基于最小二乘支持向量机和高分辨率遥感影像的大尺度区域岩性划分

基于大尺度区域分割的理念,提取高分辨率遥感图像中与岩性相关的纹理、形状、光谱信息,利用最小二乘支持向量机(LS-SVM)在非线性预测中的优势,对研究区地质岩性进行识别。首先对高分辨率图像中与岩性相关的光谱、纹理、形状、高程等特征信息进行样本选取,选取过程中以图像的纹理为主要特征信息,同时以J-M距离、转换分类度为依据选取最优特征空间,采用因子分析变换降维对特征空间进行压缩,实现特征信息最优化;然后对已知样本进行训练,建立分类模型,评价模型精度;最后利用模型对研究区进行岩性划分,并进行分类后处理。研究结果表明:基于LS-SVM的分类方法在利用高分辨率遥感图像岩性识别中表现良好,为地质岩性分类提供了一种新的方法和手段;加入纹理等信息后的LS-SVM分类模型更加利于岩性的判别。     

面向对象的高分辨率遥感影像变化检测方法

变化信息是遥感图像中的一类重要信息,变化信息的自动检测是遥感图像智能解译的重要研究领域.利用面向对象分类技术,对一种同一地区不同数据源的高分辨率遥感影像采用了分类后比较的变化检测方法.介绍了方法原理,建立规则以及实现过程;最后利用提出的方法对同一地区不同时相的QuickBird影像和IKONOS高分辨率遥感影像实施了变化检测实验,结果表明将基于面向对象技术的变换检测方法用于不同数据源的高分辨率遥感影像变化信息的检测是切实可行的,并具有较高的提取精度.     

高分辨率SAR卫星图像舰船目标识别可用性分析

SAR卫星图像的分辨率直接影响着舰船目标识别结果.采用高分辨率SAR遥感图像,选取了两个较为直观的几何特征即长度和轮廓形状,对当前SAR图像舰船目标识别的能力进行了分析;给出了不同分辨率下的SAR图像的目标几何结构量算能力比对结果,为高分辨率SAR图像的舰船目标类型、识别算法研究提供相应支持.     

多尺度超完备字典的飞机目标检测算法

天空背景的复杂性与飞机目标的多样性,对基于传统目标检测算法的飞机目标检测带来了巨大的挑战。按图像的稀疏表示理论,提出了多尺度超完备字典的飞机目标检测算法。算法综合了不同尺度下超完备字典各自的优点:利用低分辨率图像块学习小尺度字典,构造小尺度分类器,在低分辨率测试图像中完成前景粗检测;利用高分辨率图像块学习大尺度字典,构造大尺度分类器,在高分辨率测试图像中完成前景精检测;最后通过飞机图像块学习飞机目标字典,构造飞机目标分类器,完成前景目标分类。实验结果表明,算法能有效完成天空背景下的飞机目标检测任务,并在耗时、检测命中率、误检率等方面均有良好表现。     

基于矩和多分辨分析的图像识别

应用矩和多分辨分析对图像进行特征提取，求取不同分辨率下的小波系数的均值、能量和方差，作为特征向量。这组特征向量是将图像的矩特征和小波特征结合形成小波矩特征，即反映了图像的全局信息，又反映了图像的局域性信息，并且具有旋转、平移和缩放不变性。该算法不但解决了图像识别中特征量随图像旋转、平移和缩放而变化的问题，而且提高了对近似物体的识别能力。最后简要介绍了仿真实验及结果，证实此算法能对飞机、舰船等目标进行有效的识别。     

基于多源遥感影像的考古遗址识别与分析——以良渚古城为例

随着空间技术的不断发展,卫星遥感影像以其高空间覆盖、高分辨率和无损探测等优势在考古遗址的发现中发挥着越来越重要的作用.对卫星遥感影像的处理主要包括基于像素和面向对象的方法.基于像素的影像处理方法能够在宏观上识别考古遗址的整体外貌,而面向对象的影像处理方法能够从地物的几何形态、纹理特征、空间分布及其相互关系等方面把握不同遗址类型的特征,从而实现有针对性的分类识别.阐述了基于像素和面向对象相结合的遥感影像处理方法在考古遗址识别上的应用,并以良渚大型遗址群为例,利用高分辨率WorldView-2卫星的多光谱影像和全色波段影像、TerraSAR-X雷达影像和高精度的数字表面模型(DSM)识别并提取了作为良渚遗址群重要组成部分的城墙和城内的台地,从整体和细节两个方面对考古遗址进行甄别,并将识别结果与良渚古城已有的考古资料进行了对比,遗址识别吻合度达到83.84%.这一识别结果证明了该研究思路的可靠性,具有很强的实践性,对提高考古遗址的识别精度和准确性、全面把握遗址的分布和类型具有重要意义.     

