基于随机森林算法的冬小麦提取研究北大核心CSCD

全球气候变化对粮食安全和农业可持续发展造成威胁,冬小麦作为全球重要粮食作物之一,其快速和准确的信息提取对保障区域粮食稳定具有重要意义。采用在农作物识别和提取领域具有明显优势的随机森林算法,结合典型冬小麦种植区光谱特征、纹理特征和主成分特征实现了30m空间分辨率遥感影像下的冬小麦地块的特征选择和快速提取,并分析了不同特征空间组合方式下的提取效果。研究表明:在"光谱特征"、"光谱特征+纹理特征"、"光谱特征+纹理特征+主成分特征"3种特征空间组合下,第3种组合方式下的冬小麦提取效果最佳,总体精度可达到84.85%,分别高于前两种方式8.08%和6.88%。因此,利用随机森林算法结合多源特征信息,可以有效实现特定农作物如冬小麦的快速提取,并为区域作物进一步应用研究提供有效数据支撑。     

利用高分二号数据提取香蕉林信息及精度分析

针对海南农田地块细碎以及多云多雨气候条件下获取多时相的高质量卫星影像往往存在困难等问题,提出了一种利用单时相高分二号高分辨率卫星影像和随机森林算法的香蕉林信息提取方法。主要通过从高分辨率遥感影像中提取香蕉林的光谱和纹理等特征变量,然后利用综合不同光谱与纹理特征变量的随机森林分类算法进行香蕉林信息提取,并与以往的支持向量机分类算法进行了精度对比。结果表明,综合光谱和纹理信息的随机森林分类算法提取香蕉林空间分布结果最优,提取的香蕉林制图精度(PA)达到93.56%,用户精度(UA)达到87.43%;相比于支持向量机分类算法,PA和UA分别提高了11.99%和7.55%;相比只考虑光谱信息的随机森林分类算法,考虑纹理信息的随机森林分类算法提取的香蕉林PA提高了7.41%,UA提高了16.80%。研究结果可为人工园林的遥感信息提取提供技术参考。     

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。     

基于分割区域及特征相似度的玉米田遥感图像分类方法

针对遥感图像中玉米田目标光谱复杂,同物异谱现象严重导致分类结果差的问题, 提出一种基于分割区域及特征相似度的玉米田遥感图像分类方法。首先利用主成分分析法(PCA) 对多光谱和高分辨全色融合图像进行第一主成分提取,以获得包含丰富图像信息的单色图像I; 对I 进行分水岭分割,得到一幅过分割目标区域图;构建由纹理、亮度及轮廓特征相似度组成 的特征组;最后基于随机森林原理,利用构建的特征组对玉米目标进行提取。用高分一号卫星 数据进行实验,并与支持向量机方法(SVM)、神经网络算法和最大似然算法进行了比较分析, 实验表明,该方法的分类精度优于其他算法。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;② 引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于随机森林的高光谱遥感图像分类

为了充分利用高光谱图像的光谱信息和空间结构信息,提出了一种新的基于随机森林的高光谱遥感图像分类方法,首先,利用主成分分析降低数据的维数,并对主成分进行独立成分分析提取其光谱特征,同时消除像元的空间相关性,再采用形态学分析提取像元的空间结构特征,然后,根据像元的谱域和空域特征分别构造随机森林,并引入空间连续性对像元点的预测结果进行约束修正,最后由投票机制决定最后的分类结果。在AVIRIS和ROSIS高光谱图像上的实验结果表明,所提方法的分类性能要优于传统的高光谱图像分类方法,且分类精度高于基于单一特征的方法。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机(SVM)常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明:①基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;②引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术，在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源，搭建CNN模型对农作物进行光谱特征提取与分类，并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息，利用CNN对农作物光谱和纹理特征进行提取，优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取，验证结果对比显示，CNN对应各类别精度、总体精度均优于SVM，其中二者总体精度分别为95.14%和91.77%；② 引入影像纹理信息后，基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%，Kappa系数0.952，且分类结果的空间分布更为合理，可有效区分花生、道路等精细地物，说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取，可面向种植结构复杂区域实现农作物精准分类与分布制图。     

结合KPCA和多尺度纹理的IKONOS遥感影像决策树分类

城市地物类型多样,空间分布复杂,具有很强的非线性特征。核主成分分析(KPCA)通过将特征空间映射到高维核空间,可以表达图像像素间的高阶关系,因而可以提取图像的非线性特征,同时提供一组相互独立的主成分。本文在加入多尺度纹理特征的基础上,以应用地物分布的空间细节信息;且利用核主成分分析(KP-CA)方法对光谱和纹理量提取非线性特征信息,增大类别之间的可分性;并结合决策树分类方法对IKONOS遥感影像分类。实验结果表明:KPCA能很好提取地物之间的非线性特征,结合KPCA和多尺度纹理的决策树分类方法能有效地提取地物类型,提取精度为79.3%,KAPPA系数为0.763.     

