基于光谱与纹理特征的高空间分辨率图像分类算法

针对遥感高分辨率光谱图像的特点,提出了一种将纹理信息与光谱信息相结合的分类算法。对传统的局部二值模式纹理提取方法(LBPV)进行改进,并应用到高分辨率图像的土地覆盖分类中。结果表明,加入LBPV纹理特征的分类算法具有很好的空间连续性以及较高的分类精度。     

顾及地物邻域特征的LiDAR点云布料模拟滤波优化

布料模拟滤波算法在LiDAR点云的地物分离中起到重要作用。但是,此方法得到的地面点云中往往含有残留的非地面点云,导致滤波分类结果不彻底、不准确。本文提出一种顾及地物邻域特征的布料模拟LiDAR点云滤波自动优化算法,可以快速精准地解决这一问题。首先,对LiDAR点云进行布料模拟滤波处理,在其分类结果的基础上对非地面点云进行组件分割,得到具有缓冲区域的一系列点云子集;其次,拟合子集所在地面点云得到主平面,对地面点云进行高程归一化处理;最后,利用第三势差算法对每块地面点云进行滤波优化处理。选取三组有代表性的实验数据进行测试,结果表明：相较于布料模拟滤波算法,本文方法整体精度得到提升,尤其是在布料模拟滤波算法的Ⅱ类误差上有着明显优化效果,Ⅱ类精度平均提升12.3%,可有效解决布料模拟滤波算法分类结果中存在残留的问题。     

基于MODIS数据的安徽省土地覆盖分类研究

利用中分辨率成像光谱仪MODIS(MODerate Resolution Imaging Spectroradiometer)多时相、多光谱及纹理数据,结合安徽省GIS属性数据(2000年1∶25万土地利用图),采用多时相分类和分层分类相结合的方法对安徽省土地覆盖进行分类(水田、旱地、林地、水体、城市).最后,使用安徽土地利用格点数据对分类结果进行精度分析.结果表明:应用MODIS数据可以实时有效的获取安徽省土地覆盖信息,同时对大面积土地覆盖分类具有很好的精度.     

基于星载激光雷达与多光谱影像结合的土地覆盖分类方法

针对全波形激光雷达和多光谱数据下土地覆盖误分类问题,提出了融合陆地卫星（Landsat）多光谱遥感影像数据和星载全波形激光雷达全球生态系统动态调查（GEDI）数据进行土地覆盖分类的方法。首先,根据实地调查数据建立数据集;然后,采用支持向量机（SVM）方法来实现激光雷达足迹的土地覆盖分类;最后,对土地覆盖的分类结果进行评价。结果表明,在SVM方法下联合使用光谱特征和波形特征的总体准确率可以达到90.68%,相比仅使用光谱特征或波形特征时总体准确率可以提升8个百分点以上。融合光谱特征和波形特征的方法可以提高土地覆盖分类的准确性。     

基于GF-3与Sentinel-2A图像融合的高精度水体提取算法

应用遥感技术提取水体信息已成为研究热点之一.我国卫星高分三号(GF-3)雷达数据具有全天时全天候工作和高空间分辨率的特点,但是容易受到斑点噪声的影响,而且包含的对象信息非常有限.多光谱图像包含丰富的光谱信息,可以填补雷达数据的信息缺陷,但是空间分辨率相对较低.为了提高遥感图像中水体的分类精度,采用多源数据融合办法,首次...     

