遥感图像信息提取研究的核心——特征

图像信息提取是图像处理和分析领域中核心的研究课题,是目标识别的重要组成部分.对信息提取的研究离不开对特征选择、特征提取和特征表达(描述)的研究.     

基于卫星遥感图像的城市扩展研究--以东营市为例

利用卫星遥感图像作城市扩展研究是当今遥感应用研究的热点问题，是对城市化进程进行跟踪检测的有效手段。也是解决城市化进程中出现的各种问题、提高城市管理水平的一项新技术。本文提出了一种基于图像差值和分类专题图的城市扩展变化提取方案。该方案首先对不同时相的TM图像进行非监督的变化检测，得到二值化变化专题图，然后利用原始资料和调查数据对第二个时相的图像作监督分类。最后利用变化专题图与分类专题图叠加分析获取城市扩展情况。     

城市绿化现状高分辨率卫星数据遥感图像分类探讨——以石家庄市城市绿化现状遥感图像分类处理为例

本文主要应用IKONOS高分辨率卫星数据，依据城市建筑物、城市道路、植被的波谱特征，对城市绿化现状遥感调查分类进行了深入的探讨，通过非监督分类和监督分类，试图达到自动分类识别的目的。就石家庄市城市绿化现状遥感调查分类结果而言，分类效果令人满意。     

遥感图像的分形特征

为了通过分形理论将空间结构信息应用于遥感解译之中,引入一种分析遥感图像分形特征的方法,运用所编程序对-景ETM 遥感数据进行运算,得到所需分形特征数据.并发现:所得分维值的大小能相对地表达原图像的复杂性,原图像及地物的复杂性都与分维值的大小具有正相关关系.该算法还可以计算除遥感图像外其他数字图像的分形特征,并为将遥感图像的空间结构信息引入遥感分类打下基础.     

输入特征向量的自适应优化——以遥感图像K-均值聚类为例

针对在常规聚类应用中一般通过人工试凑调试输入特征分量表达式和权重所带来的参数选择困难的问题,该文以自适应计算替代人工调试为目的,给出了一个称为输入特征向量自适应优化(Self-adaptive Optimization of Input Feature Vector,SOIFV)的新方法。SOIFV分为两个部分:1)优化输入向量各分量的权重,它通过评估聚类结果的均质特性和紧密程度,确定权分量的改正方向和改正值,通过迭代逐步逼近最适宜的权向量;2)优化特征向量的描述符组合,这种优化通过使用描述符范例数据库自适应替换不适宜的特征分量实现,替换在当前最适宜权向量的指导下进行。以遥感图像K-均值聚类为例,以MATLAB为模拟平台,对SOIFV进行仿真测试;精度评估的测试样本以图像点采样获取,并与常规聚类方法作了精度比较。实验表明:SOIFV对聚类输入特征向量的自适应优化有效,以优化输入向量聚类的平均全局精度为85.27%,比使用常规方法聚类提高18.82%。     

增大特征空间复杂度的方法——以城镇下垫面遥感分类为例

在城镇复杂场景中对下垫面做遥感分类,通常要求分类特征空间具有相应的复杂度。增加特征空间维数(即增加描述符的数量),并保持各特征维之间的独立性,是满足这种复杂度的主要方法。为此,提出了3种增加特征空间复杂度的方法。它们对现有基础描述符做扩展,并保证扩展者与原描述符彼此独立,这3种方法是:(1)邻域标准差权值。即对某基础描述符,以若干指定尺度邻域的灰度标准差作为中心像素权重,构成多尺度层;然后将这些尺度层按照一定规则组合,构成描述符扩展。它提取并组合不同尺度层信息,改善了描述符的表征能力;(2)多尺度纹元组合。以若干尺度的结构元素提取不同尺寸的亮、暗细节,以表征不同尺度的纹元,并以不同尺度的细节密度构成多尺度层;然后将这些尺度层单独使用,形成对基础细节密度描述符的扩展。它表征了不同地物在不同尺度层中的粗糙度;(3)多态密度维。在由若干基础描述符构成的特征空间里,以邻域元素的多特征相似性为测度,构成密度维,通过改变基础描述符的组合,形成多态密度维,实现对单一密度维的扩展,从而综合了多描述符的信息。精度验证表明:在不增加基础描述符数量的情况下,依靠这3种扩展增加特征空间维数,全局精度平均提高7.86%,同时计算复杂度无明显增大。     

