基于多特征融合的反向传播神经网络高分影像分类与变化检测

为了降低基于高分影像的土地利用分类后的错分和漏分的可能性,提高分类以及变化检测精度,本文以广西桂林市临桂区为研究区,采用WorldView-2号以及高景一号高分影像,基于多层前馈(back propagation, BP)神经网络方法融合遥感影像的纹理、光谱、植被指数以及水体指数特征,制定出4种特征数据集融合方案,实现对植被覆盖率较大地区的地物识别与分类;然后选取最优分类结果,进行桂林市临桂区2017与2020年土地利用变化检测。不同方案的对比结果表明,融合纹理、光谱、植被指数以及水体指数特征的第四种方案可以得到较为有效的分类以及变化检测结果,分类的总体精度为92.92%,Kappa系数为0.9028,保持了较高正确率。     

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.     

基于光谱范围的IHS改进融合方法研究

针对Intensity-Hue-Saturation(IHS)融合算法对高分二号卫星多光谱(MS)影像和全色(PAN)影像融合时所产生的光谱失真现象,提出了一种基于光谱范围的IHS融合改进方法(SIHS).该方法首先将多光谱影像进行重采样,使其与全色影像大小相同,然后使用光谱范围对重采样后的多光谱影像各波段加权平均获得亮度分量I,再对全色影像和I进行直方图匹配,最后使用快速IHS融合算法得到最终融合影像.通过实验,将该方法的融合结果与FIHS、Gram-Schmidt和NNDiffuse融合结果进行主客观评价.结果表明该方法在对光谱信息保留上优于其他融合算法,可以更好地支持影像信息的分类和检测.     

QuickBird遥感影像的融合方法比较研究

应用IHS变换、Brovey变换、主成分变换3种影像融合方法对QuickBird多光谱和全色遥感影像触合实验研究,并通过空间细节信息和光谱信息二类统计参数对触合结果进行评价和分析,综合评价结果表明:三种算法中IHS变换更适于QuickBird遥感影像的融合。     

边缘检测与面向对象结合的高分影像建筑物提取

随着遥感影像分辨率的不断提升,影像中地物目标的细节变得更加清晰。由于早期影像分辨率较低,图像模糊,影像处理主要参考光谱信息,忽略了空间信息,提取精度一般。为了提高高分影像中建筑物的提取精度,充分利用光谱、空间、纹理3类信息,研究了基于面向对象的高分影像建筑物提取,并将基于改进Canny算子的多尺度分割与多规则相结合提取建筑物,最后用样本区验证精度。研究结果表明,该方法对高分影像建筑物的提取效果较好。与常规面向对象相比,方法对建筑物提取精度明显提升,且能更加充分的利用影像的空间信息与纹理信息。     

基于中巴资源卫星的多源遥感影像融合研究

随着遥感获取数据手段的日益增多,遥感影像的融合技术备受关注。针对资源二号多光谱影像光谱信息丰富、分辨率低,资源二号全色影像分辨率高、纹理信息丰富的特点,以河南省郑州市的资源二号多光谱影像与全色影像为例,分别采用基于主成分分析、小波变换、比值变换和高通滤波法等4种融合方法进行融合实验,并对融合后的影像在均值、标准方差、偏差指数以及光谱保真度等4个方面进行了对比,探讨了资源二号多光谱影像与全色影像融合的方法和效果。     

高分二号卫星影像融合方法与效果评价

高分二号(GF-2)是我国高分辨率对地观测系统重大专项中的首颗"亚米级"卫星,极大地提高了我国高空间分辨卫星影像的自给率。遥感影像融合是高分辨遥感处理和应用的关键流程,选择北京、大连和福州地区GF-2影像,采用彩色标准化变换(Brovey)法、相位恢复(Gram-Schmidt)法、色度空间变换(HSV)法、主成分变换(PCA)法和超分辨率贝叶斯(Pansharp)法共5种融合方法对实验区影像进行融合实验。首先对5种融合结果进行目视效果评价,然后构建了标准差、信息熵、平均梯度、相关系数和扭曲程度5个指标对融合结果进行定量评价。结果表明:Pansharp法在图像信息、细节以及光谱都具有较好的保持效果,Gram-Schmidt和PCA次之,HSV和Brovey色彩失真较明显,该结论可为GF-2卫星影像科研和工程应用提供参考。     

