基于分形理论的遥感影像分类研究

分形理论是非线性科学领域的一大支柱,它的提出为人们解决非线性世界的问题提供了新的思想和方法,由于分形维数与人类对图像表面纹理粗糙度的感知是一致的,利用分形理论进行遥感影像分类具有潜在的理论和应用价值。本文根据遥感影像特点,引入分形方法来描述其纹理结构特征,利用双毯覆盖模型来提取遥感影像的纹理特征,在此基础上,采用K-means算法将纹理结构特征与光谱特征相结合,进行遥感影像分类,其分类效果优于单纯采用光谱特征的分类。     

基于分形参数的中药材显微图象纹理分析

提出了一种基于分形维数分析中药材显微图象的方法。将中药材显微图象视为灰度纹理图象,依据分形布朗运动性质和功率谱法对4种中药材显微图象进行分维数计算。结果表明:中药材显微图象具有分形的特征,分维数能有效地描述纹理的结构与灰度,不同的显微图象对应不同的分维数,分维数可作为分析图象及进一步识别图象的一个定量参数。     

多源地学信息在土地荒漠化遥感分类中的应用研究

土地荒漠化是当今全球面临的重大环境问题之一,它的发生、发展及其逆转是气候、环境和人类社会经济活动综合作用的结果,荒漠化土地分类是土地荒漠化研究中至关重要的一个环节,由于地形粗糙度和植被覆盖率对土地荒漠化具有重要的影响,但遥感图象很难对地表地形粗糙度进行定量描述,因此引入了数字高程模型（DEM0对研究区地形粗糙度进行表达和采用植被指数（NDVI）对地面植被覆盖率进行描述,并对由DEM生成 的地面坡度（SLOPE）图象、植被指数图象与原始遥感图象进行了信息融合,从而大大丰富了遥感图象的荒漠化信息,通过对融合图象的n－维散度分析,不同类型、不同程度的土地荒漠化样本的分离度大幅度提高,分类结果也证明,信息融合可大大提高分类精度。     

纹理图象分割的分形方法研究

在分形维数的基础上研究了将其用于纹理分割的方法。采用差分盒维数（ＤＢＣ）方法和一种改进的边缘保持算法计算象素点的分形维数ＦＤ，基于原始图象的方向性差分和多重分形的概念提取出一组特征，并将Ｋｏｈｏｎｅｎ的ＳＯＦＭ网用于对得到的图象特征矢量进行分类，得到了较好的纹理图象分割效果。最后和特征平滑与Ｋ均值聚类方法的结果进行了比较     

分形维数特征量对病变组织的超声定征

按照Ｍａｎｄｅｌｂｒｏｔ的分形理论,医学图象及许多自然图象的灰度表面的形成均符合分形布朗运动规律,而且可以用分形的维数来表征图象灰度表面的精细与粗糙程度。文中正是基于这种思想,采用图象的分形维数作为一个特征参量,对人体的肌肉组织进行超声定征。对６０ 多个样本三类病变图象提取分形维数,并采用基于Ｂａｙｅｓ法则的分类器分类,实验表明：用分形维数对组织进行定征,正确率达８８．３３％ 。这为医学的临床辅助诊断提供了一种新的参考量,对提高病变诊断的正确率有重大的意义     

基于分形理论和Kohonen神经网络的纹理图像分割方法

分形理论作为描述自然现象的一种模型,受到人们越来越多的重视。该文提出采用分形维数和多重分形广义维数谱q－D（q）作为纹理特征,采用自组织神经网络Kohonen网络作为分类器的图象分割方法。通过对纹理图象的分割实验,结果令人满意,证实该方法的有效性。     

基于分形维数的雷达信号脉内调制方式识别

分形维数是分形理论中的重要参数,其中盒维数可以描述分形信号的几何尺度信息,信息维数描述分形信号在平面空间上的分布信息。因此利用分形理论从信号中提取盒维数和信息维数作为分类特征,这种特征可包含信号幅度、频率和相位的变化规律,并集中了不同调制信号之间的差异信息。通过计算若干种常见脉内调制雷达辐射源信号的盒维数与信息维数,表明了分形维数在分类意义上是有效的特征。并由分类识别的仿真实验验证了基于分形维数进行的分类具有较高的识别率。     

