基于对象的高分辨率影像荒漠植被信息的提取

为获得高分辨率影像荒漠植被信息的专家知识库,采用多尺度分割技术,探索荒漠植被信息的光谱特征、纹理特征和上下文特征,建立荒漠植被信息与特征之间的对应关系.结果表明,通过多尺度分割,可体现土地覆盖的层次性.同时,在专家知识库的基础上,基于对象分类法的精度相对比较高,总体分类精度为85.96%,Kappa系数为0.81,分类结果没有"椒盐现象",且各种地物图斑边界明确而规整,易于分类后处理.     

高分辨率遥感影像自动分类方法研究

近年来,高分辨率遥感影像在土地利用分类工作中被广泛使用,采用计算机自动分类的方法可以提高分类的工作效率.该文讨论了自动分类处理的流程,自动分类的主要方法,列举了典型的分类案例,分析自动分类中存在的困难,并提出了解决的思路.     

基于DCNN的高分辨率遥感影像场景分类

针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显著提升了分类精度.     

基于迁移学习的高分辨率遥感影像场景分类研究

对于小样本集合的遥感影像场景分类问题,采取了一种基于迁移学习的卷积神经网络高分辨率遥感影像识别方法,通过深度卷积神经网络Inception-v4在ImageNet上训练,得到预训练模型以及相应的初始化参数,随后将小样本遥感数据按比例划分注入预训练模型当中,根据样本集合特征,不断调整网络参数以便获得最佳识别分类模型.最后将本文的方法与现有的场景分类方法进行实验对比,测得该方法在UC merced land use场景影像数据集上取得97.92%的准确率,有效提高了高分影像场景分类精度.     

IKONOS高分辨率遥感影像融合方法比较研究

由于应用需求的驱动,高分辨率遥感影像融合技术已成为卫星遥感信息处理领域的重要研究方向和热点课题.以贵阳地区2002年12月23日的IKONOS高分辨率遥感影像为实验数据,利用ENVI 4.3、PCI 9.0、ERDAS 9.1 3种遥感图像处理软件中的一些常用融合方法进行了融合实验,并对相应的融合结果进行了讨论和分析.结果表明,ERDAS 9.1中的PCA法融合效果最好.     

黑石顶自然保护区植被分类系统与数字植被图 Ⅰ.植被型与群系的分布

探讨了黑石顶地区中高级植被类型的划分,包括５个植被型１０个群系：（１）暖性针叶林,包括马尾松群系、杉木群系、马尾松为优势的针阔叶混交林;（２）常绿阔叶林,包括阿丁枫＋米椎＋水栗－黄果厚壳桂群系、粘木＋小叶胭脂群系、阿丁枫＋米椎＋水栗－苦竹群系、阿丁枫＋网脉山龙眼群系;（３）暖性竹林,仅有万山爆竹林一个群系;（４）常绿阔叶灌丛,仅有桃金娘＋岗松＋鼠刺－芒草群系;（５）禾草草丛,仅有芒草＋黑莎草群系．并借助有关的地理信息系统（ＧＩＳ）软件绘制了比例尺为１：１００　０００的植被型、群系分布图。     

森林植被遥感分类研究

首先对森林植被类型识别方法的研究概况进行了综述,在总结国内外研究成果的基础上,提出采用植被指数进行植被分类,根据长春净月潭地区植被层反射率数据以及土壤线方程,ＮＩＲ＝１．５０６Ｒ＋０．００７８６,通过对多种植被指数的计算与分析,得出植被指数与植被类型的关系,最易于区分阔地林与针叶林的是ＰＶＩ,其次为ＴＳＡＶＩ和ＭＳＡＶＩ,但后者计算较复杂,不同针对树种间的ＲＶＩ差值较大,因此采用ＲＶＩ来区分各针树     

基于RS的贵州威宁草海湿地植被分类研究

以贵州威宁草海自然保护区的核心区域为研究对象,利用环境卫星CCD影像数据为数据源,结合实地采集的样点数据,利用遥感技术如监督分类,非监督分类和决策树分类对草海的植被进行分类和精度验证,通过三种方法的分类结果比对,发现草海核心区几乎长满水生植被,且分布的规律为湖中央到岸边依次为沉水植被、挺水植被、浮水植被.     

基于DLSVM算法的高分辨率遥感图像分类研究

为了进一步提高高分辨率遥感图像的分类精度及效率,融合支持向量机SVM及局部支持向量机KNNSVM算法,借助主动学习相关理论,提出了基于距离的局部支持向量机算法(DLSVM).该算法通过对未标记样本和超平面之间的距离与预先设定的距离阈值相比较,判断是否需要进一步建立局部支持向量机KNNSVM来确定样本的类标.对实际的高分辨率遥感图像分类的实验结果显示:在合适的距离阈值与K值的设置下,该算法能够提高支持向量机SVM的分类精度,同时大大降低KNNSVM算法的时间消耗.     

基于BKNNSVM算法的高分辨率遥感图像分类研究（英文）

为了解决局部支持向量机算法KNNSVM存在的分类时间过长不利于具有海量数据量的高分辨率遥感图像分类的不足,提高KNNSVM的算法表现,提出了改进的基于不确定性的BKNNSVM算法.该算法利用二项式分布的共轭先验分布Beta分布根据近邻的分布情况推导该未标记样本属于正类或负类的概率大小,从而计算每一个未标记样本在类属性上的不确定性大小.再通过设置不确定性阈值的大小,对不确定性低于阈值的未标记样本直接采用KNN进行分类,而对高于阈值的样本利用其近邻建立局部支持向量机分类器进行分类.对高分辨率图像分类的实验结果表明:合适的阈值能够有效降低原始KNNSVM算法的时间开销,同时能保持KNNSVM分类精度高的特点.     

一种面向对象的高分辨率影像最优分割尺度选择算法

近年来越来越多的高分辨率遥感卫星得到应用。传统方法已然不能满足高空间分辨率遥感影像的应用需求,面向对象的遥感影像处理方法应运而生。面向对象方法的基本处理单元是经过多尺度分割的具有较好的完整性和单一性的影像对象,相关研究表明不同目标有其最适宜的提取尺度。在分析两种最优尺度选择方法局限性的基础上。根据“类内同质性大。类闻异质性大”的最佳分类原则,提出面向对象的RMAS方法。该方法的思想是,当对象RMAS值最大时,对象内部的异质性最小、对象外部的异质性最大,此时的分割尺度为类别提取的最优分割尺度。根据最优尺度下信息提取精度最高的原理。实验验证了该方法的可行性。且能获得较好的分类结果。分析还发现RMAS折线有时会出现多个局部峰值的情况,说明最优尺度是相对的。通常是一个数值范围。对于面积较大的类别使用一种尺度不易将信息准确提取出来。需要根据应用目标选择合适的最佳尺度。     

高分辨率遥感影像中飞机识别研究

在目标识别领域,飞机是一种常被研究的对象,对飞机进行精确识别并定位,无论在军事打击和商业调查中都有重要意义。高分辨率图像中丰富的空间、光谱和上下文信息在带来更多有用细节信息的同时,也给飞机识别带来了更加复杂的背景干扰。主要研究应用面向对象的理念来实现对高分辨率遥感图像中飞机的识别。首先是图像预处理,即获得图像中的对象;然后是面向对象的图像识别,即提取图像对象的特征;并依据特征完成识别任务。利用的基本特征主要有图像对象的面积、长宽比、分散度、凸包缺陷。实验证明这种识别方法,对于不同朝向和大小的飞机都能取得较高的检出率。