基于多尺度超完备字典的飞机目标检测算法

天空背景的复杂性与飞机目标的多样性,对基于传统目标检测算法的飞机目标检测带来了巨大的挑战。本文基于图像的稀疏表示理论,提出了基于多尺度超完备字典的飞机目标检测算法。算法综合了不同尺度下超完备字典各自的优点：利用低分辨率图像块学习小尺度字典,构造小尺度分类器,在低分辨率测试图像中完成前景粗检测;利用高分辨率图像块学习大尺度字典,构造大尺度分类器,在高分辨率测试图像中完成前景精检测;最后通过飞机图像块学习飞机目标字典,构造飞机目标分类器,完成前景目标分类。实验结果表明,算法能有效完成天空背景下的飞机目标检测任务,时间开销与小尺度字典目标检测相当,但在精度上逼近大尺度字典目标检测。     

基于面向对象的多尺度山地城市土地覆盖信息提取——以重庆市大学城城区为例

以重庆市大学城区的Quick Bird高分辨率遥感影像为数据源,基于多尺度分割算法获得内部异质性较小的对象,构建典型地物影像特征库,实现不同地类特征的针对性描述,采用级联方式综合最邻近分类算法和模糊分类算法优点,实现山地城市土地覆盖信息的面向对象提取,并把提取结果与传统监督分类方法进行对比分析;结果表明:综合使用地物的光谱、纹理、几何等特征的面向对象分类法提取结果稳定性好,分类效率高;面向对象分类能够有效避免"椒盐"噪声,分类结果具有很好的区域性和连贯性;面向对象分类法对于山地城市中光谱特征特别相近或相同的耕地和草地、建筑用地和道路的分类,精度分别提高了28.67%、9.24%、10.38%和8.79%,有效地克服了同谱异物和同物异谱现象;根据对比分析结果得知,面向对象分类法在山地城市土地覆盖信息提取中具有较高的可行性和一定的应用价值,同时由于研究区域的复杂性和研究对象的普适性,算法研究成果可以推广应用到其他山地城市区域。     

利用高分辨率和极化信息进行目标识别的研究

极化特征用于目标识别的一项主要研究是将极化信息与高分辨率雷达技术相结合。在研究了目标特定的 极化变换作用后,提出了基于一维距离像,利用目标回波中的极化现象对目标进行识别,并得出了有关目标识别特 性的结论。     

一种基于特征检测的机器人足球检测识别方法

针对足球机器人目标识别的实际特点,以智能足球机器人为研究对象,提出了一种基于足球颜色、面积匹配模板和边缘特征相结合的足球检测方法。此方法首先利用颜色特征信息对图像中颜色相似度进行计算来完成足球的颜色识别。然后,通过分析计算足球在全景摄像头中处于不同位置所成的图像像素尺寸与场地中所处位置距离之间关系,建立了足球识别的面积匹配模板,根据该模板可以计算出在图像中处于不同距离的足球轮廓面积。在此基础上,结合足球边缘特征进一步完成对足球的识别。实验表明该方法能够有效地提高足球识别的效率和准确性,并具有较好的实时性;同时对其他目标物的识别也具有一定的借鉴意义。     

基于局部双谱的高分辨距离像雷达目标识别

针对飞机目标的分类问题 ,介绍了一种基于局部双谱的高分辨雷达目标距离像识别方法 ,利用 Fisher类别可分性鉴别测度在距离像的双谱平面选择用于分类的局部双谱。将局部双谱方法与现有的几种基于双谱的方法进行比较 ,分析出局部双谱既利用了双谱的平移不变性 ,实现了一维匹配 ,又避免了在识别过程中计算整个双谱 ,减少了计算量 ,而且不需考虑极坐标双谱的插值与积分步长问题。利用三种缩比模型飞机的微波暗室转台数据对局部双谱的分类性能进行了测试 ,结果表明局部双谱是一种很有价值的平移不变特征 ,对于高分辨雷达目标距离像具有较高的识别率     

基于面向对象的高分辨率遥感影像道路信息提取方法

采用一种基于面向对象的道路提取方法,阐述了影像理解、影像分割、对象层次结构等几个关键思想,提出如何解决传统高分辨率影像提取道路方法,如边缘检测、滤波等存在的不足,并对高分辨率遥感影像提取道路的实用性进行思考,为下一步具体应用指明方向。     

基于空间频率和小波变换的图像融合方法

为了更好的对多光谱图像和高分辨图像进行融合，根据小波变换有三个方向的高频细节这．特点，提出了一种计算空间频率的新方法。利用这种空间频率、IHS和小波变换方法对多光谱图像和高分辨图像进行了融合，得到了具有较好的空间分辨率和光谱信息的融合图像，并对融合图像进行了评价。实验结果表明该方法得到的融合图像优于传统IHS变换法和传统小波变换方法。     

