基于SPOT5影像的山东南四湖地被覆盖分类研究

以南四湖2006年6月中旬的两景SPOT5多光谱卫星影像为数据源,借助ERDAS Imagine和ArcView软件,运用非监督分类与人工目视解译的方法对影像进行分类处理。运用实地调查记录检验分类结果,符合率达到83.3%。依据分类结果绘制了南四湖地被覆盖图,并且计算了各种地被类型的面积。南四湖大堤内总面积为1206.9 km²,其中开阔水域占总面积的45.54%,湿地植被面积占21.06%,围网养殖区面积占15.6%,无水区的村庄、农田和林地占17.8%。南四湖地被覆盖格局主要受人为因素影响,为保护南四湖生态环境,必须禁止湖内土地围垦,控制围网养殖区,逐步恢复湿地植被。     

SPOT5 Dimap文件解析及在影像纠正中的应用

Dimap是Digital Image Map的缩写,它是由法国Spot Image公司、Satellus和法国空间局（CNES,the French National Space Agency）合作推出的新一代影像分发数据格式规范.Dimap 1.1于2003年5月通过,目前主要用于SPOT5卫星数据的分发.本文介绍了开发Dimap的目的和其主要特征,重点对Dimap元数据进行了详细解析,并给出了Dimap数据在SPOT5影像的无控制纠正中的应用方法.通过试验证明,基于Dimap元数据的SPOT5影像纠正可以解决稀少控制点所带来的难题.     

基于亮度平滑滤波调节(SFIM)的SPOT5影像融合

遥感影像融合不仅要求提高原多光谱影像的空间分辨率,更重要的是保留影像的光谱信息,减少失真。为分析SFIM算法融合SPOT-5影像的光谱保真效果,首先采用IHS、小波和SFIM算法对SPOT-5的全色影像和多光谱影像进行融合,生成新的高分辨率多光谱影像。然后采用均值、相关系数、熵、标准差、梯度五个指标对SFIM不同滤波窗口的融合结果评价;最后采用以上定量评价指标对不同方法的融合结果进行分析评价。结果表明:和传统的IHS、小波融合方法相比,SFIM融合不仅提高了影像的空间分辨率和清晰度,而且较好地保持了原多光谱影像的光谱特征。     

TM与SPOT影像融合算法比较研究

随着遥感技术的发展,获取遥感数据的手段越来越丰富,各种不同的传感器所获取的影像数据与日俱增,在同一地区形成了多时相、多分辨率的影像序列金字塔。如何综合各种类型的遥感影像信息,提高遥感数据的利用效益已成为遥感应用的瓶颈问题。多源遥感数据融合技术是解决这一问题的有效手段,即将同一地区不同类型的影像数据进行空间配,然后采用一定的算法将各种影像数据中所含的信息优势或互补性有机的结合起来,产生新影像的过程。以Landsat和SPOT数据为例进行了这方面的探讨。为了充分利用TM丰富的光谱信息和SPOT较高的空间分辨率,研究中引入了4种影像融合算法：加权融合、K－L变换、K－T变换、基于信息特征的融合。通过信息量和分类精度的比较,表明基于信息特 的融合效果较好。     

以SPOT5遥感数据为例比较基于像素与面向对象的分类方法

以SPOT5高空间分辨率遥感影像为研究数据,采用面向对象的遥感影像分类方法,将基于像素的分类精度与基于影像对象的分类精度进行对比分析。结果表明:基于像素的分类方法在处理高空间分辨率遥感影像时具有一定的局限性,而面向对象的分类方法充分利用了影像中的光谱信息、几何结构、空间信息及上下文信息,在高空间分辨率遥感影像分类方面更具有优势,有良好的应用前景。     

SPOT5全色波段与ASTER多光谱影像融合方法的比较研究

多源遥感影像数据融合可以将不同来源数据包含的优势信息重构为新的信息载体,进而为解 决实际问题提供更丰富的信息。与TM,CBERS-1等影像数据相比,ASTER多光谱影像在短波红外波段具有更强的优势,因此将其与SPOT5全色波段进行融合可为解决实际问题提供更多的细微信息。本文选取主成分分析变换（Principal component analysis,PC A）、比值变换（Brovey）、格兰姆-施密特变换（Gram-Schmidt,GS）和小波变换4种融合方法进行对比研究,实验结果表明PCA变换和GS变换适用于这两种影像融合。     

