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。     

基于决策树的Landsat多光谱影像分类方法

构建了一种结合光谱特征和纹理特征的多光谱影像决策树分类方法.以Landsat-7影像作为试验数据,通过分析Landsat-7影像的光谱特征值及NDVI、NDWI和NDBI特征值,确定各类地物的综合阈值,同时运用灰度共生矩阵对影像进行纹理信息提取,得到对比度、熵、逆差矩和相关性等纹理特征图像.在此基础上,运用决策树分类法...     

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。     

基于二维极化特征的PolSAR图像决策分类

决策树模型在极化SAR数据分类中有着极大的应用价值,既能描述分类结果的极化散射机制,又能获得较好的分类精度。但在对散射机制相似的地物进行分类时,由于经典决策树模型的节点采用的是单个特征,分类精度不理想。因此,该文提出了节点采用2维特征的方法,即在特征集相同的前提下,每次取两个特征组成特征矢量用于节点,提高了经典决策树难以区分的地物的分类精度;并且利用分类结果的混淆矩阵准确定位了导致分类误差的节点,进而对节点进行有针对性的反馈调整,进一步提高了指定地物的分类精度。利用AIRSARFlevoland数据验证了该方法的有效性,并结合极化特征描述了Flevoland地区多种植被的极化散射机制。      

一种基于集成学习和特征融合的遥感影像分类新方法

针对多源遥感数据分类的需要,提出了一种基于全极化SAR影像、极化相干矩阵特征、光学遥感影像光谱和纹理的多种特征融合和多分类器集成的遥感影像分类新方法.对全极化PALSAR数据进行预处理和极化相干矩阵特征提取,利用灰度共生矩阵计算光学和SAR影像的对比度、逆差距、二阶距、差异性等纹理特征参数,并与光谱特征结合,形成6种组合策略.利用集成学习方法对随机森林分类器、子空间分类器、最小距离分类器、支持向量机分类器、反向传播神经网络分类器等分类器进行组合,对不同组合策略的遥感影像特征集进行分类.结果表明提出的基于多种特征和多分类器集成的新方法很好地利用了主被动遥感数据在不同地表景观类型提取上的潜力,综合了多种算法的优势,能够有效地提高总体精度和各类别的分类精度.     

基于遥感影像中电磁特性的地物提取方法

电磁特性数据是电子信息装备内场仿真试验不可或缺的数据资源,为了克服传统电子信息装备仿真试验中的电磁特性数据获取方法的不足,提出了从遥感影像中大批量获取大区域范围的电磁特性数据的新方法.首先依据不同地物的电磁特性规律对某一地域的地物进行了分类,从多尺度分割概念和基于异质性最小的区域合并算法两个方面.深入研究了针对地物分类的面向对象多尺度分割算法,并结合实践对算法进行了应用.由于遥感影像的真实性.保证了电磁特性数据提取的准确性与可靠性,实践证明此研究为大批量获取电磁特性数据提供了一种有效的方法和思路.     

基于特征图集合的遥感影像深度学习地物分类研究

针对高分辨率遥感影像复杂地物分类的问题,提出了人工特征工程与深度神经网络相结合的地物分类方法.通过纹理与结构等人工设计特征提取构建多尺度特征图,采用特征图和原始图像合并构建的高维图集合作为网络输入,最大程度地丰富了输入信息量,同时增强了纹理、 尺度等有利特征在网络训练过程中的主导作用.根据全卷积网络端到端的像素级分类思...     

