基于Idrisi的遥感图像监督分类中地物光谱特征文件生成新途径

生成光谱特征文件是基于Idrisi的遥感图像监督分类的基础,在Idrisi系统中,通常是在训练区图像上提取样本光谱特征值,然后用光谱生成模块生成光谱特征文件。如果无训练区图像,或没有获得训练区图像上的各类别属性,显然,此时不能用Idrisi提供的方法生成地物光谱特征文件。首先剖析了Idrisi中地物光谱特征文件的生成方法及文件格式,然后提出了一种基于样区样本光谱特征值的光谱特征文件生成方法,最后以某地区一帧TM多波段遥感图像的监督分类为例说明了该方法的可行性与有效性。     

基于分类KLT的高光谱图像压缩

高光谱图像的有效压缩已经成为高光谱遥感领域研究的热点。提出了一种基于分类KLT（Karhunen-Loève Transform）的高光谱图像压缩算法。该算法利用光谱信息对高光谱图像进行地物分类,根据相邻波段的相关性对高光谱图像进行波段分组。在地物分类与波段分组的基础上,对每组的每一类地物数据分别进行KL变换,利用EBCOT（Embedded Block Coding with Optimal Truncation）算法对所有主成分进行联合编码。实验结果表明,该算法能够取得优于JPEG2000以及DWT-JPEG2000的压缩性能,适合实现高光谱图像的有效压缩。     

基于分类KLT的高光谱图像压缩

高光谱图像的有效压缩已经成为高光谱遥感领域研究的热点。提出了一种基于分类KLT（ Karhunen-Loeve Transform）的高光谱图像压缩算法。该算法利用光谱信息对高光谱图像进行地物分类,根据相邻波段的相关性对高光谱图像进行波段分组。在地物分类与波段分组的基础上,对每组的每一类地物数据分别进行KL变换,利用EBCOT（Embedded Block Coding with Optimal Trtmcation）算法对所有主成分进行联合编码。实验结果表明,该算法能够取得优于JPEG2000以及DWT-JPEG2000的压缩性能,适合实现高光谱图像的有效压缩。     

基于NSCT和LSSVM的Landsat ETM+图像土地覆盖分类

提出一种新的基于非下采样Contourlet变换（NSCT）和最小二乘支持向量机（LSSVM）的遥感图像土地覆盖分类方法。该方法动态选择最优的多光谱图像的波段特征进行组合,基于NSCT和IHS对多光谱图像和全色图像进行融合,增强多光谱图像的空间分辨率,基于LSSVM对融合图像进行分类。实验结果表明,提出的方法在保留多光谱图像光谱信息的同时,增强了图像的空间细节表现能力,提供更加可靠的地物分类特征,提高了分类精度,并且优于传统的基于最小距离法、最大似然法、贝叶斯分类法和BPNN分类法的遥感图像分类方法,该方法是有效可行的。     

基于松弛因子的快速独立分量分析算法的遥感图像分类技术

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。M-FastICA算法同FastICA算法一样,它们的收敛依赖于初始权值的选择。通过在M-FastICA算法中引入松弛因子,使算法可以实现大范围收敛,得到更稳定的收敛效果。应用BP神经网络对独立分量分析算法预处理后的图像进行自动分类,其分类精度较原始遥感图像的精度均高,并且三种独立分量分析算法的分类性能也相当。     

基于SSAE深度学习特征表示的高光谱遥感图像分类方法

针对遥感图像中高光谱数据的分类问题,提出一种基于堆叠稀疏自动编码器(SSAE)深度学习特征表示的高光谱遥感图像分类方法。首先,将光谱数据样本进行预处理和归一化。然后,将其输入到SSAE中进行特征表示学习,并通过网格搜索来获得最优网络参数,以此获得有效的特征表示。最后通过支持向量机(SVM)分类器对输入图像特征进行分类,最终实现遥感图像中像素的分类。在两个标准数据集上的实验结果表明,该方法能够实现准确的高光谱地物分类。     

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。     

高光谱遥感图像的单形体分析方法

将n个波段的高光谱图像像元与n维空间里的散点联系起来，结合凸体几何中单形体概念研究高光谱遥感图像纯净像元提取方法，实现图像的地物精确分类识别及像元波谱分解。寻找高光谱遥感图像n维空间里的单形体并认知分析单形体是该研究方法的重要环节。通过MNF(minimum noise fraction)变换和PPI(pixel purity index)计算技术寻找到单形体，基于单形体进行像元分解分析单形体，并结合应用实例和SAM(spectral angle mapper)分类技术完成高光谱图像地物精确分类制图，验证了该研究方法的可操作性。该研究方法的优点在于不需要用户提供地物波谱信息，用于制图和波谱分解的终端单元可由图像本身得到，并由用户控制分类制图和波谱分解的详细程度。     

基于数据融合的多特征遥感图像分类

以多光谱图像为研究对象,综合利用遥感图像的光谱、纹理和数学变换特征,提出了一种基于数据融合的多特征遥感地物分类方法。该方法针对不同的特征分别构造了神经网络分类器和K-均值聚类器,并对前者利用Adaboost算法进行提升,然后再将各特征的分类结果利用证据理论合成公式融合得到最终结果。实验结果表明,该方法的分类效果要优于单特征的分类结果。     

