基于光谱与纹理信息的Worldview-2影像地物分类

高分辨率遥感影像分类是遥感影像处理领域中的一个重要的研究方向.选取Worldview-2影像,分别以光谱信息和光谱结合纹理信息为分类数据,采用最大似然法(MLC)和支持向量机法(SVM)进行监督分类,用混淆矩阵对分类结果进行评价.结果表明,9×9为最佳纹理窗口;SVM法分类精度明显优于MLC法;基于光谱结合纹理信息的分类精度明显优于单纯基于光谱信息的分类结果.辅以影像纹理特征,采用SVM法可以较为有效提取Worldview-2地物信息.     

基于光谱与纹理信息的Worldview-2影像地物分类

高分辨率遥感影像分类是遥感影像处理领域中的一个重要的研究方向.选取Worldview-2影像,分别以光谱信息和光谱结合纹理信息为分类数据,采用最大似然法(MLC)和支持向量机法(SVM)进行监督分类,用混淆矩阵对分类结果进行评价.结果表明,9×9为最佳纹理窗口;SVM法分类精度明显优于MLC法;基于光谱结合纹理信息的分类精度明显优于单纯基于光谱信息的分类结果.辅以影像纹理特征,采用SVM法可以较为有效提取Worldview-2地物信息.     

纹理信息在遥感影像分类中的应用

从不同森林类型的纹理差异入手,首先利用离散小波变换提取出图像的纹理特征,然后利用面向对象分类方法将纹理信息与原有的光谱信息结合进行分类。对小波变换提取纹理信息的分解层数、滑动窗口及纹理测度等问题进行系统的分析,并找出了有效反映植被纹理差异性的6个纹理特征因子。该方法可用于解决林业遥感中的诸如林种、树种的分类等问题。最后得到的总体分类精度达到92.7 %,与传统的基于像素的分类方法相比效果有所提高。 关键词：森林类型分类;高分辨率影像;纹理;小波变换     

辅以纹理特征的植被分类方法研究

纹理是遥感影像处理和计算机视觉领域中的重要研究内容,在植被遥感中有着非常广泛的应用前景。本文主要讨论在面向对象,多尺度分割的基础上,分别基于光谱信息和纹理特征的最邻近分类法提取南京某新开发区的植被信息。研究结果表明,与传统的基于光谱信息和基于象元特征的分类法相比,辅以纹理特征的最邻近分类法的总体精度分别提高了6.36%和1.16%。     

Gabor滤波器在高分一号影像纹理提取中的应用

为了有效获取高分辨率影像的纹理特征,以覆盖黑龙江省穆棱市的高分一号影像为研究对象,选用在二维测不准的情况下对信号空间域和频率域描述最佳的Gabor滤波器进行影像的纹理特征分析提取。通过分析二维Gabor函数中不同参数之间的相互关系,计算自适应滤波器参数组,有效获取高分影像的纹理特征。结果表明:利用二维Gabor滤波器自适应参数组能够对遥感影像进行不同方向纹理信息提取,且30°,60°,120°,150°滤波方向上能明显提取纹理特征;当滤波器的中心频率稳定在0.27时,影像在120°方向的信息熵值达到了最高值5.823 6,说明在该频率该方向上提取到的纹理信息最丰富;采用最大似然分类方法验证Gabor滤波器的纹理特征提取效果,实验表明利用Gabor滤波器提取纹理特征辅助高分一号影像分类的Kappa系数和总精度分别达到0.843 2%和87.924 3%,明显高于不加入纹理特征的遥感影像分类精度的0.778 1和82.983 0%.证明Gabor滤波器能够较好提取高分辨率影像纹理信息特征。     

