基于面向对象和CART决策树方法的遥感影像湿地变化检测研究——以龙祥岛地区为例

以乌龙江流域龙祥岛地区为研究区,以两期不同水位的Landsat-8 OLI影像与高分一号(GF-1)PMS1影像为数据源,经过面向对象的分割技术,以CART(Classification And Regression Tree,CART)决策树方法挖掘不同地类的特征指数阈值,提取出该地区滩涂湿地并根据水位值进行变化检测分析.研究表明:GF-1 PMS1传感器8 m分辨率影像可以与Landsat-8 OLI传感器15 m分辨率影像结合进行变化检测,总体分类精度分别达到0.89和0.92;CART决策树算法与面向对象的分类方法相结合可以获得很好的分类效果,对于湿地滩涂信息提取具有高效快捷的优势,这种方法随着多元遥感的发展将展现巨大的应用潜力;水位变化对湿地滩涂的影响可以通过遥感影像进行检测分析,两期影像T1与T2两时刻水位高程分别为3.34 m与3.56 m,水位变化0.22 m,T1时刻河流水面面积为1 811.09 hm~2,T2时刻河流水面面积为2 092.34hm~2,两期变化增加的水面面积为281.25 hm~2,未变化面积为1 778.47 hm~2,占T1时刻总面积的98.20%,T1时刻内陆滩涂转化为T2时刻河流水面的面积为244.91 hm~2,占T1时刻内陆滩涂总面积的34.60%.     

多源遥感影像数据融合的理论与技术

目的 探讨多源遥感影像数据融合技术,包括融合概念、融合原理、融合算法、融合效果评价。方法 对于不同空间分辨率、时间分辨率和波谱分辨率的遥感图像进行综合分析,提出像素级、特征级、决策级遥感影像融合的方法及用信息论的理论建立融合影像评价系统。结果 信息融合可分为3个层次：像素级、特征级和决策级融合;像素级融合信息损失最小,决策级融合信息损失最大;像素级融合精度最高,决策级融合精度最低。结论 对同一地区的多源遥感影像数据进行融合,可以产生比单一信息源更准确、更完全、更可靠的估计和判断,可以提高影像的空间分辨率和清晰度,有效提高遥感影像数据的利用率等。     

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。     

基于最优特征空间构建的随机森林算法在WorldView-2影像分类中的适用性研究

目前面向对象的分类研究中,对于研究区影像的分割尺度问题多以试验者的多次试验以及主观推断为主,缺乏定量化的评价标准。同时,在对遥感影像分类的算法选择以及在分类过程中,有效特征空间的选取均存在一定程度的主观性。针对遥感影像面向对象分类过程中分割尺度选择盲目及分类空间构造主观性较强的问题,以World View-2遥感影像数据为例,首先利用改进的全局最优分割尺度的方法获取研究区影像的最优分割尺度,在此基础上选取了研究区分割对象的48个特征,利用OOB误分率对各个特征的重要性排序;然后按重要性顺序以5为步长讨论特征数量对分类精度的影响,构建了用于分类的最优特征空间;最后将采用最优特征空间的随机森林算法获得的最佳分类结果,与面向对象的最邻近像元、决策树以及支持向量机分类算法进行了比较。结果表明,用于分类的特征数量与分类精度之间,并不是简单的正相关关系;与面向对象的最邻近像元、决策树以及支持向量机分类算法相比,利用最优特征空间进行随机森林分类的分类精度最高,表明该方法更适合于高分辨率World View-2数据的分类。     

基于规则的遥感影像分类方法研究——以黄山市为例

介绍了决策树C4.5算法,并利用该算法实现了对遥感数据规则的挖掘,在此基础上设计并实现了针对于C4.5规则的编辑器,通过该编辑器能够实现对规则的编辑与管理。规则编辑器的设计与实现,为在分类过程中人工的干预提供了可能。将人工干预与基于数学理论规则的自动提取相结合,尤其是在地形较复杂的地区,将有利于分类精度的提高。利用黄山市Land Sat TM影像,进行了基于C4.5算法自动提取规则的遥感影像分类实验。实验结果表明,利用C4.5算法提取的分类规则准确率高,利用提取的分类规则进行的遥感影像分类效果较好。     

