基于关联规则的面向对象高分辨率影像分类

以北京市昌平区Geoeye-1高分辨率遥感影像为试验数据,研究了关联规则挖掘和面向对象相结合的地物分类方法。首先探讨了关联分类法的原理,再通过图像分割、特征提取、关联规则挖掘、分类器构建一系列过程实现了基于关联规则的面向对象高分辨率影像分类,最终评估分类精度并与K-近邻法进行了对比。结果表明,该方法具有较好精度,能够在一定程度上摆脱地物分类对于专家知识的依赖。     

辅以纹理特征的面向对象的遥感影像分类方法研究——以陕西省杨陵县为例

随着遥感图像分辨率的不断提高,图像的纹理特征更加明显,使得对图像进行纹理分析成为可能。以陕西省杨陵县为试验区,将TM多光谱影像和SPOT 5高分辨率全色影像进行融合,先对影像各种纹理特征进行比较,选用对比度这一属性辅助进行面向对象的分割,同时结合地物的光谱信息,对该地区进行监督分类。与单纯基于光谱特征的分类方法进行比较,该方法在一定程度上改善了分类精度,细化了地物类别。     

面向对象的高分辨率影像分类与信息提取

采用面向对象遥感影像分类方法对高分辨率遥感影像进行了信息提取实验,并将其与基于像元方法的信息提取结果进行了对比分析。实验研究表明,在目视效果上,传统方法的分类结果图中“椒盐现象”非常明显,而面向对象方法可以有效地避免“椒盐现象”;在分类精度上,面向对象方法分类结果的总体精度、Kappa系数、生产者精度、用户精度、Hellden精度和Short精度均明显高于传统方法,各类地物提取效果显著提高,总分类精度提高21.76%,Kappa系数提高0.2756。面向对象方法在高分辨率遥感影像信息提取中具有明显的优势。     

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。     

基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究

针对高分辨率遥感影像的城市土地覆被信息提取,根据分类目的与精度要求的不同,分别引入了优化与广义两种面向对象分类方案,并对分类的结果进行分析比较。结果表明:①优化方案的分类结果总体上要比广义方案好,前者的总体精度为86.50%,相比后者的80.50%提高了6.0%,而总体Kappa系数提高了0.0851,但是该方案效率低,可移植性差;②广义方案的分类结果虽然精度略低,但是该方案具有很强的适用性与可移植性,能够在精度可控范围内,很大程度提高分类效率,实现系统而有效的自动分类;③广义方案得到的分类结果具有一致的精度,在利用其建立城市生态模型中能够保证数据之间的系统性与鲁棒性。因此,利用优化方案能够提高分类结果的绝对精度,而广义方案对于实时精确获取城市土地覆被信息、小尺度上定量监测与评价城市化的生态后果以及有效开展城市土地规划与管理具有更重要的意义。     

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。     

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。     

谐波分析光谱角制图高光谱影像分类

目的 针对光谱角制图(SAM)分类算法对高光谱像元光谱曲线的局部特征和其辐射强度不敏感,而且易受噪声和维数灾难影响,致使分类效率低和精度较差等缺陷,将谐波分析(HA)技术引入到SAM高光谱影像分类中,提出一种基于谐波分析的光谱角制图(HA-SAM)高光谱影像分类算法.方法 利用HA技术将高光谱影像从光谱维变换到能量谱特征维空间,并提取低次谐波分量及特征系数(谐波余项、相位和振幅),用特征系数组成的向量代替光谱向量,对高光谱影像进行SAM分类.结果 将SAM和HA-SAM同时应用于EO-1卫星的Hyperion高光谱影像分类,通过对比和分析,验证了HA-SAM的优越性,再选择AVIRIS(airborne visible infrared imaging spectrometer)高光谱影像对HA-SAM进行验证,结果表明该算法具有较强的普适性.结论 HA-SAM提高了传统SAM高光谱影像分类的效率和精度,而且适用性较强具有良好的应用前景.     

