一种基于植被指数的遥感影像决策树分类方法

以江苏省徐州市为研究区,采用2000年ETM+多光谱影像作为遥感信息源,选择影像的光谱特征和归一化植被指数（NDVI）、绿度植被指数（GVI）、比值植被指数（RVI）等10种植被指数作为分类特征,基于See5决策树学习软件构建分类决策树,实现了研究区景观格局的遥感分类。研究结果表明,决策树分类法易于综合多种特征进行遥感影像的分类,植被指数参与到决策树分类中能够提高分类的总体精度。     

独立分量分析在多光谱遥感图像分类中的应用

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。但是在多光谱遥感波段图像中存在不同地物对应着相同的灰度,即异物同谱的问题。独立分量分析算法对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。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。文章对独立分量分析的一种快速算法FastICA进行改进,减少了计算量,提高了算法的有效性。在性能相当的情况下,改进FastICA算法能有效地减少算法的计算量。由于FastICA算法是线性ICA算法,对于非线性混合的光谱信号的估计存在一定误差,因此应用BP神经网络的非线性特性对其进行自动分类。在同原始遥感图像的BP神经网络分类结果进行比较,结果表明独立分量分析算法能提高多光谱遥感图像的分类的正确率。     

基于改进决策树分类算法的遥感影像分类研究

针对现有分类器对遥感影像分类结果存不准确的问题,本文提出了一种基于决策树分类器的遥感影像分类方法,该方法以复合决策树Boost Tree思想为基础,首先利用分形理论中的毯模型提取遥感影像的纹理特征,根据遥感影像分类的特点,构造新的单棵决策树生成算法对遥感影像进行分类。以北京市五环内区域为研究区,使用landsat7 ETM数据源,实现了基于分形纹理特征、光谱特征的改进决策树分类。实验结果表明：通过毯模型提取的纹理特征可以很好地表达表面特征,辅以该纹理信息的改进决策树分类精度相比于只用光谱信息进行分类的精度有一定的提高,改善了分类效果。     

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。     

Study on Crops Remote Sensing Classification based onMulti-temporal Landsat 8 OLI Images

It is crucial for agricultural production to know crop planting situation.Temporal remote sensing images and subtle spectral characteristics of ground features play an important role in extracting crops distribution.At this point,multi-temporal Landsat 8 OLI images were used to extracting the distribution of main crops in the east of Xinrong district of Datong city by using Spectral Angle Mapper(SAM) combined with the decision tree classification,and the extracting result was compared with the result that maximum likelihood extracted.The results show that：① The planting area of spring corn,grain,soybean and potato is decreased and mosaic distribution in order.② The overall accuracy obtained by SAM combined with the decision tree classification is 85.34% and the Kappa coefficient is 0.76,which is outperformed the results of maximum likelihood with the increase of 22.51% and 0.31,respectively,the classification results was more consistent with the actual distribution of main crops.③ The classification accuracy of main crops used the multi-temporal remote sensing images was obviously higher than that of single-temporal image,and the difference between ground features and spectra in middle or high resolution images can effectively weaken by analyzing multi-temporal data from the perspective of difference of spectral angle.The results not only confirmed the positive effect of multi-temporal remote sensing images on crops classification,but also developed the SAM combined with decision tree classification in crops classification of medium-high resolution remote sensing images,which has a certain application prospect.     

基于遥感图像三区光谱特征的水网城市区域规划协调控制方法

水网城市区域规划功能区图像相似性特征较强，且受生态环境、水资源调度等多个因素影响，造成水网区域规划协调性较差，提出基于遥感图像三区光谱特征的水网城市区域规划协调控制方法。使用高分辨率遥感设备采集城市影像；运用形态学算法，利用结构树，通过击中、击不中变换的方式对图像做细化处理；从亮度均值、目标标准差和亮度差级指数三方面提取图像光谱特征；采用最邻近分类算法，建立分类模型，以优先功能区、一般功能区和冲突协调区的自身环境和光谱特征为依据，将提取的特征输入到分类模型中，自动输出划分结果，利用 A*算法简化划分步骤，实现水网城市规划协调控制。实验结果表明，所提方法提高了遥感图像质量，分类结果符合不同功能区的特征要求；兼顾其它生态要素，规划具有协调性，规划效果较好；可在2s内完成目标区域规划，规划时间较短；对于目标规划数据的检测误差小、准确率高，大幅度提高搜索效率，能够为水网城市区域规划协调控制提供可靠依据。     

