TM遥感图像中居民点的自动提取

介绍了一种TM遥感图像中居民点目标自动提取的方法.针对TM遥感图像的光谱特征,提出一种基于多波段信息的图像分割模型,提取出居民点、道路及河滩地等光谱相近的地物.然后依据居民点的形态特征分离道路,并利用空间关系知识分离出河滩地.试验结果表明该方法能快速准确地识别提取TM遥感图像中的大部分居民点.     

利用海岸带遥感图像提取岸线的小波变换方法

小波变换作为一门新兴的数学分支已被广泛应用于图像处理领域。本文将小波变换应用于黄河三角洲遥感图像的边缘提取，检测出图像的边缘，从而得到了三角洲岸线信息。实验结果表明基于小波变换的图像边缘提取要优于经典边缘算子的提取。此方法对于把握河口三角洲的冲淤演变规律和海岸带开发具有重要意义。     

基于BAU-Net的高分辨率遥感图像中建筑物的分割提取

高分辨率遥感图像中建筑物的分割提取是现代数字化城市建设、经济预测、国土资源勘探以及国防安全等领域中重要的技术手段.本文基于U-Net网络提出了一种双U型Encoder-Decoder架构的边缘意识U型深度神经网络—BAU-Net.该网络模型首先利用粗特征提取网络对建筑物进行初次识别提取,再通过残差结构的细特征提取网络修...     

汉字字模的自动提取和重建算法

在讨论从图像中自动提取汉字字模的同时给出了短量化存储和无级放缩字模的算法。这些算法已编程实现,效果较为理想。     

利用卷积神经网络提取高分辨率遥感图像喀斯特森林信息

针对喀斯特地区受山区复杂地形的影响岩溶山峰在太阳辐射下存在阴坡和阳坡,高分辨率遥感图像中喀斯特森林植被的光谱特征较复杂,"同物异谱"和"异物同谱"现象严重,导致传统的机器学习算法提取森林植被精度不高的问题,根据实践经验将多源多特征融合构成提取喀斯特森林信息特征,改进标准的卷积神经网络(convolutional neural network,CNN),将支持向量机(support vector machine,SVM)与卷积神经网络相结合(CNN-SVM)应用于遥感分类,并与CNN、随机森林(random forest,RF)、支持向量机等方法进行比较。结果表明,CNN-SVM、CNN两种深度学习方法的提取喀斯特森林信息精度均明显高于RF和SVM等浅层模型方法。CNN-SVM综合了CNN提取遥感高阶特征的能力和SVM的分类性能,分类精度在90%以上,高于标准的CNN。深度学习CNN可有效地区分农作物,提高喀斯特森林植被信息的提取精度。     

利用高分辨率遥感图像提取建筑物阴影信息初探

首先对上海市中心城区遥感影像建库,把众多的遥感影像数据组织起来,以方便管理和使用．在此基础上,利用GIS和RS技术,对遥感数据解译处理,提取建筑物阴影信息,从而为估算建筑物高度值作准备．     

遥感影像配准中控制点的自动提取

针对遥感影像的处理应用中,传统的手工选取控制点速度慢、精度低和强度大等缺点的问题,提出了一种基于影像灰度和影像特征混合自动提取控制点的新方法。在进行控制点的自动提取时,该方法速度快、错误匹配率低、精度高。方法内容包括特征点提取、构造影像金字塔以及基于金字塔数据结构的互相关匹配。     

基于视频图像的建筑室内空间数据矢量化提取方法

为提高建筑室内空间规划能力,需对建筑室内空间数据进行矢量化提取。为此,提出基于视频图像的建筑室内空间数据矢量化提取方法。设计建筑室内空间视频图像采集模型和空间装饰特征点边缘特征检测模型,采用分块检测方法重构建筑室内空间视频图像区域,结合RGB特征分解方法进行建筑室内空间数据矢量化分割,提取建筑室内空间视频图像的模糊度匹配特征量,通过分块模板匹配实现建筑室内空间数据矢量化提取。仿真结果表明,采用该方法进行建筑室内空间数据矢量化提取的准确性较高,图像的分辨能力较好,提高了建筑室内空间数据矢量化分割和装饰特征量的检测能力。     

基于视频图像的建筑室内空间数据矢量化提取方法

为提高建筑室内空间规划能力,需对建筑室内空间数据进行矢量化提取。为此,提出基于视频图像的建筑室内空间数据矢量化提取方法。设计建筑室内空间视频图像采集模型和空间装饰特征点边缘特征检测模型,采用分块检测方法重构建筑室内空间视频图像区域,结合RGB特征分解方法进行建筑室内空间数据矢量化分割,提取建筑室内空间视频图像的模糊度匹配特征量,通过分块模板匹配实现建筑室内空间数据矢量化提取。仿真结果表明,采用该方法进行建筑室内空间数据矢量化提取的准确性较高,图像的分辨能力较好,提高了建筑室内空间数据矢量化分割和装饰特征量的检测能力。     

基于二维倒数灰度熵的河流遥感图像分割

为进一步提高河流检测与识别系统中河流遥感图像分割的准确性和处理速度,提出了分解的二维倒数灰度熵河流遥感图像阈值分割方法.首先引入了倒数灰度熵,避免了香农熵中的无定义点问题,给出了一维倒数灰度熵阈值选取方法,考虑了图像灰度级概率及类内像素灰度均匀性;然后经推广导出了二维倒数灰度熵最佳阈值选取公式,增强了抗噪性;最后提出了二维倒数灰度熵的分解算法,将求解二维最佳阈值转化成分别求解灰度级图像和邻域平均灰度级图像的一维最佳阈值,运算量从O(L4)大幅降低至O(L).经大量实验验证,与改进的Otsu法、基于粒子群优化(PSO)的二维最大香农熵法、基于混沌小生境粒子群优化(NCPSO)的二维斜分倒数熵法相比,该方法在对河流遥感图像的分割效果和处理速度方面有明显优势.     

