基于纹理特征的高分辨率SAR 影像居民区提取

利用灰度共生矩阵计算高分辨率SAR 图像的纹理特征, 通过统计分析选取合适的特征矢量,并基于非监督聚类分析提取居民区。对提取的居民区以一定的面积阈值剔除噪声(细小区域) , 并利用形态学算子对提取边界进行适当的归整, 得到最终结果。在对应的光学图像上人工提取居民区范围, 以此作为实验结果的评价标准。实验结果表明本方法可以得到较好的效果。
     

基于多级纹理频谱特征与PCA的人脸识别算法

针对主成分分析(PCA)算法在人脸识别中识别率低的问题,提出一种图像纹理频谱特征与PCA相结合的人脸识别算法。该算法利用纹理单元算子提取人脸图像纹理频谱特征,然后用PCA对所提取的特征降维,最后利用最近邻(KNN)分类器进行人脸识别。在ORL人脸库和Yale人脸库上对所提出的算法进行了测试,识别率均高于PCA、模块化二维PCA(M2DPCA)等方法,分别为96.5%和95%。实验结果表明了该算法的有效性和准确性。     

遥感影像纹理分析方法综述与展望

遥感影像的纹理分析已经成为一种重要的提高遥感影像分类精度的手段。着重介绍了用于遥感影像纹理分析的方法,对这些方法进行了分类和综合;这些方法的类别是:统计方法、结构方法、模型方法以及基于数学变换的方法。接着分别对各类别中的多种纹理分析方法进行了剖析,列举各自的纹理特征,并指出了这些方法的优缺点和适应性。然后对应用这些方法的影像分类效果做了对比分析。最后分析了遥感影像纹理分析近年来的发展方向并对未来发展进行了展望。     

基于跨接约束的高分辨率SAR 影像与光学影像配准

为了实现高分辨率SAR 影像与光学影像之间自动/半自动配准, 提出了一种新颖、稳健的匹配算法。算法首先利用仿射变换进行SAR 影像和光学影像粗匹配, 简化了整体算法的处理复杂度;然后利用影像边缘稳健性, 使用边缘提取算子分别对SAR 影像和光学影像进行边缘提取, 为后续精匹配做好了数据准备; 最后使用基于边缘纹理跨接约束进行影像之间精匹配, 方法引入了邻域配准约束机制, 很好的解决了经典匹配多峰值效应, 提高了算法稳健性和实用性。以国内机载高分辨率SAR 数据和SPOT 25 PAN 数据为例进行算法验证, 实验结果表明该算法能实现自动/半自动的高分辨率SAR 和光学影像之间的像素级配准。     

基于多尺度半耦合卷积稀疏编码的遥感地貌影像纹理识别方法

遥感地貌影像通常包含大量的数据,具有高度的复杂性和多样性,难以捕捉到不同层次的纹理信息,从而影响识别效果。因此,为提高纹理特征提取的效果,确保识别精度,提出基于多尺度半耦合卷积稀疏编码的遥感地貌影像纹理识别方法研究。去除遥感地貌影像噪声,增强遥感地貌影像整体质量,通过分水岭算法分割遥感地貌影像,探究不同尺度下遥感地貌影像纹理特征区别。然后应用灰度共生矩阵(GLCM)获取遥感地貌影像的多尺度纹理特征,构建半耦合卷积稀疏编码模型,完成多尺度纹理特征提取过程的学习与多尺度纹理特征的有效融合,并选取适当的分类器——朴素贝叶斯分类器,并对其进行训练。最后以此为基础,制定遥感地貌影像纹理识别程序,执行制定程序即可获取地貌纹理识别结果。测试结果显示:应用提出方法获得的遥感地貌影像处理结果清晰度与对比度较高,地貌纹理特征提取结果更加完整与清晰,地貌纹理识别结果与实际结果一致,充分证实了提出方法应用效果更好。     

TM遥感影像几何精校正方法试验与分析

地处四川盆地西北部的绵阳市地表形态复杂,若仅对TM遥感影像进行粗略校正势必对后续分析埋下隐患。文章采用多项几何校正方法对实验区进行几何精校正,控制点源于同期Quick Bird遥感影像,精校正的总体精度可以达到0.5个像元,可以很好的满足后续分析和研究。     

TM遥感影像几何精校正方法试验与分析

地处四川盆地西北部的绵阳市地表形态复杂,若仅对TM遥感影像进行粗略校正势必对后续分析埋下隐患。文章采用多项几何校正方法对实验区进行几何精校正,控制点源于同期Quick Bird遥感影像,精校正的总体精度可以达到0.5个像元,可以很好的满足后续分析和研究。     