基于WEKA平台的三种面向对象土地覆被分类方法研究

卫星遥感技术的迅速发展,使得遥感影像的应用愈来愈广泛,尤其是高分辨率遥感影像。面向对象提取算法在利用高分辨率影像特征的基础上,提取影像中和真实的物相符的区域。机器学习算法也越来越多地应用到遥感影像土地覆被分类中。文章将基于WEKA平台使用J48决策树、随机森林和贝叶斯网络三种机器学习算法对目标研究区域土地覆被进行分类。研究结果表明,与贝叶斯网络和J48决策树相比,随机森林的分类精度更高,效果更好,准确率为76.10%,Kappa指数为0.681 6。     

基于深度学习的遥感图像分类研究

作为机器学习的分支,深度学习克服了机器学习在提取特征上的弱点,能从海量数据中提取抽象特征.其特征表达能力和泛化能力高,面对海量遥感影像数据也能高效准确的提取特征.遥感影像分类是从提取影像中各类地物特征并归类处理,是遥感影像处理中的关键技术.基于深度学习的遥感图像分类可以弥补传统机器学习分类精度不高、效率低和泛化能力不足...     

Fractal image coding: a review

An approach to image coding based on a fractal theory of iterated contractive transformations defined piecewise is described. The main characteristics of this approach are that it relies on the assumption that image redundancy can be efficiently captured and exploited through piecewise self-transformability on a block-wise basis, and it approximates an original image by a fractal image, obtained from a finite number of iterations of an image transformation called a fractal code. This approach is referred to as fractal block coding. The general coding-decoding system is based on the construction, for an image to be encoded, of a fractal code-a contractive image transformation for which the original image is an approximate fixed point-which, when applied iteratively on any initial image of the decoder, produces a sequence of images which converges to a fractal approximation of the original. The design of a system for the encoding of monochrome digital images at rates below 1 b/pixel is described. Ideas and extensions from the work of other researchers are presented     

基于多级描述模型的渐进式图像内容理解

针对目前基于内容的图像检索技术中低级特征无法准确全面地描述高级语义的问题,本文提出了一种基于多级图像描述模型的渐进式图像内容理解.该图像描述模型在不同层次上对图像内容进行分析和提取,实现了图像内容的全方位描述,从底层向高层的过渡是渐进式的图像理解过程.特别是从视觉感知层到目标层,体现了图像低级特征与高级语义之间的过渡.本文给出了一种基于先验知识的上下文驱动的目标理解算法,实现了图像语义的提取.作为一个应用实例,本文给出了以上方法在基于内容的图像检索技术中的具体应用.     

Patchwise scaling method for content-aware image resizing

Image resizing becomes more and more important in content-aware image displaying. This paper proposes a patchwise scaling method to resize an image to emphasize the important areas and preserve the globally visual effect (smoothness, coherence and integrity). This method for resizing image is based on optimizing the image distance presented in this paper. The image distance is defined based on so-called local bidirectional similarity measurement and smoothness measurement to quantify the quality of resizing outputs. The original image is divided into small important patches and unimportant patches based on an important map. The important map is generated automatically using a novel combination of image edge and saliency measurement. A scaling factor is computed for each small patch. The resized image is produced by iteratively optimizing, which is based on our image distance, the scaling factor for each small patch. Experiments of different type images demonstrate that our method can be effectively used in image processing applications to locally shrink and enlarge important areas while preserving image quality.     

一种基于图像内容的图像评价方法

根据图像内容质量对图像进行区分处理,可以有效地提高图像搜索效率。该文提出一种图像评价方法,专注于改善不同质量图像对搜索效率的影响。该方法基于图像颜色丰富程度、局部特征丰富程度以及是否背景丰富、是否包含多个子图等信息进行综合质量评价处理。实验结果表明,该方法时间效率很高,可以和图像搜索系统有效结合,有效改善图像搜索系统的搜索召回率和准确率。     

Unsupervised image-set clustering using an information theoretic framework.

In this paper, we combine discrete and continuous image models with information-theoretic-based criteria for unsupervised hierarchical image-set clustering. The continuous image modeling is based on mixture of Gaussian densities. The unsupervised image-set clustering is based on a generalized version of a recently introduced information-theoretic principle, the information bottleneck principle. Images are clustered such that the mutual information between the clusters and the image content is maximally preserved. Experimental results demonstrate the performance of the proposed framework for image clustering on a large image set. Information theoretic tools are used to evaluate cluster quality. Particular emphasis is placed on the application of the clustering for efficient image search and retrieval.     