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。     

双卷积池化结构的3D-CNN高光谱遥感影像分类方法

目的 高光谱遥感影像数据包含丰富的空间和光谱信息,但由于信号的高维特性、信息冗余、多种不确定性和地表覆盖的同物异谱及同谱异物现象,导致高光谱数据结构呈高度非线性。3D-CNN（3D convolutional neural network）能够利用高光谱遥感影像数据立方体的特性,实现光谱和空间信息融合,提取影像分类中重要的有判别力的特征。为此,提出了基于双卷积池化结构的3D-CNN高光谱遥感影像分类方法。方法 双卷积池化结构包括两个卷积层、两个BN（batch normalization）层和一个池化层,既考虑到高光谱遥感影像标签数据缺乏的问题,也考虑到高光谱影像高维特性和模型深度之间的平衡问题,模型充分利用空谱联合提供的语义信息,有利于提取小样本和高维特性的高光谱影像特征。基于双卷积池化结构的3D-CNN网络将没有经过特征处理的3D遥感影像作为输入数据,产生的深度学习分类器模型以端到端的方式训练,不需要做复杂的预处理,此外模型使用了BN和Dropout等正则化策略以避免过拟合现象。结果 实验对比了SVM（support vector machine）、SAE（stack autoencoder）以及目前主流的CNN方法,该模型在Indian Pines和Pavia University数据集上最高分别取得了99.65%和99.82%的总体分类精度,有效提高了高光谱遥感影像地物分类精度。结论 讨论了双卷积池化结构的数目、正则化策略、高光谱首层卷积的光谱采样步长、卷积核大小、相邻像素块大小和学习率等6个因素对实验结果的影响,本文提出的双卷积池化结构可以根据数据集特点进行组合复用,与其他深度学习模型相比,需要更少的参数,计算效率更高。     

Hyperspectral Multiple Features Optimization Using Improved Firefly Algorithm

The utilization of hyperspectral remote sensing image is mainly based on the spectral information,and the spatial information is always be ignored.To solve this problem,a novel hyperspectral multiple features optimization approach based on improved firefly algorithm is presented.Firstly,four spatial features,the local statistical features,gray level co-occurrence matrix features,Gabor filtering features and morphological features of hyperspectral remote sensing image are extracted,and some spectral bands are selected and then combined with these spatial features,and the feature set is constructed.Then,the firefly algorithm is used to optimize the extracted features.In view of the slow convergence speed of firefly algorithm,we use the random inertia weight from particle swarm optimization algorithm to modifiy the location update formula of firefly algorithm,and JM(Jeffreys-Matusita)distance and Fisher Ratio are used as the objective function.Two urban hyperspectral datasets are used for performance evaluation,and the classification results derived from spectral information and spectral-spatial information are compared.The experiments show that random inertia weight can improve the speed of FA-based feature selection algorithm,the performance with multiple features is better than that of spectral information for urban land cover classification,The statistical results of the two sets of experimental data indicate that the selected number of morphological features are the most in the four spatial features.The local statistical features and morphological features are more helpful to the classification of hyperspectral remote sensing images than GLCM and Gabor features.     

基于U-Net的高分辨率遥感图像土地利用信息提取

随着现代遥感技术的迅速发展,遥感图像的质量和数量得到了显著的提升,新技术带来的高分辨率遥感图像所蕴含的信息也更加丰富,如何利用人工智能手段辅助挖掘这些丰富的信息也成为了遥感图像分析与理解的重要内容.与此同时,以深度卷积神经网络为代表的人工智能技术在图像处理领域大放异彩.得益于类人眼的分层卷积池化模型,深度卷积神经网络可...     

结合纹理特征的SVM样本分层土地覆盖分类

支持向量机(SVM)分类在精度、泛化性、高维数据处理等方面都具有较强的优势,在遥感影像分类中也得到了广泛应用。由于遥感影像“同物异谱”和“异物同谱”现象的影响,结合纹理特征提高SVM分类精度已成为遥感应用研究的热点。但不同尺度的纹理特征突出的信息不一,在同一尺度上难以区分的地物在多尺度空间则更容易区分,因此,采用多尺度纹理特征进行SVM分类,并从分类样本和纹理特征的选取两个方面探讨SVM土地覆盖分类的方法。首先,以ALOS影像为例,通过灰度共生矩阵提取不同尺度、不同方向的几种纹理特征;然后在光谱分类结果基础上,借助地类特征曲线,选取有效的多尺度纹理特征,最后进行样本分层分类。样本分层分类是选取首层样本进行分类,再从“漏分和错分”地块中选取新样本加入到首层样本中,得到第二层样本并对整个影像进行分类;用同样的方法选出第三层样本或更高层样本进行分类,直到结果满意为止。结果表明:该方法比仅用光谱特征的SVM分类总精度提高了8.11%,Kappa系数增加了0.11。其中,纹理特征的引入使分类总精度提高了4.13%,且对纹理特征较明显的地类更有效;采用样本分层后的分类总精度进一步提高了3.98%,且各单一地类的精度也都有不同程度的提高。借助地类特征曲线选择合适的纹理特征具有一定的可行性,并且采用样本分层的方法能够提高SVM分类的精度。     

U-Net Neural Networks and Its Application in High Resolution Satellite Image Classification

High-resolution remote sensing images have precise geometric structure and spatial layout, but the spectral information is limited, which increases the difficulty of classifying similar features of spectral features. Aiming at the problem of high resolution remote sensing image classification, a U-Net convolutional neural network classification method based on deep learning is proposed. Based on the remote sensing image of the Ejina Oasis GF-2 in the lower reaches of the Heihe River, the U-Net model was used to extract the five types of land cover types of Populus euphratica, Tamarix chinensis, cultivated land, grassland and bare land. The overall classification accuracy and Kappa coefficient were 85.024% and 0.795 6 respectively. Compared with the traditional Support Vector Machine(SVM) and object-oriented method, the results show that compared with SVM and object-oriented method, the U-Net model is used to classify the high-resolution remote sensing, and the classification effect is better. The ground extracts the essential features of the features to meet the accuracy requirements.     

