基于TM多光谱影像和SPOT全色影像的融合技术探讨

TM和SPOT影像是比较具有代表性的陆地卫星影像,本文利用ERDAS IMAGINE软件作为遥感图像信息融合软件,采用基于主成分变换、乘积变换、比值变换的三种图像融合流程,对10m分辨率的SPOT影像和覆盖同一地区的TM三波段影像进行融合,并通过三种融合结果的比对,进行遥感图像融合技术的探讨。     

基于样本优选改进的随机森林遥感影像分类研究

在遥感影像分类的随机森林(Random Forests,RF)算法中,样本的质量是分类的基础和重要环节,构建优质的样本数据集是一项重要工作,本文对此进行研究,并提出以计算样本间的相似度的方法作为度量标准,来优化样本数据集。结果表明:(1)由计算相似度方法优化后的样本数据精确度得到提升,对各类别的数据判读更加明确;(2)在文中实验条件下,改进的随机森林法的分类结果优于传统方法,且精度优于CART决策树和SVM方法。     

基于遥感影像的城市绿地信息提取

介绍了太原市的基本情况,通过选取某遥感影像,分析了数据预处理技术,并探讨了基于遥感影像的城市绿地信息提取方法,指出遥感技术能够快速准确地提取城市绿地信息。     

基于TM影像的FLAASH模块大气纠正及评价

在高光谱遥感数据处理中,由于受到大气的影响,传感器接收到的辐射信息不能真实地反映地表反射光谱信息,因此对遥感影像进行大气纠正去除其影响,是高光谱遥感数据处理中极为重要的环节。文章介绍了FLAASH模块的基本原理和TM数据在进行大气纠正时的参数设置,并用FLAASH模块对豫西北区TM遥感影像进行大气校正以及对处理结果进行了薄云纠正程度,光谱纠正情况和归一化植被指数等的评价,并与ATCOR模型进行了对比。证明FLAASH模块大气纠正效果良好。     

基于对象和特征组合的高分辨率遥感影像分类研究

针对高分辨率影像的空间分辨率高而光谱分辨率相对不足的特点,提出一种基于多尺度分割和特征组合的对象级分类方法。试验结果表明,面向对象的分类方法可有效抑制＂椒盐现象＂,显著提高分类精度,更加适合于几何和纹理信息丰富的高分辨率影像的自动识别分类。     

浅析遥感影像管理方法

详细分析了目前国内遥感影像管理方法,同时阐述了遥感影像建库的关键技术。分析了基于中间件技术（ArcSDE）和基于扩展的面向对象关系数据库（Oracle10gGeoRaster）的遥感影像数据组织与存储方式,结合本单位的特点和ArcSDE在关系型数据库管理系统（RDBMS）中融入空间数据后,对空间、非空间数据进行高效操作的数据库服务的优点,提出了基于ArcSDE中间插件的建库技术才是适合本单位的遥感影像管理方法。     

基于SVM的遥感影像空间特征提取和分类研究

提出了基于支撑向量机（SVM）的遥感影像空间特征提取的新方法,并以融合后的SPOT多源影像上空间特征信息的提取、分类为应用实例,通过试验分析,得出SVM方法不但能够获得比较高的分类精度,而且在分类器训练时间和分类时间上都有很好的应用前景。     

基于遥感影像的像素级影像融合方法比较研究

从理论上介绍了四种不同的融合方案算法的基本情况,以及定性和定量评价方法,再以皖北钱营孜矿区2009年的年高分辨SPOT影像(2.5 m)和ALOS多光谱影像(10 m)采用不同融合模型进行了实验,最终以灰度剖面曲线评价了融合结果,指出Gram-Schmidt融合方法是最好的选择。     

建筑物遥感影像特征与影像空间分辨率关系探讨

本文针对高分影像目视解译中的建筑物信息判读与提取应用,对其物影像特征与影像空间分辨率的相互关系进行研究.首先依据语义特征,将建筑物分为建筑单体、建筑群体、建筑功能区(用地类型)、建成区四个层次,分别属于建筑物单体和建筑物群体两类;进而对居住、公共、工业建筑以及建筑物群体的影像特征开展研究.最后基于不同空间分辨率的卫星影像,对各类建筑物在0.5m、1m、2m、5m.l0m空间分辨率影像上的影像特征进行实例分析.     

