Envisat ASAR在水稻识别中的应用

合成孔径雷达(SAR)具有全天时全天候工作的能力,是南方多云地区水稻识别监测的有利手段.该文利用目前世界上最先进的EnvisatASAR数据,在长乐市进行水稻提取.在常规预处理的基础上对多时相数据进行自动配准和主成分变换,并采用面向对象法进行水稻的提取,精度为89.1%.结果表明:利用多时相双极化ASAR数据进行水稻信息的提取在南方多云地区具有一定实用意义.     

一种ASAR图像中养殖地目标自动提取的方法

提出一个ASAR图像中养殖地目标自动提取的方法.首先,针对雷达遥感图像中养殖地目标的ASAR数据特征,采用改进的模糊聚类算法FFCM分割ASAR遥感图像,分离出海洋与陆地;然后依据养殖地的纹理形态特征,并利用其空间关系知识,从海洋区域中提取出养殖地.试验结果表明,该方法能快速、准确地提取ASAR遥感图像中的养殖地.     

基于支持向量机的遥感图像分类研究

支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的新型机器学习算法.通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.将支持向量机理论应用到遥感图像分类的研究还处在初级阶段,传统分类算法应用于遥感图像分类存在运算速度慢、精度比较低和难以收敛等问题.从支持向量机基本理论出发,建立了一个基于支持向量机的遥感图像分类器.用遥感图像数据进行实验,并将结果与其它方法的结果进行了比较分析.实验结果表明,利用SVM进行遥感图像分类的精度明显优于神经网络算法和最大似然算法分类精度.     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

基于TM数据的敦煌绿洲土壤盐碱化信息提取研究

干旱、半干旱地区的绿洲盐碱化威胁着生态环境.随着空间信息技术的发展,遥感已被广泛应用于土壤盐碱化监测与制图.当前基于遥感技术的盐碱化信息提取方法主要归为基于图像光谱的直接提取方法和基于辅助数据的间接提取方法两大类.间接提取方法精度相对较高,但在缺乏辅助信息时并不可行,此时提高基于图像光谱特征的直接提取精度就尤为重要.本研究提出了一种优化波段组合的盐碱地提取方法,并引入了热红外波段,提高了直接提取方法的精度.以敦煌绿洲为研究区域,基于Landsat TM遥感图像中盐碱地的光谱特征,采用最佳指数因子确定盐碱化信息提取的最佳波段,结合图像变换及数据融合等图像处理方法,利用最大似然分类器进行了图像分类,提取出了敦煌绿洲盐碱地的分布区域.将不同波段组合、不同图像处理方法的分类精度检验结果进行比较得知,陆地卫星TM3,5,6和7波段组合的总体分类精度和盐碱地提取精度最高,增加热红外波段可使总体分类精度提高9%,盐碱地提取用户精度改善最高可达18%.     

基于卫星遥感图像的农作物分类算法

为提高遥感图像对农作物的预估精度和农业种植效率, 设计了基于卫星遥感图像的农作物分类算法。 以2018 年 7 月 30 日哨兵二号(Sentinel-2)卫星拍摄的高分辨率哈尔滨市农业示范基地卫星影像为实验数据, 在不同光谱波段内(含红边波段), 通过使用最大似然法、 支持向量机法、 神经网络法分别对影像中水稻、 大豆、玉米、 高粱等农作物特征进行提取、 分类, 获得到农作物分类图;将统计结果与真实的参数进行比较, 分析了相同算法下使用不同数据源, 不同算法使用相同数据源, 这两种情况下的分类精度与可靠性。 实验结果表明,通过神经网络法得到的分类结果精度最高, 可靠性最强, 适合于全国范围内推广。     

基于量子粒子群算法选择特征的遥感图像分类

针对目前遥感图像分类算法存在精度低、 速度慢等问题, 提出一种基于量子粒子群算法的遥感图像分类算法, 以提高遥感图像的分类效果. 首先分析目前遥感图像分类算法存在的不足及其原因; 然后提取多种类型的遥感图像原始特征, 采用量子粒子群算法对特征进行筛选, 以提取对遥感图像分类结果较重要的特征; 最后采用最小二乘支持向量机(LSSVM)建立遥感图像分类器, 实现遥感图像分类和识别, 并进行遥感图像分类的仿真对比实验. 实验结果表明, 该算法克服了当前遥感图像分类算 法存在的局限性, 大幅度提高了遥感图像的分类精度, 有效减少了图像分类误差, 提高了图像分类效率.     

