结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复

利用多源多时相遥感图像,给出一种结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复算法.首先利用多方向非抽样对偶树复小波变换对多源多时相遥感图像进行多分辨率分解,对分解后的薄云图像的高频系数利用贝叶斯方法进行地物初分类;再对每类地物的低频系数通过迁移最小方差支持向量回归模型进行域自适应学习,获取模型参数;最后利用所获的迁移回归模型,用无云参考图像的低频系数预测薄云覆盖图像的低频系数,去除薄云,恢复薄云覆盖图像的地物信息.实验结果表明,本文算法恢复的地物细节清楚,光谱失真较小.特别对地物季节性变化的薄云覆盖遥感图像,本文算法能有效恢复薄云覆盖区域的地物信息.     

基于多层次分类模型的长江中游沿岸林地信息提取

为了改善遥感技术在处理长江中下游地区林地信息提取时的效果,为该地区的林业、农业等部门监测林地信息提供有效的技术支持,文章以面向对象的遥感影像分析方法为基础,充分挖掘了高分二号(GF2)遥感影像的光谱特征、纹理特征、空间特征等,建立了遥感影像的林地提取规则,并结合决策树思想提出了多层次的分类模型对规则进行排列和梳理,该模型通过逐层判别的方式优化规则的应用方式,细化规则在地物分类时的功能以此突出地物的类与类之间的差异性。结合长江中游沿岸地区的地物背景来验证该方法,结果显示林地提取正确率达到81.37%,实现了非植被、非林地植被、噪声等干扰信息的有效剔除,降低了错提率。文章所提出的方法能够有效地克服该地区错综复杂的地貌环境的干扰,并提取出正确率较高的林地信息,节省了大量的分类后处理的操作。同时,该方法对该地区其他地物的提取有一定的借鉴价值。     

基于成像模型的遥感数据分析与信息提取研究

针对遥感成像过程中普遍存在的退化现象,通过遥感成像模拟,揭示了不同退化程度对遥感数据质量的影响,反映了考虑成像退化因素对提高卫星遥感数据信息提取能力的作用.基于成像退化采用的支持向量机方法对遥感图像地物分类的实验研究表明,这种方法使遥感图像地物分类精度得到明显提高,特别是支持向量机方法与图像恢复技术的结合,效果更为明显.     

多尺度多特征融合的高分辨率遥感影像分类

针对高分辨率遥感影像多尺度、空间分布复杂以及特征繁多的特点,从遥感影像特征提取的尺度效应以及各类地物显著性特征各异入手,提出了基于多尺度多特征融合的高分辨率遥感影像分类的方法。该方法构建最优尺度分割函数模型,寻找出各地物的最优尺度,分别提取影像的纹理、颜色和形状特征。在此基础上,利用各地物特征的显著性差异实现多尺度下多特征的加权融合。该加权融合方法突破了常规的最优尺度分割算法未能充分考虑各类地物特征差异性的局限性,通过分析各类地物的显著性,建立了各个特征在分类中所占权重的模型。实验结果表明：相对传统无监督分类算法,该方法准确率提高约7%,且运行效率高。     

基于多特征的遥感影像决策树分类

构建了一种基于多特征的遥感影像决策树分类方法。通过对遥感影像进行波段代数运算、主成分分析和图像分割等处理,提取出影像上地物的光谱维特征、纹理特征和形状特征。在此基础上,结合试验区主要地物类型提纯后的训练样本集,采用C5.0决策树分类法进行影像分类,实现主要地物的空间分布专题信息提取,并利用该方法对Landsat-5TM影像进行了分类实验。结果表明,所提出的方法能够有效地提高分类精度。     

基于核的多尺度纹理特征遥感影像SVM分类

遥感影像的分类精度受到多方面的影响,如遥感影像的质量,所选的分类方法和有效的辅助数据等。为了得到更好的分类结果,很多科研人员提出了各种各样的方法。文中针对遥感影像分类问题,提出一种结合核主成分分析和多尺度纹理的高分辨率遥感影像支持向量机分类方法。实验结果表明,该方法能有效地提取地物类型,提高分类精度。     

