利用SVM与灰度共生矩阵从QuickBird影像中提取枇杷信息

以福建省莆田市东圳水库库区为例,采用QuickBird卫星影像,利用主成分分析方法对灰度共生矩阵方法提取的地物纹理特征进行筛选,选择最佳的影像纹理特征,组成新的波段组合,并应用支持向量机方法(Support Vector Machine,SVM)进行枇杷树的提取分类,最后与只依靠光谱信息来分类的SVM法分类结果进行比较,其分类总精度由原来的71.33%提高到了86.67%,Kappa系数也由原来的0.6410提高到了0.8293,分类精度明显提高,表明光谱信息加入纹理特征信息能辅助并提升高分辨率遥感枇杷树信息提取的精度。     

基于SVM算法和纹理特征提取的遥感图像分类

遥感图像分类是遥感图像处理领域中的一个重要的研究方向,传统的遥感图像分类方法根据像素值进行分类,忽视了遥感影像中丰富的纹理特征信息.小波分析通过引入宽度可变的窗口,可以同时对信号的局部信息进行频率域和时间域的变换.小波分析算法可以有效地提取出图像中的纹理特征信息.支持向量机算法是20世纪90年代提出的一种新的机器学习算法,通常被用来进行模式识别和分类.结合小波纹理提取算法,利用支持向量机进行遥感图像分类.研究结果表明,结合纹理特征的支持向量机分类的效果优于直接对灰度图像进行分类.     

高分辨率影像中基于纹理的建筑区信息提取

在分析QuickBird高分辨率遥感影像特点的基础上,将纹理特征作为分类依据,通过对比实验得出参与分类计算的纹理特征参数为反差和增强反差,按标准距离选出最佳分类因子。选取绿色波段数据,使用改进的最小距离法自动提取影像中的建筑区信息。仿真结果表明,基于该方法提取的建筑区信息识别率为95.4%。     

基于分水岭变换与空间聚类的高分辨率遥感影像面向对象分类

面向对象方法已广泛应用于高分辨率遥感影像分类,提出一种结合改进分水岭变换与空间聚类的遥感影像面向对象分类新方法。首先,基于相位一致思想分析图像特征,由Gabor小波多尺度、多方向提取QuickBird全色影像的梯度信息;利用扩展最小变换与强制最小技术分别获取图像前景标识、重建相位一致梯度图像,利用改进后的分水岭变换获得分割对象。然后,提取各对象的多波段光谱特征,利用Gabor小波获取对象纹理矢量,并用独立成分分析方法进行特征选择,依次进行对象的光谱与纹理聚类。最后,通过分析对象间空间拓扑关系判断聚类后不确定对象的类别属性。实验结果表明该方法能取得较好结果,在一定程度上提高了影像分类的自动化水平。     

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。     

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。     

基于分形理论的遥感影像分类研究

分形理论是非线性科学领域的一大支柱,它的提出为人们解决非线性世界的问题提供了新的思想和方法,由于分形维数与人类对图像表面纹理粗糙度的感知是一致的,利用分形理论进行遥感影像分类具有潜在的理论和应用价值。本文根据遥感影像特点,引入分形方法来描述其纹理结构特征,利用双毯覆盖模型来提取遥感影像的纹理特征,在此基础上,采用K-means算法将纹理结构特征与光谱特征相结合,进行遥感影像分类,其分类效果优于单纯采用光谱特征的分类。     

GIS支持下的TM图像土壤盐渍化分级

利用遥感图像提取盐渍土的光谱特和纹理特征,进行特征,地角度分类器和距离分类器进行比较研究,对遥感信息单要素分类与遥感信息地理信息综合分类进行比较研究。     

利用面向对象的分类方法提取水稻种植面积

结合广西水稻面积的遥感解译工作,应用SPOT4遥感数据和遥感处理软件ENVI,利用面向对象的遥感分类的方法提取早稻种植面积。分类结果表明,利用面向对象的分类方法有效解决逐像素分类结果的"椒盐"效应,获得比传统的像素级分类方法更高的分类精度,为广西水稻种植面积的自动提取提供了广阔的前景。     