基于目标语义特征的图像检索系统

为克服当前基于内容的图像检索技术中低级特征无法准确全面地描述高级语义的问题,该文设计和实现了一个基于目标高级语义特征的检索系统。该系统利用了一个多级图像描述模型将语义特征结合到图像检索技术中。该图像描述模型通过在不同层次上对图像内容进行分析和描述,实现了从低级特征到高级语义的过渡。在此模型的基础上还研究了相应的检索机制和反馈技术。该系统的检索机制定位于图像中目标的语义内容,与传统的图像检索系统相比更接近人对图像内容的理解,从而使检索过程更简便,检索效率也得到很大提高。基于目标描述的自适应相关反馈可针对不同用户的不同需求给出相应的检索方案,从而使检索结果得到优化。     

红外仿真中像面最大温差的计算方法

针对红外仿真系统中杂散辐射会影响模拟像面温度均匀性的问题,提出了像面温度偏差这一概念,并给出了像面最大温度偏差值的计算方法.建立了用于计算像面最大温差的红外仿真系统简化模型.定义了能反映像面温度变化的局部辐照度偏差系数.推导了局部辐照度偏差系数与像面最大温差的表达式,给出了红外仿真系统像面最大温差的一般计算步骤.通过实际算例演示了该计算方法,并设计了验证实验.结果表明,测试得到的像面最大温差均在理论计算数值范围内,从而验证了该方法的正确性和有效性.     

基于拉普拉斯金字塔的红外光强与偏振图像融合

利用红外偏振信息(偏振度、偏振角)对目标进行成像,可以更好地抑制图像的背景噪声,提高信噪比。而且偏振信息相对于光强信息一般会蕴含更丰富的目标边缘轮廓信息。因此,提出一种将红外辐射光强图像和偏振度图像进行融合的算法。此方法首先对参与融合的每幅图像分别进行拉普拉斯金字塔分解,获得每层的分解图像;然后对分解后的每层图像采用不同的融合方法进行图像融合,获得每层融合图像,并对每层融合后的图像进行图像重构,得到最后的融合结果。多幅图像融合后的效果表明该方法能够增加图像的信息量,有利于场景感知和目标识别。     

基于标准差梯度的模糊边缘检测算法

红外图像的边缘检测是图像处理领域的难题之一。结合红外图像的特点,将最小误差原理推广到模糊域进而应用到红外图像的边缘检测上,提出了一种基于标准差梯度的红外图像模糊边缘检测算法。首先提出了一种基于标准差的梯度算子,将图像中潜在的边缘区域很好地区分出来;而后引入模糊最小误差阈值算法．根据此算法自适应提取了标准差梯度图像中的最优阈值,从而实现了红外图像的目标边缘检测。与传统的基于梯度的红外图像边缘检测算法进行对比实验,结果表明,该算法用于红外图像边缘检测能获得更好的效果。     

SAR图像分辨率的统计判别准则

提出了合成孔径雷达(SAR)图像分辨率的统计判别准则。经典的瑞利分辨准则是一个基于人类视觉感知的分辨准则，存在一定的理论缺陷，在SAR图像应用中也存在两个严重问题：没有体现噪声对成像系统分辨能力的影响；没有考虑利用复图像来分辨目标；这些不足限制了SAR图像的应用效能。通过对分辨性能的分析，认为SAR图像的目标分辨问题本质上是一个假设检验问题，进而建立了分辨的假设检验模型，提出了SAR图像分辨率的统计判别准则。分别针对功率图像和复图像的目标分辨，得到了明确的分辨率与信噪比的关系、分辨率与目标相对相位的关系这两个主要结论。这些结果对于SAR系统设计、SAR图像超分辨处理及SAR图像应用都有重要意义。