基于改进的BP神经网络模型的遥感图像分类方法研究

遥感图像通过像元灰度值的高低差异和空间变化来表示不同属性的地物目标及其分布情况。随着人工神经网络理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐渐取代传统遥感图像分类方法的趋势。重点分析了BP神经网络模型的遥感图像分类方法,并针对BP算法的学习速率慢做了改进,利用M atlab 7.0作为实验平台,对北京市海淀区遥感影像进行分类实验。实验结果表明,与基本BP算法相比较,改进的BP算法网络训练收敛速度快,分类方法是有效的。     

基于深度学习的红外遥感信息自动提取

为了提高红外遥感图像地物 信息自动提取的精确性,同时避免人工提取遥感 信息的低效性,提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先,对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪,并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型,并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练,并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后,运 用Jaccard指数对测试结果进行精度评定。实验结果表明,该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合,对于不同种类地物 的定位和分类都取得了较高精度。     

应用SVM算法进行TM多光谱图像地物分类

SVM算法是近年来统计模式识别领域流行的算法。因为有统计学习理论（SLT）作为基础,SVM算法具有良好的计算有效性、健壮性和统计稳定性,被广泛地应用在图像识别、语音识别、文字识别等多种模式识别领域。TM多光谱遥感图像的地物分类一直是遥感图像处理领域比较困难的问题。现尝试应用SVM算法对北京市怀柔水库附近地区的地物进行分类,收到了较好的效果。     

遥感影像地物分类识别的研究与实现

遥感影像地物分类识别在环境监测、地质调查等领域都有着广阔的应用前景。对遥感影像进行光谱特征和纹理特征提取,并利用支撑向量机(SVM)进行地物分类是遥感影像地物识别的一种常用的方法。文章详细介绍了该方法的理论、思路及实现过程,并基于ENVI和MATLAB环境进行实验仿真证明其有效性,具有良好的研究和学习意义。     

城市生态环境基础状况遥感信息提取研究——以上海市中心城区为例

综合考虑遥感解译能力和生态环境效应,将城市生态环境基础状况分为八大类型.以上海市中心城区为例,探讨城市生态环境基础状况的遥感影像信息提取方法.以TM与SPOT融合影像为数据源,基于已有的GIS数据库中对八大类的目视解译分类知识,建立了不同类型在融合影像的三色合成图像和融合图像不同波段比值的彩色合成图像的分类回归树识别方法,实现了大范围城市居住区信息,水体信息,以及绿化和农业四类信息提取.     

改进贝叶斯ARTMAP的迁移学习遥感影像分类算法

遥感分类旨在从图像光谱中提取资源环境监测可用的地理信息,然而基于模式分类的图像处理技术受光谱漂移影响而缺乏历史样本重复利用的有效策略,制约着有限目标样本下遥感分类精度的提高.针对该问题,本文构建了基于改进的贝叶斯ARTMAP神经网络的迁移学习遥感影像分类算法,通过提高谐振匹配性来抑制类别扩散,利用节点的离散增量期望最大化参数更新策略,将历史遥感样本中的地物分类先验信息迁移到目标模型当中.实验结果表明本文方法能有效利用历史遥感数据弥补缺少目标训练数据的不足,相比于其他样本利用策略大幅提高遥感影像分类精度.     

基于粗糙集支持向量机的遥感影像分类算法研究

近年来,随着遥感技术的飞速发展,遥感影像的处理和分类已成为遥感应用研究中的一个热点,粗糙集（RS）理论和支持向量机（SVM）在信息处理和分类方面具有独特的优势,本文将粗糙集支持向量机应用于遥感影像分类,简要介绍了粗糙集理论的基本概念和支持向量机的基本原理,将粗糙集理论的属性约简作为前置系统,剔除冗余属性,把SVM分类器作为后置系统,对遥感影像进行训练和分类,实验结果表明该模型不仅提高了系统运行的速度,而且分类性能有了一定的提高,为遥感影像分类提供了一条有效途径。     