基于Envisat数据的地物后向散射特征研究

本文采用ENVISAT ASAR的APMode（Alternating Polarisation Mode）数据,由雷达图像成像原理及物理机制人手分析广州市几种典型地物（水体、植被、建筑物）在不同极化方式下后向散射特征及其成因。在此基础上选取HH极化图像、VV极化图像及VH／VV比值图进行合成,并利用监督分类方法对该极化合成影像进行分类,与光学影像的分类结果图进行比较。结果表明：极化雷达具有探测水质的能力,建筑物的后向散射特征还与其排列方式有关,极化合成影像分类图能初步达到地物分类识别的效果。     

基于多波束声呐图像的长江河道底质识别与分类

基于多波束对长江河道底质分类关键问题进行了研究，对多波束反射强度数据进行改正并对多波束声呐图像进行预处理，采用灰度共生矩阵对底质反向散射强度图像进行纹理特征提取，最后将提取底质图像样本作为自组织特征映射神经网络和随机森林两种分类方法的训练数据，使用训练好的预测分类模型对反向散射强度图像进行全图底质分类.实验结果表明，SOM与随机森林分类方法的总体分类精度分别达到了82.5%与85.4%，对底质声呐图像实现了较好的预测分类效果.     

基于SVM的遥感影像监督分类方法研究 ——以天水市三阳川地区为例

遥感影像分类技术是研究土地利用、规划与地理空间信息分析的重要技术手段,遥感影像分类的模型算法在各类遥感图像分类应用中起着重要作用.文章通过实地踏勘数据与图像纹理与光谱信息对比分析选择训练样本,对SVM支持向量机等6种分类方法进行结果分析与分类精度评定并得出结论.通过分类实验数据对比分析,得出基于SVM分类方法的精度高于...     

基于胶囊神经网络的合成孔径雷达图像分类方法

针对合成孔径雷达(synthetic aperture radar,SAR)图像的目标分类,传统的卷积神经网络(convolutional neural network,CNN)需要大量的数据样本进行训练,无法在小样本条件下进行,其应用受到限制。提出将胶囊神经网络(capsule network,Capsnet)算法用于SAR雷达图像的分类,针对小样本SAR数据集对Capsnet结构进行轻量化设计,并在MSTAR数据集上验证了该算法的有效性。结果表明,与CNN相比,基于Capsnet的SAR目标分类抗过拟合性强,泛化效果较好,具有更高的准确性,能够很好地实现SAR图像样本的分类。     

基于模型微调与AM Softmax的极化SAR图像分类

针对极化SAR图像分类中卷积神经网络（CNN）方法训练时间长、收敛速度慢,原始Softmax函数无法对极化SAR图像的类内差异有效应对的问题,提出一种基于模型微调与加性边际Softmax（AM-Softmax）的极化SAR图像分类方法。该方法通过预训练网络的整体微调,来改进CNN模型的效率和分类准确率,然后以AM-Softmax替代Softmax,以解决SAR图像中类内变化较大的问题,进一步提升分类精度。实验表明该方法具有快收敛的优势并且能够较好解决极化SAR图像类内差异较大的问题,模型的分类总体精度达到96%以上。     

高分辨率极化SAR影像KummerU分布非监督分类方法

针对高分辨率极化SAR数据特征分布不再符合同质区域假设, 进而导致基于统计分布的极化SAR影像非监督分类方法精度下降的问题, 将具有广泛适用性的KummerU分布嵌入粒子群寻优聚类算法, 提出了新的极化SAR影像非监督分类算法(PSO-KummerU方法):首先基于极化SAR统计特征对数据进行初分类, 然后采用极化SAR统计特征与粒子群优化算法进一步进行聚类中心求解, 分类准则部分采用KummerU距离改进代替传统的Wishart距离度量准则; 采用3种非监督分类方法(H/α-Wishart、PSO-Wishart、PSO-KummerU方法)进行分类对比实验.实验结果表明:基于KummerU分布的PSO-KummerU方法与采用Wishart距离的聚类方法相比, 目视效果明显改进, 整体分类精度提高14%以上.     

一种基于Pauli分解和SVM的全极化SAR监督分类算法

全极化SAR影像准确分类的一个重要前提是充分提取反映地物实际物理性质的特征。然而现有的全极化SAR特征提取算法和分类算法众多,却均存在各种各样的问题。无论极化特征提取方法还是分类算法,都会影响最终的分类精度。针对此问题,在多次实验的基础上,提出一种综合Pauli极化特征分解和SVM的分类策略,简称为Pauli-SVM算法。首先通过经典的Pauli分解法提取全极化SAR影像的奇次散射、偶次散射、体散射等极化特征,并将这些信息组合成一个特征向量,然后引入高精度的SVM分类算法,选择训练样本后对全极化SAR影像进行监督分类。在江苏溧水和南京横溪镇两个研究区,以ALOS卫星的PALSAR影像为研究数据,进行监督Wishart分类算法、Freeman特征提取法结合SVM的分类算法、Yamaguchi特征提取法结合SVM的分类算法、Pauli-SVM算法的分类对比实验。结果表明,新提出的Pauli-SVM算法可以有效的提高分类的准确性。     