基于多纹理特征融合的震后SAR图像倒塌建筑物信息提取

合成孔径雷达（SAR）凭借其全天候观测能力以及SAR图像中丰富的纹理信息,在震后建筑物倒塌评估中发挥了重要作用。针对SAR图像中倒塌建筑物纹理特征多样但利用率较低,且特征信息冗余的问题,提出一种基于主成分分析的SAR图像多纹理特征分类方法。该方法基于灰度直方图、灰度共生矩阵、局部二值模式、Gabor滤波器提取了26种纹理特征信息,构建主成分变量进行多维特征优选与降维融合,通过随机森林分类算法提取建筑物的倒塌信息。以2016年日本熊本地震为例验证了该方法的有效性,结果显示其提取精度高达79.85%,倒塌建筑物的识别效率有所提高,分类结果优于单种纹理特征提取方法及多种纹理特征组合提取法,可用于震后建筑物震害信息的快速提取。     

辅以纹理特征的面向对象的遥感影像分类方法研究——以陕西省杨陵县为例

随着遥感图像分辨率的不断提高,图像的纹理特征更加明显,使得对图像进行纹理分析成为可能。以陕西省杨陵县为试验区,将TM多光谱影像和SPOT 5高分辨率全色影像进行融合,先对影像各种纹理特征进行比较,选用对比度这一属性辅助进行面向对象的分割,同时结合地物的光谱信息,对该地区进行监督分类。与单纯基于光谱特征的分类方法进行比较,该方法在一定程度上改善了分类精度,细化了地物类别。     

基于SAR与Landsat TM的小区域稻田的识别研究——以南京市江宁区为例

以南京市江宁区为研究区域,根据区域特征、作物物候期和水稻的生长特点,采用分层分类的方法提取稻田分布信息。通过比较多时相SAR数据、TM和多时相SAR融合与TM和单时相SAR融合数据识别水稻的精度和提取的水稻种植面积,分析了不同数据对区域多云雨,不同种植方式、面积小且分布破碎的水稻稻田的识别程度,并根据野外实地走访调查分析了主要影响因素。结果表明:多时相SAR数据、TM和多时相SAR数据的水稻识别精度都高于72%,高于TM和单时相SAR融合数据的结果;前两者提取的水稻种植面积和稻田分布接近,主要影响因素是地物分布、不同种植方式水稻物候期和水稻稻田面积小且分布破碎。     

纹理分析方法在TM图像信息提取中的应用

最大似然分类法是基于地物光谱信息的，因此无法正确区分光谱特征混淆的地物。本以北京丰台区为实验区，采用纹理分析方法对高分辨率图像的纹理信息进行分析，选取统计指标熵，通过确定熵的最佳阈值，进行边界匹配勾图像的分割，将光谱易混淆地物如菜地和耕地分割开来，并将此分割结果与TM图像分类结果进行叠合，得到最终的分类结果。实验结果表明：将纹理分析方法应用于图像分类中可区分光谱混合的地类，得到较好的分类结果。     

TM和SAR遥感图像的不同层次融合分类比较

多传感器遥感图像为分类技术提供了更多的地物特征信息,有助于提高分类精度,增强计算机自动解译的能力,减少遥感图像的后处理时间。给出了ＴＭ 和ＳＡＲ遥感图像根据信息处理所在的不同层次融合分类特征的选取及分类方法,并从融合分类的精度和计算时间消耗上对哈尔滨市附近地区５１２×５１２ 大小的ＴＭ和ＪＥＲＳ１ 的ＳＡＲ图像的不同层次融合的分类进行比较,指出特征层融合是ＴＭ和ＳＡＲ遥感图像融合分类的最理想层次     

一种多光谱图像纹理特征提取及比较方法

该文提出一种基于最小二乘及区域分割的多光谱图像纹理特征提取与比较的方法。通过最小二乘法得到系数矩阵来描述多光谱图像的纹理特征,利用区域分割技术将不同纹理特征的图像区分开,并将相似纹理的图像合并为一类。提取区域的统计特性得到纹理特征提取的结果,并采用四条标准来比较两幅多光谱图像特征的差异程度,最后进行算法仿真,取得了较好的效果。     

SAR目标特性分析技术

随着合成孔径雷达（SAR）传感器技术的发展和获取信息的增多,如何有效地实现SAR图像的信息提取和解译,是当前亟待解决的关键问题。本文研究和综述了面向识别的SAR目标特性分析技术。首先,从SAR的成像原理出发,深入分析和探讨了影响SAR图像目标特性的主要因素;然后,系统总结了点状目标、线状目标和面状目标的一些特性分析和特征提取技术;最后,对SAR目标识别技术的未来发展方向进行了展望。     