艇载低空遥感数据管理系统构建

为满足卫星图像仿真信息全要素、多专题、分层存储管理的需要,构建了集高光谱影像、高分辨率彩色图像、 热红外影像、高光谱波谱信息、大气环境信息、GPS信息为一体的艇载低空遥感数据管理系统。该系统首先 根据测量系统数据量大、类型多样、时间跨度长的特点,提出了一种移动存储模型,利用Oracle支持二进制大 字段(Binary Large OBject, BLOB)的优势,采用数据分区迁移技术,实现多源、海量图像信息的集成和移动 存储。在此基础上,以VC++作为前台应用程序开发工具,OLE自动化服务器(Oracle objects for OLE, OO4O) 作为中间访问接口, Oracle作为后台数据库管理系统,实现了艇载低空遥感测量系统信息的全面描述和有效 管理,为卫星图像仿真和多源遥感数据定量化应用提供了一个综合化、专业化的数据共享平台。     

改进的U-Net算法在遥感图像典型农作物分类研究

针对传统算法提取遥感图像分类特征不全,及识别农作物分类准确率不高的问题,以无人机遥感图像为数据源,提出改进U-Net模型对研究区域薏仁米、玉米等农作物进行分类识别。实验中首先对遥感影像进行预处理,并进行数据集标注与增强;其次通过加深U-Net网络结构、引入SFAM模块和ASPP模块,多级多尺度特征聚合金字塔方法等对算进行法改进,构建改进的U-Net算法,最后进行模型训练与改进修正。实验结果表明:总体分类精度OA达到88.83%,均交并比MIoU达到0.52,较传统U-Net模型、FCN模型和SegNet模,在分类指标和精度上都有明显的提升。     

高光谱遥感大气辐射校正技术的研究

为满足高光谱遥感图像定量化解译的需求,针对现有大气校正方法面临的大气参数不同步问题,对基于大气参数空间同步获取的大气辐射校正技术进行了研究。首先总结了利用卫星搭载专用大气辐射校正载荷,同步提供大气校正参数与地表反射特性的方法,从根本上解决辐射传输模型中的大气参数难以同步获取的问题。其次结合国外在轨运行的高光谱遥感卫星的调研结果,在大气校正载荷的设计—尤其是谱段选择和优化方面对载荷系统的方案特点和技术指标进行了归纳。并选取EO-1 Hyperion高光谱遥感图像进行了大气校正,从校正前后图像的视觉效果、光谱特性、典型地物的分类识别效果三方面分析了大气校正对高光谱遥感定量化应用性能的提升。最后对大气辐射校正技术的发展前景进行展望。     

星上红外遥感相机的辐射定标技术发展综述

随着对天基对地以及临近空间目标探测的需求增大,高性能红外相机探测及海量数据定量化迫切需要高可靠性、高精度的辐射定标技术,因此,星上辐射定标装置已成为当前空间定量遥感技术发展的重要方向。在轨红外遥感相机的辐射定标主要校正探测器响应的不均匀性（相对辐射定标）和建立遥感相机输出信号与输入辐射量的函数关系（绝对辐射定标）。在介绍红外相机星上辐射定标基本原理的基础上,综述近年来几个国内外典型星上辐射定标装置及其特点,并介绍笔者所在课题组近年来基于内部定标源+天空星图的红外相机高动态范围（HDR）相对辐射定标方法的研究进展。论文对于红外辐射定标技术及星上辐射定标装置的发展具有参考意义。     

遥感数据的贝叶斯网络分类研究

由于遥感成像过程的复杂性,遥感数据中包含了一定程度的不确定性因素。利用最大似然分类器处理遥感数据时分类精度受一定的影响, 为了提高分类精度往往需要引入先验知识。贝叶斯网络是一个带有概率注释的有向无环图,可以动态地对先验概率密度修正,提高分类精度,也没有严格的数据正态分布前提要求,适合处理不完整复杂的数据。该文介绍了利用贝叶斯网络对遥感数据进行分类处理的算法和技术过程。分类结果表明：贝叶斯网络具有稳定的数学基础,是一种可供遥感信息处理领域利用的有效新方法。