综合灰度与纹理特征的高分辨率星载SAR图像建筑区提取方法研究

高分辨率SAR图像的纹理特性对于图像的解译及地物分类等具有重要的意义。根据高分辨率星载SAR图像上建筑区的纹理有别于其他地物的特点,提出了一种综合利用灰度和纹理特征的高分辨率星载SAR图像建筑区提取方法。首先对SAR图像进行斑点噪声的抑制,然后利用灰度共生矩阵计算出星载SAR图像上建筑区与非建筑区的8种纹理特征统计量,根据巴氏距离进行特征选择,并通过主成分分析去除纹理特征之间的相关性,得到了最佳纹理特征分量,将所选的特征影像与原始图像进行波段组合,利用K均值聚类算法对组合后的图像进行非监督分类;最后通过对分类图像进行后处理并提取外部轮廓,提取了建筑区。以COSMO-SkyMed SAR影像为数据源进行了实验。结果表明该方法能够有效提取高分辨率星载SAR图像中的建筑区,提取效果明显优于未利用纹理特征的方法。     

基于半监督鉴别分析的高分辨率SAR影像建筑区提取

针对建筑物在城市化发展规划、地理国情信息系统更新、数字化城市以及军事侦察等方面的迫切要求,提出将半监督鉴别分析(Semi-supervised Discriminant Analysis,SDA)算法应用于高分辨率SAR影像的建筑区提取中,实现快速提取建筑区信息以及提高城市地物目标识别能力。以Radarsat-2影像和TerraSAR-X影像为实验数据,基于灰度共生矩阵计算影像的各种纹理特征;结合SDA算法进行特征提取,并以新特征作为大津法(Otsu)的输入提取建筑区;最后对分类结果进行后处理。实验结果与线性鉴别分析(Linear Discriminant Analysis,LDA)算法和局部保持投影(Local Preserving Projection,LPP)算法进行比较,结果表明:SDA算法具有较强的泛化能力,在先验类别信息较少时,适用于高分辨率SAR影像的特征提取,可以快速有效地提取建筑区信息。     

基于纹理信息CART决策树的林芝县森林植被面向对象分类

以西藏自治区林芝县的Landsat-8影像、地形图为信息源,结合样地调查数据及森林资源二类调查数据,研究基于纹理信息的CART决策树的面向对象分类对研究区内的森林地物类别进行提取,分类的总体精度和Kappa系数分别为82.53%和0.768,相较于不利用纹理信息的决策树分类和基于最大似然分类法的研究区地物类别的提取总体精度均高近10%,Kappa系数分别高0.12和0.111。结果表明:基于纹理信息的CART决策树面向对象分类方法对研究区Landsat-8影像进行植被类型提取,分类结果较好,能够满足研究要求。     

基于改进决策树分类算法的遥感影像分类研究

针对现有分类器对遥感影像分类结果存不准确的问题,本文提出了一种基于决策树分类器的遥感影像分类方法,该方法以复合决策树Boost Tree思想为基础,首先利用分形理论中的毯模型提取遥感影像的纹理特征,根据遥感影像分类的特点,构造新的单棵决策树生成算法对遥感影像进行分类。以北京市五环内区域为研究区,使用landsat7 ETM数据源,实现了基于分形纹理特征、光谱特征的改进决策树分类。实验结果表明：通过毯模型提取的纹理特征可以很好地表达表面特征,辅以该纹理信息的改进决策树分类精度相比于只用光谱信息进行分类的精度有一定的提高,改善了分类效果。     

山东省寿光市滨海地区盐田信息提取方法研究

山东省寿光市滨海地区盐田水体因含盐度高,其光谱特征与海域水体及其他地物差异大,光谱特征显著;盐田系人为建造,排列整齐\,几何特征明显,遥感影像上表现为纹理特征显著(棋盘状纹理、条纹状纹理),纹理指标可计算性强。首先采用缨帽变换方法增强光谱信息,采用定向滤波及灰度共生矩阵方法增强纹理信息;其次基于增强的光谱与纹理信息,采用以面向应用为目的的感兴趣地物提取方法对研究区TM图像进行分类,将分类结果与仅依据纯光谱及仅依据纯纹理分类结果相对比,分类总体精度分别为90.8985%、84.9102%和60.4017%。结果表明:以面向应用为目的的感兴趣地物提取方法分类精度最高。     