面向地质应用的高分二号卫星影像融合方法评价

为了探讨不同影像融合方法在地质应用上的适用性,以高分二号(GF-2)影像为数据源,采用彩色标准化变换(Brovey)、超球体色彩空间变换(HCS)、相位恢复(Gram-Schmidt)、最邻近扩散(NNDiffuse)和高通滤波变换(HPF)等5种融合方法对全色和多光谱数据进行融合实验,并对融合结果进行质量评价。首先从定性和定量两方面进行评价,然后对融合影像进行岩性分类。结果表明:HPF和Gram-Schmidt方法无论是在定性、定量还是岩性分类应用上均具有较好的效果,NNDiffuse和HCS方法融合效果适中,Brovey方法色彩失真明显,该结论可为地质部门提高GF-2卫星的适用性以及对国产卫星数据的推广应用提供参考。     

P6影像数据融合及其最佳融合方法在漓江两岸土地利用调查中的应用

遥感影像融合对影像分类、特征提取和目标识别具有重要的意义。针对印度P6卫星LISS-4全色数据和LISS-3多光谱数据进行多种融合实验,融合方法包括HIS变换、Brovery变换、PCA变换和Gram-Schmidt变换。根据融合结果的最终应用目的——目视解译和屏幕矢量化,采用信息熵、标准差、相关系数和视觉效果对融合方法进行定量和定性评价。分析结果表明,Brovey变换后的图像空间信息详细程度最差;HIS变换后的图像光谱保真能力最差;PCA变换和Gram-Schmidt变换方法融合效果图纹理信息清晰,光谱保真度好,适合P6卫星影像融合。最后选择2%线性拉伸后的PCA融合影像为工作底图,在此基础上对漓江两岸土地利用状况展开遥感调查。     

基于改进分割算法的退耕地树冠信息提取

优化特征空间和改进分割算法是基于面向对象技术实现退耕地树冠信息准确提取的重要环节,同时也是高分影像地物识别研究中需迫切解决的问题。为此,以北京张山营镇部分区域的QuickBird影像为数据源,根据光谱阈值实现一级分割得到林地区域,同时采用区域进化的区域增长算法对改进均值滤波算法去噪声处理后的全色波段执行二级分割,最后结合形状、光谱、纹理指标构建的特征空间完成了树冠信息提取。结果表明:改进分割算法总体精度达91.5%,Kappa系数为0.836 2,分别较传统方法提高了15.5%和0.120 4。     

基于ETM+遥感影像的数据融合试验及分析评价

以泉州德化阳山-安溪潘田地区的ETM+遥感影像为基础数据,采用Brovey、HSV、Principal Component(PC)、Gram-Schmidt和Wavelet遥感影像融合算法对Landsat ETM+影像进行融合,并就融合图像的空间信息、清晰度和光谱保真能力进行评价.     

基于QuickBird数据的输电线路径优选中地表信息提取

针对输电线路径优选的目标,利用QuickBird数据,基于地物类型光谱特征分析,结合遥感影像的纹理特征,采用决策树分类算法,提取影响输电线路径选择的主要地物要素.研究影响输电线选线的相关要素(如居民区、道路、水体等)及其背景地物要素(如耕地、空地等)的光谱特征和纹理特征,确立以4个波段亮度值、归一化植被指数(NDVI)和纹理对比度参数作为特征变量,建立了基于光谱和纹理组合的决策树分类模型,有效地实现居民地、道路和水体信息的提取,并将自适应滤波方法用于分类后处理,优化了分类结果.总体精度由82.09%提高到92.83%,Kappa系数由0.760 8提高到0.904 1.该精度能够满足输电线路径初选优化的要求,为提取影响输电线路径初选地物要素提供了高效快速的技术方法和基础地理数据.     

基于分形和Gabor滤波的高分辨率遥感影像分割

在城市规划、土地利用等应用中常需要对高分率遥感影像进行分割,而传统的滤波器组分解算法把每个波段的能量作为纹理特征进行分割,存在分割精度低,对噪声、灰度变换敏感等缺点.本文提出一种基于图像预滤波和分形特征的纹理特征提取算法,并对提取的特征向量集用K-means算法进行聚类.对天津滨海新区的QuickBird影像的分割实验...     