决策树在高分辨率影像目标为小地物的分类应用研究

高分辨率遥感影像的应用越来越多,但其高昂的成本让一般项目望而却步．应用软件从Google Earth上下栽已成为获取高空间分辨率影像的有效途径,但因无光谱信息,解译局限较大．选用C4．5算法的决策树方法,对目标为水塘研究的广州市天河区的下载的快鸟数据进行解译,与最大似然分类法和面向对象分类法相比较．结果表明：决策树分类法的分类精度和kappa系数均较高,能利用多源数据,结构简单直观,易于表达和应用;提取小目标地物更有效,数据量相对小．速度较快．     

挖掘机器人铲斗不变矩及改进BP网络识别方法

在利用视觉信息跟踪、识别挖掘机器人铲斗目标时,实时采集的铲斗图像存在旋转、平移、缩放等情况.为提高对铲斗目标的识别能力,提出了基于不变矩和神经网络相结合的铲斗目标识别方法.提取铲斗图像对于平移、旋转、缩放具有不变性能的7个不变矩特征向量,归一化后作为改进BP神经网络的训练样本及测试样本.应用训练后的神经网络对铲斗目标进行识别,仿真表明该方法具有较好的识别能力.     

一种面向对象的遥感影像多尺度分割方法

高分辨率遥感影像中丰富的空间结构信息和地理特征信息提取需要在多种不同的尺度下进行,而传统的基于像素光谱特征的影像分割和单尺度影像信息提取方法在这方面存在明显的缺陷.基于区域的面向对象影像分析方法,为高分辨率遥感影像信息提取提供了新的思路,其关键的核心问题在于实现对高分辨率遥感影像的多尺度分割.本文提出了一种基于相邻影像区域合并异质性最小的面向对象多尺度分割算法.影像分割试验结果表明:该方法可以根据任意特定尺度下的影像分析任务或任意感兴趣尺度的地物目标,调整影像分割的尺度参数,从而获得特定尺度下感兴趣的影像区域(对象)作为后续面向对象影像分析和应用的基础.     

基于深度学习的白光-热成像双通道图像识别系统设计

为解决无人机图像自动识别系统对大视场角下小目标的识别准确率及实时性问题,利用深度学习卷积神经网络对热成像-白光联合图像进行目标识别。设计了一种针对具有温度特征的目标物识别系统以及双通道目标候选提名图像识别算法。充分利用热成像图中目标热源特征的HSV值,将目标物从热成像图中进行筛选、分割。通过Canny算子勾勒目标物轮廓,并标记出目标物大致区域,导入白光图像提取含有目标物的有效图像信息。利用YOLO V2算法对候选图像内目标物进行识别。通过实验表明,提出的双通道目标候选提名图像识别算法具有可行性与实用性,能够在大视场环境下对小目标进行精准快速识别,满足无人机机载系统简易、实时和准确性要求。     

基于最大池化稀疏编码的煤岩识别方法

针对现今煤岩图像识别方法的缺乏与不足,为了挖掘新的煤岩图像识别方法以及更好地处理高维煤岩图像数据,提出了基于最大池化稀疏编码的煤岩识别方法.本方法在提取煤岩图像特征时加入了池化操作,在分类识别时采用了集成分类器,即多个弱分类器组成一个强分类器.实验结果表明:最大池化稀疏编码的特征提取方式能简单有效表达煤岩图像的纹理特征,大大增强煤岩图像的可区分性,获得较高的识别率,并且具有良好的识别稳定性.研究结果可为煤岩界面的自动识别提供新的思路和方法.     

一种基于特征选择的面向对象遥感影像分类方法

针对GF—1多空间分辨率遥感数据空间信息丰富,传统影像分类方法无法满足实际应用需要的问题,提出了一种基于特征选择的面向对象遥感影像分类方法——object-RJMC算法,即在影像分割及特征提取的基础上,运用Relief F算法和J-M(Jeffries-Matusita)距离算法去除无关及冗余特征,筛选出适于各类别分类的特征,然后利用CART算法建立分类规则,完成分类过程。以GF-1号2 m、8 m和16 m空间分辨率的三组影像进行算法验证,并与object-CART和pixel-CART影像分类方法进行对比分析。实验结果显示object-RJMC算法的分类精度均高于object-CART和pixel-CART算法的分类精度;且对高空间分辨率的影像分类效果要优于对中低空间分辨率影像的分类效果。该算法减少了特征选择及规则建立的人工干预,克服了以像素为单位的分类算法中由于缺少空间邻域信息而产生孤立、离散、不连通分类结果的问题,可有效地提高GF-1遥感影像分类精度。