基于知识分类法的TM遥感影像景观分类制图——以武汉市为例

遥感影像景观分类制图的关键是选择合适的遥感影像分类方法,以降低分类误差、提高分类精度。以武汉市Landsat TM遥感影像为例,利用基于知识的决策树分类法对遥感影像的景观分类制图方法进行了研究。结果表明:知识分类法在一定程度上避免"同物异谱"所造成的分类误差,实现较高的分类精度,是高效、可行的遥感影像景观分类方法之一。在实际操作中分类变量及阈值的确定是遥感影像知识分类的关键步骤。     

基于深度卷积神经网络的高光谱遥感图像分类

传统的高瀑布图像分类模型只考虑光谱特征信息,忽略了图像空间结构信息在分类中的重要作用。为提高高光谱遥感图像的分类精度,提出一种同时利用高瀑布图像的光谱信息和空间信息的深度卷积神经网络分类模型。通过对低层特征自动分层地学习来提取更加抽象的高层特征,提取的特征具有平移、缩放及其他形式扭曲等高度不变性;基于学习到的深度特征,用logistic回归分类器进行分类训练。高光谱数据实验结果表明,深度卷积神经网络模型能够提高高光谱遥感图像的分类精度,从而验证了深度卷积神经网络进行高瀑布图像分类的可行性和有效性。     

岩溶石漠化信息遥感提取方法研究现状及展望

通过回顾相关研究成果,总结岩溶石漠化信息遥感提取方法的研究现状,探讨了人机交互解译法、比值增强法、监督分类法、基于光谱特征的自动分类法、基于时间序列的分类法、基于专家经验分类法、面向对象的分类法的优点和不足,结合实践工作,笔者认为从改进遥感增强模型、改进野外实测基岩裸露率的方法、加强人机交互解译这三方面着手,能建立更科学的岩溶石漠化信息遥感提取模型。     

基于多特征的遥感影像决策树分类

构建了一种基于多特征的遥感影像决策树分类方法。通过对遥感影像进行波段代数运算、主成分分析和图像分割等处理,提取出影像上地物的光谱维特征、纹理特征和形状特征。在此基础上,结合试验区主要地物类型提纯后的训练样本集,采用C5.0决策树分类法进行影像分类,实现主要地物的空间分布专题信息提取,并利用该方法对Landsat-5TM影像进行了分类实验。结果表明,所提出的方法能够有效地提高分类精度。     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了 一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进 行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机 的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比 单纯运用光谱特征进行分类效果要好。     

基于叶片光谱特征的农业区域植物分类

基于农业区域8种植物的叶片光谱数据,提取63种光谱特征变量,并对全波段光谱(原始、一阶微分和包络线去除光谱)提取主成分,分别采用k最近邻(k-nearest-neighbors,kNN)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)3种机器学习方法对不同植物进行遥感分类.比较3种方法所得的总精度、训练精度、验证精度及8种植物的生产者精度.结果表明,SVM的分类性能优于kNN与RF;单一的光谱特征变量识别精度都较低(50%);基于主成分分析的一阶微分光谱识别性能优于原始光谱和包络线去除光谱.研究指出,叶片一阶微分光谱与SVM相结合的方法能够准确识别不同植物物种.可为景观或区域尺度的植被遥感分类、精准农业和森林资源调查等提供借鉴.     

基于Sentinel-2A的太行山区土地覆被分类方法研究

以太行山区为研究对象,基于Sentinel-2A遥感影像数据,采用基于像元和面向对象分类两种策略,定量分析不同特征组合模式下,最大似然法(ML)、贝叶斯(Bayes)、支持向量机(SVM)、决策树(Decision Tree)以及随机森林(RF) 5种分类方法在该区域地表土地覆被信息分类中的表现差异。结果表明:(1)基于像元的RF分类器取得了最高精度,仅使用光谱特征参与分类和使用光谱、红边、指数特征参与分类的总体精度分别为96. 85%和96. 64%。(2)红边和指数特征的加入能够对各分类器分类精度产生不同程度的影响,即使基于像元的RF和面向对象的CART决策树总体精度有所下降,但降幅均在0. 5%左右,其他分类器精度均有所提升。     

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.     