一种基于遥感图像仿真的大气查找表优化方法

通过MODTRAN4建立地表反射率-入瞳处辐射亮度在可见光至近红外波段的大气查找表,研究时间因子对入瞳处辐射亮度值的影响,发现入瞳处辐射亮度值与日地距离订正系数随时间成反比,得到用任意一积日的入瞳处辐射亮度数据即可求得其他积日数据的方法.对其进行均方根误差分析的结果表明该方法可行,利用该方法将大大减少查找表的数据量,实现结构的优化.     

基于改进自组织竞争神经网络的高光谱图像分类

针对传统的SOFM网络对高光谱图像分类精度低的缺点,提出了采用模糊积分与神经网络相结合的分类方法．即在改变网络的学习速率函数和邻域函数的前提下,同时对分类结果采用基于模糊积分的信息融合,使分类器之间相互补偿,并用高光谱图像的分类实验进行验证．与普通的SOFM网络和K均值聚类方法相比较,分类效果更好．     

基于自动多种子区域生长的遥感影像面向对象分割方法

在遥感影像分割分类中,种子区域生长算法是一种常见的分割算法.传统的种子区域生长算法只能提取单一连续的、纹理简单的目标地物,而对具有复杂纹理和多光谱特征的遥感影像,分割时存在分割效果差、不能同时有效地提取多个地物的问题.针对以上问题,本文提出了一种改进的面向对象的自动多种子区域生长算法.该方法适用于同时提取多个目标地物,且分割效果好.该方法首先使用一种改进的中值滤波对影像进行平滑处理,使目标内部一致性更高,同时保留纹理信息.然后通过一定的准则进行自动种子选取并进行生长,最后对生长后的区域进行碎斑合并处理,最终得到多种对象的分割结果.本文采用三组不同大小的1m空间分辨率的航空影像进行实验,通过与分水岭以及传统单种子区域生长算法的多组实验对比,发现该方法可以面向全局对象,自动选取覆盖各种地物类型的种子,同时对多种地物目标进行分割处理,可为后续面向对象影像分析和应用提供可靠的数据基础.     

基于mean-shift聚类过程的遥感影像自动分类方法

提出了一种稳健的自动分类方法——自适应mean-shift(AMS)算法.该方法基于mean-shift聚类过程,不需要假定数据分布类型,也不需要指定类别的数目,自动化程度较高.自适应mean-shift算法根据数据分布特点自适应地确定带宽的大小,利用采样点估计模式来设计自适应估计器,自适应估计器将每个数据点与不同尺度的核函数联系起来,当核函数满足一定的条件时,AMS迭代过程收敛于极值点(mode),自适应AMS算法是一种归一化的密度梯度估计算法.采用TM影像进行分类试验,试验结果表明:该算法自适应程度高,精度也能满足要求,是一种稳健的自动分类方法.     

一种基于DTSVM的遥感图像分割方法

文章针对城市遥感图像的目标分布特点,提出一种基于改进DTSVM的遥感图像分割方法.实验引人样本的聚类特性改善DTSVM模型分类精度,对城市遥感图像中的区域进行语义标注并提取特征,通过训练改进分类模型得到分割结果.实验结果表明,该方法能比较准确地分割出关注语义的目标区域,并有效避免了遥感图像的过分割问题.     

遥感图像特征分析中的面积表示方法

给出常用遥感图像直接统计像点、八链码表示方法计算面积的步骤，并且给出了两种新方法：扫描标号计算面积法和格林公式求面积法．该算法从实际应用出发，较少依赖图像本身的特征，可方便地表示区域并计算出其面积．     

基于双正交子波变换的遥感图象编码方法

介绍一种基于双正交子波变换的遥感图象数据压缩方法。原始图象经过子波变换后，分解为亮度子图象和边缘子图象，采用国际标准的ＪＰＥＧ方法编码亮度子图象，使用快速矢量量化（ＦＶＱ）编码边缘子图象。实验结果表明，在码率为０．８ｂｉｔ／ｐｉｘｅｌ的情况下，重建图象的峰值信噪比为２８ｄＢ，恢复质量好于直接使用ＪＰＥＧ编码。     

基于多随机场遥感图像分割

结合二维Wold分解技术来对遥感图像进行分割，将图像分解为确定性随机场和纯不确定性随机场，通过调整它们之间的比例关系，来加强纹理边缘，从而改善马尔可夫标记场模型对纹理边缘过平滑的现象．实验对城区目标进行提取，结果表明本方法的有效性优于纯马尔可夫随机场所采取的分割方法．     

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。     

SPIHT的超光谱图像无损压缩算法

针对超光谱图像的特性及硬件实现的需要,提出了1种混合编码压缩方案.对超光谱图像序列首先进行谱间DPCM预测,再对残差图像进行(5,3)整数小波变换,最后对小波系数进行SPIHT编码.通过仿真验证该算法实现了无损压缩,压缩比平均可达2.34,优于算术编码,且算法复杂度低,易于硬件实现.