Radarsat-2 SAR影像两种定位模型精度的对比分析

星载SAR无控制点定位可利用距离-多普勒(R-D)模型和有理多项式(RPC)模型两种方法实现。为考察二者在不同高程条件下的适用性,本文利用Radarsat-2数据,基于绝对定位误差小于1m的GPS控制点,对R-D模型和RPC模型定位精度进行了对比分析。结果表明:在无高程数据仅利用头文件元数据的情况下,R-D模型和RPC模型定位精度都较差;当代入高程数据后,R-D模型表现出因高程变化引起的更好定位精度一致性。     

拓扑图格独立分量分析和谱聚类支持的纹理探测

提出的纹理探测方法首先采用拓扑图格独立分量分析(TICA)分别对每个观测纹理进行学习,获得分离基．分离基的作用相当于滤波器,并通过最大响应准则得到选择．从不同纹理选择的滤波器构成一个滤波器集;为了计算探测点的纹理特征,测试图像被分解为滤波器通道。最后,探测点被视为谱图的顶点,根据谱聚类(SC)对谱图的切分结果,递归地分离出探测点．实验结果表明,这一方法行之有效。     

TM与SPOT影像融合算法比较研究

随着遥感技术的发展,获取遥感数据的手段越来越丰富,各种不同的传感器所获取的影像数据与日俱增,在同一地区形成了多时相、多分辨率的影像序列金字塔。如何综合各种类型的遥感影像信息,提高遥感数据的利用效益已成为遥感应用的瓶颈问题。多源遥感数据融合技术是解决这一问题的有效手段,即将同一地区不同类型的影像数据进行空间配,然后采用一定的算法将各种影像数据中所含的信息优势或互补性有机的结合起来,产生新影像的过程。以Landsat和SPOT数据为例进行了这方面的探讨。为了充分利用TM丰富的光谱信息和SPOT较高的空间分辨率,研究中引入了4种影像融合算法：加权融合、K－L变换、K－T变换、基于信息特征的融合。通过信息量和分类精度的比较,表明基于信息特 的融合效果较好。     

基于聚类分析和旋转的改进的SAR图像PPB去斑

PPB滤波器不能在滤波过程中对参与滤波的像素块进行有效的选择并具有不适宜的权重计算方式,从而导致滤波后的图像抑制了原图中尺寸较小的图像细节.针对以上问题,首先引入簇树这一数据结构,选取与PPB滤波器相同的距离准则构建簇树,以实现对图像块的快速、精确的筛选.然后通过旋转像素块重新定义两个像素块之间的权重,解决原始的PPB滤波器对图像中旋转的或镜像的重复区域不能很好利用的问题.最后采用PPB滤波器的非迭代滤波方式进行滤波.实验证明,改进的滤波器在纹理和细节保持方面较原滤波器有显著的提高,特别是在尺寸较小的图像细节特征保持方面.     

Comparison of ERS-2 SAR and Landsat TM imagery for monitoring agricultural crop and soil conditions

Studies over the past 25 years have shown that measurements of surface reflectance and temperature (termed optical remote sensing) are useful for monitoring crop and soil conditions. Far less attention has been given to the use of radar imagery, even though synthetic aperture radar (SAR) systems have the advantages of cloud penetration, all-weather coverage, high spatial resolution, day/night acquisitions, and signal independence of the solar illumination angle. In this study, we obtained coincident optical and SAR images of an agricultural area to investigate the use of SAR imagery for farm management. The optical and SAR data were normalized to indices ranging from 0 to 1 based on the meteorological conditions and sun/sensor geometry for each date to allow temporal analysis. Using optical images to interpret the response of SAR backscatter (σ^o) to soil and plant conditions, we found that SAR σ^o was sensitive to variations in field tillage, surface soil moisture, vegetation density, and plant litter. In an investigation of the relation between SAR σ^o and soil surface roughness, the optical data were used for two purposes: (1) to filter the SAR images to eliminate fields with substantial vegetation cover and/or high surface soil moisture conditions, and (2) to evaluate the results of the investigation. For dry, bare soil fields, there was a significant correlation (r²=.67) between normalized SAR σ^o and near-infrared (NIR) reflectance, due to the sensitivity of both measurements to surface roughness. Recognizing the limitations of optical remote sensing data due to cloud interference and atmospheric attenuation, the findings of this study encourage further studies of SAR imagery for crop and soil assessment.     

基于彩色纹理分析和神经元网络的结肠镜图像异常检测

提出了一种新的基于彩色纹理分析和多层前馈型神经元网络的方法,对结肠镜图像进行异常检测。通过对两种常用的灰度图像纹理分析方法(同现矩阵方法和离散小波变换方法)进行扩展,提出相应的彩色纹理分析方法。彩色纹理分析提取出的特征参数构成作为识别器的多层前馈型神经元网络的输入。实验结果表明该方法能有效检测结肠镜图像中的各种异常。