融合航空影像和LIDAR点云的建筑物探测及轮廓提取

通过分析机载雷达(LIDAR)点云数据与航空影像数据特点,提出了融合机载LIDAR点云和航空影像的建筑物轮廓探测方法。分别提取机载点云和航空影像中的部分建筑轮廓线,将轮廓线拟合成直线段的建筑物轮廓边,并以两相邻且垂直的轮廓边相交得到建筑的角点,根据建筑物的同名角点实现机载点云和航空影像的配准融合;将航空影像的光谱信息赋予机载点云,并将光谱信息作为特征向量进行聚类,分离出植被和树木等地物,利用高程信息从光谱信息相似的地面道路和建筑物中分离出建筑物,提取建筑物的轮廓边,完成建筑物轮廓的探测。实验结果表明,利用该方法进行建筑物点云的分类正确率可达97.96%,轮廓边的提取精度可达0.21m,能够有效的实现建筑物轮廓的探测。     

高光谱遥感图像分类算法的研究

现如今高光谱图像分类广泛应用于遥感图像的分析。高光谱图像像素级分类是利用高光谱图像的主要特点——丰富的光谱信息,对地面物体进行逐像素的高精度类别划分。通过对高光谱遥感图像独特的高光谱信息分析,从算法研究方面,对目前高光谱图像的像素级分类的研究进展和对今后的研究方主要从辅助方法、机器学习方法、深度学习方法三个方面总结高光谱图像分类领域的研究现状。未来高光谱分类算法的发展方向将更好的结合高光谱图像的特性,形成完整的深度学习系统。     

一种基于曲面约束的点云数据滤波方法

针对机载LIDAR点云数据滤波问题,结合机载LIDAR点云数据的特点,引入虚拟格网技术,提出一种基于多尺度虚拟格网与曲面约束的机载LIDAR点云数据滤波方法。该方法首先根据点云密度等点云数据特点构建多尺度虚拟格网;其次基于多尺度虚拟格网分别获取一级、二级地面种子点;然后依据一级、二级地面种子点基于曲面约束进行滤波获取三级地面种子点;最后将所有地面种子点合并得到地面点集。实验方面,通过两组实验验证了该方法的可行性和适用性。     

融合机载LiDAR和高光谱影像的土地利用分类

高光谱影像具有丰富的波谱和纹理信息，机载LiDAR点云数据包含了地物高密度、高精度的三维信息。分别从两种数据中提取地物的光谱特征、纹理特征和高度特征，并进行不同的特征组合，然后采用随机森林分类器进行地物分类实验。结果表明，机载LiDAR点云和高光谱数据在地物分类方面具有很强的信息互补性；融合了LiDAR高度特征的总体分类精度和Kappa系数均优于仅使用高光谱影像，其中“PCA+NDVI+GLCM+CHM”的特征组合总体分类精度和Kappa系数最高，分别为85.96%和0.81;与未加入LiDAR特征的组合相比，总体分类精度提高了5.33%。     

一种基于机载LiDAR数据的山区道路提取方法

为了解决基于机载激光雷达(LiDAR)点云提取道路时多重特征阈值设定难、普适性低的问题, 采用了随机森林分类模型提取道路点云进而获得道路中心线的方法。首先使用渐进加密三角网滤波获取地面点云, 根据山区道路特性, 计算地面点云各点在邻域范围的坡度、粗糙度、高差方差、点密度及反射强度, 组成点的分类特征; 随后手动采集正负样本训练点云随机森林分类模型, 将地面点云通过模型分类得到初始道路点云; 再通过基于密度的噪声应用空间聚类算法去除噪声点精化道路点云; 最后矢量化道路点云获取道路中心线。结果表明, 以Entiat River地区山区LiDAR点云数据进行实验验证, 道路点云提取的正确率达到95.29%, 完整率达到92.96%, 提取质量达到88.88%。该方法能解决多重阈值难以确定的问题, 能较高精度地提取到山区道路点云, 进而获取有效道路中心线, 对山区道路信息的研究有一定的参考价值。     

基于LiDAR点云的地理电磁环境建模及仿真研究

在复杂地理环境中,不规则的地形和多样化的地表覆盖物会给电波的传播造成较大的影响.针对数字高程模型（Digital Elevation Model,DEM）电磁建模缺少地表覆盖物信息的不足,研究了基于LiDAR点云的地理电磁环境的建模.采用数学形态学方法对格网化后的LiDAR点云数据进行处理,从点云数据中先后提取了地物、地形的信息,在此基础上,对各种地物赋予其相匹配的电磁参数,得到了更为准确的地理电磁环境的模型,并采用抛物方程模型对有真实地表覆盖物环境下的电波传播特性进行了仿真分析.相较于传统的基于DEM的电磁建模,该电磁建模方法能够获取到地形、地物的信息,更全面地考虑到地物对电波传播特性的影响,预测结果也将更加准确有效.     