无人机遥感影像快速拼接方法研究

无人机低空遥感技术作为一种新兴的低空遥感技术,具有灵活性强、操作方便、现势性好、分辨率高、投入低等众多优点,已成为遥感数据获取不可或缺的手段之一。本文针对无人机影像量大、无规律、像幅小、拼接困难的特点,通过试验研究对比了几种无人机低空遥感影像拼接方法,并分析其拼接影像的精度及应用范围。     

基于遥感影像的土地利用监督分类探讨

介绍了基于ERDAS的遥感和数字图像处理技术,辅以人工干预方法,以江苏镇江部分地区遥感影像数据为数据源,对土地利用的监督分类方法进行了探讨,并且将分类结果与外业调查结果进行比较,得出可行性的结论。     

基于深度学习的高光谱遥感影像分类

从传统高光谱遥感影像分类的不足出发,提出一种空-谱信息与深度学习相结合的影像分类方法。利用深度学习的常用模型—深度置信网络(DBN)对高光谱影像进行了基于空-谱特征的分类。首先利用主成分分析(PCA)对原始影像进行降维,再对主成分图影像块内的所有像素按照窗口大小进行重组,并用排序的方法堆栈融合为空-谱特征。最后利用得到的空-谱特征作为DBN的输入对高光谱影像进行分类。通过在2组高光谱数据上进行试验,并与传统的分类算法进行比较,发现本文方法能较好地提高分类精度。     

基于光谱特征的遥感图像检索方法研究

在遥感图像检索中,光谱特征的应用最为广泛。本文研究了基于光谱特征进行遥感图像检索的方法;并且针对目前应用越来越广泛的多光谱、高光谱遥感图像波段多的特点,提出了基于K-L变换的检索方法,并通过实验验证了本文方法的有效性。     

基于ERDAS IMAGINE遥感影像管理方法的探索

随着卫星遥感技术的发展,不同比例尺的大量遥感影像数据进入到现实应用中,遥感影像数据不同于地形图数据,它包含数据信息量大,占用计算机资源多,而我们的服务器资源是有限的,本文基于ERDAS IMAGINE遥感处理软件的运用中有关遥感影像数据管理的方法,对遥感影像数据的管理和处理进行了探索。     

遥感图像优化迭代非监督分类方法在流域植被分类中的应用

介绍了一种新的分类方法——优化迭代非监督分类（OIUC）,该方法是对传统非监督分类方法的改进。结合辅助材料,对传统非监督分类方法难以区分的部分的反复提取和细化,最后将细化的分类部分插入到原非监督分类的图像中、,以岷江源头区流域植被分类为应用实例,采用优化迭代非监督分类方法,并取得了令人满意的分类结果。     

基于交叉验证的遥感影像精细分类研究

随着遥感技术的发展,多光谱和高分辨率遥感已成为重要发展趋势。这对分类方法提出更高要求,也增加了难度,特别在精细分类实践应用中,相似地物间性状差异较小,同物异谱、同谱异物现象普遍存在。本文以美国印第安纳州地区高光谱影像(AVIRIS影像)和武汉九峰地区高分辨率影像(Quickbird影像)为研究对象,利用交叉验证的方法进行参数估计,分别采用支持向量机(Support Vector Machine,SVM)和留一验证法(Leave-One-Out Cross Validation,LOOCV)对影像进行分类,并根据实地调查数据估计精度,实验结果显示出该方法有较高精度和良好效果。     

多分类器组合的遥感图像分类的方法

多分类器组合方法可以在一定程度上弥补单个分类器的不足,提高分类性能。本文针对决策层输出的分类器融合问题,提出了一种结合投票规则和Multi—agent模型的多决策法判别多分类器融合综合规则。该规则先通过投票法选出正确的分类,如出现无法判断的情况,则利用Multi—agent模型来重新分类。     

基于遥感影像的道路边缘提取方法设计

从遥感影像中提取道路信息一直是遥感影像数据应用研究的一个重点和难点。文中采用将阈值分割和Canny边缘检测算子相结合的方法对遥感影像中道路的边缘信息进行提取。首先采用灰度直方图阈值分割的方法分割遥感影像,得到初始道路信息;其次进行面积阈值滤波处理滤除干扰信息;再次采用Canny算子检测道路的边缘信息;最后将得到的道路边缘叠加到原图像中显示。