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。     

基于几何特征与NDWI的城市水体信息提取研究

在遥感影像获取地物信息过程中,有效提取水体信息与掌握其变化趋势,已成为水资源合理利用,实时规划以及未来保护的重要依据.选用浙江长兴县高分一号遥感卫星数据,根据遥感影像不同地物光谱特征,运用归一化水体指数方法(NDWI)并参考影像包含的几何特征,借助易康软件平台进行遥感影像的面象对象分类,分类为水体和其他两种类别.通过归一化水体指数与基于易康面向对象分类结果与传统基于像素分类的结果进行综合对比分析,基于几何特征与NDWI的分类方法明显优于传统基于NDWI分类方法,能更好利用影像所含的地物特征信息,其结果更加符合真实情况.     

"珠海一号"采煤沉陷区叶绿素a浓度反演研究

"珠海一号"卫星高光谱数据具有高时空分辨率的特点,为采煤沉陷区水质时空监测提供了更高精度的数据源.叶绿素a浓度是评价水质状况的重要参数.为探究淮南采煤沉陷区叶绿素a浓度反演模型,以安徽淮南顾桥采煤沉陷区为研究对象,基于"珠海一号"高光谱影像和水样测试数据,对采煤沉陷水域叶绿素a浓度反演模型进行构建,反演并分析了顾桥采煤沉陷区叶绿素a浓度空间分布特征及其成因.结果表明:基于珠海一号高光谱影像(b10+b19-b2)/(b10+b19+b2)波段组合方式构建的三次函数模型精度和稳定性较高,可以用于顾桥采煤沉陷区水质的动态监测;顾桥沉陷区水域总体叶绿素a浓度较高,高值区主要位于水域中部,且南部水域高于北部;农田施肥和工矿生产、居民生活污水的排放是造成沉陷区内叶绿素a浓度上升的主要原因.     

遥感影像的云及其阴影覆盖区光谱重构

以往遥感影像的云及其阴影去除方法侧重于受遮盖地物的几何特征恢复,不利于基于光谱特征的信息提取。为此,提出一种基于地物类别特征的光谱重构方法,采用两期相邻年
份相近物候期的遥感数据,借助归一化差值和决策树分类的方法,检测厚云及其阴影,并提取相应区域地表覆盖类型信息,对两时相遥感影像各波段被遮挡区的每种地物类别做线性回归分析,获取被遮挡区的重构数据。实验结果表明,该方法在恢复受云影响地物几何信息的同时,较好地实现了遮盖区地物光谱信息模拟。     

量子粒子群优化核极限学习机的遥感影像分类

极限学习机初始参数具有随机性,容易导致其对高分辨率遥感影像的分类结果出现局部最优现象.为了解决上述问题,提出了一种基于量子粒子群优化核极限学习机的遥感影像分类方法.该方法利用量子粒子群算法对核极限学习机的核参数与正则化参数进行优化,根据参数优化后的结果构建量子粒子群优化核极限学习机的遥感影像分类模型（QPSO-KELM）.通过实验对比了SVM、KELM、PSO-KELM、QPSO-KELM这几种分类方法对高分二号遥感影像数据的分类精度与效率.结果表明：QPSO-KELM的分类精度、运行速度均优于其他几种分类方法,该方法能有效提取遥感影像上的地物要素信息.     

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。     

基于改进Faster-RCNN的露天煤矿开采区遥感识别方法

利用卫星遥感技术融合深度学习算法,可以快速、动态、高效识别露天煤矿开采区,以我国和其他煤炭资源大国的典型露天煤矿开采区为研究对象,基于高分二号多光谱遥感影像,制作数据集及标签,构建基于卷积神经网络(convolutional neural networks, CNN)的深度学习目标检测算法.通过加入特征金字塔网络,充分挖掘开采区及背景区的低分辨率语义信息和高分辨率纹理信息,实现快速卷积神经网络的深度学习目标检测算法模型的改进及参数优化.结果表明改进后的模型平均检测精度提高到98.48%,总体识别精度达到96.7%,有效提高了复杂背景下的多尺度、多类型露天开采目标的识别精度,为全球煤炭资源大国能源合作、生态环境保护及我国矿产资源的合理利用和修复提供了科学、精准手段.