基于影像认知和地学理解的面向对象分类研究

以遥感影像认知和地学理解为主要分析视角,在图像多尺度分割的基础上,充分挖掘目标地物的光谱特征、形状特征、纹理特征和语义特征信息,明确对象的特征信息与地物之间的对应关系。在此基础上,合理选择目标地物的分类特征,建立分类规则,实现研究区地物的逐级分层分类。结果表明:所选特征能够很好地实现目标地物的信息提取,并具有明确的地学意义,便于理解。与传统的基于像素的最大似然法分类相比较,该方法分类精度有明显提高。     

面向对象分类方法在铁尾矿堆快速提取中的应用研究

以黄石市大冶铁矿区为例,利用面向对象分类方法进行铁尾矿堆信息快速提取试验研究。首先,根据WorldView-2影像特点,充分利用其丰富的光谱特征及精确的空间形状特征进行图像分割,突出影像对象边缘、重现地物实际存在情况;其次,分析影像对象的光谱、形状、纹理、拓扑关系等特征信息,建立分类规则进行分类,提取出尾矿堆信息。为了进一步提高分类精度,可以利用eCognition软件RS/GIS数据集成功能,在面向对象分类结果上进行目视解译。试验证明,面向对象分类方法适用于提取矿区尾矿堆信息,是高分辨率遥感影像自动分类的理想选择。     

Adaptive thresholding of texture towards white region normalization

Human colour vision has the ability to recover a measure of contextdependent surface reflectance from observed areas. This can be seen as an analogue to radiometric corrections employed in remote sensing. Procedures based on human colour vision applied in the context of remote sensing could simplify image preprocessing and classification. This study evaluates an algorithm based on Land's colour vision or 'retinex' theory. When tested on remotely sensed images, the algorithm had difficulty coping with the presence of image texture. A new framework is presented that adapts Land's procedure to processing of remotely sensed images using adaptive thresholding techniques.     

应用于地物识别的改进轮转森林算法

针对数量激增、数据类型复杂的遥感影像,准确和具有普适性的分类是亟待解决的问题。提出一种轮转径向基函数神经网络模型应用于遥感影像的处理方法。通过对输入数据的特征变换,使特征总集变为多个子特征集,依据PCA(主成分分析)变换处理这些新的子特征集,将得到的系数用于改变训练样本,增加基分类器之间的差异度,提高分类精度。以扎龙湿地为研究对象将该算法与其他方法比较,结果显示本文方法能得到更准确的分类结果,而且具有较高的泛化精度以及较小的过学习现象。     

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。     

GIS 支持下三峡库区主要地类自动分类方法研究

针对三峡库区遥感图像变异大的特征, 设计建立了主要地类自动分类系统并在其子系统中完成了地形光谱纠正、辅助数据生成及数据合成等预处理工作; 提出了一种可交互作业的计算机全自动土地利用类型分类方法。应用专业的图像处理软件eCognition 为平台, 通过图像图斑化、选取样本、寻找最佳波段并生成判别函数来进行自动分类, 在很大程度上克服了“同物异谱”、“异物同谱”、“边界过渡”等现象对分类结果的影响。在应用地理信息系统和自动分类方法来获取波谱特征复杂地区的土地利用信息的技术路线和方法方面作了有效探索。     

Research Progress of Remote Sensing Classification and Change Monitoring on Forest Types

Forest is one of the main vegetation type in the terrestrial ecosystem,and using remote sensing technology on discriminating and change monitoring forest types are of great significance importance for the global carbon cycle study and sustainable development of forest resources.This article reviewed the classical remotely sensed classification methods forest remote sensing classification methods,including pixel-based,object-oriented,red-edge spectral information based and deep learning methods,separately.We also introduced the details and individual advantages of these methods in the some specific applications.Finally,the limitations of the current study on forest remote sensing classification and change monitoring on forest types were indicated in order to provide reference for the dynamic supervision of forest resources under the new situation.     

基于决策树的面向对象变化信息自动提取研究

为了从不同时相的遥感影像数据中自动提取变化信息且保证其效率,本文结合面向对象分析技术,提出了一种基于决策树变化信息自动提取的新方法。该方法利用影像的特征指数及形状特征、光谱特征、纹理特征等作为特征集,将其作为知识库应用到决策树控制模型中,进而利用该模型实现自动分类。对所得到的分类后影像对象,组织分析其综合属性并作为决策规则再次分类,通过"双重分类"的方式实现面向对象的遥感影像变化信息自动提取。该方法为遥感影像变化信息自动提取提供了新的思路。     

基于径向基函数(RBF)映射理论的遥感影像分类模型研究

与传统统计方法的分类器相比较,人工神经网络（ＡＮＮ）方法应用于遥感影像分类,不需预先假设样本空间的参数化统计分布,具有复杂的映射能力。大多数ＡＮＮ分类器采用误差反向传播（ＢＰ）学习算法的多层感知器模型（ＢＰＮＮ）,其主要缺陷是学习速度缓慢、容易陷入局部极小而导致难以收敛等。基于径向基函数（ＲＢＦ）映射理论的神经网络模型融合了参数化统计分布模型和非参经线性感知器映射模型的优点,在实现快速学习的同时,     

遥感影像高性能分类系统设计与实现

面向遥感影像解译需求,针对遥感图像数据量大,时间分辨率高的特点,基于AOI样本数据库及遥感影像并行处理技术,设计实现了一套快速、自动、稳定的分类系统。应用AOI样本数据库有效提取、管理AOI信息,自动生成训练样本文件,提高环境卫星影像分类的自动化程度及解译精度;并行化分类方法在保证计算精度的情况下有效提高了分类速度。实验结果证明,本系统提高了分类执行效率,实现了对遥感影像的快速分类。