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。     

SPOT5卫星影像在退耕精确监测中的应用研究

退耕还林(草)是针对水土流失治理、改善西部脆弱的生态环境而采取的一项重大举措。以2003年9月9日获取的庄浪县SPOT5卫星影像为例,讨论了SPOT5卫星影像的正射纠正方法,详细介绍了影像纠正前根据参考图选点误差、数字高程模型的误差精度和传感器内部结合误差三方面对影像纠正应该达到的精度理论值进行评估,以及纠正后对影像几何精度的精度评定的方法。讨论了在缺少蓝色波段的情况下通过波段计算合成真彩色影像的技术和处理方法,并结合退耕还林工程的实际情况进一步探讨了经过处理后的SPOT5影像在退耕信息可视化和精确监测中的应用。     

基于SPOT5遥感影像丰宁县植被地上生物量估测研究

利用SPOT5遥感影像数据和同期获得的野外调查样地数据,基于按植被类型分类估测的方法,研究了河北省丰宁满族自治县植被地上生物量的遥感估测技术。研究结果显示,SPOT5影像的4个波段反射率和中红外植被指数(VI3)结合建立的多元回归模型,可用于森林生物量的遥感估测,估测的R2值达0.540,说明中红外波段信息提高森林生物量的估测精度有一定作用;通过分析样地生物量与多种植被指数的相关性发现,基于比值植被指数(RVI)的指数回归模型是灌丛生物量估测的最佳模型,估测的R2值达0.711,基于归一化植被指数(NDVI)的简单线性回归模型为估测草地生物量的最佳模型,R2值达0.790。利用2008年的全覆盖SPOT5影像,获得了丰宁县2008年植被地上生物量分布图,除农田植被外,全县地上生物总量为3.706×107 t,单位面积生物量平均为51.223t/hm2,其中,森林植被总生物量为3.578×107 t,灌丛植被总生物量为1.048×106 t,草地植被总生物量为2.277×105 t。     

基于第二次土地调查的大区域SPOT5 影像工程化处理研究

国土资源部即将在全国开展的新一轮土地调查, 并建立土地变更调查制度和管理系统。相较于上世纪80 年代的第一次土地详查, 新一轮土地调查的特点在于技术新、手段齐, 查得全、查得清。本文针对第二次土地调查, 以工作中普遍采用的大区域多景连片SPOT 5 卫星影像为例, 讨论了SPOT 5 卫星影像的正射纠正方法, 详细介绍了影像纠正前根据参考图选点误差、数字高程模型的误差精度和传感器内部结合误差三方面对影像纠正应该达到的精度理论值进行评估, 以及纠正后对影像几何精度的精度评定的方法, 阐述了SPOT 5 卫星影像处理的工程化管理方法。     

IRS-P5立体像对提取DEM及精度评价

利用IRS-P5同轨立体像对构建DEM并讨论DEM的精度,分析了不同地面控制点组合下的影像定位精度。在至少采用4个地面控制点的情况下,平面和高程方向影像定位精度能够达到2 m的精度。用抽样检查和差值运算的方法对DEM的精度进行了评价,认为P5立体像对生成DEM基本满足国家1∶50 000大比例尺地形图制图的要求。实际选线证明IRS-P5影像生成的DEM满足电力选线的要求。     

基于多时相遥感和GIS技术的湿地识别研究

本以江苏省洪泽湖湿地为例,首先利用秋季成像的TM影像进行分类,采用了混和分类法。然后利用同年度春季成像的TM影像制作湖泊掩膜来纠正分类中湿地类型与高地类型的错分现象。研究发现,该方法能有效地降低分类的误差,提高分类的精度。     

