基于决策树规则的面向对象遥感影像分类

高分辨率影像包含了丰富的空间信息,这使得基于像素的传统分类方法的分类精度受到局限.基于此,本文对面向对象的分类方法进行了探讨.首先,利用图像的光谱和形状因子对图像进行合理的分割.然后,建立决策树分类判别知识库,将对象归属到某一类上并进行分类.结果显示,面向对象方法的分类精度较传统分类方法有了很大程度的提高,这为通过建立决策树知识库对地物光谱混杂的城区分类提供了一种有益的尝试.     

基于面向对象的高分影像分类研究

遥感技术已经成为实现地表信息提取的主要手段。以高分辨率影像为主要数据源,采用面向对象的多尺度分割算法,根据对象的光谱、形状等特征,实现了面向高分遥感数据的土地利用分类算法。该算法结合了面向地物对象和综合对象特征的分类方法,充分发挥了高分辨率影像进行精细地物分类的优势,得到了高精度的分类结果。通过西双版纳纳板河流域国家级自然保护区实例验证表明:该算法总体精度达到88.58%,Kappa系数达到0.77,精度符合应用要求,能够实现土地利用高精度、快速的分类。     

基于对象级的高分辨率遥感影像分类研究

依据高分辨率遥感影像的特点,结合深圳市QUICKBIRD数据提出一种基于多尺度分割的对象级遥感分类方法。文中首先利用分形网络演化法(FNEA)进行多尺度图像分割,获取对地表实体更具代表性的图像对象,然后利用对象所包含的光谱、空间特征来确定地物识别中可能要用到的各种特征参数,最后通过构建语义结构实现了研究区地物的逐级分层分类。研究结果表明,本文所采取的方法比传统方法在分类精度上有了明显的提高,为高分辨率遥感影像的信息提取提供了新的技术途径。     

基于高分辨率遥感影像的土地覆盖信息提取

高空间分辨率遥感影像使得土地覆盖和土地利用信息的提取成为可能。以高分辨率遥感影像数据IKONOS为主要数据源,以多尺度分割与基于模糊逻辑分类的面向对象影像分析方法为主要技术,自动提取株洲市城乡结合部的土地覆盖和土地利用信息。达到了提取郊区丘陵地带林地信息和城市建筑、道路等土地覆盖信息的目的,而且精度高,速度快。结果表明利用该方法对复杂的城乡结合部信息获取是可行的。     

基于多尺度分割的遥感影像滨海湿地分类

基于多尺度的高分辨率遥感影像分类方法研究,可以为滨海湿地动态监测、规划保护提供更详尽的湿地分类信息和更快速的数据获取方法,对湿地保护具有重要意义。选取连云港青口河入海口处湿地为研究区,以高分辨率遥感影像WV\|Ⅱ和航空遥感影像为数据源,利用多尺度分割方法将影像分割成不同层次的实体对象;在不同层次,以实体对象为单元,结合光谱、形状、纹理等不同影像特征,进行滨海湿地分类研究,结果表明:利用该方法分类后,研究区各种湿地类型都达到较高精度。基于多尺度分割的影像分类方法能充分利用各种影像特征完成湿地分类,有效地减少了遥感影像中的“椒盐”现象,提高了分类精度;选择适宜的分割尺度和分割参数是基于多尺度分割的遥感影像分类方法提高精度的前提。     

利用辅助数据的荒漠区高分辨率遥感分类研究

使用美国NAIP高分辨率航空遥感影像,在多尺度、多变量影像分割的基础上,采用决策树方法建立干旱区半干旱区的荒漠分类规则,并结合水系、道路等辅助地理数据进行干旱区半干旱区面向对象遥感分类.选择位于美国亚利桑那州菲尼克斯大都市区的周边典型荒漠地区为实验区,利用河流、道路等辅助数据进行面向对象遥感分类效果要优于单纯依靠遥感影像的分类,能够有效地提取季节性河流和简易道路.研究对美国亚利桑那州菲尼克斯都市区周边的同一荒漠地区进行了实验,利用决策规则有效提取植被和荒地,以及提取简易道路和土壤,分类总精度从常规面向对象分类方法的82.85％提高到92.45％.研究结果表明:本文提出的分类方法对荒漠地区的泥土路和灌木及其整体分类精度有较大提高.利用辅助数据进行遥感分类可以改善特定研究区的高分辨率遥感影像分类精度.     