基于Contourlet系数局部特征的选择性遥感图像融合算法

为了使融合后的多光谱图像在显著提高空间分辨率的同时,尽可能多地保持原始多光谱特性,提出了一种基于Contourlet变换系数局部特征的选择性遥感图像融合方法。根据多光谱和全色图像融合过程中Contourlet变换后的低频和高频部分融合目的的不同,对得到的近似和各层各方向的细节分量分别运用窗口邻域移动模板逐一计算相应区域Contourlet系数阵的不同局部特征量,然后选择适当的准则,对图像的近似和细节分量分别应用不同的策略在Contourlet系数域内进行选择性融合,通过Contourlet和亮度-色调-饱和度(IHS)逆变换得到融合的高分辨率多光谱图像。采用Landsat TM多光谱和SPOT全色图像进行的融合实验结果表明:提出的算法在显著提高空间分辨率的同时,又能很好地保持原始图像的光谱特征,并优于传统的融合方法。     

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。     

Integration of spatial and spectral information by means of unsupervised extraction and classification for homogenous objects applied to multispectral and hyperspectral data

This paper presents a method of unsupervised enhancement of pixels homogeneity in a local neighborhood. This mechanism will enable an unsupervised contextual classification of multispectral data that integrates the spectral and spatial information producing results that are more meaningful to the human analyst. This unsupervised classifier is an unsupervised development of the well-known supervised extraction and classification for homogenous objects (ECHO) classifier. One of its main characteristics is that it simplifies the retrieval process of spatial structures. This development is specially relevant for the new generation of airborne and spaceborne sensors with high spatial resolution.     

使用显著性划分的机载激光雷达点云滤波

点云滤波是机载激光雷达点云数据处理的一个关键步骤。针对目前已有算法存在的单一方法在特定地形的点云滤波效果较好，而对于复杂或混合地形滤波效果不理想的现状，提出了一种基于点云网格地面显著性的点云滤波方法。该方法在点云以虚拟网格组织的基础上，使用扫描线高程分割的方式，计算各网格单元的地面显著性指标，依据地面显著性值对网格内的点云进行地形类别划分，对不同类别的网格单元，使用不同的滤波处理手段。该方法与其他经典方法相比，避免了迭代加密过程，在起伏区域使用曲面而非平面来代替局部地形，在不显著增加计算量的情况下，对于复杂和混合地形具有更好的适应性，能够生成可靠性较高的地面点集合。     

A multilevel multispectral data set analysis in the visible and infrared wavelength regions

Skylab multispectral scanner data, digitized Skylab color infrared (IR) photography, digitized Skylab black and white multiband photography, and Earth Resources Technology Satellite (ERTS) multi-spectral scanner data collected within a 24-h time period over an area in south-central Indiana near Bloomington on June 9 and 10, 1973, were compared in a machine-aided land use analysis of the area. The overall classification performance results, obtained with nine land use classes, were 87-percent correct classification using the "best" 4 channels of the Skylab multispectral scanner, 80 percent for the channels on the Skylab multispectral scanner which are spectrally comparable to the ERTS multispectral scanner, 88 percent for the ERTS multispectral scanner, 83 percent for the digitized color IR photography, and 76 percent for the digitized black and white multiband photography. The results indicate that the Skylab multispectral scanner may yield even higher classification accuracies when a noise filtered multispectral scanner data set becomes available in the near future.     

