基于多级空间上下文LR—CRFs模型的高分辨率影像分类

充分表达和利用目标空间上下文及语义信息是提高高空间分辨率影像分类精度的关键技术,而条件随机场（CRFs）在目标空间上下文建模以及分类预测方面有其独特优势。但是,基于单一尺度分析的CRFs模型存在不能反映目标多层次空间结构及语义关系的问题,因此针对城区高分辨率影像土地利用/覆盖分类问题,在面向对象分类框架下,提出了一种多级空间上下文LR-CRFs模型。该模型定义如下：首先,将影像进行对象层？目标层及场景层的分层表达及分层特征提取,并进行“对象目标场景”的逐层关联;其次,采用逻辑回归（LR）分类器定义CRFs模型的关联势函数,利用分层特征加权的Potts函数定义交互势函数;采用最大积消息传递算法对该模型进行近似推理。利用IKONOS多光谱影像及大比例尺真彩色航空影像进行试验的结果表明：多级空间上下文LR-CRFs模型分类精度高于单一尺度的基于像素层或对象层分割的LR-CRFs模型,其精度平均分别提高了4.63%和2.22%;该方法在一定意义上也缓解了面向对象分类方法中分类结果对分割尺度的依赖程度。     

基于残差SegNet模型的高分辨率遥感影像分类方法

为解决深度语义模型(SegNet)在高分辨率遥感影像分类中易出现梯度消失从而影响分类精度的问题,提出一种残差学习改进SegNet语义模型(ResSegNet)的高分辨率遥感影像分类方法,该方法以SegNet语义模型为基础,通过构建更深层次的网络结构并加入残差块以提高模型的特征提取能力,从而提取更深层次影像空谱特征实现分类。利用高分辨率遥感影像语义分割数据集Vaihingen和Postdam进行实验验证,结果表明：相比于支持向量机、面向对象决策树法、传统卷积神经网络和SegNet语义模型分类方法,提出的ResSegNet分类方法的总体精度均最高,分别为89.18%和87.62%,分类效果和分类精度最优。     

高分辨率遥感影像结合LiDAR数据的面向对象分类方法

为了更准确地对遥感数据进行分类,结合Geo Eye高分辨率遥感影像和机载Li DAR数据,通过对分割参数、特征选择、分类规则等特征进行研究,提出采用面向对象的模糊分类方法——成员函数法选择实验区进行了分类研究。实验结果表明:该分类方法能够更有效地提取出建筑物、煤堆、灌木等矿区典型地物,总体分类精度达到93.92%,KIA为92.52%,分类精度相比单一遥感数据明显提高。     

基于分水岭变换的遥感影像面向对象分类

为了提高面向对象分类的自动化程度,提出将分水岭变换与ISODATA聚类相结合对遥感影像进行面向对象分类。首先利用改进的分水岭变换对高分遥感影像进行分割,获得分割的对象后,利用ISODATA聚类方法对其进行分类。试验结果表明,该方法取得了较好的分类效果,且分类速度快,一定程度上提高了遥感影像分类的自动化。     

上下文感知的判别式主题模型

为了解决主题识别过程中词的上下文语境缺失问题,通过卷积神经网络将特定的上下文信息嵌入到词向量中,再将词向量输入到判别式主题模型中。本方法可以融合附加标签信息进行有监督的训练,处理文档分类等下游任务。通过与现有判别式主题模型进行对比和分析,能够获取到更加连贯的主题,同时在文本分类任务上表现出更好的预测性能,从而验证了方法的有效性和准确性。     

基于空间位置关系改进的物体识别上下文模型

常见的物体识别算法是基于图像局部低维特征的,在图像成像质量较差、分辨率较低情况下存在不确定和歧义性;图像上下文包含了场景信息以及物体之间彼此关联的丰富信息,可作为图像低维特征补充从而有助于提高物体识别率。该文在已有上下文模型基础上,进一步考虑了物体的空间位置关系信息,将图像全局特征、物体同现性关系和空间位置关系信息、局部检测器输出整合到同一个概率框架中,并充分利用树结构图模型高效推理的优势,改进了物体识别性能。最后通过标准图像集进行算法验证测试和对比来说明该文算法的有效性。     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