不同尺度下颗粒活性炭表面分形特征的研究

采用图象法、染料吸附和N2吸附-脱附实验分别确定颗粒活性炭的表面分形维数,探讨不同尺度下颗粒活性炭的表面分形特征,为描述环境污染物在颗粒活性炭介质微界面上的传质、反应的非线性规律提供支撑。结果表明,颗粒活性炭的表面从分子尺度(几个A)到微观尺度(几个微米)之间一般都具有多分形特征,且不同尺度范围内的表面分形维数差异较大．在研究尺度的范围内．图象分辨率的增大,相应的Ds一般呈变小的趋势,但图象法确定的纳米尺度下的Ds值远小于吸附法确定的A尺度下的Ds值。SEM图象计算出的Ds为2．04-2．39,AFM图象计算出的Ds为2．00-2．43。N2吸附-脱附法确定颗粒活性炭孔表面分形维数Ds为2．97以上,比分形吸附等温线确定的外表面和部分孔表面综合的表面分形维数值Ds=2．59高出许多。另外,图象法确定的表面分形特征的尺度变化范围约为100-102量级之间,确定的表面分形维数是纯粹几何意义上的表面粗糙特征的描述,可能需要多角度的大量代表性图片来综合分析;而吸附法是描述颗粒特定尺度下整个表面的粗糙程度。它们在同一尺度下的分形维数值是否相关或相等,依然是需要我们进一步的探讨。     

遥感地形图象的灰度与分形分析

为了能够更加充分、准确地在遥感地形图象中利用分形信息,需要将其与其他特征配合使用。文章通过从视觉成像的角度,深入地剖析物体不同区域的形状和位置对成像灰度的影响,进而将有关结论与图象分形指数数据相结合,应用于基于图象内容的遥感图象的区域(标识)分割,取得了令人满意的效果,从中检查出分形数据中对应于图象深灰度区无意义的数值部分,从而保证了分形数据的可靠性,同时也说明了结合灰度或其它信息于分形图象应用的图象分析方式是十分必要的。     

基于双向门控尺度特征融合的遥感场景分类

针对遥感影像数据集的图像在形状、纹理和颜色上存在较大差别,以及因拍摄高度和角度不同存在的尺度差异导致遥感场景分类精度不高的问题,提出利用主动旋转聚合来融合不同尺度的特征,并通过双向门控提高底层特征与顶层特征互补性的特征融合补偿卷积神经网络（FAC-CNN）。该网络利用图像金字塔为原始图像生成不同尺度图像后将其输入到分支网络中来提取多尺度特征,并提出主动旋转聚合的方式来融合不同尺度的特征,使融合后的特征具有方向信息,从而提高模型对不同尺度输入以及不同旋转输入的泛化能力,实现模型分类精度的提升。FAC-CNN比基于VGGNet的注意循环卷积网络（ARCNet-VGGNet）和门控双向网络（GBNet）在西北工业大学遥感场景图像分类数据集（NWPU-RESISC）上准确率分别提升了2.05个百分点与2.69个百分点,在航空影像数据集（AID）上准确率分别提升了3.24个百分点与0.86个百分点。实验结果表明,FAC-CNN能有效解决遥感影像数据集存在的问题,提高遥感场景分类的精度。     

Analysis of wavelet packet and statistical textures for object-oriented classification of forest-agriculture ecotones using SPOT 5 imagery

Textural features of high-resolution remote sensing imagery are a powerful data source for improving classification accuracy because using only spectral information is not sufficient for the classification of objects with within-field spectral variability. This study presents the methods of using an object-oriented texture analysis algorithm for improving high-resolution remote sensing imagery classification, including wavelet packet transform texture analysis, the grey-level co-occurrence matrix (GLCM) and local spatial statistics. Wavelet packet transform texture analysis, with the method of optimization and selection of wavelet texture for feature extraction, is a good candidate for object-oriented classification. Feature optimization is used to reduce the data dimensions in combinations of textural sub-bands and spectral bands. The result of the classification accuracy assessment indicates the improvement of texture analysis for object-oriented classification in this study. Compared with the traditional method that uses only spectral bands, the combination of GLCM homogeneity and spectral bands increases the overall accuracy from 0.7431 to 0.9192. Furthermore, wavelet packet transform texture analysis is the optimal method, increasing the overall accuracy to 0.9216 using a smaller data dimension. Local spatial statistical measures also increase the classification total accuracy, but only from 0.7431 to 0.8088. This study demonstrates that wavelet packet and statistical textures can be used to improve object-oriented classification; specifically, the texture analysis based on the multiscale wavelet packet transform is optimal for increasing the classification accuracy using a smaller data dimension.     

Texture roughness analysis and synthesis via extended self-similar(ESS) model

The 2D fractional Brownian motion (FBM) model provides a useful tool to model textured surfaces whose roughness is scale-invariant. To represent textures whose roughness is scale-dependent, we generalize the FBM model to the extended self-similar (ESS) model in this research. We present an estimation algorithm to extract the model parameters from real texture data. Furthermore, a new incremental Fourier synthesis algorithm is proposed to generate the 2D realizations of the ESS model. Finally, the estimation and rendering methods are combined to synthesize real textured surfaces     