基于窗口傅立叶变换功率谱分析的盐田地区高分辨率遥感影像分割分类方法探讨

图像分割是面向对象图像分析的基础。目前常规的图像分割算法普遍基于光谱同质性假设,但是这种假设对于提取干旱地区盐田这种具有析出结晶盐与卤水两种高反差地物共存的空间对象而言显得不足为用。针对面向对象图像分析中只采用光谱和形状异质进行图像分割的不足,以吉兰泰盐田及周边地区2008年11月SPOT 5影像为例,首先采用窗口傅立叶变换功率谱方法提取影像纹理特征,然后进行基于纹理、光谱的多尺度分割,进而对分割后图像进行多层次分类来提取盐田信息。实验结果表明,该方法对盐田地区的信息提取有较好的效果。     

结合像元形状特征分割的高分辨率影像面向对象分类

针对高分辨率遥感影像空间分辨率高,结构形状、纹理、细节信息丰富等特点,提出一种新的融合特征的面向对象影像分类方法来提取城市空间信息。基本过程包含以下4个方面:①提取影像的几何纹理等结构;②融合几何与纹理特征的面向对象影像分割;③提取对象的形状、纹理和光谱特征,并优选最佳特征子集;④最后基于支持向量机(SVM)完成面向对象的影像分类。通过对福州IKONOS影像数据实验,结果表明融入影像特征后的分割效果明显优于原始影像的分割结果,而信息最大化(mRMR)的特征选择能够快速地获得较好的特征子集。通过与eCognition最邻近分类方法比较,表明本文方法的分类总体精度大约提高了6%,效果显著。     

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。     

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。     

基于类别可分性的高光谱图像波段选择

高光谱遥感数据具有丰富的光谱信息,应用十分广泛,但其冗余的光谱信息有时会限制高光谱图像的分类等的精度以及计算复杂度.为了提高解译效率,高光谱图像降维不可或缺,这也是高光谱图像处理的研究热点之一.提出了一种基于类别可分性的高光谱图像波段选择方法(Endmember Separability Based band Selection,ESBB),该方法通过Mahalanobis距离最大化图像中各类地物的可分性来确定最优的波段组合.相较于其他监督波段选择算法,该方法不需要大量训练样本,不用对每个组合做分类处理.对波段选择后的结果进行分类的实验结果证明,该方法是一个快速有效的波段选择方法,可以得到一个较好的分类精度.     

一种改进的高光谱数据自适应波段选择方法

高光谱遥感数据具有的波段数目多、波段宽度窄、数据量庞大等特点给图像的进一步解译带来了困难。为了解决这一问题,对自适应波段选择的降维方法进行了改进,不仅考虑了高光谱遥感图像波段的信息量和波段间的相关性,更重要的是考虑了各地物连续光谱间的可分性。光谱间的可分性距离越大,表明类间的可分性越大,地物越清晰。首先选出了能有效区分图像上任意两类别的理想波段子集,再根据波段子集中任意3波段的相关系数之和最小和它们的均方差最小两个指标,选出任意两类对间那些包含信息量大、相关性又小、谱间差异又大的3波段组合(且不唯一),最后对整幅影像选出的最佳3波段45、75、85合成的假彩色图像用光谱角度制图法(SAM)进行了分类,总体分类精度达到91.7%,Kappa系数达到0.82。     

Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram

A Semivariogram, as defined in geostatistics, is a powerful tool for texture extraction of remotely sensed images. However, the traditional texture features extracted by a semivariogram are generally for pixel-based classification. Moreover, most studies have been based on the original computation mode of semivariogram and discrete semivariance values. This article describes a set of semivariogram texture features (STFs) based on the mean square root pair difference (SRPD) to improve the accuracy of object-oriented classification (OOC) in QuickBird images. The adaptive parameters for the calculation of a semivariogram were first derived from semivariance analysis, including directions, moving window size, and lag distance. Then, 22 STFs were extracted from the discrete and mean/standard deviation semivariance, and 15 features were selected from the extracted STFs based on feature optimization. Then five grey-level co-occurrence matrix (GLCM) texture features (mean, homogeneity, contrast, angular second moment, and entropy) were calculated based on segmented image objects using the panchromatic band. A comparison of classification results demonstrates that the STFs described in this article are useful supplement information for the spectral OOC, and the spectral + STFs classification method can be used to obtain a higher classification accuracy than can the combination of spectral and GLCM features.     

