基于模糊C均值和BP神经网络的遥感影像自动分类算法

针对非监督分类算法分类精度不高、监督法分类算法的训练样本需要人工选择且容易误选的问题,提出了一种基于模糊C均值聚类(FCM)和BP神经网络相结合的遥感影像自动分类算法。首先利用FCM对影像进行初始聚类,然后根据聚类结果,由该算法自动选取其中的纯净像元作为训练样本,并送入BP网络进行学习,用最终训练得到的BP神经网络分类器对TM遥感影像进行分类,实验结果表明该算法具有较高的分类精度,能够满足大尺度地物类别判定的需要。     

多源遥感数据在植被覆盖区的水体信息提取

针对单一遥感影像难以准确提取南方植被覆盖区水体信息的问题,提出了先对光学影像进行混合像元分解,消除植被干扰,增强水体信息,再联合雷达影像的多源遥感数据提取方法。以地物类型丰富,水体发育的湖南衡阳地区为研究对象,选择Landsat8光学影像和PALSAR雷达影像为主要数据源,先利用混合像元分解模型从Landsat8光学影像提取出植被信息,对水体光谱进行重建,再综合去除植被的Landsat8影像的光谱信息和PALSAR影像的纹理信息进行面向对象的多源遥感水体信息提取,并与单源影像的水体信息提取结果进行对比。结果表明,该方法进行水体信息提取的精度更高,尤其在水陆过渡带,能够较好地去除植被干扰,提取被覆盖的水体信息,在南方植被覆盖区水体信息定量提取上具有很好的效果和潜力。     

中分辨率遥感影像土地利用覆被信息自动提取研究——以太原市区Landsat8影像为例

"土地利用/土地覆被"(简称LUCC)是全球环境变化研究的热点问题之一,遥感技术是LUCC研究的重要手段,遥感影像LUCC信息的高精度自动提取成为众多专家学者关注的重要研究领域.Landsat系列卫星影像是最早且最为广泛使用的中分辨率陆地遥感影像.文章以2013年2月发射的Landsat8卫星的OLI影像为研究对象,利用ENVI软件,对太原市区的土地利用/土地覆被信息分别用最大似然法和决策树分类法实现自动提取,并进行精度比较.结果表明:最大似然法提取的总体精度为69.33%,Kappa系数为0.605 5,主要是耕地与林地、草地、建设用地以及建设用地与裸地的混分、错分现象较为严重,造成分类精度较低;而决策树分类法的自动提取通过确定适当的判别规则,使地类间的混分、错分现象明显改善,分类总体精度提高到91.33%,Kappa系数达到0.892 3,各土地利用类型的分类精度均有一定提高.     

面向对象的多层次规则分类地物遥感信息提取方法试验分析研究

监测土地覆盖变化是目前高分辨率遥感的重要应用领域，城市覆盖地物变更速度快、地物类型复杂，使用传统方法提取监测难度较大。针对此问题，选择云南省大理白族自治州上官镇为研究区，以GF-2 PMS遥感影像为数据源；采用面向对象的方法对研究区进行最优分割尺度分割，选取最优特征组合用于构建模糊分类规则，分层次进行地物提取，最终获得研究区地物类型分布图。运用混淆矩阵方法进行精度评价，面向对象的多层次规则分类法提取分类效果良好，分类总体精度达79.95%,Kappa系数为0.74。与基于像元的分类方法和单一尺度下面向对象的提取分类法相比，面向对象的多层次规则分类法精度明显提高，说明本方法运用于复杂地物提取分类具有较好可行性。     

基于小波变换和K-means算法的遥感影像分类

在研究K均值聚类算法的基础上,采用小波变换辅助K均值算法对遥感影像进行分类,以此提高遥感影像的分类精度.以云南省玉溪市抚仙湖附近地区作为研究区,结合研究区的具体情况,根据查维茨最佳指数因子法OIF计算得到遥感影像的最佳波段组合,并通过对各类地物的样本图像和遥感影像进行二维小波分解,得出样本特征向量;然后利用K均值算法结合样本特征向量对遥感影像进行分类,得到分类结果并进行精度验证.再与单纯采用K均值算法的分类结果进行对比分析,结果表明:其总体精度和Kappa系数分别达到83.74%、0.7753,比单纯采用K-means算法分别高出14.26%、0.1697,尤其是林地、裸地和农田的分类精度得到了显著提高.     