多源多分辨率遥感影像黄海绿潮监测能力分析

绿潮遥感监测手段受时间分辨率、空间分辨率和天气等因素的限制,难以实现大规模、连续且高精度的绿潮检测,为了弥补遥感影像时间分辨率和空间分辨率低的问题,基于多源多分辨率的遥感影像,结合归一化植被指数法(NDVI)对GF-1PMS、Landsat 8和MODIS的同步影像进行绿潮监测能力分析,并在此基础上利用多源多分辨率影像对2017年绿潮爆发过程进行高时间序列的绿潮监测。结果表明,Landsat 8数据的监测结果与GF-1PMS数据相比产生了6.76%～39.66%的偏差;MODIS数据的监测结果与GF-1PMS数据相比产生了410.4%～1128.8%的偏差,主要原因是空间分辨率导致的混合像元效应。     

基于GF-1 PMS影像的土地利用/覆盖分类研究

土地利用/覆盖变化是当前全球环境变化的重要内容之一,而土地利用/覆盖分类是其基础工作之一。以萍乡市区为研究区,利用国产GF-1 PMS影像为基础数据,采用最小距离、最大似然法、平行六面体和支持向量机四种监督分类法进行了土地利用/覆盖分类试验研究。结果表明:最大似然法和支持向量机分类算法具有更好的分类精度,总体精度分别为93.3和96.03,Kappa系数分别为0.917 2和0.948 7,而最小距离法和平行六面体的精度则差很多。由于GF-1 PMS的多光谱波段和全色波段的空间分辨率分别为8 m和2 m,因而支持向量机分类结果可以满足很多水文、生态等模型的需要。     

多源数据结合的高分一号土地利用/覆盖分类方法研究

基于多时相的GF-1数据获取NDVI时序变化、NDWI和MNDVI等指数图像数据，辅以Landsat8卫星OLI影像和数字高程模型(DEM)数据，得到了不同地物在光谱、时相和形状等方面的特征；通过分析各种地物类型在这些特征上的差异和变化规律，总结出不同地物的特征提取规则，构建了一种基于GF-1数据在地物复杂地区的土地利用/覆盖分类方法，并以广州市为实验区，运用该方法、最大似然法和最小距离法进行了土地利用/覆盖分类及其精度评价.结果显示:基于GF-1数据在地物复杂地区的土地利用/覆盖分类方法的总体精度为85.86%(部分地物分类精度达到95%以上)，与最大似然法及最小距离法相比，其总体精度分别提高了4.62%和12.24%，说明该方法能够更好地发挥GF-1遥感数据在土地利用/覆盖分类中的实际应用潜力，且有效提高了各种土地利用/覆盖地物类别的分类精度.     

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。     

一种融合特征选择的AdaBoost集成算法

针对Ada Boost算法训练分类器的特征具有大量冗余问题,提出了一种融合特征选择的Ada Boost集成算法.首先,使用一种特征选取方法,选择图像特征之间冗余度最小的特征,构造最优训练集;其次,采用Ada Boost算法训练分类器,构建分类模型;最后,使用分类模型实现待标注图像的自动标注.实验使用华盛顿大学用于图像自动标注的数据集,结果验证算法的有效性,并且相比其他传统算法,该算法具有更高的分类精度.     