利用U-net网络的高分遥感影像建筑提取方法

针对传统的高分影像建筑物提取方法存在分割精度低和分割边界模糊等问题,提出基于U-net神经网络的高分辨率光学遥感影像建筑物提取方法。方法包含U-net神经网络和全连接CRFs网络,依据图像特征进行语义分割并优化分割结果;在实现U-net神经网络和全连接CRFs模型的基础上,根据U-net的特点以及本文数据特性调试出不同数据量的增强扭曲数据集进行测试,以达到最高鲁棒的分割效果;调试全连接CRFs模型,使得后处理结果更加贴近影像中的真实情况。实验结果表明,与利用传统分割方法的分割效果相比,该方法分割精度及地物边缘分割完整度都得到了显著提升,对高分辨率遥感影像中建筑物的实验分割精度达到了87.64%。     

基于超像素的高分遥感影像分割算法

针对高分遥感影像中存在地物数目多,特征信息复杂导致分割边缘不清晰、对象细节丢失等问题,提出一种改进的超像素分割和多特征结合的遥感影像分割合并算法。在对图像进行分割前的预处理阶段,使用超像素分割技术得到初始分割图像;区域合并过程中,基于对象间的异质性和对象内部的同质性,结合光谱、纹理和形状特征,对对象进行合并;通过调整全局分割参数来调整合并尺度,得到最终的影像分割结果。实验结果表明,所提方法能得到较好的影像分割效果。     

面向对象遥感影像分类的最优分割尺度选择研究

影像分割是面向对象遥感影像分类的基础步骤,而分割尺度又是影像分割的核心问题。研究针对面向对象遥感影像分类中的最优分割尺度选择问题,以分割后影像区域对象矢量边界线与欲分类目标对象真实矢量边界的吻合程度为标准,通过两者多向距离量化吻合程度,提出了一种最优分割尺度定量选择的新方法——矢量距离指数法。通过两种实验,同步验证了该方法的正确性与适用性,实验1将基于矢量距离指数法选择的最优分割尺度结果与较为成熟的人为试错法的选择结果比较,结果表明针对7种地类的矢量距离指数均可以正确反映最优分割尺度;实验2挖掘了矢量距离指数法选择的结果与分类精度的关系,结果表明其中5种地类在矢量距离指数法选择的最优分割尺度上均达到了最大的分类精度,另外2种地类的分类结果最符合实地情况,与欲分类目标最为接近。基于矢量距离指数法基本原理,研究针对分割过程中的“淹没”与“破碎”现象,进一步提出了能够反映两者矛盾程度的尺度指数,该指数能够真实反映针对某种特定地物类型分割尺度的大小状况,为衡量“破碎”与“淹没”的矛盾程度提供了一种定量工具,在分割尺度选择过程中具有重要的指示意义。     

面向对象的遥感影像最优分割尺度评价

遥感影像分割决定了后续分类的精度,鉴于目前分割技术评价的研究缺乏且局限于主观判断的现状,以定量方法确定最优分割尺度。利用Definiens平台面向对象的分割算法,将组成对象的像素灰度值的标准差作为衡量对象内同质性的标准,用与邻域的平均差分的绝对值作为对象间的异质性度量变量,同时考虑面积权重的影响;根据上述3个评价指标,在考虑多光谱影像的基础上,构造了平均分割评价指数;基于该评价指数,以优度实验法对QuickBird多光谱影像进行了研究,并确定了不同地物类型的最优分割尺度。最后,利用平均对象匹配指数对评价结果进行了验证,并对评价方法的可行性进行了探讨。     

基于面向对象方法的沙化土地遥感信息提取技术研究

针对基于像元光谱特征提取沙化土地信息分类精度偏低的问题,以Landsat\|5 TM为数据源,基于面向对象的方法对沙化土地遥感信息提取技术进行研究。首先采用多尺度分割法对影像进行分割以获得同质区域,然后结合野外调查数据制成不同地物类型的多种特征图,从而确定提取目标地物的特征并建立沙化和非沙化地物提取决策树,最后对影像进行模糊分类,并对分类结果进行精度评价。结果表明,基于面向对象提取沙化土地信息的总精度达84.89%,Kappa系数为0.8077。研究结果为后续深入研究奠定了基础。     

面向对象的高分辨率遥感影像信息提取——以耕地提取为例

随着高分辨率遥感影像的广泛应用,面向对象的高分辨率影像信息提取技术得到了迅速发展。本文着重讨论面向对象的高分辨率遥感信息提取的关键技术,探索了面向对象的影像分析软件eCognition在耕地信息提取方面的最优参数选择,并且从IKONOS影像中提取的耕地信息与传统分类方法的提取结果进行对比。试验结果表明该方法具有较高的精度。     

均值漂移高分辨率遥感影像多尺度分割的集群实现

多尺度分割是高分辨率遥感信息计算的重要基础,是高分辨率遥感影像图谱认知中“图”提取的关键技术。当前提出的多尺度分割方法普遍存在着占用内存大,耗费计算资源、计算时间长的缺点,并且这些问题随着遥感数据量的增大、算法的改进等进一步加剧。针对这种情况,根据当前集群计算技术的发展,以均值漂移的多尺度分割方法为例,实现了一种基于集群计算环境的多尺度分割算法,集中解决任务分配和结果回收以及数据并行的方式,统计了算法所消耗的时间,对其的效率进行了分析,通过实验说明了集群化对提高多尺度分割效率的有效性。     