基于全卷积网络模型的高分遥感影像内陆网箱养殖区提取

为了研究高分遥感影像的内陆网箱养殖区自动快速提取,利用福建省北部内陆水域的GF-1影像和GF-2影像,并对影像中的网箱养殖区进行人工标注,经过旋转、缩放和镜像翻转等数据增强处理后构建了2种影像的内陆网箱养殖区样本库;利用样本库训练内陆网箱养殖区提取的深度学习全卷积网络(fully convolutional networks,FCN)模型并开展精度验证。结果显示,GF-1影像提取结果的F值达到83.37%,GF-2影像提取结果的F值达到92.56%。表明基于FCN的高分影像内陆网箱养殖区提取具有较高的精度,能够进行大规模内陆网箱养殖区提取应用,为内陆水产养殖区的监测提供重要依据。     

复杂地形下甘肃舟曲江顶崖滑坡自动提取方法

为精确获取甘肃省舟曲县南峪乡江顶崖在复杂地形下的滑坡区域分布,利用数字正射影像和数字高程模型准确获取滑坡区域,分析滑坡信息。在基于影像监督分类的基础上,叠加一定的影响因子约束分析进一步筛选滑坡区,利用数学形态学中的腐蚀、膨胀、开运算三种运算方式处理图像实现对滑坡区域自动识别提取。实验结果说明通过与数字正射影像叠加解译和在精度评价中生产者精度为81.25%,用户精度为92.85%验证能够较好地避免因复杂地形中丰富地物类型所带来的干扰,实现对复杂地形下舟曲县南峪乡江顶崖滑坡的自动识别提取,结果表明三种方法的结合可以为识别提取复杂地形下的滑坡区域提供借鉴。     

遥感影像浅水河道提取二维经验模态分解方法

遥感影像中浅水河道与居民地具有相似的光谱特性,在浅水河道自动提取过程中噪声较多,经验模态分解(EMD)可获取原始信号不同尺度上的细节信息,有效地提高遥感影像浅水河道自动提取的精度。利用环境与减灾小卫星数据,以彰武县柳河为研究区,对该区2012年10个时期NDVI时间序列分别EMD分解,选取每个时相信息量较大的前三个固有模态函数(IMF),结合2012年9月18号影像共34波段作为研究数据,利用极大似然法、BP神经网络传统的分类方法进行分类。结果表明结合EMD的分类方法可有效地去除居民地噪声,Kappa系数最高达到0.9690,总体分类精度最高达到93.35%,从而有效地解决了遥感影像中浅水河道提取正确率低的难题。     

遥感影像浅水河道提取二维EMD方法

遥感影像中浅水河道与居民地具有相似的光谱特性,在浅水河道自动提取过程中噪声较多,经验模态分解(EMD)可获取原始信号不同尺度上的细节信息,有效地提高遥感影像浅水河道自动提取的精度。利用环境与减灾小卫星数据,以彰武县柳河为研究区,对该区2012年10个时期NDVI时间序列分别EMD分解,选取每个时相信息量较大的前三个固有模态函数(IMF),结合2012年9月18号影像共34波段作为研究数据,利用极大似然法、BP神经网络传统的分类方法进行分类。结果表明结合EMD的分类方法可有效地去除居民地噪声, Kappa系数最高达到0.9690,总体分类精度最高达到93.35%,从而有效地解决了遥感影像中浅水河道提取正确率低的难题。     