深度学习U-Net方法及其在高分辨卫星影像分类中的应用

高分辨率遥感影像有精确的几何结构和空间布局,但是光谱信息有限,增大了对光谱特征相似地物的分类难度。针对高分辨率遥感影像分类的问题,采用深度学习U-Net模型分类方法。基于黑河下游额济纳绿洲高分二号遥感影像,通过U-Net模型提取胡杨、柽柳、耕地、草地和裸地五种地物覆被类型,分类总体精度和Kappa系数分别为85.024%和0.795 6,并与传统的支持向量机（SVM, Support Vector Machine）和面向对象的分类方法比较,结果表明：相对于SVM和面向对象,基于U-Net模型的高分辨率卫星影像地物覆被分类,能够更好地对地物本质特征进行提取,分类效果较好,满足精度要求。     

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。     

融合BOVW和复杂网络的高光谱遥感图像分类

为挖掘高光谱遥感图像的深层光谱特征,获取优化特征空间以提高分类准确率,提出了一种基于视觉词典和复杂网络的高光谱遥感图像分类的光谱特征提取方法.通过改进视觉词典方法,使用K-Means方法计算各类样本的聚类中心作为词典,并计算各待测试样本的光谱像素值与词典光谱向量中相同光谱波段的差值,计算出单个待测样本点的词频直方图.同...     

基于反卷积高层特征的遥感地物图像分类

目前利用深度卷积神经网络提取图像底层特征后分类效果已比较优秀,但是对于数据量大、波段多、波段间相关性高的多光谱遥感图像并非完全适用。针对多光谱遥感地物分类中常常出现的Hughes现象,即当训练样本一定时,模型的预测能力随着维度的增加而减小,提出了一种结合高层特征空间和迁移学习网络的遥感地物图像分类算法,利用两层堆叠的反卷积网络来提取目标数据集的高层特征,利用VGG16模型的卷积层权重来构建迁移网络模型,将高层特征导入迁移网络中加强训练得到更加优越的训练模型,利用训练模型可对多光谱遥感数据集更加准确分类。实验结果表明,在Satellite、NWPU和UC Merced实验数据中,冰川、建筑群和海滩分类精度得到有效提高,达到92%左右,针对沙漠、岩石、水域等特殊环境遥感图像,总体分类精度提高5%左右。部分多光谱遥感数据的底层特征和中层特征在训练器中表现并不理想,波段的增多也会导致信息的冗余和数据处理复杂性的提高,反而高层特征在这部分数据中保留了地物信息的轮廓,能更好地适应分类器,得到更加优越的分类结果。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;② 引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

HJ数据的LBV变换及其在面向对象分类中的应用

为了探讨环境卫星影像在分类中的应用潜力,通过对其地物光谱进行分析,计算推导出了适用于环境卫星数据的LBV变换公式,并且将变换后得到的LBV图像应用到面向对象分类中。实验结果表明:推导的针对HJ\|1B影像的LBV变换公式具有普适性,并且经过LBV变换后的影像有效地弥补了环境卫星数据光谱分辨率不高的缺点,在分割参数相同的情况下,分割效果明显好于原始影像分割结果。利用变换后的LBV图像进行面向对象分类,可以很好地提取出水体、植被、城镇和建筑用地4大类,总体分类精度达到93%,Kappa系数为0.8894,表明经LBV变换后的HJ影像在面向对象分类中具有很大的应用潜力。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术，在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源，搭建CNN模型对农作物进行光谱特征提取与分类，并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息，利用CNN对农作物光谱和纹理特征进行提取，优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取，验证结果对比显示，CNN对应各类别精度、总体精度均优于SVM，其中二者总体精度分别为95.14%和91.77%；② 引入影像纹理信息后，基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%，Kappa系数0.952，且分类结果的空间分布更为合理，可有效区分花生、道路等精细地物，说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取，可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于松弛因子改进FastICA算法的遥感图像分类方法

多波段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信号的高阶统计信息,去除了遥感图像各个波段之间的相关性,获得的波段图像是相互独立的.然而独立分量分析算法计算量太大,影响了其在多波段遥感图像分类上的应用.MFastICA算法可以改善FastICA算法的性能,减少计算量,但是同FastICA算法一样,其收敛依赖于初始权值的选择.在MFastICA算法中引入松弛因子,使算法可以实现大范围的收敛.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,其分类精度比原始遥感图像的精度高,并且3种独立分量分析算法的最终分类性能相当.