分类图斑概括的一种自适应方法——以遥感图像土地利用分类为例

从遥感图像监督分类结果到矢量对象的转换是遥感技术领域的一个瓶颈问题。提出了一种\"分类图斑自适应概括\"(Self-adaptive Generalization of Classified patch,SGCP)的方法,是针对这一问题的新尝试。SGCP能实现从破碎图斑到完整图像对象的自动转换,它由如下运算组成:(1)以形态学开启和形状系数分离道路与其他不透水表面;(2)以面积过滤和数学形态学操作去除噪声,以使图斑完整;(3)以递归凸残差回补简化图斑边界;(4)以膨胀和面积占优方法消除图斑裂隙;(5)以凸节点减少率评估图斑概括度,并同时以面积保持和分类精度保持评估概括精度;直至形成指定概括度的对象。概括运算的主要参数(如结构元素尺寸、递归次数、邻域窗口尺寸等)均由计算机自适应确定,同时预留部分用户调节参数,在自动概括的同时,允许人工干预概括程度。经Matlab仿真测试,该方法可以在保持分类精度与获取概括对象之间取得较好平衡。当图斑简化度上升22.9%时,面积平均变化仅为2.7%,分类精度仅平均下降0.72%。     

基于颜色特征的遥感图像中烟的识别方法

针对无人机遥感在林火监测中的实际应用问题,根据森林火灾中烟的光谱特性,提出基于颜色特征的识别方法,建立分析识别模型,使用线性噪声清除方法,满足实时性要求,解决无人机遥感在林火监测中的自动识别问题。该方法利用交互式数据语言开发出相应的分析处理系统。实验结果表明,使用该方法对无人机遥感数据进行自动识别,识别率在77．71％以上。     

基于特征区域的遥感图像水印仿真研究

研究数字化遥感图像版权保护问题。针对目前全局遥感图像水印抵抗旋转、行列去除、水平镜像及组合几何攻击能力差的问题,提出一种Harris-Laplace特征区域的局部化遥感图像数字水印算法。首先由密钥生成一个随机序列,进行二值化后选取一段作为待嵌入的数字水印;在宿主遥感图像中提取Harris-Laplace特征点,依据特征点确定水印嵌入特征区域;按照水印信息将所选特征区域进行扇形划分,采用奇偶量化方法将水印嵌入,并进行仿真。仿真结果表明,算法有较好的抵抗剪切攻击能力,对常规信号处理,对旋转、缩放、平移及联合几何攻击都具有较高的鲁棒性。     

多传感器遥感图像纹理特征选取的研究

由于多传感器遥感图像具有多种多样的特征,分析图像具体信息需要对图像的特征进行准确提取,其中纹理特征能够表现出图像本质,该文采用灰度共生矩阵统计分析方法进行特征提取,能够准确分析出多传感器遥感图像的信息,并且能够满足卫星遥感图像信息处理的技术的不断提高和发展。     

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。     

多特征融合的遥感图像分类

针对高分辨率遥感图像特点,提出了一种多特征融合的分类方法。该方法首先改进了原始的视觉词袋生成算法;然后,分别提取图像的视觉词袋局部特征、颜色直方图特征以及Gabor纹理特征;最后采用支持向量机进行分类,并对多特征分类结果进行自适应综合。采用一个具有2 100幅图像的大型遥感图像分类公共测试数据集进行分类实验,与仅用单一特征分类方法的最高分类精度相比,本文多特征融合的遥感影像分类方法总体平均分类精度提高了10%,表明本文提出方法是一种有效的高分辨率遥感图像分类方法     

卫星遥感图像中机场的识别方法研究

机场识别作为模式识别领域的问题之一,本文结合一些已有的方法,提出了一种新的机场识别及跑道检测的解决方案.使用模糊学增强方法对遥感图像进行预处理,利用阈值分割方法进行图像分割,然后利用像素标记法提取出最大连通区域,最后通过ROI的算法,实现对机场区域的定位.     