基于波段影像统计信息量加权K-means聚类的高光谱影像分类

针对分类过程中如何合理利用高光谱影像波段问题,提出一种基于波段影像统计量加权K-means聚类的高光谱影像分类算法.该算法的核心思想在于:由波段含有的信息量及波段间的相关性确定各波段权重,同时考虑各波段对各聚类的重要性.首先,根据波段影像的熵、标准差及均值定义波段信息量函数,根据相邻波段影像互信息定义相关性函数;其次,由上述波段信息量函数及波段间相关性函数定义波段权重函数;然后,结合波段权重和波段-类属权重定义规则化目标函数;最后,依据参数特性设计目标函数求解方案.对Salinas高光谱影像和Pavia Centre高光谱影像分别采用所提出的算法与传统K-means算法、PCA$+K$-means算法及子空间波段选择$+K$-means算法进行对比实验,对于总精度及Kappa系数,所提出的算法都高于其他3种对比算法,结果验证了所提出算法的有效性.相对于其他3种算法而言,所提出的算法可有效改善高光谱影像分类的性能.     

基于熵加权K-means全局信息聚类的高光谱图像分类

目的 高光谱图像波段数目巨大，导致在解译及分类过程中出现“维数灾难”的现象。针对该问题，在K-means聚类算法基础上，考虑各个波段对不同聚类的重要程度，同时顾及类间信息，提出一种基于熵加权K-means全局信息聚类的高光谱图像分类算法。方法 首先，引入波段权重，用来刻画各个波段对不同聚类的重要程度，并定义熵信息测度表达该权重。其次，为避免局部最优聚类，引入类间距离测度实现全局最优聚类。最后，将上述两类测度引入K-means聚类目标函数，通过最小化目标函数得到最优分类结果。结果 为了验证提出的高光谱图像分类方法的有效性，对Salinas高光谱图像和Pavia University高光谱图像标准图中的地物类别根据其光谱反射率差异程度进行合并，将合并后的标准图作为新的标准分类图。分别采用本文算法和传统K-means算法对Salinas高光谱图像和Pavia University高光谱图像进行实验，并定性、定量地评价和分析了实验结果。对于图像中合并后的地物类别，光谱反射率差异程度大，从视觉上看，本文算法较传统K-means算法有更好的分类结果；从分类精度看，本文算法的总精度分别为92.20%和82.96%， K-means算法的总精度分别为83.39%和67.06%，较K-means算法增长8.81%和15.9%。结论 提出一种基于熵加权K-means全局信息聚类的高光谱图像分类算法，实验结果表明，本文算法对高光谱图像中具有不同光谱反射率差异程度的各类地物目标均能取得很好的分类结果。     

Differential evolution based nearest prototype classifier with optimized distance measures for the features in the data sets

In this paper a further generalization of differential evolution based data classification method is proposed, demonstrated and initially evaluated. The differential evolution classifier is a nearest prototype vector based classifier that applies a global optimization algorithm, differential evolution, for determining the optimal values for all free parameters of the classifier model during the training phase of the classifier. The earlier version of differential evolution classifier that applied individually optimized distance measure for each new data set to be classified is generalized here so, that instead of optimizing a single distance measure for the given data set, we take a further step by proposing an approach where distance measures are optimized individually for each feature of the data set to be classified. In particular, distance measures for each feature are selected optimally from a predefined pool of alternative distance measures. The optimal distance measures are determined by differential evolution algorithm, which is also determining the optimal values for all free parameters of the selected distance measures in parallel. After determining the optimal distance measures for each feature together with their optimal parameters, we combine all featurewisely determined distance measures to form a single total distance measure, that is to be applied for the final classification decisions. The actual classification process is still based on the nearest prototype vector principle; A sample belongs to the class represented by the nearest prototype vector when measured with the above referred optimized total distance measure. During the training process the differential evolution algorithm determines optimally the class vectors, selects optimal distance metrics for each data feature, and determines the optimal values for the free parameters of each selected distance measure. Based on experimental results with nine well known classification benchmark data sets, the proposed approach yield a statistically significant improvement to the classification accuracy of differential evolution classifier.     

A multiresolution spectral angle‐based hyperspectral classification method

Due to the lack of training samples, hyperspectral classification often adopts the minimum distance classification method based on spectral metrics. This paper proposes a novel multiresolution spectral‐angle‐based hyperspectral classification method, where band subsets will be selected to simultaneously minimize the average within‐class spectral angle and maximize the average between‐class spectral angle. The method adopts a pairwise classification framework (PCF), which decomposes the multiclass problem into two‐class problems. Based on class separability criteria, the original set of bands is recursively decomposed into band subsets for each two‐class problem. Each subset is composed of adjacent bands. Then, the subsets with high separability are selected to generate subangles, which will be combined to measure the similarity. Following the PCF, the outputs of all the two‐class classifiers are combined to obtain the final output. Tested with an Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) data set for a six‐class problem, the results demonstrate that our method outperforms the previous spectral metric‐based classification methods.     

