基于影像融合和面向对象技术的植被信息提取研究

高分辨率影像具有丰富的光谱信息和空间信息。采用不同的图像融合技术融合GeoEye影像全色波段和多光谱波段,用建立的参考多边形和对应多边形残差法评价分割质量,以确定研究区各地物类型的最优分割参数组合,选择目标地物分类特征,建立分类规则,在此基础上实现研究区内不同地物类型的面向对象信息提取。结果表明:Gram-Schmidt(GS)融合法具有最优的融合效果,所选特征能够很好地实现目标地物信息提取,并且具有明确的地学意义,面向对象信息提取总体精度达到90.3%,Kappa系数为0.86,该研究为高精度植被信息的提取提供了有效的方法。     

双极化SAR目标分解方法研究及应用

在对常规雷达数据特征与地物分类研究的基础上,重点研究双极化SAR图像的目标分解方法,并基于神经网络将分解后得到的极化信息与常规雷达数据有机结合应用于植被的分类研究.结果表明,多种极化信息能够获取更多的地物信息,极大地提高了植被识别和分类能力.     

基于知识的车载LiDAR地物自动分类

车载LiDAR已广泛应用于三维数字城市建模、道路信息数据采集等领域。海量点云信息中不同地物目标的自动识别和分类是LiDAR数据后处理的难点之一。根据不同地物目标物理特性、空间拓扑关系及其在点云中的相关特征知识,建立地物分类规则,依据分类知识进行地物自动识别和分类。通过实测数据分类试验,证明该方法可以较好实现建筑物、树木、线杆、行人等不同地物的自动识别和分类。     

航空影像辅助下的城区机载LiDAR汽车目标检测方法

机载激光雷达(LiDAR)技术的出现为地面汽车目标检测提供了新的途径。为了从机载LiDAR点云数据中提取汽车对象,根据不同地物的属性特征,提出了一种航空影像辅助下的城区机载LiDAR汽车目标检测方法。首先利用形态学开重建滤波完成地面和地物的分类,然后在地物点的基础上结合正射影像,通过归一化植被指数(NDVI)特征完成对植被和非植被地物的初步分类,最后在非植被地物的基础上,根据地物对象的形状特征及高程信息完成汽车和建筑物及阴影植被等非汽车对象的分类,从而完成汽车目标的提取工作。3个实验区的计算结果表明:该方法能有效从LiDAR点云中提取汽车目标,正确度和完整度的均值分别为95%和85%,满足实用性要求。     

基于知识的山东丘陵区土地利用/覆盖分类研究

土地利用/覆盖信息的获取是土地利用/覆盖变化研究的前提和基础, 传统的基于光谱信息的分类无法克服地物光谱特征相似造成的混淆。以龙口市为例, 探讨了综合应用高程、坡度等地学专家知识和地物的光谱知识, 对山东丘陵地区土地利用/覆盖进行自动分类的方法。实验证明, 基于知识的土地利用ö覆盖分类方法消除了单纯利用光谱信息的不足, 达到了90. 24% 的分类精度, 远高于最大似然法分类。     

基于多时相NDVI及特征波段的作物分类研究

时相和光谱特征信息在农作物种植分类提取方面具有十分重要的应用价值。以黑龙江大型农场--友谊农场为研究区域,利用4景不同时相的TM和SPOT卫星遥感影像,提取相应时相的NDVI时间谱图像数据作为新波段信息,在分析地物目标在相应影像各波段上光谱和时间特征的基础上,设计了决策树分类算法,通过对待分类影像进行系列阈值分割和掩膜处理,成功提取黑龙江友谊农场的大豆、玉米和水稻的种植信息,分类总体精度达到98.67%。     

多尺度分割的高分辨率遥感影像分类对比研究

为进一步提高高分辨率影像地物分类精度,以高分2号卫星影像为研究数据,根据高分2号卫星遥感影像光谱信息以及高空间分辨的结构特点,从遥感影像数据分割的尺寸效果及其各种地物显著特征着手,通过局部方差法寻求出各类地物的最优分割尺度,并建立尺度网络层,利用继承进行多尺寸下多特征的整体融合,在最优尺度层下根据光谱特征、形状特征对高分2号影像进行多特征融合与多尺度分割实验,并在此基础上进行了典型地物的分类对比研究。结果表明多特征融合多尺度分割能够较好利用高空谱信息提高地物分类精度。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

