步提高了3.98%,且各单一地类的精度也都有不同程度的提高。借助地类特征曲线选择合适的纹理特征具有一定的可行性,并且采用样本分层的方法能够提高SVM分类的精度。     

基于高分二号数据的面向对象城市土地利用分类研究

It is of great significance to study the method of extracting urban features from GF-2 remote sensing data.Taking the urban area of Jixi City as the study area,and the GF-2 image is used as the data source.The image is divided into multiple scales,the classification rules of the corresponding objects are established,and the object-based classification method of the rule set is used to classify the objects.Compare with SVM supervised classification results.The results show that the overall accuracy of object-oriented classification is 92.52%,and the Kappa coefficient is 0.91,which is significantly higher than the SVM supervised classification.Using the object-oriented classification method to classify the GF-2 image is better and the precision is higher.Object-oriented classification method based on GF-2 data is an effective method for extracting urban land use classification.     

基于高分二号数据的面向对象城市土地利用分类研究

It is of great significance to study the method of extracting urban features from GF-2 remote sensing data.Taking the urban area of Jixi City as the study area，and the GF-2 image is used as the data source.The image is divided into multiple scales，the classification rules of the corresponding objects are established，and the object-based classification method of the rule set is used to classify the objects.Compare with SVM supervised classification results.The results show that the overall accuracy of object-oriented classification is 92.52%，and the Kappa coefficient is 0.91，which is significantly higher than the SVM supervised classification.Using the object-oriented classification method to classify the GF-2 image is better and the precision is higher.Object-oriented classification method based on GF-2 data is an effective method for extracting urban land use classification.     

The area extraction of winter wheat in mixed planting area based on Sentinel-2 a remote sensing satellite images

ABSTRACT

The traditional area extraction method mainly depends on manual field survey methods, it is workload, slow and high cost. While remote sensing technology has the advantages of accuracy, rapidity, macroscopic and dynamic, which has become an effective means to extract crop growing area. In this paper, we took Kaifeng City in Henan Province as the study area. Firstly, we explored the advantages of Sentinel-2A RENDVI in crop identification. Then used the supervised classification SVM, object-oriented classification method and assisted with field measured data to extract the winter wheat planting area, the characteristics of the two methods were compared and analysed. Finally, we combined the above two classification methods and proposed a new classification method V2OAE to remove unnecessary influencing factors. The experiment results showed that RENDVI has better recognition ability than the NDVI (Normalized Difference Vegetation Index) in distinguishing vegetation with similar spectrum, the classification effect of object-oriented classification is better than supervised classification SVM, and our classification method removes unnecessary influence factors in the results of object-oriented classification, which is further improve the monitoring accuracy.

Firstly, we have preprocessed the Sentinel-2A image data, its steps are: (1) In the first step, we made radiation calibration for remote sensing images to eliminate the image distortion caused by external factors, data acquisition and transmission systems and so on; (2) In the second step, we made atmospheric correction to eliminate changes in the spectral feature of remote sensing images caused by atmospheric absorption or scattering; (3) In the third step, we made band resampling to unify the resolution of remote sensing images and facilitate the mathematical combination operation of vegetation index; (4) In the fourth step, we made mosaic and cutting to get preprocessed remote sensing images of Kaifeng City. Secondly, we analysed the spectral features of each object and established the interpretation mark with the field measured data. then we explored the ability to identify the ground objects based on NDVI(Normalized Difference Vegetation Index) and RENDVI. Third, we used the rule-based object-oriented classification method and SVM classification to extract the planting area of the study area, the input definition of SVM is spectral feature images of ground objects and the output definition of SVM is the recognition result of ground objects in the process of data training. Then the advantages and disadvantages of the two methods in classification results were analysed. Finally, In order to extract winter wheat information more accurately, we combined the above two classification methods and proposed a new classification method V2OAE (Vector Object Oriented Area Extraction) to remove unnecessary influencing factors, then the winter wheat planting area in Kaifeng City was statistically obtained.     

MESMA与面向对象组合的土地利用分类方法

混合像元是制约传统组合分类方法精度提高的主要因素之一。为此,文章提出一种基于多端元混合像元分解(multiple endmember spectral mixture analysis,MESMA)与面向对象分类组合的分类方法,利用混合像元分解提高分类精度,借助组合方法降低“椒盐”现象影响。首先,使用MESMA技术分解混合像元,提取丰度信息,并将丰度信息作为特征变量应用到像素分类;然后,将像素和面向对象的分类结果进行组合,获得最优分类结果;最后,以内蒙古鄂尔多斯市乌审旗纳林河二号矿井Landsat-8影像为数据源进行相关实验。结果表明:组合方法分类精度最高,与基于像素、面向对象和传统组合方法相比,分类精度分别提高4.56%、5.66%、4.05%;同时,该方法可以有效降低“椒盐”现象影响。     

基于K型支持向量机的遥感图像分类新算法

为了提高遥感图像的分类精度和识别速度,提出了一种基于K型支持向量机（SVM）的遥感图像分类新算法,该算法将灰度共生矩阵提取的纹理特征与光谱特征相结合进行分类。对两组Landsat ETM+数据进行分类仿真实验,结果表明,在多光谱遥感图像的分类中,新算法提高了分类效率、分类精度和泛化能力,K型SVM是一种优于径向基函数SVM的分类器。