面向亚像元级积雪信息提取的MODIS影像波段融合方法研究

MODIS影像因其共享性和时间序列的完整性而成为大区域积雪监测研究广泛使用的数据源,进行MODIS影像波段间融合,能够为积雪研究提供较高分辨率的影像数据源。为了充分利用MODIS影像250 m分辨率波段的空间和光谱信息,提取亚像元级的积雪面积,使用两种具有高光谱保真度的影像融合方法：基于SFIM变换和基于小波变换的融合方法,采取不同的波段组合策略,对MODIS影像bands 1~2和bands 3~7进行融合,并以Landsat TM影像的积雪分类图作为“真值”,对融合后影像进行混合像元分解得到的积雪丰度图的精度进行评价。结果表明：利用基于SFIM变换和小波变换方法融合后影像提取的积雪分类图精度较高,数量精度为75%,比未融合影像积雪分类图的精度提高了6%,表明MODIS影像波段融合是一种提取高精度积雪信息的有效方法。     

辅以纹理特征的面向对象的遥感影像分类方法研究——以陕西省杨陵县为例

随着遥感图像分辨率的不断提高,图像的纹理特征更加明显,使得对图像进行纹理分析成为可能。以陕西省杨陵县为试验区,将TM多光谱影像和SPOT 5高分辨率全色影像进行融合,先对影像各种纹理特征进行比较,选用对比度这一属性辅助进行面向对象的分割,同时结合地物的光谱信息,对该地区进行监督分类。与单纯基于光谱特征的分类方法进行比较,该方法在一定程度上改善了分类精度,细化了地物类别。     

结合纹理特征和边缘信息的遥感影像分类

针对基于光谱信息的遥感监督分类精度低以及分类结果中交界处错分和内部存在小面积图斑的问题,提出了一种结合图像纹理信息的监督分类方法和基于图像边缘信息的分类后处理方法。该方法首先利用彩色的灰度共生矩阵(color gray level co-occurrence matrix,CGLCM)提取图像的纹理信息,并将纹理图像结合原图像各个波段在ENVI 5.1平台下进行监督分类,然后采用Canny边缘检测算法提取原始影像的边缘图像,通过边缘信息对分类结果进行区域统计来改善分类结果。试验结果表明,辅以CGLCM纹理特征的监督分类方法可以有效地提高分类精度,相对于传统的监督分类方法,总Kappa系数提高了0.107 6,精度提高了8.53%。依据边缘信息对分类结果进行处理,有效保留原始影像边缘特征的同时,很好地滤除了分类结果中的小面积图斑。     

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CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术，在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源，搭建CNN模型对农作物进行光谱特征提取与分类，并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息，利用CNN对农作物光谱和纹理特征进行提取，优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取，验证结果对比显示，CNN对应各类别精度、总体精度均优于SVM，其中二者总体精度分别为95.14%和91.77%；② 引入影像纹理信息后，基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%，Kappa系数0.952，且分类结果的空间分布更为合理，可有效区分花生、道路等精细地物，说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取，可面向种植结构复杂区域实现农作物精准分类与分布制图。     

一种基于特征的遥感影像融合新方法

基于特征的影像融合主要是在突出目标地物的空间结构和纹理特征情况下的信息融合。在小波多分辨率分析理论基础上，采用小波变换方法对高分辨图像的目标地物边缘信息增强后与多光谱图像进行特征融合。在融合过程中，没有采用传统的HIS小波融合方法，而是采用RGB小波变换的方法，用多光谱图像中的R、G、B3波段经小波分解后的低频图像与特征增强后的高分辨率图像经小波分解后的高频图像分别进行融合，再经RGB合成为彩色图像得到最后的融合图像，这样既改善了图像的清晰度和分辨率，同时也保留了原多光谱图像的光谱信息。最后通过实验验证了上述结论。     

基于多纹理特征融合的震后SAR图像倒塌建筑物信息提取

合成孔径雷达（SAR）凭借其全天候观测能力以及SAR图像中丰富的纹理信息,在震后建筑物倒塌评估中发挥了重要作用。针对SAR图像中倒塌建筑物纹理特征多样但利用率较低,且特征信息冗余的问题,提出一种基于主成分分析的SAR图像多纹理特征分类方法。该方法基于灰度直方图、灰度共生矩阵、局部二值模式、Gabor滤波器提取了26种纹理特征信息,构建主成分变量进行多维特征优选与降维融合,通过随机森林分类算法提取建筑物的倒塌信息。以2016年日本熊本地震为例验证了该方法的有效性,结果显示其提取精度高达79.85%,倒塌建筑物的识别效率有所提高,分类结果优于单种纹理特征提取方法及多种纹理特征组合提取法,可用于震后建筑物震害信息的快速提取。     

基于独立分量分析和支持向量机的遥感影像融合分类算法

遥感影像分类是遥感定量化分析的重要手段,遥感影像融合是提高分类正确率的有效途径之一。本文提出一种遥感影像的融合分类算法。首先采用Contourlet变换对多光谱影像和全色影像进行融合,然后结合独立分量分析的去相关性、稀疏特性以及很好地捕捉影像重要边缘信息、纹理信息的能力,提取融合影像的独立分量特征,并用支持向量机实现分类。与其他算法的主、客观比较结果表明,该算法的实验效果较好,可有效地提高遥感影像的分类精度。     

