面向对象的高光谱遥感影像分类方法研究

在基于像素的高光谱影像分类方法的基础上,结合面向对象图像分析理论与方法,提出面向对象的高光谱遥感影像分类方法,并具体分析探讨了面向对象高光谱遥感影像分类的关键技术,包括多尺度分割、最优波段选择、人机交互和知识库的建立等。试验表明,面向对象的分类方法应用于高光谱影像较传统分类方法有较高的精度,有很大的应用潜力。     

面向对象遥感影像分类的最优分割尺度选择研究

影像分割是面向对象遥感影像分类的基础步骤,而分割尺度又是影像分割的核心问题。研究针对面向对象遥感影像分类中的最优分割尺度选择问题,以分割后影像区域对象矢量边界线与欲分类目标对象真实矢量边界的吻合程度为标准,通过两者多向距离量化吻合程度,提出了一种最优分割尺度定量选择的新方法——矢量距离指数法。通过两种实验,同步验证了该方法的正确性与适用性,实验1将基于矢量距离指数法选择的最优分割尺度结果与较为成熟的人为试错法的选择结果比较,结果表明针对7种地类的矢量距离指数均可以正确反映最优分割尺度;实验2挖掘了矢量距离指数法选择的结果与分类精度的关系,结果表明其中5种地类在矢量距离指数法选择的最优分割尺度上均达到了最大的分类精度,另外2种地类的分类结果最符合实地情况,与欲分类目标最为接近。基于矢量距离指数法基本原理,研究针对分割过程中的“淹没”与“破碎”现象,进一步提出了能够反映两者矛盾程度的尺度指数,该指数能够真实反映针对某种特定地物类型分割尺度的大小状况,为衡量“破碎”与“淹没”的矛盾程度提供了一种定量工具,在分割尺度选择过程中具有重要的指示意义。     

改进的遥感图像语义分割算法

针对遥感图像中多个目标聚集导致边缘混淆,小尺度物体分割不明显,以及语义分割过程中全局信息获取不足的问题,提出了一种基于混合注意力与全尺度跳层连接网络的遥感图像语义分割算法DU-net。该算法以U-net3+为基础网络,采用全尺度跳层连接网络作为特征提取网络,摒弃了原算法中的深度监督,建立特征与注意力机制之间的关联,最终实现语义分割的过程。实验结果表明,DU-net算法在不同指标下较经典算法都有明显提升,同时提高了图像边缘分割质量,改善了算法对小尺度目标的分割准确度。     

基于共生矩阵的遥感图像面向对象分割

为了使通过共生矩阵能得到更合理的纹理特征,实验1研究了开窗大小变化对各纹理特征的影响,从而为计算共生矩阵时的开窗大小选择提供依据。进而按照实验1的研究结果,实验2把纹理特征和光谱特征结合起来对高分辨率遥感影像进行了面向对象的分割,并与不考虑纹理信息的分割结果通过优度实验法进行了对比研究。对比结果表明,考虑了纹理信息的面向对象分割能更真实有效地反映图像中地物目标的整体结构,为进一步有效的地物分类提供保障。     

基于分割质量的遥感图像最优尺度分割方法研究

实现最优尺度分割是遥感图像自动化分割的理想目标.本文首先定义遥感图像区域对象的分割质量,然后使用连续的多个尺度对遥感图像进行分割,计算每一尺度上所有区域对象的分割质量,最后计算原子区域对象的最优分割尺度,实现遥感图像的最优分割.通过目视判断和定量分析发现最优尺度分割结果优于单尺度分割结果.     

基于对象级的高分辨率遥感影像分类研究

依据高分辨率遥感影像的特点,结合深圳市QUICKBIRD数据提出一种基于多尺度分割的对象级遥感分类方法。文中首先利用分形网络演化法(FNEA)进行多尺度图像分割,获取对地表实体更具代表性的图像对象,然后利用对象所包含的光谱、空间特征来确定地物识别中可能要用到的各种特征参数,最后通过构建语义结构实现了研究区地物的逐级分层分类。研究结果表明,本文所采取的方法比传统方法在分类精度上有了明显的提高,为高分辨率遥感影像的信息提取提供了新的技术途径。     