基于改进的NDBI指数法的遥感影像城镇用地信息自动提取

针对目前遥感影像城镇用地信息提取存在精度不高、不够客观等问题,在分析Landsat ETM影像上各主要地物光谱特征的基础上,提出了一种基于改进的归一化建筑指数(NDBI)的遥感影像城镇用地信息自动提取方法.利用南京市主城区的Landsat ETM影像对该方法进行了验证,结果表明:该方法能够有效提取研究区的城镇用地信息;相对于常规的NDBI指数法,改进后的方法消除了稀疏植被对城镇用地提取精度的影响,大大提高了城镇用地信息的精度,并具有快速、客观等优点.     

基于多任务学习的高分辨率遥感影像建筑实例分割

针对基于深度神经网络的高分辨率遥感影像建筑物提取算法中将建筑物提取视为二分类问题(即将遥感影像中的像素点划分为建筑物与非建筑两类)而无法区分建筑物个体的局限性, 将基于Xception module改进的U-Net深度神经网络方法与多任务学习方法相结合进行建筑物实例分割, 在获取建筑物二分类结果的同时, 区分不同建筑物个体, 并选择Inria航空影像数据集对该方法进行验证。结果表明, 在高分辨率遥感影像的建筑物二分类提取方面, 基于Xception module改进的U-Net方法明显优于U-Net方法, 提取精度升高1.4%; 结合多任务学习的深度神经网络方法不仅能够实现建筑物的实例分割, 而且可将二分类建筑物的提取精度提升约0.5%。     

乳腺 MR 图像的有效分割

乳腺核磁共振影像（ MR）的有效分割一直是医学影像分析领域的研究热点。针对目前人工解读图像信息的不足,提出一种自动化分割乳腺MR图像的方法,该方法结合传统FCM算法和最小距离分类器实现了感兴趣区域中不同位置、灰度值相似的样本点按距离分类。算法首先根据图像的灰度信息利用FCM算法实现聚类,其次自动提取感兴趣区域的聚类信息,并利用最小距离分类器对其按距离分类。实验结果表明,该算法对乳腺核磁共振影像的分割具有较高的准确性,提高了其组织划分的精度,且自动化程度比较高,为后续进行肿瘤区域的自动提取与识别奠定基础。     

中低分辨率遥感影像控制点对自动提取方法

遥感影像配准是遥感影像融合与校正的基础,而控制点提取是遥感影像配准的关键。针对中低分辨率遥感影像配准时产生的控制点少且分布不均匀、正确匹配率低等问题进行研究,提出了一种自动提取其控制点对的方法。该方法采用区域匹配策略,首先将参考影像与待配准影像的公共区域进行网格划分,对2幅影像中相同地理范围的小区域进行一致编号,接着建立影像的多尺度空间,对每一个尺度影像区域块采用Harris进行角点检测,用SIFT特征描述符描述Harris角点的特征向量,最后利用区域匹配策略进行特征点的匹配。实验表明,该方法能提取出均匀分布且精度高的控制点对,有利于提高中低分辨率遥感影像配准的精度。     

基于SAM遥感影像的分类技术研究

目的以混合像元提纯为突破口,研究遥感影像高分类精度的方法,以减少由于地物波谱的复杂性、传感器空间分辨率的局限性导致混合像元普遍存在而引起的影像信息不确定性和分类精度低指标性。方法利用光谱角（SAM）分类法,经过混合像元辨别和提纯、端元样区的定义等步骤,对影像进行分类。结果与传统最大似然分类法比较实验结果表明,SAM方法对地表覆盖比较复杂的零散地区遥感影像分类具有较高的精度。结论因选择合适的方法消除了混合像元,SAM是一种有效的遥感影像智能分类方法,对提高影像分类精度具有极为重要的实践意义。     

面向混合像元分解的光谱维小波特征提取

根据线性混合模型的特点,探讨面向混合像元分解的光谱特征提取与选择,提出以小波低频系数为特征的混合像元分解方法.高光谱像元矢量进行离散二进小波变换后,提取光谱特征影像,再基于特征影像估计出混合像元的组分,并用AVIRIS合成影像验证该分解方法.实验结果表明,良好的光谱特征能够较大地提高遥感混合像元的分解精度,比原始波段分解的精度提高约23%.     