融合物候及纹理特征的茉莉花种植区提取研究

为充分挖掘图像时序物候信息、几何空间、纹理特征在农作物监测提取研究上的优势，本研究通过构建物候参数与纹理特征的方法对广西横州市茉莉花（Jasminum sambac）种植区进行提取，该方法通过增强型时空自适应反射率融合模型（ESTARFM）融合年度内“高空间-低时间”“高时间-低空间”的遥感图像，重建生成年度中低尺度的卫星影像，获取研究区内不同植被的物候信息参数，并结合地物光谱信息提取地物纹理特征。选取物候参数、纹理特征作为茉莉花种植区分类提取信息，对不同的参数特征进行组合，开展分类对比和综合精度量化评价。结果表明，重建时序归一化植被指数（NDVI）数据结合物候参数及纹理特征的茉莉花种植区提取方法，总体分类精度达到88.36%，Kappa系数为0.863 3，在中低尺度多光谱影像遥感数据“时空信息”的缺失下对茉莉花种植区提取具有良好的效果。     

融合多尺度纹理特征森林资源信息提取

基于SPOT-5多光谱和全色影像进行图像融合,构造NDVI植被指数,提取多尺度纹理特征并参与分类;基于SVM方法进行森林资源植被分类.结果表明:高通滤波(HPF)为最佳的图像融合方法,与单尺度纹理与光谱信息融合的分类相比,多尺度纹理与光谱信息融合的分类方法总精度提高了3%,验证了新方法的可行性.     

加入空间纹理信息的遥感图像道路提取

由于道路与建筑物等其他不透水层存在光谱相似性,导致仅利用光谱信息进行道路提取的效果不佳.本文针对高等级城市道路目标,提出了一种加入空间纹理信息的遥感图像道路提取方法.首先,对图像进行空间自相关Moran指数计算,提取图像空间纹理信息,并将其加入到原始光谱波段中;其次,通过建立知识模提取假设道路段,并对提取结果进行假设验证;最后,采用数学形态学的方法对验证后的结果进行后处理.以空间分辨率为0.1m的航空影像为数据源,对本方法进行实验.实验结果表明,加入空间纹理信息的遥感图像道路提取精度总体达到88%,比不加入空间纹理的提取精度要提高约5%.     

基于定量遥感产品的土地覆盖分类方法研究

准确进行土地覆盖类型提取具有重要的实际应用价值,但是目前常用的分类数据较为单一,通常使用地物反射率数据或植被指数,较少使用定量遥感产品.为此,本文使用反照率等产品评价定量遥感产品在地物分类中的实际应用效果.提取定量遥感产品的年平均值、标准差等特征作为地物分类依据,运用随机森林分类方法建立中国地区土地覆盖分类的自学习模型,与仅用地物反射率和NDVI数据进行分类的结果进行比对.结果显示,定量遥感产品辅助下的随机森林模型宏观尺度土地覆盖分类方法的总体精度为89.8%,Kappa系数为0.86,比仅用反射率和NDVI数据进行土地覆盖分类的总体精度提高了12.9个百分点;通过下降梯度法对分类特征的重要性进行评价,发现叶面积指数和反照率2种定量遥感产品在土地覆盖分类模型中重要性较大.结果表明,定量遥感产品用于土地覆盖类型的信息提取,会提高资源环境要素提取的精度,本文方法可为地物分类提供新的思路.     

结合多特征的高光谱遥感土地利用信息提取

【目的】为了降低高光谱遥感数据噪声,提高土地利用分类信息提取精度,探索结合纹理和空间信息的分类方法。【方法】以河南镇平县Hyperion高光谱成像光谱仪获取的高光谱影像为材料,借鉴决策树分类思想,采用了一种结合了光谱、纹理和空间信息的高光谱遥感多特征地类提取方法,先通过提取光谱特征初步提取地类,再分别采用提取纹理特征和基于空间信息的植被提取进行详细地类信息的分层提取,最后,用地面实测样点验证各类土地利用类型的分类精度,比较了用不同方法对不同地类的提取效果。【结果】结合多特征的地类分层提取体系中,采用各波段光谱反射率区分大的地类,再用纹理特征进行光谱差异较小的地类划分,而基于空间信息进行植被分类。通过结合纹理和空间信息提取方法的总分类精度达86.7%,较最大似然法分类精度提高13.3%。【结论】高光谱与纹理和空间信息相结合的遥感分类方法能有效减小噪声,提高分类精度,可为土地利用分类提取研究提供一定的参考。     