多模态特征融合的遥感图像语义分割网络

遥感图像语义分割是指通过对遥感图像上每个像素分配语义标签并标注,从而形成分割图的过程,在国土资源规划、智慧城市等领域有着广泛的应用。高分辨率遥感图像存在目标大小尺度不一与阴影遮挡等问题,单一模态下对相似地物和阴影遮挡地物分割较为困难。针对上述问题,提出了将IRRG（infrared、red、green）图像与DSM（digital surface model）图像融合的遥感图像语义分割网络MMFNet。网络采用编码器-解码器的结构,编码层采用双输入流的方式同时提取IRRG图像的光谱特征和DSM图像的高度特征。解码器使用残差解码块（residual decoding block,RDB）提取融合后的特征,并使用密集连接的方式加强特征的传播和复用。提出复合空洞空间金字塔（complex atrous spatial pyramid pooling,CASPP）模块提取跳跃连接的多尺度特征。在国际摄影测量与遥感学会（international society for photogrammetry and remote sensing,ISPRS）提供的Vaihingen和Potsdam数据集上进行了实验,MMFNet分别取得了90.44%和90.70%的全局精确度,相比较与DeepLabV3+、OCRNet等通用分割网络和CEVO、UFMG_4等同数据集专用分割网络具有更高的分割精确度。     

多尺度遥感语义分割网络

高分辨率遥感图像语义分割在国土规划、地理监测、智慧城市等领域有着广泛的应用价值,但是现阶段研究中存在相似地物和精细地物分割不准确问题。为解决这一问题,提出了一种新型的多尺度语义分割网络MSSNet。它由编码层、解码层和输出层组成。为解决相似地物的分割问题,编码层使用深层网络ResNet101充分提取地物特征,并在解码层的解码器中加入残差块,提高基于像素点的分类能力。为解决精细结构地物的分割问题,解码层中的解码器加入了空洞空间金字塔池化结构提取多尺度地物特征,以便精确分割不同尺度的地物。为了强化语义分割能力,输出层合并了多个解码器的输出,为最终的预测提供了更多的信息。在两个公开数据集Vaihingen和Potsdam上进行了实验,分别取得了87%和87.3%的全局精确度,超过了大多数已发表的方法。实验结果表明,提出的MSSNet能够精确地分割相似地物和精细地物,并且具有训练过程简单和易于使用的优点,非常适合进行高分辨率遥感图像语义分割。     

基于GEPSO模型的面向对象遥感图像分类

针对演化算法的寻优能力,提出了基于GEPSO(GEP Optimized by PSO)模型的面向对象遥感图像分类方法.先对遥感图像进行分割,选择特征集,然后利用GEPSO算法为每类图像对象构造一个类中心.构造类中心的过程先利用GEP搜索一个次优解,再根据这个次优解利用PSO搜索最优解.实验结果表明,基于GEPSO模型的面向对象遥感图像分类方法具有较高的分类精度.     

面向对象的遥感影像最优分割尺度评价

遥感影像分割决定了后续分类的精度,鉴于目前分割技术评价的研究缺乏且局限于主观判断的现状,以定量方法确定最优分割尺度。利用Definiens平台面向对象的分割算法,将组成对象的像素灰度值的标准差作为衡量对象内同质性的标准,用与邻域的平均差分的绝对值作为对象间的异质性度量变量,同时考虑面积权重的影响;根据上述3个评价指标,在考虑多光谱影像的基础上,构造了平均分割评价指数;基于该评价指数,以优度实验法对QuickBird多光谱影像进行了研究,并确定了不同地物类型的最优分割尺度。最后,利用平均对象匹配指数对评价结果进行了验证,并对评价方法的可行性进行了探讨。     

一种多特征结合的遥感图像分类方法

遥感图像分类是遥感图像分析和理解的基础,是遥感图像研究中的重要内容之一。为提高分类效果,遥感图像分类中通常需要综合运用多种特征。提出一个新的基于特征级融合的遥感图像分类方法。将多种图像空间特征和光谱特征分别作为分类器的输入,将各分类器的概率输出拼接起来作为中间层特征再进行分类。该方法有效避免了多特征直接拼接存在的尺度问题。在Indian93和Flightline C1两个数据集上的实验结果表明该方法具有一定优势。     

遥感影像信息挖掘的框架研究

目的：提出遥感影像信息挖掘的框架结构和原形系统的数据挖掘流程;研究涉及的理论与技术。方法：应用了分析比较法,充分研究了一般图像挖掘系统的框架和用于医学影像挖掘的原形系统的挖掘流程,以取之所长,避其所短。结果：设计出了适用于遥感影像信息挖掘的框架结构。结论：指出遥感图像挖掘是一个处于初级阶段的研究领域,理论和技术有待继续研究和完善;遥感图像挖掘必须将一般图像挖掘的理论和技术与地理信息系统技术、遥感技术有效地结合起来,才能开发出具有实际应用价值的高效的遥感图像信息挖掘系统。     