一种针对小训练样本的低空遥感影像分类方法

受低空遥感影像数据性质影响,在针对小训练样本时分类精度欠佳.提出了一种针对小训练样本的低空遥感影像分类方法(ELM-CF).方法 首先通过等价局部二值模式提取低空遥感影像的纹理细节;然后联合光谱与纹理特征构建组合特征以增强像元描述唯一性,降低分类中对训练样本的依赖;最后利用极限学习机对组合特征进行分类.为验证方法的有效性,选用2组无人机影像,并随机抽取占每类总量0.1％的像元作为训练样本进行实验.实验结果表示明本文方法对两组数据的总体分类精度分别为96.4％和97.6％,且具有较好的时效性.     

基于面向对象的长株潭地区遥感影像分类方法

结合Landsat TM遥感影像和环境减灾卫星HJ-1-A、B影像数据,基于面向对象的遥感影像分类技术实现长株潭地区土地利用/覆被的分类提取.综合利用隶属度函数和最邻近分类方法设置分类规则,逐步提取林地、湿地、耕地、人工表面的地物信息.以地形复杂多样的长株潭地区为研究区,收集整理具有代表性的样点用于分类和精度评价.结果表明,利用隶属度函数方法分类结果基本能满足生产者和用户的需要,但是林地、耕地内部二级类精度相对较低,错分比较严重,采用最邻近分类优化分类结果后,研究区总体分类精度达到86.05%,耕地和林地一级类分类精度分别提高到73.63%和87.1%.     

基于像元二分模型的植被覆盖度遥感信息提取

植被覆盖度是衡量地表植被覆盖的一个重要指标,在许多方面作为重要参数输入。本文利用Landsat-7卫星提供的1999年ETM+遥感影像和Landsat-5卫星提供的2007年TM遥感影像,以定西市安定区为研究区域,对遥感影像进行了归一化植被指数(NDVI)的提取,并根据像元二分模型原理计算出研究区的植被覆盖度。从结果中可看出研究区西南部植被覆盖有所增加,东北部植被覆盖有所退化。     

基于像元二分模型的植被慰盖度遥感信息提取

植被覆盖度是衡量地表植被覆盖的一个重要指标,在许多方面作为重要参数输入。本文利用Landsat-7卫星提供的1999年ETM＋遥感影像和Landsat-5卫星提供的2007年TM遥感影像,以定西市安定区为研究区域,对遥感影像进行了归一化植被指数（NDVI）的提取,并根据像元二分模型原理计算出研究区的植被覆盖度。从结果中可看出研究区西南部植被覆盖有所增加,东北部植被覆盖有所退化。     

基于GF-2号卫星影像的土地利用变化监测研究

针对土地利用变化中局部像斑变化较难提取和自动化监测较难实现等问题,该文提出了一种基于类别的矢量图与遥感影像变化检测方法。在矢量图约束下,对遥感影像进行影像分割获取像斑;提取像斑在遥感影像上的直方图特征,采用G统计量度量像斑之间的特征距离;利用像斑与其他相同类别像斑之间的特征距离,构建单波段上像斑的类别异质度,自适应加权组合各波段上像斑的类别异质度构建像斑的类别异质度;依据最大熵方法获取各地物类别对应的异质度阈值,以类别为单位对各像斑进行变化判别,获取变化检测结果。在GF-2号卫星影像上的实验验证了该方法的有效性,实现了矢量图与遥感影像的自动变化检测。