遥感信息融合和分类器集成的地类高精度识别

针对光学和雷达遥感协同应用于城市地物类型高精度识别难这一问题,提出了一种信息融合与自适应提升(adaptive boosting,adaboost)和引导集成(bootstrap aggregation,bagging)分类器集成模型的遥感影像地物识别方法。该方法充分利用光学和雷达遥感数据提供的不同信息,达到提高遥感图像在地物识别方面应用的潜力。首先选择GS(Gram-Schmidt)、主成分变换(principal components transform,PCT)、HSV(hue,saturation,value)和改进的多孔小波算法(a trous algorithm for wavelet,ATWT)融合算法对信息源进行融合,然后采用bagging和adaboost集成算法对支持向量机(a library for Support Vector Machines,LibSVM)、功能树(function tree,FT)、快速有效的裂具算法(ripper alogrithm for fast,effective rule induction,JRIP)、序列最小优化算法(sequential minimal optimization,SMO)分类器进行集训练学习提高地类识别精度。研究以意大利北部帕维亚地区的ERS SAR与Landsat TM影像对为信息源,通过融合定量指标评价和典型地物识别应用验证,结果表明提出的多分类器模型能够充分利用光学和雷达遥感信息,稳健有效地进行地物类别提取,地物识别精度比单独使用光学和雷达数据提高15到17个百分点。     

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题，提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息，然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型，最后通过随机样本选取构建随机森林（Random Forest,RF）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree,DT）分类算法模型提取地表信息。结果表明：①针对不同特征协同策略，在随机选取10%训练样本时，Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略；②针对不同地表信息提取算法模型，通过50次随机选取训练样本构建模型评价分类精度，验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息，为光学和雷达遥感协同地表信息提取提供新的思路。     

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题,提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息,然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型,最后通过随机样本选取构建随机森林（Random Forest,RF）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree,DT）分类算法模型提取地表信息。结果表明：①针对不同特征协同策略,在随机选取10%训练样本时,Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略;②针对不同地表信息提取算法模型,通过50次随机选取训练样本构建模型评价分类精度,验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息,为光学和雷达遥感协同地表信息提取提供新的思路。