D-SS Frame: deep spectral-spatial feature extraction and fusion for classification of panchromatic and multispectral images

Facing the very high-resolution( VHR) image classification problem,a feature extraction and fusion framework is presented for VHR panchromatic and multispectral image classification based on deep learning techniques. The proposed approach combines spectral and spatial information based on the fusion of features extracted from panchromatic( PAN) and multispectral( MS) images using sparse autoencoder and its deep version. There are three steps in the proposed method,the first one is to extract spatial information of PAN image,and the second one is to describe spectral information of MS image. Finally,in the third step,the features obtained from PAN and MS images are concatenated directly as a simple fusion feature. The classification is performed using the support vector machine( SVM) and the experiments carried out on two datasets with very high spatial resolution. MS and PAN images from WorldView-2 satellite indicate that the classifier provides an efficient solution and demonstrate that the fusion of the features extracted by deep learning techniques from PAN and MS images performs better than that when these techniques are used separately. In addition,this framework shows that deep learning models can extract and fuse spatial and spectral information greatly,and have huge potential to achieve higher accuracy for classification of multispectral and panchromatic images.     

基于局部Haar和PHOG特征的月球撞击坑综合检测方法

基于月貌图像的撞击坑的检测需要采用合理的特征选择和机器学习策略,我们提出了一种基于区域局部灰度和梯度分布特征与机器学习方法相结合的撞击坑检测方法．这种方法将Haar特征与AdaBoost结合,使候选撞击坑区域的定位更加快捷,采用局部区域的塔式梯度方向直方图（PHOG）与高效的支持向量机学习算法相结合的方法用来精确地对撞击坑候选区域进行分类．考虑到Haar特征数的繁多而采用AdaBoost作为特征提取和分类方法,并由于PHOG特征的每一项都对分类起作用,将撞击坑区域统一预处理为不含阴阳面的各向梯度向量基本一致的圆形模糊边界,使圆形撞击坑的正样本特征具备更多的稳定性．文中还讨论了几种特征和分类方法的机理和集成,以及参数调整对撞击坑检测的效率分析．     

基于改进粒子滤波的视觉目标跟踪

针对目标跟踪算法在精度和鲁棒性上的要求,提出一种基于改进粒子滤波的视觉目标跟踪算法.首先,建立多种特征来描述目标外观模型,并对各特征分量的加权系数进行自适应调节;然后,利用分类重采样方法解决原始重采样方法中的粒子退化和匮乏问题;最后,提出一种新的模板更新机制,自适应选取运动模板或原始模板.实验结果表明,改进后的算法在具有挑战的跟踪视频序列上实验,具有良好的跟踪精度和鲁棒性,能够应对视频图像分辨率不高、目标转动变化、部分遮挡等复杂条件.     

基于多时相高分四号影像的雪盖范围提取

积雪覆盖监测是地球科学研究的基础,对于研究全球气候变化,开展防灾减灾救灾等工作都有重要的意义.高分四号卫星是我国高分辨率对地观测系统重大专项中唯一一颗民用高轨卫星,也是世界上首颗静止轨道高分辨率光学成像卫星,其机动灵活、高频次观测能力在积雪遥感业务化监测中具有广阔的应用前景.该文利用高分四号卫星多谱段、高时效、大幅宽和中分辨率等成像优势,紧密结合积雪和移动云层在多时相图像上的反射特点,提出了基于多时相高分四号卫星数据的积雪覆盖范围提取方法.首先对高分四号卫星全色图像进行二值化分割以消除低反射目标的影响;然后对多时相云雪覆盖区域进行合成来剔除移动云层的干扰;在此基础上,利用云、雪在多时相近红外图像上反射值变化的差异性,通过对多时相高分四号卫星近红外图像的最小值合成和阈值分割精细化地提取积雪覆盖范围,进一步去除变化云层的影响.以新疆中西部为试验区,通过与基于HJ-1B卫星的积雪覆盖结果比较,实验表明：两类数据提取的积雪空间分布具有较好的趋势一致性,高分四号卫星影像监测积雪范围更广,总体精度达92.19%,高于HJ-1B卫星图像的89.84%;但受空间分辨率和“不变云层”的影响,基于高分四号卫星影像的积雪识别精度为85.16%,低于基于HJ-1B卫星图像的识别精度94.53%.     

