基于模糊理论的混合像元分类方法

为了解决遥感影像中混合像元的分类问题,主要介绍遥感影像混合像元的模糊分类思想和模糊分类模型,研究模糊模型的分类优缺点以及其适用条件.并与最大似然分类进行分析和比较,结果表明:应用模糊分类模型对混合像元的分类更合理,精度更高,效果更好.验证了模糊理论对混合像元的分类的优势.     

不同引力范围下二次引力模型亚像元定位研究

为进一步提高亚像元级遥感影像分类精度,研究开展了基于空间引力模型(spatial attraction model,SAM)和像元交换模型(pixel swapping model,PSM)有机结合的二次引力计算模型(double-calculated spatial gravity model,DSGM)亚像元定位实验;并对不同引力范围下的模型精度进行验证。研究中,利用空间引力模型改进像元交换模型初始化算法;并相应的对像元交换模型优化算法进行改进。其中,实验数据为人工影像数据和美国威斯康星州典型农业区的Landsat 8遥感影像数据。结果表明,当退化尺度为4时,在环绕空间关系下,利用二次引力计算模型对人工影像和遥感影像进行亚像元定位精度较空间引力模型和像元交换模型均有所提高。可见基于二次引力计算的亚像元定位模型精度均优于空间引力模型和像元交换模型,证明所提亚像元定位方法具有一定可行性和适用性,为更好地突破遥感影像空间分辨率的限制提供了新的思路。     

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%.     

一种基于高斯马尔可夫随机场模型的混合像元分解方法

传统的混合像元分解模型只考虑了光谱信息,而忽略了空间相关信息的利用.事实上遥感影像以及分解后获得的组分影像都具有空间自相关关系.本研究提出利用高斯马尔可夫随机场模型来描述组分空间相关的特性,构建一种综合利用影像光谱和空间信息的混合像元模型,以提高混合像元分解精度.利用模拟与真实的数据证实了本文方法的有效性,一定程度上能...     

基于最小体积约束的非负矩阵分解模型的高光谱解混算法探究

高光谱遥感图像中,遥感影像的分类精度和地物识别会因混合像元的存在而受到影响,从而限制了遥感科学向定量化发展.基于最小体积约束的非负矩阵分解方法,不仅不需要假定纯像元的存在,而且在自动提取端元的同时获取对应的丰度图,这种非监督的光谱解混技术克服了传统方法的限制条件,为高光谱图像中混合像元问题的解决提供了新的思路和方法.     

基于模糊聚类SVM的混合像元分类方法

针对遥感影像分类过程中混合像元难判别的问题,提出一种基于Gustafson-Kessel模糊聚类算法的支持向量机(SVM)分类模型.以Gustafson-Kessel算法优选训练样本方式提高支持向量机的分类性能.为验证其有效性,将该模型应用于森林覆盖类别分类,并与标准支持向量机模型分类结果对比.实验结果表明,该方法能提高支持向量机对混合像元划分的精度.     

提高城市TM图像分类精度的两种方法比较

城市遥感图像分类是获取城市绿地空间分布状况的基础,然而混合像元的存在导致分类精度不高.因此,提出了混合像元分解模型结合神经网络法(MPD-NN法),利用其对北京市TM图像进行地物分类,并与较常用的决策树法分类结果比较,研究在图像现有空间分辨率的条件下提高城市分类精度.结果表明,MPD-NN法分类可较为有效地处理城市遥感图像存在的混合像元问题,可以提高城市分类精度,分类精度高于决策树法,其总体精度和Kappa精度均将近90%,水体、草地、农田、裸地、林地的分类精度在85%以上,高密度建筑区、低密度建筑区、水泥地的分类精度接近80%,也均高于决策树法,是遥感分类较精确识别城市下垫面地物的一种可行方法.     

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。     

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。     

基于空间光谱信息协同的城市不透水层提取方法比较研究

【目的】利用不同的端元提取方法及混合像元分解算法计算南京市2018年城市不透水层覆盖度,评估各方法的精度,为城市可持续发展提供可靠的基础数据支撑。【方法】采用Landsat 8 OLI遥感影像,基于像元纯度指数(pixel purity index,PPI)并考虑空间光谱信息协同提出空间像元纯度指数(spatial pixel purity index,SPPI),精炼提纯植被、裸土、高反照度不透水层及低反照度不透水层4种类型端元,利用线性混合光谱模型(linear mixed spectral model,LMM)、混合调制匹配滤波(mixture tuned matched filtering,MTMF)、双线性混合光谱模型(bilinear mixed spectral model,BMM)及BP神经网络(BP neural network,BPNN)算法提取南京城市不透水层,采用同年的Google Earth遥感影像目视解译结果对提取的不透水层丰度进行精度验证。【结果】SPPI能有效结合多光谱波段的光谱信息和全色波段的空间信息,提高端元提取精度并减少计算量;同时,基于SPPI的BP神经网络算法提取精度最高,为90.45%;而基于PPI的线性混合光谱模型精度最低,为80.62%。BP神经网络算法在复杂城市中的解混精度高于线性混合光谱模型、混合调制匹配滤波和双线性混合光谱模型。【结论】采用全色波段像元亮度空间异质性辅助提取端元的方法,用空间信息弥补多光谱波段光谱信息较少的缺点,对于改进或发展适用于中/高分辨率多光谱影像的端元提取方法具有一定的参考价值,将其与神经网络模型结合可以在城市不透水层提取中推广应用。