遥感影像信息提取技术的研究与实现

随着遥感技术的发展和遥感应用的深入,遥感影像信息提取方法的研究成为关注的焦点.一般来说遥感影像信息提取包括分类、识别和特征提取.文中主要研究利用MATLAB实现影像中的光谱特征和纹理特征的提取和分类,并结合ERDAS软件对影像进行预处理和分类后处理以及精度评定,最终从精度评定结果来看,两种特征分类的总体精度较高,另外,图像的结构信息有助于提高遥感影像信息提取的精度.     

基于细化分割的遥感影像水体边缘轮廓提取

为实现遥感影像的水资源特征识别,需要对遥感影像中的地表水体边缘信息进行有效检测识别,提出了一种基于细化分割的遥感影像水体边缘轮廓提取识别方法。采用卫星遥感技术进行高分辨率遥感水陆场景图像成像,通过灰度像素增强技术进行遥感影像空间分辨率增强处理,在不同场景纹理中进行遥感影像空间像素特征重构,以中心像素的灰度值为阈值建立遥感影像陆地地物的空间结构特征辨识模型,采用细化分割方法进行遥感影像的水体边界点分割处理,采用形态学滤波方法进行遥感影像水体边缘轮廓检测过程中的细化分割和滤波,对水陆粗分离结果进行形态学闭运算处理,根据细化分割结果进行水体边界平滑处理,实现对遥感影像水体边缘轮廓的提取。仿真结果表明:采用该方法进行遥感影像水体边缘轮廓提取的精度较高,水体边界平滑性较好,轮廓特征的辨识度较高。     

基于面向对象分类方法的遥感影像变化检测

介绍了一种利用GIS数据辅助实现遥感影像变化检测的方法.该方法将面向对象的概念引入遥感影像分类中,使分类的目标不仅可以是影像的像素,也可以是表示一个GIS对象的全部像素集合(像素组).在影像分类中,为减少工作量和降低分类精度对训练样区选择经验的依赖性,最大似然分类中的训练样区由现有GIS数据对象引导生成.实验表明该方法在针对面状对象进行变化检测时具有良好的效果.     

基于面向对象分类方法的遥感影像变化检测

介绍了一种利用GIS数据辅助实现遥感影像变化检测的方法。该方法将面向对象的概念引入遥感影像分类中,使分类的目标不仅可以是影像的像素,也可以是表示一个GIS对象的全部像素集合(像素组)。在影像分类中,为减少工作量和降低分类精度对训练样区选择经验的依赖性,最大似然分类中的训练样区由现有GIS数据对象引导生成。实验表明该方法在针对面状对象进行变化检测时具有良好的效果。     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法.采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪.利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）.将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图.对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

高分辨率遥感影像建筑物震害信息提取方法比较研究

利用高分辨率遥感影像进行建筑物震害信息提取是地震灾害损失评估的重要手段,建筑物震害信息的提取技术是准确获取灾害信息的关键。利用青海玉树震后QuickBird影像,采用面向对象和像素的分类方法进行建筑物震害信息提取,通过精度评价和目视比较分析发现,面向对象的分类方法提取建筑物震害信息分类结果与实际震害情况具有较好的一致性,精度更高,能够避免基于像素的分类提取中出现的"椒盐现象"。     

基于D-S证据理论的遥感影像融合技术研究

多源遥感影像融合是一种将来自多个传感器所拍摄的同一区域图像进行智能合成的一项技术。目前,遥感影像融合研究大多数都停留在像素级融合方面,很少考虑到异质影像融合后新像元的物理意义丢失。因此,提出基于D-S证据理论的热红外高光谱和可见遥感影像决策级融合方法,首先采用最大似然监督分类方法分别对热红外高光谱遥感影像和可见光遥感影像分类,并对分类结果进行评价,然后利用D-S证据理论对热红外高光谱影像和可见光遥感影像分类信息实现决策级融合,实验结果表明:使用D-S证据理论融合后的图像分类精度较融合之前改善效果非常明显,说明该方法在异质遥感影像融合中有很强的理论和实际意义。     

土地覆盖分类影像融合与精度评价研究

影像融合技术可以使遥感影像具有高光谱和高空间分辨率的效果,实现不同空间、光谱、时间等多种分辨率的信息资源互补,从而提高图像的空间分辨率,提高图像的几何精度.文章利用ERDAS软件,对遥感影像数据进行融合,采用乘积变换、PCA变换、Brocey变换、小波变换等遥感影像融合方法对多光谱与全色影像进行融合和土地覆盖分类研究.通过结合图像的光谱统计参数和融合图像的分类精度,对这些方法的分类精度进行评价.这4种方法对于原始影像分类精度,均有不同程度的提高.而小波变换所得融合影像与原多光谱影像的相关系数最大,均方差、平均梯度和信息熵最大,偏差指数最小,影像所含信息量最多;在光谱特性、图像清晰度、对于空间细节信息的表现能力上其它三种方法都好,所得融合影像的分类精度也是最高的.小波变换更适合融合影像的土地覆盖分类研究.     

基于Mask R-CNN的遥感影像土地分割与轮廓提取

传统的模式识别难以对土地遥感影像一次性精确统计分析.在精确分割出土地种类的前提下,本文提出了一种基于骨干网络为ResNet-101-RPN的Mask R-CNN的遥感影像土地分割与轮廓提取方法.该方法包括以下步骤：数据获取、图像去雾、遥感影像土地统计分析、土地分割和轮廓获取.在一个具有挑战性的卫星地图瓦片数据集上对所提出的方法进行训练和测试.实验结果表明,该方法以0.907的均值平均精度（mAP）和31.33像素的均值平均距离误差（mADE）获得了令人满意的不同种类土地分割和轮廓提取结果.