基于高分一号卫星遥感影像的城市绿地提取对比研究

针对目前面向对象方法在高分辨率遥感影像中提取绿地专题信息的特点,文中提出一种利用高分辨率遥感影像提取城市区域范围绿地信息的方法,结合K-T变换和ICA变换,根据地物的遥感影像特征、光谱特征信息和基于阀值的分类技术进行有效波段最优组合及地物分类,从而大幅提高了绿地专题信息提取的精度。研究中提出本方法和基于NDVI的典型绿地提取方法的提取结果进行精度评价,实验结果证明,在城市区域范围尺度上,该方法计算简便且实现了94.97%的高精度和总Kappa系数为0.919 5的评价结果。     

基于高分辨率遥感影像的城市道路提取方法研究

高分辨率遥感影像为用户提供了丰富的地表细节信息,如何利用图像分析技术从高分辨率遥感影像中进行目标提取,更新地理信息数据库,成为遥感信息处理研究的热点.采用面向对象分类法进行城市道路提取方法研究.首先,对影像进行分割获取影像对象,再通过对影像中道路特征的分析,利用影像对象的光谱特征、几何特征和空间关系建立知识库,最后,利用知识库中的规则来提取影像中的道路.以厦门某城区高分辨率影像进行了道路信息的自动提取实验,其面积一致性总体精度为88% ,形状一致性总体精度为90.13%.结果表明,面向对象法对于城市道路的提取和更新应用,具有一定的实际意义和推广性.     

基于最优波段组合的TM影像土地覆盖信息分类

针对TM遥感影像光谱特征利用率不高,影响土地覆盖信息分类精度的问题,提出一种基于最优波段组合的分类方法。以赣州市章贡区2006年的TM遥感影像为研究对象,首先根据遥感影像的光谱特征和波段间的相关性计算最佳指数;其次根据研究区域特征,引入修正植被指数,并对原影像进行主成分分析,综合分析最佳指数、修正植被指数和前3个主成分量,认为PC3、RNDVI、Band1为最优波段组合。最后结合监督分类与非监督分类法对最优波段组合成的遥感影像进行分类,得到的整体分类精度为86.237 5%,kappa系数为0.825 3。     

基于Aster遥感影像的断裂构造信息及岩性信息提取研究

以研究区现有的地质资料为基础,以ArcGis和ENVI软件为平台,对ASTER数据进行预处理后采用多波段组合分析、滤波等图像增强处理方法,增强遥感影像信息表达。另外利用监督分类方法,对岩石影像单元进行分类,结合目视解译,提取与岩性特征和构造特征相关的地质信息,同时结合野外调查和常规地质资料综合分析,进行遥感地质解译,完成研究区1∶5万遥感解译地质图,建立遥感解译标志。     

多特征融合的遥感影像河流提取方法

针对遥感影像河流识别率较低问题,文中提出一种多特征融合的遥感影像河流提取方法。该方法首先利用多尺度分割算法将影像分割为不同的对象,提取影像对象的水体指数、阴影水体指数、局部纹理与颜色等特征,利用极限学习机进行训练和识别;然后,对极限学习机的粗检测结果利用多判据软投票法优化获得最优的水体检测结果;最后,利用高分二号数据进行实验,检测准确率达94%以上,实验结果表明该方法可以有效地提取复杂背景下的河流。     

基于Quickbird数据的土地覆盖类型分形特征研究

分形维数可以有效地描述复杂纹理特征,传统的遥感自动分类主要利用数据的波谱特征信息,很难充分有效的利用遥感影像的纹理信息。近年来,随着高分辨率遥感数据的广泛使用,如何量化纹理特征,根据不同地物的纹理信息进行地物的分类等问题引起很多学者的关注。在对比不同边缘提取算子提取效果的基础上,对4种典型土地覆盖类型的Quickbird数据进行边缘提取,并在MATLAB平台下计算影像样本盒维数,通过对比发现这些土地覆盖类型盒维数差异显著,在此基础上提出利用分形维数对遥感影像的纹理信息进行量化,从而利用影像纹理信息对不同土地覆盖类型进行有效区分。     

基于高分一号特征优选的CART决策树面向对象分类研究

以陕西省神木县部分区域为研究区,采用国产高分一号影像数据,结合目视解译成果,研究基于多种特征的CART决策树面向对象分类,对研究区的地物类型进行自动提取。在训练样本一致的前提下,利用面向对象最邻近分类优化特征空间工具间接优化决策树特征空间,并与其分类结果相对比,证明CART决策树面向对象分类是一种高效、高精度的分类方法,尤其适用于大数据量的高分辨率遥感影像地物类型自动提取。     

基于面向对象的遥感影像二次分割方法在桥梁提取中的应用

传统的基于像元的桥梁提取方法分类精度低、遥感影像信息得不到充分利用、提取速度慢.据此,提出了基于面向对象的桥梁提取方法,并将利用该方法提取到的影像进行二次分割.以Econgition为平台进行提取实验,结果表明:基于面向对象的桥梁提取方法提取速度快、精度高.     

引入SPP的高分辨率遥感影像深度学习分类方法

当前,深度学习技术与传统的面向对象技术相结合的分类方法已经较好地应用于高分辨率遥感影像的分类任务当中,但是仍存在如下问题:高分辨遥感影像地物目标复杂,依靠单一数据源进行分割效果不佳;标准的卷积神经网络只能接受固定尺寸大小的输入,分割对象在拉伸变形至固定尺寸的过程中会造成信息的损失.该文首先结合DSM数据进行协同分割,获得更佳的分割结果;然后将空间金字塔池化层(Spatial Pyramid Pooling,SPP)引入卷积神经网络中,构建了一种能接受任意尺寸输入的深度学习面向对象分类模型,从而令分割对象的特征表达更完整,以提高影像分类精度.实验结果表明:引入空间金字塔池化层的高分辨率遥感影像深度学习分类方法,可有效提高影像分类精度,进而得到更加真实可靠的分类结果.     

基于深度学习和高分辨率遥感影像的露天矿地物分类方法

随着深度学习技术的发展,对高分辨率影像的分类已成为当前研究的热点,矿区地物分类更是矿区生态发展研究的重要问题。由于深度学习可以通过提取大量的历史影像数据规律及特征,对影像数据进行自动识别与分类,本研究将采用U-Net网络模型开展高分辨率露天矿区地物类型分类研究。采用高分二号遥感影像数据,勾画样本数据集提取样本数据特征,进行分类模型的训练,对矿区测试集进行测试,探讨深度学习在高分遥感影像上的自动识别能力。结果表明,U-Net模型对露天矿区地物识别的精确率（Precision）、召回率（Recall）、F1分数（F1-score）值分别达到0.86、0.82、0.84,均高于最大似然法、随机森林算法和支持向量机。基于深度学习中的U-Net网络模型可以对露天矿区地物类型进行有效的自动识别,可以为高分露天矿区遥感影像数据的地物分类提供技术支撑,有效实现了露天矿各地物自动识别与分类的能力。本文研究成果可以用于AI在露天矿区遥感分类方面的应用以及对矿区生态环境的监测与修复。