混合像元分解的理论与方法-以神木县为例

识别分类是遥感技术应用中的重要一环,而混合像元是影响识别分类精度的主要因素之一。为了提高识别分类精度,本文提出了四种混合像元分解方法,它们是匹配像元分解、折半像元分解、双邻像元分解、相关像元分解。混合像元分解前,计算机分类识别精度仅为63.65％,混合像元分解后,其识别分类精度达88.67％,可见混合像元分解的效果是很显著的。     

基于元胞自动机模型的遥感图像亚像元定位

由于遥感图像中普遍存在混合像元,因此传统分类方法得到的结果通常会存在较大误差,应用混合像元分解技术,虽然可以得到混合像元中各端元组分的丰度,但是却不能得到各端元组分的空间分布状态,而亚像元定位则是在混合像元分解的基础上,将混合像元剖分为亚像元,再利用端元组分的丰度及像元空间分布的特点,将亚像元赋予不同端元组分来得到各端元组分的空间分布情况,以提高遥感图像分类的精度。为了更好地解决亚像元定位问题,结合亚像元定位的理论模型,提出了一种新的元胞自动机模型,并通过模拟数据和实际数据对该模型进行了检验,结果表明,该模型是一种简单有效的解决亚像元定位问题的方法。     

端元光谱变化与混合像元分解精度的关系研究

从误差传播理论的角度,分析了多选端元光谱、漏选端元光谱以及端元内部光谱变化等情况与混合像元分解精度之间的关系。然后用数值模拟的方式进一步研究了端元内部光谱与限定性混合像元分解精度的关系。研究结果表明:(1)端元光谱间差距越大,端元光谱内差距越小,则混合像元分解精度越高;(2)如果漏选了端元光谱会造成很大的模型误差,然而多选端元光谱却仍然是端元组分的无偏估计。数值模拟结果表明混合像元分解精度与端元类内变化的方差存在负相关的特点。最后就理论推导的结论,讨论了提高混合像元分解精度的可能方法。     

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。     

基于改进SAM的高光谱影像混合像元分解算法研究

将传统遥感图像分类方法中的光谱角度制图法(Spectral Angle Mapping-SAM)加以变换,改进为一种符合全约束条件下的高光谱遥感图像的混合像元分解模型.新算法在端元丰度比例满足全约束的条件下,通过逼近的方法寻找一种端元丰度的比例组合,使测试光谱与目标光谱的广义夹角最小,从而认为该比例组合就是混合像元分解...     

针对ETM基于BP网络像元分解模型分类研究

限制遥感图像分类精度的一个主要原因是混合像元问题。因此像元分解也一直是遥感研究的一个热点问题。本针对传统像元分解方法的缺点，首先对影像进行纯净像元提取，再对混合像元进行分解。在提取纯净像元时，利用ETM影像的全色波段和单波段不同的分辨率选取训练样本，从而克服了传统像元分解中需要两种影像或地面实测资料的缺点。然后用BP神经网络对混合像元进行分解。同时用民乐县的ETM影像作了试验。又利用对应的土地利用图作了验证。取得了比较好的效果。     

土地利用遥感动态监测中混合像元的分解方法研究

混合像元的存在是影响识别分类精度的主要因素之一。本分析了现有几种混合像元分解方法的特点,在此基础上提出了灰色相关像元分解法,并验证了其可行性。     

城市混合像元分解中土壤与不透水面纯像元选取方法的对比研究——以厦门为例

近年来混合像元分解在城市地表组分监测与分析中的应用逐渐成为城市遥感的一个热点。纯像元的选取是混合像元分解过程中的重点和关键所在。以沿海城市厦门为研究对象,根据不同的土壤和不透水面纯像元选取规则,使用2组12种不同的纯像元选取方法对2007年1月8日TM影像进行混合像元分解,对分解结果的模型适宜度进行了比较,并使用2006年12月25日SPOT5高分辨率影像对分解结果的精度进行了比较和评估。结果表明:混合像元分解在纯像元选取时,S端元选取兼顾低反射率裸土和高反射率裸露基岩的纯像元可以整体提高分解的模型适宜度和分解精度;适度提高I分量纯像元中高反射率纯像元的比例有助于改善整体尤其是S、W分量的分解效果。     

遥感影像亚像元定位研究综述

遥感影像亚像元定位是在混合像元分解基础上,利用地物空间分布特征确定不同地物类型在混合像元中的具体位置,得到亚像元尺度的地物分类图,是一种有效解决混合像元空间不确定性的方法。首先介绍遥感影像亚像元定位的基本概念,分析亚像元定位的理论模型和求解算法;然后总结亚像元定位模型的误差来源、精度评价方法以及结果不确定性的表达手段,同时讨论利用辅助数据源提高亚像元定位精度的主要方法;最后对亚像元定位的研究趋势做了进一步展望。     