基于MLUM-Net的高分遥感影像土地利用多分类方法

针对高分辨率遥感影像土地利用多分类结果中地块结构不完整、边界质量差的问题，提出了基于MLUM-Net模型的遥感影像土地利用多分类方法。该方法利用多尺度空洞卷积和通道注意力机制构造MDSPA编码器，提高了网络多尺度特征提取能力与地块位置定位的准确性，并通过空间注意力机制自适应增强了多尺度特征表达；为消除上采样语义损失和减少分类结果噪声，设计了混合池化上采样优化模块，用于优化分类结果并消除网络分类误差；根据土地利用多分类数据集类别占比不均衡的特点和地块结构的相似性指数设计混合损失函数，消除数据类别占比产生的影响，提高地块结构完整性和精细化分类边界。在多个数据集上进行了实验验证，总体精度和kappa指标均有明显提高，其分类结果结构完整且边缘划分准确，在土地利用多分类领域具有较好的实用价值。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

结合深度学习和超像元的高分遥感影像变化检测

目的 随着遥感影像空间分辨率的提升,相同地物的空间纹理表现形式差异变大,地物特征更加复杂多样,传统的变化检测方法已很难满足需求。为提高高分辨率遥感影像的变化检测精度,尤其对相同地物中纹理差异较大的区域做出有效判别,提出结合深度学习和超像元分割的高分辨率遥感影像变化检测方法。方法 将有限带标签数据分割成切片作训练样本,按照样本形式设计一个多切片尺度特征融合网络并对其训练,获得测试图像的初步变化检测结果;利用超像元分割算法将测试图像分割成许多无重叠的同质性区域,并将分割结果与前述检测结果叠合,得到带分割标记的变化检测结果;用举手表决算法统计带分割标记的变化检测结果中超像元的变化状况,得到最终变化检测结果。结果 在变化检测实验结果中,本文提出的多切片尺度特征融合卷积网络模型在广东数据集和香港数据集上,优于单一切片尺度下卷积神经网络模型,并且结合超像元的多切片尺度特征融合卷积网络模型得到的Kappa系数分别达到80%和82%,比相应的非超像元算法分别提高了6%和8%,在两个测试集上表现均优于长短时记忆网络、深度置信网络等对比算法。结论 本文提出的卷积神经网络变化检测方法可以充分学习切片的空间信息和其他有效特征,避免过拟合现象;多层尺度切片特征融合的方法优于单一切片尺度训练神经网络的方法;结合深度学习和超像元分割算法,检测单元实现了由切片到超像元的转变,能对同物异谱的区域做出有效判决,有利于提升变化检测精度。     

面向对象的高分辨率遥感影像道路自动提取实验

传统的遥感影像道路提取,主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低,效率差,而且依赖参与解译的人,在很大程度上不具备重复性。本文采用面向对象的分类技术,充分利用高分辨率遥感影像中丰富的空间结构信息和地理特征信息,针对实验区中的不同道路类型,在不同尺度下自动提取出道路信息。同时,本实验还提供了一种提取道路的普遍性规则集,提高了道路提取的自动化水平。通过实验表明:该方法提取速度快、精度高。     

基于遥感影像的军事阵地动态监测技术研究

针对部队快速机动作战的军事要求,提出基于高分辨率遥感影像的军用阵地动态监测方法。借助面向对象的多尺度分割技术将阵地影像分割为同质对象,以提取各个对象的特征;针对监督分类和非监督分类的弊端,提出通过一定的先验知识制定分类规则的方法对遥感影像进行地物识别,在此基础上定性和定量地输出变化检测结果。实验结果表明:利用基于对象影像分析方法具有较高的识别精度,能够有效监测军事阵地变化。     

基于影像认知和地学理解的面向对象分类研究

以遥感影像认知和地学理解为主要分析视角,在图像多尺度分割的基础上,充分挖掘目标地物的光谱特征、形状特征、纹理特征和语义特征信息,明确对象的特征信息与地物之间的对应关系。在此基础上,合理选择目标地物的分类特征,建立分类规则,实现研究区地物的逐级分层分类。结果表明:所选特征能够很好地实现目标地物的信息提取,并具有明确的地学意义,便于理解。与传统的基于像素的最大似然法分类相比较,该方法分类精度有明显提高。     

基于遥感影像的土地利用动态监测精度评价的方法

将土地利用动态监测的误差类型概括为几何误差与属性误差两种，并分别给出了它们的采样及精度评价方法。