基于多特征的高光谱遥感土地利用信息提取

【目的】为了降低高光谱遥感数据噪声,提高土地利用分类信息提取精度,探索结合纹理和空间信息的分类方法。【方法】以河南镇平县Hyperion高光谱成像光谱仪获取的高光谱影像为数据源,借鉴决策树分类思想,采用了一种结合光谱、纹理和空间信息的高光谱遥感多特征地类提取方法,先通过提取光谱特征初步提取地类,再分别采用提取纹理特征和基于空间信息的植被提取进行详细地类信息的分层提取,最后,用地面实测样点验证各类土地利用类型的分类精度,比较了用不同方法对不同地类的提取效果。【结果】基于多特征的地类分层提取体系中,采用各波段光谱反射率区分大的地类,再用纹理特征进行光谱差异较小的地类划分,而基于空间信息进行植被的分类。通过结合纹理和空间信息提取方法的总分类精度达86.7%,较最大似然法分类精度提高13.3%。【结论】高光谱与纹理和空间信息相结合的遥感分类方法能有效减小噪声,提高分类精度,可为土地利用分类提取研究提供一定的参考。     

基于BP神经网络的石漠化遥感影像分类方法的探讨

以由DEM数据提取出的坡度、地形特征信息与TM遥感影像的光谱信息相结合,应用BP神经网络方法进行石漠化遥感影像分类。并对比了BP神经网络分类法、ISODATA分类法、最大似然法三种分类方法。结果表明BP神经网络分类法有效地提高了石漠化信息的遥感分类精度。     

高空间分辨率遥感影像小波域分形纹理特征提取

融合小波多尺度分析方法及分形纹理提取方法在遥感影像信息提取方面的优势,提出高分辨率遥感影像小波域分形纹理特征计算方法,以获取地物多尺度分形纹理属性,为遥感影像地类识别提供更好的标识.首先对遥感影像进行小波多尺度分解,进而基于DBC、多重分形纹理计算方法在各个分解层上提取地物纹理特征,通过比较分析,从中选取更为有效的小波域分形纹理特征.基于该方法,利用福州市高空间分辨率QuickBird遥感影像进行试验,并对QuickBird影像进行三级小波分解及纹理提取,结果表明:小波第一、第二分解层粗影像(CA1、CA2)及三方向平均细节影像(L1、L2)的DBC空隙特征及多重分形分维数结果作为最终甄选的小波域分形纹理特征更为合适.     

基于信息量的高分辨率影像纹理提取的研究

从纹理提取方法入手,对影响遥感影像纹理提取精度的因素进行了分析。结果表明：移动窗口大小是影响基于灰度共生矩阵纹理提取的主要因素,对于高分辨率遥感影像,为了保持纹理融合影像信息量的丰富度,适宜的移动窗口选择范围为9×9至15×15之间。通过计算不同窗口大小的OIF值进行纹理组合的选择,得出对于较小的移动窗口3×3与5×5,纹理ME、HO与CR的组合将获得最丰富的纹理信息;对于窗口7×7至17×17,纹理VA、HO与CR的组合最适宜;而窗口大于17×17时,纹理VA、CO与SM的组合将会带来更丰富有效的纹理信息。对不同移动窗口下纹理组合的分类精度评价结果显示,适宜移动窗口下(9×9至17×17),VA、HO与CR纹理组合可提高高分辨率影像的信息提取精度。     

基于面向对象方法的天津市滨海新区湿地信息提取

基于天津市滨海新区2021年的Sentinel-2遥感影像数据,针对传统遥感影像湿地分类的不确定性问题,选择了面向对象分层分类的方法。采用面向对象多尺度分割算法,依据地物光谱异质性特征将遥感影像分割为光谱相似的对象,再结合不同地物的光谱指数、空间几何特征、纹理特征构建层次模型,分层提取湿地信息。分类效果同随机森林分类方法相比较,结果表明：利用面向对象的分层分类方法总体分类精度达到91.75%,Kappa系数为0.91,分类结果“斑驳现象”减少,湿地边界清晰完整。     