混合像元分解方法的研究

混合像元是遥感领域研究的热点,也是难点。混合像元问题不仅影响地物识别和分类精度,而且是遥感技术定量化发展的重要障碍。为了提高遥感应用的精度,就必须解决混合像元的分解问题。该文首先介绍了混合像元的产生机理,然后阐述了时下几种流行的混合像元分解模型：线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型,并对其中几种常用模型的优缺点及其适用性进行总结和讨论．对不同模型之间的相似和差异性进行比较分析。     

基于光谱归一化的变组分光谱混合分析(NMESMA)方法及其应用

混合像元问题在低、中分辨率遥感图像中尤为突出,混合像元的存在不仅会影响地物识别和图像分类精度,也是遥感科学向定量化发展的主要障碍之一。因此,遥感图像混合像元分解及其地表覆盖信息的定量提取是近年来研究的热点。针对城市土地覆盖信息的定量提取问题,利用中等分辨率遥感图像(Landsat TM),集成光谱归一化与变组分光谱混合分析(NMESMA)的方法,基于植被-非渗透表面-土壤(V\|I\|S)模型,定量提取研究区植被、土壤和非渗透表面3类土地覆盖的定量信息,并与固定组分的光谱混合分析(LSMA)分解结果进行对比分析。结果表明:基于光谱归一化的变组分光谱混合分析(NMESMA)方法获得的精度高于传统固定组分的光谱混合分析(LSMA)结果,可有效解决光谱异质性较高的城市区域的混合像元问题,为有效提取城市地表覆盖信息,研究城市生态环境变化和模拟分析,提供了有效的信息提取方法。     

以SPOT5遥感数据为例比较基于像素与面向对象的分类方法

以SPOT5高空间分辨率遥感影像为研究数据,采用面向对象的遥感影像分类方法,将基于像素的分类精度与基于影像对象的分类精度进行对比分析。结果表明:基于像素的分类方法在处理高空间分辨率遥感影像时具有一定的局限性,而面向对象的分类方法充分利用了影像中的光谱信息、几何结构、空间信息及上下文信息,在高空间分辨率遥感影像分类方面更具有优势,有良好的应用前景。     

基于面向对象的多源卫星遥感影像玉米倒伏面积提取

风灾引起的玉米倒伏可能导致玉米大量减产,利用遥感技术准确监测玉米倒伏面积与空间分布信息对灾情的评估非常重要。利用Planet和Sentinel-2影像分别结合面向对象与基于像元方法提取研究区玉米倒伏,同时评估了不同影像特征（光谱特征、植被指数和纹理特征）与不同分类方法（支持向量机法SVM、随机森林法RF和最大似然法MLC）对玉米倒伏提取精度的影响。结果表明：(1)使用高空间分辨率的Planet影像进行玉米倒伏提取的精度普遍高于Sentinel-2影像;(2)从分类精度和面积精度来看,Planet影像的光谱特征+植被指数+均值特征结合面向对象RF分类,总体精度和Kappa系数分别为93.77%和0.87,面积的平均误差最低为4.76%;(3)采用Planet和Sentinel-2影像结合面向对象分类提取玉米倒伏精度高于基于像元分类。研究不仅分析了面向对象方法的优势,还评估了使用不用影像数据结合面向对象方法的适用性,可以为遥感提取作物倒伏相关研究提供一定的借鉴。     

面向对象的高光谱遥感影像分类方法研究

在基于像素的高光谱影像分类方法的基础上,结合面向对象图像分析理论与方法,提出面向对象的高光谱遥感影像分类方法,并具体分析探讨了面向对象高光谱遥感影像分类的关键技术,包括多尺度分割、最优波段选择、人机交互和知识库的建立等。试验表明,面向对象的分类方法应用于高光谱影像较传统分类方法有较高的精度,有很大的应用潜力。     

基于面向对象方法的遥感土壤盐渍化信息监测——以渭干河-库车河三角洲绿洲为例

遥感技术由于具有观测范围广、实时强等特点适合用来研究土壤盐渍化现象。利用遥感手段提取盐渍土信息已经取得了一定的成效。利用面向对象方法,以TM卫星图像数据和野外实地数据为数据源进行提取盐渍地信息。首先,对遥感影像进行预处理,预处理包括几何校正和辐射校正,然后对图像进行图像分割,图像分割使用了分割方法的多尺度分割法、特征选择、面向对象分类和分类图像进行精度评价。对面向对象方法和传统的基于像元分类（最大似然法和最小距离法）结果进行对比分析。结果表明：利用面向对象方法对TM遥感图像进行分类,能有效抑制“椒盐现象”的发生,分类精度比传统的分类方法更高,为盐渍地信息的自动提取提供了广阔的前景。     