基于蓝噪声理论的多尺度遥感森林植被分割

针对森林植被分割方法中纹理尺度以及植被纹理描述问题,基于蓝噪声理论,提出一种多尺度的结合灰度、形状以及其他纹理特征构建森林纹理结构基元的分割方法。该方法通过对森林植被典型区域进行快速傅里叶变换,探测区域的蓝噪声特征,并计算森林植被纹理单元的尺度和灰度分布。然后结合区域的灰度、形状和其他纹理特征构建不同尺度下森林纹理结构基元,利用森林纹理结构基元对图像进行提取,获取最终分割结果。实验结果表明,本文提出的算法能够提高植被区域分割的准确性,取得了较好的分割效果。     

结合导向滤波和最大概率的高光谱图像分类

针对利用滤波器提取高光谱图像的空间特征辅助光谱信息来提高高光谱图像分类精度的不足,提出导向滤波提取的空间纹理信息和最大概率结合的高光谱图像分类算法(SGD-SVM-GD)。鉴于空间纹理信息挖掘不足,该方法首先利用导向滤波提取由主成分分析降维后的高光谱图像空间纹理特征,然后将空间信息与光谱信息结合,交由支持向量机完成分类得到初始分类结果,最后结合导向滤波和概率最大化优化分类结果。实验表明,相比单纯使用光谱信息、纯空间信息和空谱结合的SVM分类方法以及边缘保持滤波的方法,所提出的SGDSVM-GD方法对高光谱图像的分类精度有较大提高,表明了该方法的有效性。     

基于不同特征的随机森林极化SAR图像分类

近些年,利用计算机对极化SAR图像进行分类逐渐成为遥感领域的一个研究热点.本文采用全极化SAR数据,利用不同的特征提取算法提取特征,并基于随机森林模型最终实现对江苏沿海滩涂的分类.首先采用H/α和Freeman两种分解算法提取极化特征参数,采用灰度共生矩阵提取纹理特征参数;然后将提取的所有特征进行不同的组合,构成不同的特征集;最后采用随机森林模型对不同特征集合进行分类和精度评估.结果表明仅用纹理特征对沿海滩涂进行分类时效果较差;利用极化分解提取出的散射特征进行分类的结果要优于矩阵元素特征的分类结果;综合了极化散射特征和纹理特征的组合方式在沿海滩涂的分类中可以取得最优的分类结果,总体精度和Kappa系数可以达到94.44%和0.9305,表明极化SAR图像中蕴含的不同方面的特征在分类中具有一定的互补性.     

二级分区下颜色融合纹理的刑侦图像检索

多数刑侦图像检索算法缺乏图像局部特征的提取,从而导致检索精确度较低。对此,提出一种新的二级分区下颜色融合纹理的刑侦图像检索算法。该算法采用二级分区将图像划分成多个局部区域;提取局部区域的颜色自相关图特征和双树复小波结合多方向多参数的灰度共生矩阵的纹理特征;以串行的方式融合局部区域特征。使用核主成分分析法(Kernel Principle Component Analysis,KPCA)进行特征选择,以欧式距离作为相似性度量实现检索。通过在两个刑侦图库的实验结果表明,该算法的平均精确度均高于传统的刑侦图像检索算法,具有良好的检索效果。     

细粒度背景下强对比度纹理无监督提取

针对相似细粒度背景下容易出现强对比度纹理误提取的问题,提出一种两通道纹理图像无监督提取算法.通过对图像水平、垂直方向梯度场的非线性扩散,在不改变空间目标边界位置的前提下获取主纹理的边缘结构与区域灰度特征;同时建立包含调整项与模糊因子的两通道纹理提取主动轮廓模型,以具有较大差异的特征为主导项驱动曲线演化,并采用水平集方法实现对强对比度纹理的无监督提取.实验结果表明,该算法对多种自然纹理的提取具有较高的准确性和计算效率.     