基于对象的最优尺度建筑物信息提取方法

针对基于像素分析方法不适用于高分辨率影像信息提取的问题,提出一种基于对象的图像分析方法来进行城市建筑信息提取。采用多分辨率图像分割方法得到图像对象,提出非监督的最优尺度判定方法解决单尺度分割造成的欠分割和过分割问题。在对象分类提取过程中,结合LiDAR数据的地形表面高程信息和光谱信息对建筑物进行提取,并利用尺寸、空间位置等信息进行误分类修正。实验区域共提取出18个建筑目标,结果表明所提出的方法有效可行。     

结构与光谱信息相结合的遥感图像分类方法

对结合纹理信息与光谱信息的遥感图像分类方法进行了研究。首先介绍了常规的遥感图像分类方法，监督分类法和非监督分类法，并结合ERDAS软件和试验数据进行分类实验；接着引出纹理信息的概念，并探讨其在遥感图像分类中的应用，提取原数据中的纹理信息参与分类；最后，比较分析分类的结果，论证了结构与光谱信息相结合的遥感图像分类方法可行性。     

基于数据流的TIN迭代滤波算法

通过机载LiDAR数据滤波获取地面信息是机载LiDAR数据的一项重要且基本的应用。基于现行的滤波算法都有一定的应用局限,本文提出了一种基于数据流的TIN滤波算法。该方法基于流的思想,首先对机载LiDAR数据进行点流的空间结点化,之后在构建Delaunay三角网的同时,进行插入点判断。通过试验区数据的滤波验证,此算法能够较好地滤除地物点,保持地形;提高了滤波效果的同时,在算法效率上还占有一定优势。     

基于多尺度分割的遥感影像滨海湿地分类

基于多尺度的高分辨率遥感影像分类方法研究,可以为滨海湿地动态监测、规划保护提供更详尽的湿地分类信息和更快速的数据获取方法,对湿地保护具有重要意义。选取连云港青口河入海口处湿地为研究区,以高分辨率遥感影像WV\|Ⅱ和航空遥感影像为数据源,利用多尺度分割方法将影像分割成不同层次的实体对象;在不同层次,以实体对象为单元,结合光谱、形状、纹理等不同影像特征,进行滨海湿地分类研究,结果表明:利用该方法分类后,研究区各种湿地类型都达到较高精度。基于多尺度分割的影像分类方法能充分利用各种影像特征完成湿地分类,有效地减少了遥感影像中的“椒盐”现象,提高了分类精度;选择适宜的分割尺度和分割参数是基于多尺度分割的遥感影像分类方法提高精度的前提。     

基于灰度共生矩阵法的IKONOS影像中竹林信息提取

探索应用IKONOS高分辩率卫星图像提取竹林信息 :用经过几何校正和阴影校正后的近红外波段影像数据计算图像灰度共生矩阵和灰度联合矩阵 ,计算四个纹理量 ,利用 3× 3窗口的CON纹理量设置阈值分割提取出草地 ,再用改进了的纹理量MCON的值分割提取竹林的分类法 ,并且通过精度评估发现后者具有较高的精度 ,具有适应性     

基于面向对象的高分影像分类研究

遥感技术已经成为实现地表信息提取的主要手段。以高分辨率影像为主要数据源,采用面向对象的多尺度分割算法,根据对象的光谱、形状等特征,实现了面向高分遥感数据的土地利用分类算法。该算法结合了面向地物对象和综合对象特征的分类方法,充分发挥了高分辨率影像进行精细地物分类的优势,得到了高精度的分类结果。通过西双版纳纳板河流域国家级自然保护区实例验证表明:该算法总体精度达到88.58%,Kappa系数达到0.77,精度符合应用要求,能够实现土地利用高精度、快速的分类。     

Brovey 融合与小波融合对QuickBird 图像的信息量影响

图像融合是解决多源遥感图像综合的最有效技术手段, 针对不同数据源选择最佳的融合方法是提高图像融合质量的关键。在分析了Brovey 融合和小波融合的理论、算法和融合过程的基础上,对QuickBird 的全色波段图像和多光谱波段图像数据进行融合实验, 然后从定性和定量两个方面对融合效果进行了分析与评价。定性分析是从色调、纹理和清晰度等方面进行分析, 而定量分析是根据熵、平均梯度和光谱真实性等指标进行分析, 实验结果表明: 在处理QuickBird 遥感图像时, 采用小波融合的图像既保持了较高的空间分辨率, 又具有较好的光谱特性; 而采用Brovey 融合的图像虽然图像空间分辨率也较高, 但光谱信息丢失较大, 因此Brov ey 融合方法并不适用于处理QuickBird 遥感图像。     

BP Neural Network Classification of Remote Sensing Images based on DT\|CWT Decomposition