基于eCogniton的高分辨率遥感图像的自动识别分类技术

传统的遥感信息分类和提取,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,效率不高,而且依赖参与解译分析的人,在很大程度上不具备重复性．专业高分辨率遥感影像分类软件eCogniton采用一种全新的面向对象图像的分类技术来进行影像的分类和信息提取．面向对象图像分类技术的关键技术在于：（1）用来解译图像的信息并不在单个像元中,而是在图像对象和其相互关系中;（2）eCogniton采用多分辨率对象分割方法生成图像对象,提高了分类信息的信噪比;（3）基于对象的分类技术不同于纯粹的光谱信息分类,图像对象还包含了许多的可用于分类的一些其他特征：形状、纹理、相互关系、上下关系等信息．eCogniton的分类结果与传统分类方法相比。其特征提取算子更加地适合于几何信息和结构信息丰富的高分辨率图像的自动识别分类．     

基于自编码网络特征优化的城市高分遥感影像分类

高分遥感影像不仅地物比较清晰,而且可分辨能力强,能提供丰富的地物细节信息.为了更好地将各地物从遥感影像中提取出来,需要一些比较好的特征提取与特征优化方法.以北京市大兴区的WorldView-2高分遥感影像作为研究对象,基于eCognition软件和Matlab的DeepLearn Toolbox,利用自编码网络方法,进行遥感影像的特征提取与特征优化.实验中首先利用eCognition进行多尺度分割并提取42个特征,再利用自编码网络算法进行特征优化得到12个特征,最后将原42个特征影像分类结果与优化后特征子集影像分类结果进行对比.实验结果表明,经过自编码网络的特征空间优化后,减少了特征冗余,降低了干扰信息对分类精度的影响,分类精度、分类效果及分类效率都有所提高,优化后的特征空间是适用于高分遥感的地物分类的.     

基于分层MRF模型的抗抖动视频分割算法

提出了一种新的抗摄像机频繁抖动的视频分割算法.采用分层马尔可夫随机场（MRF）模型对视频各帧图像进行多分辨率建模，利用视频序列中帧图像的空间关系来提高分割的准确性，通过Gibbs采样算法求得最大后验概率（MAP），从而实现在摄像机抖动情况下对视频目标的准确分割.在强光、多目标以及复杂背景等情况下对视频序列的车辆目标进行分割.经过实验对比，新算法的分割效果明显优于背景累积相减分割算法以及高斯混合模型方法.     

基于彩色空间多特征的高空间分辨率遥感影像阴影检测

高空间分辨率遥感影像中的阴影检测对于影像的目标识别和信息恢复十分关键。针对单一特征阴影检测中普遍存在的强反射性地形、地物漏检和水体错检的情况，提出了一种基于彩色空间多特征的阴影检测方法：首先，利用改进的阈值法进行一般阴影的检测；然后利用色调值较高的特征检测包含强反射性地形地物的阴影区域；再利用水体在RGB不同波段的反射亮度差值来进行水体与阴影的区分。实验结果表明：该方法较好地克服了阈值反复试算、包含强反射性地形、地物阴影区域漏检和水体错检的问题，提高了阴影的检测精度。     

卫星遥感图像空间分辨率适用性分析

从卫星遥感图像空间分辨率的定义出发,简述了影响卫星遥感图像空间分辨率的几种因素。根据各研 究领域和研究层次对卫星遥感空间分辨率的不同需求,给出其相应的空间分辨率。从测绘制图的角度确定了不 同比例尺地图所需要的卫星遥感图像空间分辨率大小。讨论了当前主要遥感信息源的应用范围,并结合案例对 其适用性进行了分析,最后指出了卫星遥感技术目前存在的一些问题,提出了几点看法。     

空间分辨率对水体遥感信息提取的影响

以庐山及其周边作为研究区域,以MODIS、Landsat ETM+、SPOT以及GeoEye为数据源,对比分析了不同空间分辨率影像上水体的表现特征和影像所提取的水体结果的差异. 结果表明:在地形较为平坦、边界较为规整、水体面积较大的区域,空间分辨率对提取效果的影响较小;反之,提取面积误差会随着空间分辨率的降低而增大. 在地形平坦、边界规整、水体面积较大的区域,ETM+影像能很好地满足精度要求;而在地形崎岖、边界粗糙、水体面积较小的区域,综合考虑精度要求、经济成本和时间成本,适合采用分辨率为10 m的SPOT影像提取水体.     