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。     

一种高光谱遥感影像的三维卷积神经网络语义分割方法

高光谱图像具有丰富的光谱信息和空间信息,综合运用空间特征和光谱特征是提高高光谱图像分类精度的关键.针对传统二维的卷积神经网络无法充分利用高光谱丰富光谱信息的问题,设计一种基于三维卷积神经网络(Three-dimensional convolutional neural network, 3D-CNN)的深度卷积编解码网络,将三维卷积神经网络引入编码结构,同时提取光谱和空间特征,并且在池化层引入池化索引策略;解码部分利用最大池化索引上采样操作.两个高光谱遥感影像公开数据集的分类实验结果表明,实现了高光谱的空间和光谱特征的融合提取,较基于2D-CNN的分类方法能够获得更高的分类精度.     

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.     

鄱阳湖滨湖区多季相Landsat 8 OLI数据遴选及其土地利用/覆被遥感分类提取

鄱阳湖滨湖地区是中国南方内陆浅水型湖泊滨岸带与红壤丘陵交错的典型区域。研究以江西省上饶市鄱阳县为例,在ENVI遥感平台的支持下,利用2014年多季相Landsat 8 OLI遥感影像数据资料,通过实地土地利用/覆被调查与地物光谱分离度分析进行遥感数据遴选,对优选数据采用马氏距离(MD)法、最大似然(ML)分类器、人工神经网络(ANN)分类器、支持向量机(SVM)分类器、光谱信息散度(SID)分类器、波谱角分类器(SAM)等8种监督分类方法进行监督分类。在先验知识和野外调查数据的基础上,对分类结果进行分析;然后通过总体分类精度、混淆矩阵和Kappa系数对几种分类器的精度进行评价和比较。并针对鄱阳湖滨湖地区土地利用/覆盖分类问题探究几种遥感分类方法的优劣,挑选最适用遥感分类方法。结果表明:在鄱阳湖滨湖地区,各季节影像中地表光谱可分性在8月达到最佳值,期间所获取是优选数据,有利于遥感分类识别;人工神经网络法、支持向量机法(SVM)具有较好的的分类效果和分类精度,总体分类精度96%,Kappa系数0.94。总体上讲,SVM分类器的分类精度和Kappa系数都要优于其他分类器,相比之下7-10月获取的影像更适合于鄱阳湖滨湖地区土地利用/覆被的遥感识别和提取。通过遥感数据最优遴选,并结合优选遥感分类器,可以显著提高鄱阳湖滨湖区土地利用/覆盖信息提取效率和遥感高精度分类的总体精度,有助于提升该地区大范围土地利用/覆盖遥感宏观监测的可靠性和精准度。     

结合植被覆盖度指数的土地覆盖分类方法研究

基于Landsat 8 OLI反射率数据,结合定量遥感反演植被覆盖度（fractional vegetation cover, FVC）提取的植被物候特征数据,对比了神经网络、支持向量机和随机森林3种土地覆盖分类方法．结果表明:随机森林分类方法具有较好的结果,反射率结合植被特征数据的分类方法的总体精度为85.52%,Kappa系数为0.8212,比仅用反射率的土地覆盖分类总体精度提高了3.45百分点,Kappa系数提高0.0429;植被覆盖度提取的植被特征数据能有效改善耕地、草地和裸地的制图精度和用户精度,对林地与水体的用户精度分别提高了7.79百分点与1.81百分点,灌木与人造地表的制图精度分别提升了7.69百分点与0.59百分点．整体来看,结合植被覆盖度及其派生植被特征进行土地覆盖信息的提取,在简单易行的同时,为提高分类精度提供了有效支持．