基于SVM的遥感图像半自动提取方法研究

遥感影像的半自动提取是遥感图像处理领域里的一个重要研究方向。提出一种新的半自动提取面状地物的方法,能够用随意给定的前景和背景曲线准确地提取出感兴趣的区域。算法首先提取前景和背景曲线上的像素作为分类样本,并使用SVM(Support Vector Machines)得到最初的分类效果。在此基础上,综合利用分类对象的光谱特征和形状特征信息,进行区域合并。最后,采用一种自动停止区域合并的准则确定最终合并结果。实验证明,该算法适用性强,可以在复杂多变的情况下,准确地区分出多种地物。     

马尔可夫平稳随机域模型与遥感图象空间邻域结构信息分析

遥感图象记录的是景物对电磁波的反射与辐射能量及其空间分布信息。对一个象元的判别不仅取决于其光谱值,还取决于该象元的空间位置及与其它象元的关系,即邻域结构关系。本文主要讨论遥感图象空间邻域结构信息分析方法。首先,提出了三种图象平面点阵平稳马尔可夫模型,并论证了相应的计算方法;然后给出了模型中相关参数的最小二乘估计;基于给出的三种模型,我们采用联合概率密度函数作为准则函数,并利用递归分类方法逐步改善近邻类别知识,从而改善邻域结构分类结果。试验证明了所提出的三种模型的有效性。     

基于二代Contourlet域遥感图像双三次插值方法

为了使插值后的遥感图像在尽可能保持原图像信息的同时,显著提高图像空间分辨率,提出一种基于第二代Contourlet变换的遥感图像三次插值算法。在对遥感图像做第二代Contourlet分解基础上,对低分辨率频带中的高频分量做双线性插值变换,使其相似于高分辨率频带中的高频分量。最后,通过反变换得到比原始图像分辨率高的插值图像。实验结果表明,该方法插值效果优于双三次插值算法、小波双三次插值和第一代Contourlet双三次插值算法。     

遥感图像的分形特征

为了通过分形理论将空间结构信息应用于遥感解译之中,引入一种分析遥感图像分形特征的方法,运用所编程序对-景ETM 遥感数据进行运算,得到所需分形特征数据.并发现:所得分维值的大小能相对地表达原图像的复杂性,原图像及地物的复杂性都与分维值的大小具有正相关关系.该算法还可以计算除遥感图像外其他数字图像的分形特征,并为将遥感图像的空间结构信息引入遥感分类打下基础.     

基于人工神经网络和经验知识的遥感信息分类综合方法

提出基于三维Hopfield人工神经网络模型的遥感信息分类综合算法将遥感图象分类与分类结果平滑过程有机地结合在一起,并方便地引入了经验知识指导网络进化.实验表明该方法可明显提高森林类型划分、土地利用调查等遥感应用专题的分类精度.     

基于ART2技术的面向对象高分辨遥感影像分类

提出一种基于ART2技术的面向对象的高分辨遥感影像分类方法。该方法首先对高分辨遥感影像进行多尺度分割,将影像图分割得到的每一区域看作一个对象,进行特征值分析,计算出每一对象的特征向量。特征向量作为ART2分类器的网络输入,利用ART2分类器的大规模并行处理和很强的自适应、自学习能力来对分割得到的区域进行分类。与传统的面向像素的ART分类技术及其它神经网络遥感影像分类方法相比,所提出的方法能够对高分辨的遥感图片进行更精确的分类。     

数字城市中的遥感信息三维重现分析系统

与近几年提出的数字地球相对应的是数字城市的重要概念。本课题组及时进入了数字城市的前沿领域。本文阐述了数字城市中的遥感信息三维重现分析系统的初步研究成果,主要包括将空中拍摄的遥感图像进行模式识别形成和存储矢量数据,读取数据绘制三维景观,动态显示三维景观等内容,取得了比较好的效果。     

面向对象数据存取方法的分析

本文介绍了在ＶＢ环境下三种基于面向对象的数据存取方法,分析比较了它们的数据存取模型,给出了每种对象方法的特点,最后检出了与数据库接的常用方式。