采用分段主成分和PPI的高光谱影像分类

高光谱遥感影像波段多且存在混合像元,特征提取以及端元提取都是高光谱影像分类必不可少的工作,分类方法的选择也是因地适宜。以福建省泉州市德化县下属某一地区的CASI影像为实验数据,基于分段主成分(segmental principal component analysis,SPCA)和纯净像元指数法(pure pixel index,PPI),提出了最小距离(minimum distance classification,MDC)和二进制编码(binary encoding,BE)的高光谱影像分类方法。实验结果表明,MDC的总体精度为69.71%,BE的总体精度为70.88%。对单一地物精度而言2种方法各有其长,MDC对道路的分类精度更高,为98.08%;而植被、耕地和水体采用BE方法的分类精度更高,分别为94.12%、98.08%、98.11%。本文提出的方法应用于CASI高光谱影像,对该研究区的地物分类研究有一定的实用性和参考价值。     

基于Landsat 8卫星影像的北京地区土地覆盖分类

目的 土地覆盖分类能为生态系统模型、水资源模型和气候模型等提供重要信息,遥感技术运用于土地覆盖分类具有诸多优势。作为区域性土地覆盖分类应用的重要数据源,Landsat 5/7的TM和ETM+等数据已逐渐失效,Landsat 8陆地成像仪(OLI)较TM和ETM+增加了新的特性,利用Landsat 8数据进行北京地区土地覆盖分类研究,探讨处理方法的适用性。方法 首先,确定研究区域内土地覆盖分类系统,并对Landsat 8多光谱数据进行预处理,包括大气校正、地形校正、影像拼接及裁剪;然后,利用灰度共生矩阵提取全色波段纹理信息,与多光谱数据进行融合;最后,使用支持向量机(SVM)进行分类,获得土地覆盖分类结果。结果 经过精度评价和分析发现,6S模型大气校正和C模型地形校正预处理提高了不同类别之间的可分性,多光谱数据结合全色波段纹理特征能有效提高部分地物的土地覆盖分类精度,总体精度提高2.8%。结论 相对于Landsat TM/ETM+数据,Landsat 8 OLI数据新增特性有利于土地覆盖分类精度的提高。本文方法适用于Landsat 8 OLI数据土地覆盖分类研究与应用,能够满足大区域土地覆盖分类应用需求。     

Applying image transformation and classification techniques to airborne hyperspectral imagery for mapping Ashe juniper infestations

Ashe juniper (Juniperus ashei Buchholz) in excessive coverage reduces forage production, interferes with livestock management, and degrades watersheds and wildlife habitat on infested rangelands. The objective of this study was to apply minimum noise fraction (MNF) transformation and different classification techniques to airborne hyperspectral imagery for mapping Ashe juniper infestations. Hyperspectral imagery with 98 usable bands covering a spectral range of 475–845 nm was acquired from two Ashe juniper infested sites in central Texas. MNF transformation was applied to the hyperspectral imagery and the transformed imagery with the first 10 and 20 MNF bands was classified using four hard classifiers: minimum distance, Mahalanobis distance, maximum likelihood and spectral angle mapper (SAM). For comparison, the 10‐ and 20‐band MNF imagery was inversely transformed to noise‐reduced 98‐band imagery in the original data space, which was also classified using the four classifiers. Accuracy assessment showed that the first 10 MNF bands were sufficient for distinguishing Ashe juniper from associated plant species (mixed woody species and mixed herbaceous species) and other cover types (bare soil and water). Although the 20‐band MNF imagery provided better results for some classifications, the increase in overall accuracy was not statistically significant. Overall accuracy on the 10‐band MNF imagery varied from 88% for SAM to 93% for minimum distance for site 1 and from 84% for SAM to 94% for maximum likelihood for site 2. The 98‐band imagery derived from the 10‐band MNF imagery resulted in overall accuracy ranging from 91% for both SAM and Mahalanobis distance to 97% for maximum likelihood for site 1 and from 87% for SAM to 93% for minimum distance for site 2. Although both approaches produced comparable classification results, the MNF imagery required smaller storage space and less computing time. These results indicate that airborne hyperspectral imagery incorporated with image transformation and classification techniques can be a useful tool for mapping Ashe juniper infestations.