基于遥感和陆表信息集成的广东省土地覆盖分类方法研究

土地覆盖信息是估算地-气间的生物物理过程和能量交换的关键参数,也是区域和全球尺度气候和生态系统过程模型所需要的重要参量。如何高效地利用遥感数据提取土地覆盖信息是当前研究迫切需要解决的问题。面向对象的分类方法不但充分利用了遥感数据的光谱信息,同时也利用了影像的纹理结构信息和更多的地物分布信息关系,在遥感分类中具有较大的潜力。研究基于2010年多时相的环境卫星数据、TM数据以及DEM数据,并结合地表采集的4000多个样点数据,采用面向对象的分类方法对广东省土地覆盖进行分类。经采样验证,广东省土地覆盖平均精度为85%,分类结果精度远高于常规的分类算法,说明结合陆表信息的面向对象分类方法比常规的分类算法更具有优势,可以实现高精度的土地覆盖分类。     

Multiscale attention for few-shot image classification

In recent years, the application of traditional deep learning methods in the agricultural field using remote sensing techniques, such as crop area and growth monitoring, crop classification, and agricultural disaster monitoring, has been greatly facilitated by advancements in deep learning. The accuracy of image classification plays a crucial role in these applications. Although traditional deep learning methods have achieved significant success in remote sensing image classification, they often involve convolutional neural networks with a large number of parameters that require extensive optimization using numerous remote sensing images for training purposes. To address these challenges, we propose a novel approach called multiscale attention network (MAN) for sample-based remote sensing image classification. This method consists primarily of feature extractors and attention modules to effectively utilize different scale features through multiscale feature training during the training phase. We evaluate our proposed method on three datasets comprising agricultural remote sensing images and observe superior performance compared to existing approaches. Furthermore, we validate its generalizability by testing it on an oil well indicator diagram specifically designed for classification tasks.     

独龙江流域TM图像的分区分类方法探讨

高山峡谷地区山高坡陡、地形破碎,大量的阴影及混合像元的存在,给遥感分类带来了困难。为了减少和消除这些因素的影响,采用分区分类方法,从NDVI中选择恰当的阈值,利用该值从原始图像上划分出植被区和非植被区并分别进行分类,试验结果表明,其分类精度(74.63%)较传统的直接分类精度(61.59%)有较大提高,是山区遥感图像分类行之有效的方法之一。     

基于独立分量分析和支持向量机的遥感影像融合分类算法

遥感影像分类是遥感定量化分析的重要手段,遥感影像融合是提高分类正确率的有效途径之一。本文提出一种遥感影像的融合分类算法。首先采用Contourlet变换对多光谱影像和全色影像进行融合,然后结合独立分量分析的去相关性、稀疏特性以及很好地捕捉影像重要边缘信息、纹理信息的能力,提取融合影像的独立分量特征,并用支持向量机实现分类。与其他算法的主、客观比较结果表明,该算法的实验效果较好,可有效地提高遥感影像的分类精度。     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

基于超像素统计量的随机森林遥感图像分类

针对遥感图像地物覆盖分类方法对图像空间分布信息利用不足的问题,提出一种基于超像素统计量的随机森林遥感图像分类方法。以北京市海淀区为研究区,选用Landsat-8卫星为主要数据源,通过改进SLIC超像素分割方法,使之适用于多光谱遥感图像中超像素的分割,提取超像素常见的六个统计量(最小值、最大值、均值、标准差、上四分位数、下四分位数)用于随机森林在遥感图像中的分类。实验结果表明,本文对研究区遥感图像的总体分类精度为89.01%,明显改善了对地物的错分和漏分现象,能够推广到Landsat-8遥感图像的地物覆盖分类工作中。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行训练,得到很好的效果。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行洲练,得到很好的效果。