基于阈值分割和形态学的高分辨率遥感影像道路提取

高分辨率遥感影像道路提取已经成为相关领域的研究热点和难点,利用阈值分割法将原始影像二值化,然后利用数学形态学中腐蚀、膨胀、开运算和闭运算对阈值化的影像进行处理,分析了不同方法对道路提取的影响.最后,针对光谱特征相近的建筑物和道路,提出利用形状特征进行进一步实现道路提取.文中利用VC开发了道路提取的原型系统,并对实验结果进行了分析,证实了文中道路识别方法的有效性.     

遥感图像语义分割空间全局上下文信息网络

为了解决卷积神经网络(CNN)在语义分割特征提取阶段容易丢失空间信息以及边界信息不明确的问题,基于U-Net基线网络提出空间全局上下文信息网络(NC-Net). 增加再编码阶段(ReEncoder),以增强空间信息识别能力. 在Decoder阶段输出多尺度特征,与ReEncoder阶段结合获取全局上下文信息. 保留边界损失函数,设计多尺度损失函数级联方法,优化整体网络. 在GID以及WHDLD数据集上的实验结果表明,该方法的总体准确度达到最好成绩,明显优于其他基线模型.     

诸广铀矿集区高空间分辨率遥感数据的地质构造特征及地质微构造的发现

铀矿勘查是一项复杂的系统工程．新手段、新技术的其支撑与服务可以为其提供更为精准的找矿信息．诸广铀矿集区是我国最大的花岗岩型铀矿集区之一,通过对该区高空间分辨率遥感数据的构造解译,解译出常规较低空间分辨率遥感数据较难解译的小型至微型构造信息,这些信息可能与铀成矿存在某种联系．本工作可为该区铀成矿规律研究提供更加精准的构造信息和一定启示．     

基于蚁群算法的多光谱遥感图像分类

该文应用蚊群算法和支持向量机实现多光谱遥感图像分类.首先提取出多光谱遥感图像的光谱特征、纹理特征和形状特征,然后利用蚁群优化算法从提取出的多维特征空间中选择最优的特征子集向量,最后将特征子集作为支持向量机分类器的输入量实现分类.实验结果显示,较传统的K均值方法文章给出的方法能够提高遥感图像的分类精度.     

非光谱特征的城市遥感影像判读

目的为提高模拟人脑对城市影像进行计算机判读提供了重要的参考方法.方法通过引入影像的非光谱特征中的语义知识,按照城市规划监测的需要,把遥感影像语义结构按实体要素-实体-用地类型-功能区,进行搭建语义网络模型.结果总结了影响城市遥感影像判读的四个方面:城市与自然环境协调;社会、经济和技术过程;城市历史变迁的继承性;政策规划实施的强制性.结论四项指导原则综合起来不仅为城市遥感图像判读指出了正确的方面,提供了有力的手段和方法,而且也为今后城市遥感图像判读专家系统的建立,提供了丰富的背景知识及和GIS相结合的有效途径.     

基于MATLAB/GUI的无人机遥感图像分类系统设计

为了提高无人机遥感图像分类技术在复杂地形中的勘察效率,设计了一种基于MATLAB/GUI的无人机遥感图像分类系统,实现了图像分类的可视化操作。采用K-Means聚类与Otsu阈值分割相结合的方法对无人机遥感图像进行分割与分类处理,并对初分割结果进行边缘检测、噪声滤波和形态学优化等图像处理,精确提取各类地物边界,提高图像分类精度;对分类处理后的结果进行矢量化输出,提高了本系统与其他软件的交互性;根据航拍高度、镜头焦距和传感器尺寸等信息,可计算每一类地物的实际面积,实现区域面积大小的快速统计,促进了无人机遥感技术在公路地质选线中的应用。