基于增强图注意力网络的高光谱影像分类方法

高光谱遥感影像中隐含了不同地物的光谱特征,高光谱地物分类成为了遥感领域的一个研究热点。高光谱数据存在维度灾难以及训练样本标签过少等问题,进而影响了其分类精度。针对此问题,文章提出一种空-谱特征融合的增强图注意力网络高光谱影像分类方法,即从高光谱数据中获得初始的空-谱特征作为图的节点属性,并以节点的相邻关系构建图结构;将空-谱特征初步融合的高光谱图数据作为输入,并通过增强图注意力来提取节点的空-谱特征;以深度融合的空-谱特征来实现精准的高光谱地物分类。经在龙口和汉川数据集上的实验测试结果表明：这一方法能够有效提取深度融合的空-谱特征,总体分类精度分别达到99.62%和95.45%,实现了高光谱地物的精准分类。     

基于ALOS遥感影像的湿地地表覆被信息提取研究

为了验证ALOS遥感影像湿地地表覆被信息提取的可行性,以黑龙江省三江平原典型内陆淡水沼泽湿地为研究对象,通过ALOS遥感影像波段的光谱及纹理特性分析,探讨适合水体、旱地、水田、沼泽、林地、建设用地、草甸等覆被类型的分类特征;基于非监督、监督及面向对象分类方法,遴选能实现最优分类结果的特征组合,为湿地地表覆盖分类数据源及方法的选择提供参考。结果表明:非监督、监督及面向对象分类方法的总体精度分别达到63.86%、96.14%和85.26%;非监督分类方法整体分类效果不够理想;面向对象方法虽然得到了相对较高的分类精度,但是针对建设用地、林地及草甸地类信息提取的精度处于较低水平;监督分类方法能取得较好效果,最适合于湿地地表覆被信息提取。     

基于蚁群算法的多光谱遥感图像分类

该文应用蚊群算法和支持向量机实现多光谱遥感图像分类.首先提取出多光谱遥感图像的光谱特征、纹理特征和形状特征,然后利用蚁群优化算法从提取出的多维特征空间中选择最优的特征子集向量,最后将特征子集作为支持向量机分类器的输入量实现分类.实验结果显示,较传统的K均值方法文章给出的方法能够提高遥感图像的分类精度.     

基于面向对象技术的低山区公路信息提取研究——以广西省玉林市为例

针对高分辨率遥感影像提取公路信息中存在的对丰富特征信息利用不够充分的问题,基于GeoEye_1卫星影像,提出一种综合考虑公路光谱属性、纹理属性、空间属性等特征的面向对象公路信息提取技术.针对GeoEye_1数据的不同波段,采用试误法建立适用于公路特征提取的综合分类规则,并进行提取.最后,以目视结果作为参考,对基于各波段的提取结果精度进行验证.结果表明,基于蓝光波段提取的公路信息精度最高,在选取的六个抽样区域的提取精度分别达到84％,68％,78％,68％,83％和66％,平均精度达到74.7％.研究成果对高分辨率遥感影像在山区公路信息提取中的应用具有一定的参考价值.     

植被覆盖茂密区碳酸盐岩岩性的遥感识别——以灌江流域为例

由于茂密的植被覆盖,西南岩溶区在遥感图像上反映的大部分是植被覆盖层的光谱信息,而直接的岩性光谱信息很弱,因而利用遥感图像识别岩性,尤其是碳酸盐岩岩性的难度很大。以广西灌江流域为例,在植被茂密的南方岩溶区利用多源遥感数据,如ETM、SPOT、ASTER数据进行碳酸盐岩的计算机自动岩性识别。结果表明：多源遥感数据的岩性识别效果远大于单一类型的遥感数据;未进行融合的遥感数据的分类效果好于融合后的数据;利用高分辨率遥感数据的纹理图像参与分类,有助于提高分类的精度。最终,采用SPOT的4个多光谱波段、ASTER的14个波段、TM的6个波段3种遥感数据共24个波段加上4个SPOT纹理图像和3个ASTER可见光波段的纹理图像共31个波段组合进行岩性的自动识别分类,取得了82.01%的自动识别总精度。     

基于MATLAB/GUI的无人机遥感图像分类系统设计

为了提高无人机遥感图像分类技术在复杂地形中的勘察效率,设计了一种基于MATLAB/GUI的无人机遥感图像分类系统,实现了图像分类的可视化操作。采用K-Means聚类与Otsu阈值分割相结合的方法对无人机遥感图像进行分割与分类处理,并对初分割结果进行边缘检测、噪声滤波和形态学优化等图像处理,精确提取各类地物边界,提高图像分类精度;对分类处理后的结果进行矢量化输出,提高了本系统与其他软件的交互性;根据航拍高度、镜头焦距和传感器尺寸等信息,可计算每一类地物的实际面积,实现区域面积大小的快速统计,促进了无人机遥感技术在公路地质选线中的应用。     