容差粗糙集卫星遥感数据分类

结合粗糙集理论和遥感数据中地物光谱特征空间分布信息,提出了一种基于光谱特征邻域的容差粗糙集分类方法,用来处理卫星遥感数据分类中的不确定性问题。利用北京地区Landsat-5 TM数据进行分类试验,对算法分类过程进行讨论及其分类结果进行验证分析;结果表明：文中方法在可理解性和稳定性上体现出比较好的性质,能够有效处理卫星遥感数据分类中存在的不确定性因素,在具有复杂光谱特征地物分类方面具有发展潜力。     

提取遥感图像地学纹理信息的极值法

序言遥感图像反映了地物光谱、纹理和结构三方面的信息,这是进行遥感图像分析所依据的三个基本要素。到目前为止,人们在研究中利用的基本上只是地物光谱信息。但是,由于干扰、影响地质体光谱信息的因素较多,而且在一定程度上存在异物同谱、同物异谱现象,使得在大多数应用研究中所提取的光谱信息极为有限,已远远不能满足日益增长的遥感地质应用的需要。早在七十年代初,国外已开始利用图像纹理信息改善地物自动分类精度,但只在近几年内才出现利用图像纹理信息进行地质地貌研究的趋势。由地貌及水系、沟谷的分布形态构成的地学纹理从另一方面提供了有关地层岩性和蚀变的信息,因为地貌及水系、沟谷分布形态是由组成该地质单元的物质成分(岩性建造)及其排列方式(构造)所决定的,所以图像地学纹理信息应是地质体某种特性的反映。目前,国内外都十分重视纹理信息在遥感地质研究中的应用,但纹理信息是图像间接反映出来的一种信息,须从图像数据中提取。长期以来,人们一直在探寻有效提取图像纹理信息,尤其是地学纹理信息的方法。本文根据地学纹理主要为地表地貌特征和水系、沟谷分布形态在图像上的反映及其方向性不显著、纹理基元较大等特点,提出了简单适用的提取遥感图像地学纹理信息的极值法。文中对方法原理、算法及其在计算机上的实现进行了详细的说明。试验结果表明,利用极值法提取的遥感图像纹理信息充分反映了图像的地学纹理特征,对于遥感地质岩性识别、线性断裂解译具有良好的辅助作用。     

综合灰度与纹理特征的高分辨率星载SAR图像建筑区提取方法研究

高分辨率SAR图像的纹理特性对于图像的解译及地物分类等具有重要的意义。根据高分辨率星载SAR图像上建筑区的纹理有别于其他地物的特点,提出了一种综合利用灰度和纹理特征的高分辨率星载SAR图像建筑区提取方法。首先对SAR图像进行斑点噪声的抑制,然后利用灰度共生矩阵计算出星载SAR图像上建筑区与非建筑区的8种纹理特征统计量,根据巴氏距离进行特征选择,并通过主成分分析去除纹理特征之间的相关性,得到了最佳纹理特征分量,将所选的特征影像与原始图像进行波段组合,利用K均值聚类算法对组合后的图像进行非监督分类;最后通过对分类图像进行后处理并提取外部轮廓,提取了建筑区。以COSMO-SkyMed SAR影像为数据源进行了实验。结果表明该方法能够有效提取高分辨率星载SAR图像中的建筑区,提取效果明显优于未利用纹理特征的方法。     

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。     

基于全局注意力信息交互的高光谱图像分类

近年来,研究者们发现基于双分支结构的高光谱图像分类方法可以更有效地提取图像的光谱特征和空间特征用于分类.但在双分支结构中,各分支只侧重于细化、提取光谱特征或空间特征,忽略了对光谱-空间跨维特征交互的研究,且两分支各自提取的部分交互不明显,因此影响了分类的性能.针对这一问题,本文提出了一种基于全局注意力信息交互的高光谱图像分类方法.首先采用密集连接网络分两个分支分别细化图像的光谱特征和空间特征,然后结合全局注意力机制(GAM)得到通道全局注意力特征和空间全局注意力特征,最后通过一个信息交互的模块实现光谱和空间信息的交互,更充分地利用光谱和空间信息实现分类.本文提出的方法分别在Pavia University(PU)和Salinas Valley (SV)两个数据集上进行了实验,相较于其他的4种方法,本文提出的方法在分类性能上取得了明显的提升.     