结合深度学习和超像元的高分遥感影像变化检测

目的 随着遥感影像空间分辨率的提升,相同地物的空间纹理表现形式差异变大,地物特征更加复杂多样,传统的变化检测方法已很难满足需求。为提高高分辨率遥感影像的变化检测精度,尤其对相同地物中纹理差异较大的区域做出有效判别,提出结合深度学习和超像元分割的高分辨率遥感影像变化检测方法。方法 将有限带标签数据分割成切片作训练样本,按照样本形式设计一个多切片尺度特征融合网络并对其训练,获得测试图像的初步变化检测结果;利用超像元分割算法将测试图像分割成许多无重叠的同质性区域,并将分割结果与前述检测结果叠合,得到带分割标记的变化检测结果;用举手表决算法统计带分割标记的变化检测结果中超像元的变化状况,得到最终变化检测结果。结果 在变化检测实验结果中,本文提出的多切片尺度特征融合卷积网络模型在广东数据集和香港数据集上,优于单一切片尺度下卷积神经网络模型,并且结合超像元的多切片尺度特征融合卷积网络模型得到的Kappa系数分别达到80%和82%,比相应的非超像元算法分别提高了6%和8%,在两个测试集上表现均优于长短时记忆网络、深度置信网络等对比算法。结论 本文提出的卷积神经网络变化检测方法可以充分学习切片的空间信息和其他有效特征,避免过拟合现象;多层尺度切片特征融合的方法优于单一切片尺度训练神经网络的方法;结合深度学习和超像元分割算法,检测单元实现了由切片到超像元的转变,能对同物异谱的区域做出有效判决,有利于提升变化检测精度。     

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。     

纹理元提取与纹理合成的自由参数估计

该文分析了常见的两类纹理:随机性纹理与结构性纹理的特性,针对其不同的统计特征,采用两种方法提取纹理元。对随机性纹理采用变尺度窗口特征跟踪的方法提取纹理元;对结构性纹理,利用其具备较为明显的边界特性,采用基于图像分割的方法提取纹理元。为避免图像噪声和自然边界不连续造成的提取误差,使用Bayes分类进行二次精细分割加以修正。实验证明,该文提出的方法对两类纹理元有较好的提取效果,同时可以用来估计纹理合成时的自由参数。     

结合像元形状特征分割的高分辨率影像面向对象分类

针对高分辨率遥感影像空间分辨率高,结构形状、纹理、细节信息丰富等特点,提出一种新的融合特征的面向对象影像分类方法来提取城市空间信息。基本过程包含以下4个方面:①提取影像的几何纹理等结构;②融合几何与纹理特征的面向对象影像分割;③提取对象的形状、纹理和光谱特征,并优选最佳特征子集;④最后基于支持向量机(SVM)完成面向对象的影像分类。通过对福州IKONOS影像数据实验,结果表明融入影像特征后的分割效果明显优于原始影像的分割结果,而信息最大化(mRMR)的特征选择能够快速地获得较好的特征子集。通过与eCognition最邻近分类方法比较,表明本文方法的分类总体精度大约提高了6%,效果显著。     

An automated approach to the design of decision tree classifiers

The classification of large dimensional data sets arising from the merging of remote sensing data with more traditional forms of ancillary data causes a significant computational problem. Decision tree classification is a popular approach to the problem. This type of classifier is characterized by the property that samples are subjected to a sequence of decision rules before they are assigned to a unique class. If a decision tree classifier is well designed, the result in many cases is a classification scheme which is accurate, flexible, and computationally efficient. This correspondence provides an automated technique for effective decision tree design which relies only on a priori statistics. This procedure utilizes canonical transforms and Bayes table look-up decision rules. An optimal design at each node is derived based on the associated decision table. A procedure for computing the global probability of correct classification is also provided. An example is given in which class statistics obtained from an actual Landsat scene are used as input to the program. The resulting decision tree design has an associated probability of correct classification of 0.75 compared to the theoretically optimum 0.79 probability of correct classification associated with a full dimensional Bayes classifier. Recommendations for future research are included.     

A Model-Based Method for Rotation Invariant Texture Classification

This paper presents a new model-based approach for texture classification which is rotation invariant, i.e., the recognition accuracy is not affected if the orientation of the test texture is different from the orientation of the training samples. The method uses three statistical features, two of which are obtained from a new parametric model of the image called a ``circular symmetric autoregressive model.' Two of the proposed features have physical interpretation in terms of the roughness and directionality of the texture. The results of several classification experiments on differently oriented samples of natural textures including both microtextures and macrotextures are presented.     

Texture classification using wavelet transform

Today, texture analysis plays an important role in many tasks, ranging from remote sensing to medical imaging and query by content in large image data bases. The main difficulty of texture analysis in the past was the lack of adequate tools to characterize different scales of textures effectively. The development in multi-resolution analysis such as Gabor and wavelet transform help to overcome this difficulty. This paper describes the texture classification using (i) wavelet statistical features, (ii) wavelet co-occurrence features and (iii) a combination of wavelet statistical features and co-occurrence features of one level wavelet transformed images with different feature databases. It is found that, the results of later method are promising.