Polarimetric Synthetic Aperture Radar Image Classification by a Hybrid Method

Different methods proposed so far for accurate classification of land cover types in polarimetric synthetic aperture radar (SAR) image are data specific and no general method is available. A novel hybrid framework for this classification was developed in this work. A set of effective features derived from the coherence matrix of polarimetric SAR data was proposed. Constituents of the feature set are wavelet, texture, and nonlinear features. The proposed feature set has a strong discrimination power. A neural network was used as the classification engine in a unique way. By exploiting the speed of the conjugate gradient method and the convergence rate of the Levenberg-Marquardt method (near the optimal point), an overall speed up of the classification procedure was achieved. Principal component analysis (PCA) was used to shrink the dimension of the feature vector without sacrificing much of the classification accuracy. The proposed approach is compared with the maximum likelihood estimator (MLE) based on the complex Wishart distribution and the results show the superiority of the proposed method, with the average classification accuracy by the proposed method (95.4%) higher than that of the MLE (93.77%). Use of PCA to reduce the dimensionality of the feature vector helps reduce the memory requirements and computational cost, thereby enhancing the speed of the process.     

基于Meanshift和图割的极化特征图像分类

图割法对极化SAR图像能达到很好的分类效果,但由于极化SAR数据比较庞大,直接用图割法进行分类,计算量太大,所以本文提出一种改进图割模型的分类方法．首先利用自适应的Meanshift算法结合多个极化特征把图像分成若干个同质区域,以这些同质区域的加权平均值作为超像素构建图模型,最后用图割法修正Meanshift过分割来得到最终的分类．实验证明该算法不仅在分类精度上有所提高,而且在速度上更能达到实时性的要求．     

基于非负矩阵分解和极限学习机分类的合成孔径雷达图像变化检测

两时相合成孔径雷达(synthetic aperture radar, SAR)图像变化检测中,差异图的噪声残留将会对变化检测的精度产生较大的影响,传统增量学习模式的检测方法直接对差异图像素样本进行聚类获得伪标签,但没有考虑差异图噪声残留的影响,故检测精度很难提升。考虑对差异图的邻域空间信息采用非负矩阵分解的方式进行特征降维提取,进而根据提取的特征进行聚类可获得高可靠的伪标签,然后基于这些样本伪标签和对应的两时相SAR图像邻域块特征向量构成样本集,利用极限学习机学习其非线性变化关系并最终完成分类,获得变化检测二值图。实验表明,该方法能有效地抑制差异图中的噪声残留影响,提升检测精度,对斑点噪声影响变化检测精度具有较高的鲁棒性。     

基于纹理特征的高分辨率合成孔径雷达影像单体建筑物震害信息识别

获取震后建筑物震害信息有利于开展人员救援和灾后重建工作。由于高分辨率合成孔径雷达（SAR）数据少有震前数据存档,利用震后单时相高分辨率SAR数据评估建筑物震害成为研究热点,但利用高分辨率SAR数据对单体建筑物的研究却很少。本文以北川老县城震后0.24mTerraSAR-X聚束模式（ST）数据为数据源,经多视处理后提取建筑物纹理特征,对比分析不同视数大小和纹理计算窗口大小对建筑物震害识别影响,确定最佳纹理计算窗口大小和视数大小。结合震前光学数据,获得SAR单体建筑物轮廓图,随机选取建筑物轮廓样本作为训练样本,引入支持向量机（SVM）和随机森林（RF）分类器识别建筑物震害信息。结果表明,基于纹理特征的SVM、RF方法能有效地识别高分辨SAR影像单体建筑物震害信息,SVM识别精度可达到88.24%,RF识别精度可达到92.47%。可见基于高分辨率SAR数据的纹理特征识别建筑物震害方法稳定有效,可为灾后应急、灾害评估和灾后重建工作提供可靠信息支撑。     

基于小波支持向量机分割的SAR图像桥梁目标检测

针对SAR图像中桥梁和水域的统计特性,提出了基于小波支持向量机分割与先验知识相结合的桥梁目标检测方法.通过对SAR图像中桥梁和背景的分析,首先对水域进行特征提取,再利用小波支持向量机方法对数据进行训练建模,通过模型对SAR图像中的河流进行分割,最后在分类后的二值图中按方向累加能量最小准则进行桥梁目标检测.基于真实SAR图像的实验结果显示,此方法不需对SAR图像进行复杂的预处理,有强的抗斑点噪声性,能快速、准确地检测SAR图像中的桥梁目标.