一种面向对象的高分辨率影像道路提取方法

高分辨率遥感影像为用户提供了丰富的地表细节信息, 如何利用图像分析技术从高分辨率遥感影像中进行目标提取、更新地理信息数据库, 成为遥感信息处理研究的热点。传统的道路提取方法一般采用像素级检测方法, 仅利用了像素的光谱信息作为道路提取的依据, 无法利用影像的空间信息。提出了一种面向对象的高分辨率卫星影像道路提取方法, 并选取南京市IKONOS 影像进行了实验。首先, 对影像进行分割获取影像对象, 再通过对IKONOS 影像中道路特征的分析, 利用影像对象的光谱特征、几何特征和空间关系建立知识库, 最后, 利用知识库中的规则来提取影像中的道路。实验结果表明采用本方法能够较好地提取出实验区中的道路。     

训练样本数目选择对面向对象影像分类方法精度的影响

面向对象遥感影像分类中的样本选择与基于像素的方法有很大不同,基于统计学理论,研究了面向对象方法的样本数量选择问题。首先,针对面向对象方法的特点,对影像特征空间进行分析,结果表明面向对象方法中要求训练样本的数量可以显著地减少。然后,在遥感影像分类实验中,借助样本数量与波段数目的关系,验证了理论分析的结果。     

基于高分辨率SAR图像的道路自动提取

在传统算法的基础上,用多条件加权法进行道路边缘点的判断,充分利用道路的物理特性,将道路边缘点像素上下文特性作为判断的条件,以实现道路边缘线段的识别。桥接模式的思想是根据道路边缘线平行且宽度一定的特性,通过算法找出两条边缘线段之间的对应点,连接对应点以实现道路提取。经实验测试,该算法能消除地物间的影响和噪声干扰,有效地提高了道路提取的精度和速率。     

基于特征向量的遥感影像自动分类研究

为了实现高分辨率遥感影像自动分类及进一步提高非监督分类的精度和效率,提出了一种训练样本自动选取的面向对象自动分类方法。首先利用均值漂移算法对遥感影像进行分割,获取同质性分割单元;然后对分割对象进行多特征（光谱特征、纹理特征和形状特征）提取,基于特征向量的几何距离进行训练样本自动选择,进而利用支持向量机分类器得到分类结果。实验研究表明,提出的面向对象自动分类算法不但可以利用影像对象丰富的特征信息,而且较好地避免了“椒盐现象”,使自动分类的精度和效率得到较大提升。     

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。     

结合邻域相关影像与最大相关性最小冗余性特征选择的面向对象变化检测

摘 要：本文针对两期高分辨率遥感影像提出一种结合邻域相关影像（NCI）和最大相关性最小冗余性特征选择(mRMR)的面向对象变化检测方法。为了验证该方法的有效性,本研究设计了3组对比实验：（1）比较只使用mRMR特征选择与未使用mRMR特征选择的效果;（2）比较使用NCI与mRMR特征选择相结合与只使用NCI的效果;（3）比较使用NCI与mRMR特征选择相结合与只使用mRMR特征选择的效果。实验结果表明,使用NCI与mRMR特征选择相结合的变化检测效果要优于只使用NCI或是只使用mRMR特征选择的效果,更优于两者都不使用的效果。 关键字：遥感影像,高分辨率,面向对象,变化检测,邻域相关影像,特征选择     

高分辨率遥感影像中道路震害信息的识别方法

大地震之后,紧急救援物资运输迫切需要了解灾区道路的震害信息,然而当前对遥感影像中道路的震害信息提取大多是基于像素的,提取的精度普遍不高。提出了一种面向对象的道路震害信息提取方法,通过综合利用道路的多种影像特征及震前GIS矢量道路相结合来提取道路,然后依据提取道路的完整程度来识别道路震害信息。采用汶川灾区的遥感影像为例进行了实验,与目视判读的结果比较后证明该方法有效改善了信息提取的速度和精度。     

面向对象的高分辨率SAR图像处理及应用

目的随着合成孔径雷达(SAR)技术和分辨率的不断提高,越来越多的空间细节呈现在高分辨率SAR影像上。与此同时,SAR图像的数据量越来越大,人们对其应用需求也越来越高,这使得传统的基于像素的SAR处理方法不再适用。面向对象分析技术以像元集合——"对象"为分析单元,为高分辨率遥感图像处理提供了有效的思路,并日渐成为遥感、摄影测量以及GIS等领域所关注的对象和研究热点之一。目前该技术在光学遥感中已经得到了广泛的应用,但在SAR图像处理中的应用还处于起步阶段。方法本文在简要阐述面向对象分析技术起源和特点的基础上,对SAR图像面向对象技术中常用的多尺度分割算法进行了分类分析,接着对面向对象技术在SAR遥感的应用方向进行全面介绍,最后对面向对象技术在SAR上的应用进行了总结与展望。结果面向对象分析技术在SAR图像处理中的应用主要分为以下五个方面:地物分类、城市信息提取、变化检测、海洋应用、森林应用。结论面向对象分析技术在解决高分辨率SAR图像尺度效应、抑制噪声等方面有着重要作用。目前,国外学者在基于SAR的面向对象分析技术研究上已经取得了一定的进展,但总体上该技术仍面临诸多问题,需要进一步的研究和完善。     