基于多层分割的面向对象遥感影像分类方法研究

利用ALOS数据,在Definiens Developer 7软件中用分形网络演化法(FNEA)进行多级分割,获取影像对象。综合运用对象的光谱、空间特征和不同层对象之间的关系,提取了湖北省洪湖市试验区土地覆盖与土地利用信息。最后,用一种基于单层分割的面向对象分类方法和基于像素的最大似然法与这种基于多级分割的面向对象分类方法进行了对比分析。结果表明,基于多级分割的面向对象分类方法,不仅克服了基于像素的最大似然法出现的“椒盐”现象,在分类精度上较这两种分类方法也有大幅度的提高。     

A novel algorithm for land use and land cover classification using RADARSAT-2 polarimetric SAR data

This study proposes a new four-component algorithm for land use and land cover (LULC) classification using RADARSAT-2 polarimetric SAR (PolSAR) data. These four components are polarimetric decomposition, PolSAR interferometry, object-oriented image analysis, and decision tree algorithms. First, polarimetric decomposition can be used to support the classification of PolSAR data. It is aimed at extracting polarimetric parameters related to the physical scattering mechanisms of the observed objects. Second, PolSAR interferometry is used to extract polarimetric interferometric information to support LULC classification. Third, the main purposes of object-oriented image analysis are delineating image objects, as well as extracting various textural and spatial features from image objects to improve classification accuracy. Finally, a decision tree algorithm provides an efficient way to select features and implement classification. A comparison between the proposed method and the Wishart supervised classification which is based on the coherency matrix was made to test the performance of the proposed method. The overall accuracy of the proposed method was 86.64%, whereas that of the Wishart supervised classification was 69.66%. The kappa value of the proposed method was 0.84, much higher than that of the Wishart supervised classification, which exhibited a kappa value of 0.65. The results indicate that the proposed method exhibits much better performance than the Wishart supervised classification for LULC classification. Further investigation was carried out on the respective contribution of the four components to LULC classification using RADARSAT-2 PolSAR data, and it indicates that all the four components have important contribution to the classification. Polarimetric information has significant implications for identifying different vegetation types and distinguishing between vegetation and urban/built-up. The polarimetric interferometric information extracted from repeat-pass RADARSAT-2 images is important in reducing the confusion between urban/built-up and vegetation and that between barren/sparsely vegetated land and vegetation. Object-oriented image analysis is very helpful in reducing the effect of speckle in PolSAR images by implementing classification based on image objects, and the textural information extracted from image objects is helpful in distinguishing between water and lawn. The decision tree algorithm can achieve higher classification accuracy than the nearest neighbor classification implemented using Definiens Developer 7.0, and the accuracy of the decision tree algorithm is similar with that of the support vector classification which is implemented based on the features selected using genetic algorithms. Compared with the nearest neighbor and support vector classification, the decision tree algorithm is more efficient to select features and implement classification. Furthermore, the decision tree algorithm can provide clear classification rules that can be easily interpreted based on the physical meaning of the features used in the classification. This can provide physical insight for LULC classification using PolSAR data.     

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。     

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.     

改进随机森林算法的图像分类应用

针对随机森林算法中节点分裂方式单一且相似的问题,提出一种改进节点分裂方式的优化算法,将算法中独立的节点分裂方式ID3与CART进行重新组合,通过自适应参数选择得到新的分裂规则,用于最优属性的选择划分并应用于图像分类问题.首先以词袋模型为基础,加入空间金字塔结构来提取图像特征,并将其量化成视觉词汇,最后结合Spark平台用改进节点分裂方式的随机森林算法实现图像分类.实验结果表明,通过选择组合算法的最优系数,该算法有效提高图像分类准确率,并保证算法运行效率.     

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.