基于对象的QuickBird遥感图像多层次森林分类

随着高空间分辨率、相对低光谱分辨率的新型遥感图像的出现和普及,基于像元、依赖于光谱信息特征的传统遥感分类方法已不能很好地适应新型数据的分类工作。通过应用面向对象的多层次分割分类方法对广东省黑石顶自然保护区的QuickBird遥感图像进行了分类尝试。分类结果显示相对于传统的基于像元的分类方法,基于对象的多层次方法具有更准确的分类结果、更明确的分类边界和更均一的内部同质性。     

遥感影像亚像元制图方法研究进展综述

遥感影像混合像元的普遍存在给遥感影像解译造成困扰。有效处理混合像元问题,细化分类结果,获得更为精细的地物细节信息就需要进行亚像元绘图。目前亚像元制图方法主要包括3个步骤:① 混合像元分解;② 提取软信息;③ 亚像元制图。总结归纳了近年来遥感影像亚像元绘图领域的研究进展和成果,详细阐述了亚像元制图的步骤及涉及的研究方法。依据辅助信息的类型将亚像元绘图方法大致划分为:基于空间相关性、基于空间结构信息、基于神经网络、基于像元交换途径的4类亚像元分类方法,并分别对各种方法的优缺点进行了分析对比。最后,评述了亚像元制图的发展趋势。     

结合深度学习与条件随机场的遥感图像分类

目的 为进一步提高遥感影像的分类精度,将卷积神经网络（CNN）与条件随机场（CRF）两个模型结合,提出一种新的分类方法。方法 首先采用CNN对遥感图像进行预分类,并将其类成员概率定义为CRF模型的一阶势函数;然后利用高斯核函数的线性组合定义CRF模型的二阶势函数,用全连接的邻域结构代替常见的4邻域或8邻域;接着加入区域约束,使用Mean-shift分割方法得到超像素,通过计算超像素的后验概率均值修正各像素的分类结果,鼓励连通区域结果的一致性;最后采用平均场近似算法实现整个模型的推断。结果 选用3组高分辨率遥感图像进行地物分类实验。本文方法不仅能抑制更多的分类噪声,同时还可以改善过平滑现象,保护各类地物的边缘信息。实验采用类精度、总体分类精度OA、平均分类精度AA,以及Kappa系数4个指标进行定量分析,与支持向量机（SVM）、CNN和全连接CRF相比,最终获得的各项精度均得到显著提升,其中,AA提高3.28个百分点,OA提高3.22个百分点,Kappa提高5.07个百分点。结论 将CNN与CRF两种模型融合,不仅可以获得像元本质化的特征,而且同时还考虑了图像的空间上下文信息,使分类更加准确,后加入的约束条件还能进一步保留地物目标的局部信息。本文方法适用于遥感图像分类领域,是一种精确有效的分类方法。     

采用分段主成分和PPI的高光谱影像分类

高光谱遥感影像波段多且存在混合像元,特征提取以及端元提取都是高光谱影像分类必不可少的工作,分类方法的选择也是因地适宜。以福建省泉州市德化县下属某一地区的CASI影像为实验数据,基于分段主成分(segmental principal component analysis,SPCA)和纯净像元指数法(pure pixel index,PPI),提出了最小距离(minimum distance classification,MDC)和二进制编码(binary encoding,BE)的高光谱影像分类方法。实验结果表明,MDC的总体精度为69.71%,BE的总体精度为70.88%。对单一地物精度而言2种方法各有其长,MDC对道路的分类精度更高,为98.08%;而植被、耕地和水体采用BE方法的分类精度更高,分别为94.12%、98.08%、98.11%。本文提出的方法应用于CASI高光谱影像,对该研究区的地物分类研究有一定的实用性和参考价值。     

利用混合像元分解结合SVM提取城市绿地

从遥感图像提取城市绿地是准确获取城市绿地空间分布的基础。然而由于混合像元的存在,导致城市遥感分类精度不高。因此,利用混合像元分解结合SVM（支持向量机）法提取北京市TM图像城市绿地,并与决策树法比较,研究提高遥感提取城市绿地精度的方法。结果表明,该方法较适合复杂高维空间,对样本选取的准确性没有那么苛刻,可有效地处理城市遥感图像存在的混合像元问题,可较准确地提取城市绿地信息,其精度在92%以上,优于决策树法。