面向对象的高分辨率影像采煤塌陷地提取

煤炭开采引起了塌陷等一系列的地质环境问题,与常规监测方法相比,遥感技术可以实现大范围、高效率、周期性的动态监测。在遥感影像分类方法中,面向对象的遥感影像分类方法能更好地利用高分辨率遥感影像中丰富的纹理和几何结构信息。针对煤炭开采导致的地表塌陷地的特点,在归纳整理遥感影像中塌陷地判识准则的基础上,重点探讨了面向对象的遥感影像分类方法中塌陷地的自动提取规则。综合利用ERDAS IMAGINE9.2、ENVI4.7和ENVI4.4 ZOOM进行数据处理,以安徽省淮南矿务集团潘三矿区为实验区,用该方法利用SPOT５影像进行了塌陷地信息提取实验,结果证明,面向对象分类方法能有效地从高分辨率遥感影像中自动提取塌陷地相关信息。     

高分辨率遥感影像空间结构特征建模方法综述

高分辨率遥感影像能够提供详细的地面信息,具有复杂的空间结构特征。有效地描述和建模这种结构特征对实现影像解译、目标识别与提取以及场景理解等具有重要的作用。首先介绍了高分影像结构特征的概念和内涵,将结构特征划分为像元结构、目标结构和场景结构3个层次;然后对高分影像结构特征描述与建模方法进行了系统的综述,介绍了这些方法的基本思想、分析了其研究现状,并指出了存在的一些问题;最后给出了总结和展望。     

Compression and classification methods for hyperspectral images

In this article we present new lossless compression methods by combining existing methods and compare them using AVIRIS images. These methods include the Self-Organizing Map (SOM), Principal Component Analysis (PCA), and the three-dimensional Wavelet Transform combined with traditional lossless encoding methods. The two-dimensional JPEG2000 and SPIHT compression methods were applied to the eigenimages produced by the PCA. The bit allocation for the compression of eigenimages was based on the amount of information in each eigenimage. In bit rate calculation we used the exponential entropy formula, which gave better results than the original linear version. The information loss from the compression was measured by the Signal-to-Noise Ratio (SNR) and Peak-Signal-to-Noise Ratio (PSNR). To get more illustrative and practical error measures, classification of spectra was performed using unsupervised K-means clustering combined with spectral matching. Spectral matching methods include Euclidean distance, Spectral Similarity Value (SSV), and Spectral Angle Mapper (SAM). We used two test images, which both were AVIRIS images with 224 bands and 512 lines in 614 columns. The PCA in the spectral dimension combined with JPEG2000 or SPIHT in the spatial dimension was the best method in terms of the image quality and compression speed.     

模糊神经网络高分辨率遥感影像监督分类

目的 针对高分辨率带来的像素类属不确定性增大及各类属间相关性增强引起的影像分类问题,提出一种模糊神经网络高分辨遥感影像监督分类方法。方法 提出的模型为包含输入层,隐含层（隶属函数层）及输出层的三层前向模糊神经网络,输入层用于接收来自训练样本的灰度值;隐含层每个神经元节点的模糊隶属函数为对各类别定义的高斯隶属函数模型,以实现对输入变量隶属程度的不确定表达;输出层的输入变量为隐含层各神经元节点输出变量的线性组合,激活函数为分段线性函数,该层实现输入变量隶属程度的相关性表达。以训练数据直方图作为期望输出,梯度下降法求解模型参数,最后按最大隶属度准则实现分类决策。结果 利用本文算法和经典算法对合成影像进行实验,本文方法总体精度达到0.931,相对于高斯隶属函数方法总体精度提高了5.3%,相对于最大似然法提高了4.2%,相对于FCM方法提高了5.9%,对真实WorldView-2全色影像的实验中文中方法分割精度也高于传统方法。结论 提出的模糊神经网络模型可以更加精确的拟合高分辨率遥感影像复杂的分布特征,有效处理高分辨率遥感影像的上述分类问题。