基于图像分类方法滑坡识别与特征提取——以归州老城滑坡为例

目前遥感滑坡地质灾害解译主要是通过目视解译和人机交互式解译,根据遥感图像的影纹、色调、地形、地貌等特征,辅以软件对图像进行增强处理和叠加DEM来识别滑坡灾害,但是这些解译方法并没有充分挖掘遥感图像的光谱信息。论文以三峡库区归州老城滑坡为例,利用遥感专业处理软件ENVI对灾害点遥感影像分类,探索滑坡灾害的光谱识别与特征提取。得出图像分类方法不但可以去除一些与滑坡灾害解译无关的或干扰信息,还可以通过感兴趣区选择进行监督分类将图像划分为滑坡解译所需要的简单几种类型,有助于滑坡特征提取与统计、滑坡识别和圈定滑坡边界。     

"北京一号"小卫星影像质量及土地利用分类精度研究

为研究“北京一号”小卫星影像在土地利用研究领域的应用潜能,通过对影像目视质量、光谱特性、噪声特征和几何纠正精度的分析,研究了小卫星的影像质量;通过选择特征变量、优化训练样本,建立分类模板,构建最大似然和马氏距离两种分类器对研究区域进行土地利用计算机自动分类,并对分类精度进行评价,研究了小卫星影像的土地利用分类精度．结果表明：“北京一号”小卫星影像质量较好,土地利用分类精度较高,可以在土地利用研究领域成为遥感数据更新的主体．     

Down-scaling LUCC based on the histo-variogram

In remote sensing applications, accurate extraction of land type area after classification is very important. But for images of land use/cover change (LUCC) obtained from the special spatial resolution remote sensing data, it will be of great significance to obtain the land type area information with higher resolution by making use of spatial distribution characteristcs information of the land type itself first and further scaling-down in a given scale threshold on the basis of the existing spatial resolution data. An explicit expression of the relationship between the measurement scale, global fractal dimension and the land type area corresponding to different measurement scales is obtained on the research basis of the authors’ histo-variogram using the standardized area index (SAI). A good attempt has been made to obtain the land type area information with higher resolution by merely using the spatial distribution characteristcs information of the land type in the image itself and further scaling-down in a given scale threshold on the basis of the existing spatial resolution data. Supported by the National Natural Science Foundation of China (Grant No. 40601068), the National Basic Research Program of China (“973” Project) (Grant No. 2007CB714402) and the Key Science and Technology R&D Program of Qinghai Province (Grant No. 2006-6-160-01)     

基于PCA变换的多元遥感影像融合方法研究

基于PCA变换的融合方法是用于多波段遥感图像的第一主分量具有相同均值和方差的高分辨率遥感图像直接代替多波段遥感图像的第一主分量,这样会损失部分多波段遥感图像第一主分量中反映光谱特性的有用信息,使得融合结果图像的光谱分辨率受到较大影响。因此,在PCA变换融合算法基础上引入小波包变换融合算法,保留多波段遥感图像第一主分量中一些反映光谱特性的有用信息,提高融合后遥感图像的效果。     

基于最小噪声分量变换的ASTER遥感数据岩性分类

遥感岩性分类相较于普通土地利用分类难度更大,其形状或者规模上都不具有特别明显的规律可循,且在边缘的过渡上也存在模糊性,对于常用的监督分类方法在岩性分类中效果都不甚理想。利用ASTER多光谱数据,总结出一套基于最小噪声分量变换的ASTER遥感数据岩性分类技术流程,在ASTER数据最小噪声分量变换的基础上,通过二维散点图几何顶点提取岩性分类样本,利用光谱角技术对西藏日土地区弗野铁矿范围内的岩性进行分类,并通过中值滤波的方法对分类结果进行后处理。结果表明,分类结果与实际岩性有很好的一致性,总体分类精度达到83.33%。     

ALOS影像提升小波融合的土地覆被分类研究

根据提升小波变换原理,结合小波变换和色调、强度、饱和度变换(IHS变换)融合方法的优点,提出了提升小波变换影像融合模型,用于提高遥感影像土地利用/土地覆被基础信息解译精度.采用对比分析方法,以长江口北岸的日本先进陆地观测卫星(ALOS)影像融合为例,综合影像主客观综合评价和影像分类Kappa系数值,将提升小波融合方法与传统融合方法进行对比分析研究.结果表明:提升小波融合模型优于传统融合方法,该模型在提高影像空间分辨率的同时,能更好地保持影像光谱信息,从而有效地提高了遥感影像解译土地利用/土地覆被基础信息的精度.