基于非参数分类算法和多源遥感数据的单木树种分类

【目的】通过研究随机森林(random forest, RF)特征筛选对单木树种分类精度的影响,以及多源遥感数据协同下单木树种分类的有效性,分析不同特征对单木树种分类的影响程度。【方法】以东北林业大学帽儿山实验林场中林施业区的两块100 m×100 m样地为研究对象,首先,以机载激光雷达(LiDAR,light detection and ranging)和多光谱遥感CCD(charge coupled device)影像为数据源,分别基于机载LiDAR数据提取高度、强度和树冠大小等共37个特征,基于CCD影像提取光谱和纹理共21个特征;其次,以随机森林方法进行特征筛选,之后以随机森林和支持向量机(support vector machine, SVM)两种非参数分类器,结合不同数据源和特征,采用12种分类方案,利用总体精度(overall accuracy, OA)、用户精度(user’s accuracy, UA)和生产者精度(producer’s accuracy, PA)对分类结果进行对比与精度评价。【结果】经随机森林特征筛选后,分类结果优于未进行特征筛选的结果,总体精度可以平均提高3.47%,使用机载LiDAR和CCD影像协同分类相较于仅使用CCD影像总体精度平均提高6.07%。【结论】随机森林特征筛选可以优化特征,减少特征冗余,提高分类精度;多源数据结合也可以提高分类精度;在多源数据结合时,光谱特征最重要,LiDAR提取的强度特征相较于高度特征更稳定。     

基于卷积神经网络的布料疵点检测方法

针对传统布料疵点检测准确率低、识别较慢且计算量大问题,提出基于卷积神经网络的布料疵点检测方法,实现增强布料疵点检测鲁棒性、高效性的设计目标。为保证训练结果准确,首先采集数量以千万级为单位的布料图像并进行图像预处理,标记无疵点布料和疵点布料;然后将图像送入设计的卷积神经网络进行训练和测试,获取疵点检测框;紧接着采用改进的NMS分类算法对检测框进行多框合并,减少误检,进一步提高模型检测效果;最后利用设计的特征图分割算法使网络模型脱离GPU显存限制,适用于各种性能计算机。实验结果表明该方法可在实现布料检测高速度、高准确率的同时增强检测方法的鲁棒性。实际检测速度为3fps,准确率可达99.6%,超过现有疵点检测算法,表明该检测方法可应用于对布料要求更高的生产企业。     

基于特征优选的随机森林算法在湿地信息提取中的应用——以湖北洪湖湿地自然保护区为例

以湖北洪湖湿地自然保护区为研究区,采用随机森林算法对研究区内湿地信息提取.以Sentinel-2A遥感影像为数据源提取光谱特征、植被指数、水体指数、红边指数、纹理特征等特征变量,在随机森林算法框架下,对不同特征变量进行特征重要性评估,比较分类后精度并对特征组合进行优选.将基于随机森林算法的分类精度与传统的基于像元的支持向量机分类方法和最大似然分类方法的分类精度相比较,并通过双比例Z检验比较各算法中正确分类像元的比例统计各分类算法之间的分布差异.结果表明： 1) 特征个数为13时,分类精度达到最大,随着特征个数的增多,分类精度呈现波动减小的趋势; 2) 特征变量中蓝光波段重要性得分最高,达到2.85,可见光(B2、B3)与红边指数(IRECI、MCARI)重要性排名靠前,对于提取湖泊湿地信息具有重要意义; 3) 基于特征优选的随机森林方法分类精度优于支持向量机和最大似然法分类后的精度,其总体精度分别高出6.02%和7.57%;经检验, χ2分别达到25.891和38.895,具有显著差异,表明基于特征优选的随机森林算法分类对湿地信息提取发挥重要作用。