Integrating in situ and multiscale passive microwave data for estimation of subgrid scale snow water equivalent distribution and variability

New multiscale research datasets were acquired in central Saskatchewan, Canada during February 2003 to quantify the effect of spatially heterogeneous land cover and snowpack properties on passive microwave snow water equivalent (SWE) retrievals. Microwave brightness temperature data at various spatial resolutions were acquired from tower and airborne microwave radiometers, complemented by spaceborne Special Sensor Microwave/Imager (SSM/I) data for a 25/spl times/25 km study area centered on the Old Jack Pine tower in the Boreal Ecosystem Research and Monitoring Sites (BERMS). To best address scaling issues, the airborne data were acquired over an intensively spaced grid of north-south and east-west oriented flight lines. A coincident ground sampling program characterized in situ snow cover for all representative land cover types found in the study area. A suite of micrometeorological data from seven sites within the study area was acquired to aid interpretation of the passive microwave brightness temperatures. The in situ data were used to determine variability in SWE, snow depth, and density within and between forest stands and land cover types within the 25/spl times/25 km SSM/I grid cell. Statistically significant subgrid scale SWE variability in this mixed forest environment was controlled by variations in snow depth, not density. Spaceborne passive microwave SWE retrievals derived using the Meteorological Service of Canada land cover sensitive algorithm suite were near the center of the normally distributed in situ measurements, providing a reasonable estimate of the mean grid cell SWE. A realistic level of SWE variability was captured by the high-resolution airborne data, showing that passive microwave retrievals are capable of capturing stand-to-stand SWE variability if the imaging footprint is sufficiently small.     

基于平面延展方法的LiDAR数据滤波

在对目前机载LiDAR 数据后处理典型算法分析比较的基础上，针对机载LiDAR 技术实际应用中对数据处理稳定性、智能性与适应性的更高需求，提出了一种快速稳健滤波方法，即平面延展方法。它利用单元平面的生长形成整个地表，相对常规方法增加了栅格化数据、填充空白数据及剔除错误冗余数据等操作，利用可靠的判定条件选择了基础点。采用平面延展方法对不同地形区域的LiDAR 数据进行了滤波，将滤波前后的数据图像进行对比，采用三种客观误差指标评价处理质量。结果表明，平面延展方法稳健、可靠、效率高，能够在保证精度的情况下有效分离出非地面信息，在应用中有一定的优越性。     

基于结构特征的机载LiDAR数据与航空影像自动配准

针对现有机载LiDAR数据与航空影像配准方法对匹配特征具有较强的依赖性,易受数据等影响的问题,提出了一种基于结构特征的自动配准方法。该方法首先提取LiDAR距离图像与对应影像的结构特征,利用初始姿态参数将LiDAR结构特征投影至影像坐标系下,根据结构特征的几何约束条件获取初始匹配点集,完成粗匹配;接着利用粗匹配结果计算直接变换模型（DLT）参数,并以此为初值引入双点几何约束,采用循环迭代的匹配策略,不断剔除错误匹配,获得一组新的匹配点集,完成精匹配;最后根据精匹配结果,采用基于单位四元数的空间后方交会方法解算航空影像的姿态参数,实现机载LiDAR数据与航空影像的自动配准。实验证明,该方法受噪声影响小,能实现机载LiDAR数据与航空影像的自动配准。     

高光谱与机载LiDAR结合的树种分类研究

高光谱遥感图像虽然具有较高的光谱分辨率,但只能提供二维光谱信息,而激光雷达(Light Detection and Ranging,LiDAR)可以提供可靠的三维数据和森林的冠层特征,二者结合能够优势互补,协同提高地物分类能力。基于此,本文提出了一种利用高光谱和机载激光雷达数据进行树种识别的方法,探讨了二者协同对树种精细分类的影响,最后通过公开数据的实验来验证方法的有效性。结果表明,高光谱和激光雷达数据结合后,树种分类精度得到了显著提高。通过本文提出的方法,即使使用少量特征也能大大提高分类精度。整体分类准确率最高达到9321,比单个高光谱数据的分类准确率提高931。