基于多季相Sentinel-2影像的白洋淀湿地信息提取

白洋淀湿地是华北平原上重要的浅水湖泊湿地,对雄安新区绿色发展具有重要的生态价值。对白洋淀高度异质化的景观格局进行分类,能够为白洋淀湿地资源的遥感监测提供指导意义。针对湿地季节变化的特点,对白洋淀每个季节选取一期具有代表性的Sentinel-2影像,采用分类与回归树（CART）、支持向量机（SVM）、随机森林（RF）3种常用的机器学习分类器对15种季相组合实验方案进行分类,分析不同季相遥感影像及其组合对白洋淀湿地信息提取的优劣。结果表明：相较于使用单一季相影像分类,多季相影像的组合能够显著提高分类精度,春&夏季相组合能够得到最优的分类效果,相对单季影像总体分类精度提高了10.9%~25.5%,Kappa系数提高了0.09~0.29;SVM分类器的分类表现较为稳定,能够得到最高的平均分类精度,CART分类器在处理高维特征的能力不如随机森林和SVM;不同特征类型对湿地信息提取的贡献度从高到底依次是红边光谱特征、传统光谱特征、缨帽变换特征、主成分分析特征、纹理特征。实验成果能为湿地信息的遥感识别提供依据。     

基于灰度图纹理指纹的恶意软件分类

随着安卓恶意软件数量的快速增长,传统的恶意软件检测与分类机制存在检测率低、训练模型复杂度高等问题。为解决上述问题,结合图像纹理特征提取技术和机器学习分类器,提出基于灰度图纹理特征的恶意软件分类方法。该方法首先将恶意软件样本生成灰度图,设计并集成了包含GIST和Tamura特征提取算法在内的4种特征提取方法;然后将所得纹理特征集合作为源数据,基于Caffe高性能处理架构构造了5种分类学习模型,最终实现对恶意软件的检测和分类。实验结果表明,基于图像纹理特征的恶意软件分类具有较高的准确率,且Caffe架构能有效缩短学习时间,降低复杂度。     

基于面向对象分类技术的景观信息提取研究

依据高分辨率遥感影像的特点,如何充分地利用影像的光谱信息和空间信息以及地学特征进行更为微观的遥感监测或大比例尺制图是高分辨率遥感研究的重要内容之一。本文以地形复杂的武夷山自然保护区为研究区域,以SPOT5原始影像为数据源,采用面向对象的多尺度分割方法,实现了不同尺度地物信息的分层提取。基于上层的分类结果对特定地物进行影像分割,选择合适的特征参数,并通过多次试验建立影像对象的隶属度函数,或利用最邻近分类法,逐级分层地提取了研究区的景观信息。研究结果显示：利用面向对象分类方法可以快速方便地对地形复杂条件下研究区的SPOT5遥感影像的景观信息提取,精度为76%,为高分辨率遥感影像的信息提取提供了更为快速、有效的技术途径。     

基于RF-Net的CT图像肋骨骨折识别

肋骨骨折是临床医学中一种常见的疾病,人工判别骨折的方法具有工作量大、识别难度大等问题.为了高效实现肋骨骨折的计算机辅助诊断,本文提出了一种基于RF-Net(rib fracture network)的肋骨骨折识别算法.该算法首先利用生成对抗网络对原始数据进行数据增强扩建数据集,以缓解过拟合现象且使模型进行有效训练.其次...     

基于改进YOLOv5的遥感图像目标检测研究

针对遥感图像中背景复杂度高、目标尺寸多样所导致的目标检测精度低的问题,提出一种基于改进 YOLOv5的遥感图像目标检测算法。该算法将具有Transformer风格的ConvNeXt网络作为主干网络,以克服卷积神经网络(CNN)结构的局限性,捕获更多全局信息。引入 SimAM 注意力机制在不增加网络参数的情况下,推断出特征图的3D注意力权值,提高网络的稳定性以及抗干扰能力。同时采用全局显式集中调节方案的集中特征金字塔(CFP),捕获全局长距离依赖关系以及遥感图像的局部关键区域信息。将本文提出的算法在 RSOD 数据集上进行消融实验,结果表明,本文提出的算法能够显著提高遥感图像目标检测的平均准确率。