中高分辨率遥感数据铁染信息提取及找矿预测

苍山地区铁矿资源丰富,但地表覆盖较重,在区域范围内常规方法提取蚀变信息效果差。针对此问题,结合使用ASTER与GF-1卫星影像数据,从分析典型矿物光谱吸收特性出发,综合影像色彩、波段特征等多种信息采用了"主成分分析+波段比值+假彩色合成"和"主成分分析+密度分割"2种蚀变信息提取模型。方法主要运用了主成分分析思想去除冗余数据,前者辅助波段比值及彩色合成技术突出铁染信息,后者以选取最佳阈值的方式对高分辨率数据进行密度分割,优化了提取效果。2种方法结合有效提取了铁染蚀变信息,综合提取结果与区域控矿断裂特征,圈定了4处成矿靶区。对研究区进行实地采样验证,Kappa系数分别为0.826和0.87,精度较高。该方法的实现为同类地区的找矿工作提供了有利依据。     

基于多特征与改进霍夫森林的行人检测方法

针对自然背景下的行人检测问题,提出一种多特征与霍夫森林结合的行人检测算法。在特征提取阶段,分别采用梯度方向直方图、局部二值模式和LAB颜色空间来提取行人的梯度、纹理和颜色频率特征,构成丰富的特征集来描述行人;采用霍夫森林算法来创建分类器,对其投票方式进行改进,提出一种基于高斯模板的区域加权投票方式,提高了检测精度。实验结果表明,该算法在误检率FPPW为10-4时,检测率为90.12％, ROC曲线性能上优于 HOG＋SVM 与原霍夫森林算法。     

安徽省利辛县平原区人工林树种分类研究

快速准确地绘制平原区人工林树种分布对研究人工林的生态水文和社会经济效益具有重要的意义。将资源3号（ZY-3）全色波段分别同ZY-3多光谱、哨兵2号多光谱进行融合,在图像分割基础上提取变量,采用分层优化变量组合的随机森林分类方法对安徽省利辛县人工林树种进行分类,并与分类回归树和随机森林相比较。结果表明：利用分层分类方法,平原区的人工林树种分类精度可以达到92%以上;基于哨兵2号和ZY-3融合的光谱特征变量分类精度比ZY-3数据本身的融合提高了2.49%～2.91%;而分别加入纹理变量后,分层分类方法大幅度提高了树种分类精度。因此,基于高分辨率遥感数据的光谱和纹理特征,采用分层分类方法,可以有效提高平原区人工林树种的分类精度。     

融合多特征与随机森林的纹理图像分类方法

针对单一纹理特征与单一分类器对失真纹理图像分类识别率差的问题,提出了一种融合多特征与随机森林的纹理图像分类方法。利用改进的方向梯度直方图(HOG)特征提取方法以及局部二值模式(LBP)图像的灰度共生矩阵进行特征提取;将提取的特征矩阵级联组成一个新的特征矩阵,利用主成分分析法进行降维融合处理;降维融合后的特征矩阵输入随机森林,通过融合投票得到最终的识别率。在KTH-TIPS失真纹理图像库上进行对比实验,结果表明:采用融合多特征与随机森林的分类方法提高了失真纹理图像的分类正确率,且具有更好的实时性。     

组合颜色、空间和纹理特征的图像检索

提出了一种组合颜色、空间信息和纹理特征的图像检索方法 .用颜色块直方图来表达图像的颜色特征 ;通过提取主颜色块的面积比、质心、分布方差等特征得到图像的空间特征 ;利用 Gabor滤波器组提取图像的纹理特征 .实验结果表明 ,基于组合特征的图像检索方法要优于单纯的基于颜色、空间或纹理特征的方法     

基于多特征融合的恶意代码分类算法

针对多数恶意代码分类研究都基于家族分类和恶意、良性代码分类,而种类分类比较少的问题,提出了多特征融合的恶意代码分类算法。采用纹理图和反汇编文件提取3组特征进行融合分类研究,首先使用源文件和反汇编文件提取灰度共生矩阵特征,由n-gram算法提取操作码序列;然后采用改进型信息增益（IG）算法提取操作码特征,其次将多组特征进行标准化处理后以随机森林（RF）为分类器进行学习;最后实现了基于多特征融合的随机森林分类器。通过对九类恶意代码进行学习和测试,所提算法取得了85%的准确度,相比单一特征下的随机森林、多特征下的多层感知器和Logistic回归算法分类器,准确率更高。