In order to solve the ambiguity and uncertainty of high resolution multi\|spectral remote sensing image classification and to better overcome the influence of noise,a new BPNN（Back Propagation Neural Network）classification method of multi\|spectral image,based on DT\|CWT decomposition,is presented in this paper.First,the NDVI and texture features of the image are extracted to reduce the classification uncertainty caused by the problem of different objects having the same spectrum and the same objects having different spectrum in the image,then,the original spectral band,NDVI and texture features of the image are decomposed by DT\|CWT to extract the Low\|frequency information of the image,as well as to reduce the image noise and the presence of “salt and pepper” in the classification.Finally,the extracted low\|frequency sub\|graphs are input to the BP neural network and classified according to the trained network to obtain the final classification result.The results of the comparison show that the proposed method with less miscellaneous points has stronger regional consistency,higher classification accuracy and better robustness.     

一种基于小波变换的多传感器图像融合优化方法

文中针对小波变换在进行高分辨率图像和多光谱图像融合时，不能同时保持空间信息及光谱信息的问题，提出了一种优化的小波变换图像融合算法。它将高空间分辨率图像和多光谱图像经小波变换后的低频、高频分量先分别进行增强，然后再进行融合，优化了传统的基于小波变换融合方法。并且通过对同一场景的SAR图像和TM图像的融合实验，证明了该算法在有效地保留原图像光谱信息的同时，也很好地保持了空间细节。     

地球观测1号高光谱与全色图像融合的最佳方法

受制于成像原理及制造技术等因素,航天高光谱遥感图像的空间分辨率相对较低,为此提出将高光谱图像与高空间分辨率图像进行融合处理,设计最佳的增强高光谱遥感图像空间分辨率的融合算法。针对地球观测1号(EO-1)Hyperion高光谱图像和高级陆地成像仪（ALI）全色波段图像的特点,从9种具体遥感图像融合算法中选用4种融合算法开展山区与城市的数据融合实验,即Gram-Schmidt光谱锐化融合法、平滑调节滤波(SFIM)变换融合法、加权平均法（WAM）融合法和小波变换（WT）融合法,并分别从定性、定量和分类精度三方面对这些方法的融合效果进行综合评价与对比分析,从而确定适合EO-1高光谱与全色图像融合的最佳方法。实验结果显示：从图像融合效果看,在所采用的4种融合方法中,Gram-Schmidt光谱锐化融合法的效果最好;从图像分类效果看,基于融合图像的分类效果要优于基于源图像的分类效果。理论分析与实验结果均表明：Gram-Schmidt光谱锐化融合法是一种较为理想的高光谱与高空间分辨率遥感图像的融合算法,为提高高光谱遥感图像的清晰度、可靠性及图像的地物识别和分类的准确性提供有力的支持。     

竹资源专题信息提取纹理特征量构建研究

在"同物异谱""异物同谱"问题较为严重的区域,单纯利用光谱信息难以有效地提取出竹资源专题信息。研究以ALOS影像为数据源,以南方多山县顺昌为试验区域,在考虑海拔、坡向、坡度等地形因子的前提下,通过分析竹、马尾松、杉木和其他树种等典型植被的纹理特征差异,构建了最佳纹理量,在此基础上,分别利用基于像元与面向对象的监督分类方法进行竹资源专题信息提取。经精度验证,提取的总体精度分别为71.5%、74.0%,说明:单纯利用纹理特征量亦能使竹资源专题信息的提取精度达到与单纯利用光谱信息相当的水平;通过最佳纹理量的构建,可以较有效地利用地物的纹理信息,从而更有效地利用遥感影像丰富的信息;实践证明了纹理特征量用于竹资源专题信息提取的可行性,为综合利用光谱与纹理信息进行专题信息提取的研究提供了实例支撑和技术参考,可以预见,基于光谱、纹理特征和地形因子的竹资源专题信息提取精度将得到进一步提高;在纹理特征量构建基础上进行竹资源专题信息提取,面向对象的监督分类较之于传统基于像元的监督分类的精度稍高,连续性更好。     

Study of urban spatial patterns from SPOT panchromatic imagery using textural analysis

The long-time historical evolution and recent rapid development of Beijing, China, present before us a unique urban structure. A 10-metre spatial resolution SPOT panchromatic image of Beijing has been studied to capture the spatial patterns of the city. Supervised image classifications were performed using statistical and structural texture features produced from the image. Textural features, including eight texture features from the Grey-Level Co-occurrence Matrix (GLCM) method; a computationally efficient texture feature, the Number of Different Grey-levels (NDG); and a structural texture feature, Edge Density (ED), were evaluated. It was found that generally single texture features performed poorly. Classification accuracy increased with increasing number of texture features until three or four texture features were combined. The more texture features in the combination, the smaller difference between different combinations. The results also show that a lower number of texture features were needed for more homogeneous areas. NDG and ED combined with GLCM texture features produced similar results as the same number of GLCM texture features. Two classification schemes were adopted, stratified classification and non-stratified classification. The best stratified classification result was better than the best non-stratified classification result.