基于面向对象的遥感影像分类研究——以河北省柏乡县为例

遥感作为提取土地覆盖类型的主要手段对监测土地利用变化和制定国家政策具有重要意义。通过利用影像的光谱、形状和纹理信息,面向对象分类方法能够比基于像元的分类方法提供更高精度的数据。基于高分一号卫星数据提出一种自动计算最优尺度的方法,基于多尺度分割和3种监督型机器学习算法对研究区典型地物类型(农田、裸地、居民区和道路)进行面向对象分类,并用总体精度和Kappa系数对分类结果进行精度评价,分析了分类精度与训练样本占总样本比例的关系。研究表明,面向对象分类方法在训练样本占总样本比例较小的情况下就可以取得较高的分类精度,总体精度高于94%。总体来看,支持向量的分类精度比神经网络和决策树的分类精度高。     

不同分辨率遥感图像在环境调查中的应用——以辽宁盘锦地区为例1

本文以辽宁省盘锦地区为研究区,进行了包括TM、ASTER、ALOS、Envisat等遥感数据的使用情况的对比、分析。根据不同遥感数据源的具体特点,总结出了它们在环境监测中的应用特点。并将不同数据的分类结果与ArcGis下手工提取的结果进行了定性的比较,最后提出了在环境调查中有关数据源选择的注意事项。     

分段式自适应确定BP网络隐层结点数——以遥感图像分类为例

隐层数和隐层结点数直接关乎BP网络的学习能力,但目前对隐层结点数的选择尚无适用的理论,一般凭经验或试凑确定。本文提出一种分段式自适应确定隐层结点数的算法,它通过评估网络输出相对误差相应调整隐层结点数,通过迭代运算在使网络输出相对误差逐步减小的同时,逼近可能的最优隐层结点数。通常这个最优结点数即网络输出相对误差出现震荡的起点对应的结点数,以这个结点数决定的网络结构能够在网络输出精度与运算开销之间取得较佳平衡。     

分段式自适应确定BP网络隐层结点数——以遥感图像分类为例

隐层数和隐层结点数直接关乎BP网络的学习能力,但目前对隐层结点数的选择尚无适用的理论,一般凭经验或试凑确定.本文提出一种分段式自适应确定隐层结点数的算法,它通过评估网络输出相对误差相应调整隐层结点数,通过迭代运算在使网络输出相对误差逐步减小的同时,逼近可能的最优隐层结点数.通常这个最优结点数即网络输出相对误差出现震荡的起点对应的结点数,以这个结点数决定的网络结构能够在网络输出精度与运算开销之间取得较佳平衡.     

基于影像特征融合的遥感图像重构模式研究

基于影像特征级数据融合的遥感图像重构是在突出目标地物的空间结构和纹理特征情况下的信息融合。在数字图像小波多分辨率分析理论基础上,采用小波变换方法对高分辨遥感图像的目标地物边缘进行信息增强,然后与多光谱遥感图像进行特征信息融合。在融合过程中,首先对多光谱图像中的R、G、B三个波段的图像进行小波分解,得到相应的低频图像,然后对特征增强后的高分辨率图像进行小波分解,再将分解后的高频图像分别与低频图像进行融合,最后经RGB合成为彩色图像。该方法既改善了图像的清晰度和分辨率,同时也保留了原图像的光谱信息。通过融合实验验证了上述结论。