基于主成分分析的自组织竞争神经网络在多光谱遥感影像分类中的应用

多光谱遥感影像具有波段多、信息量大的特点,传统的分类方法难以达到提高精度的要求.利用主成分分析对多波段遥感图像进行降维,再采用竞争型自组织神经网络对图像进行非监督分类.这种方法的分类精度为87.5%,Kappa系数为0.86,明显高于最大似然法,最小距离法和基于像元的自组织竞争神经网络法.实验结果表明该方法在多光谱遥感影像分类中具有较好的适用性.     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

基于ICA与SVM算法的高光谱遥感影像分类

提出了一种利用独立分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。采用ICA算法对高光谱遥感影像(PHI传感器获取,80波段)进行了特征提取,并以提取出的影像数据(光谱维数为20)构建SVM分类器。对SVM算法进行核函数删选与参数寻优后,发现采用RBF核的SVM算法(C=103,γ=0.05)分类结果最佳,分类精度与Kappa系数分别达94.5127%与0.935 1,优于BP-神经网络(分类精度39.4758%,Kappa系数0.315 5)、波谱角分类(分类精度80.282 6,Kappa系数0.770 9)、最小距离分类(分类精度85.462 7%,Kappa系数0.827 7)以及最大似然分类(分类精度86.015 6%,Kappa系数0.835 1)4种方法。针对分类结果常出现的"椒盐"现象,利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理,将分类精度与Kappa系数分别提高至94.758 4%与0.938 0,获得了更接近实况的分类图像。结果表明:ICA结合SVM算法准确率高,是高光谱遥感影像分类的优选方法,且类别集群是优化影像分类的有效方法之一。     

无序高空间分辨率影像快速拼接方法

遥感影像拼接技术作为影像成图的重要手段,一直是遥感领域研究的热点。在保证拼接精度的同时,如何提高拼接效率,成为低空遥感技术应急应用的难点。针对低空航空遥感影像成像姿态变化剧烈、数据量大等特点,提出针对无序影像改进的基于稀疏矩阵的光束平差SURF拼接算法,即对无序影像进行特征选取和匹配,自行判断相邻和相间位置信息,配准平差中引入稀疏矩阵进行加速。方法在保证精度的同时,极大提高了航空相机影像拼接算法的速度,能很好地解决无人机影像高建筑物的拼接错位问题。无人机倾斜数据集拼接和航空相机影像拼接的结果验证了利用本算法进行高空间分辨率影像拼接的精度和效率。     

基于深度学习的高分辨率遥感影像分类研究

针对高空间分辨率遥感影像的分类问题,提出了基于深度学习的分类方法。该方法通过非下采样轮廓波变换计算影像的纹理特征,利用深度学习的常用模型—深度信念网络(DBN)对高分辨率遥感影像进行了基于光谱-纹理特征的分类,并与基于单源光谱信息的DBN分类方法、支持向量机(SVM)分类方法、传统神经网络(NN)分类方法进行了比较分析。研究结果表明:相对于单源光谱信息,利用影像的光谱-纹理特征能够有效提高高分辨率遥感影像的分类精度;相对于SVM、NN等分类方法,DBN能够更加准确地挖掘高分辨率遥感影像的空间分布规律,提高分类的准确度。     

基于光谱靶标的光学遥感器光谱响应特性在轨评估方法研究

多光谱遥感技术在研究地表生物量、气候变迁和自然灾害预报等方面有重要应用,遥感器的光谱敏感度与遥感数据的定量化存在相关性。遥感器在轨运行期间,受空间辐射、温度剧变和化学分子污染或宇宙尘埃等因素的影响,光学系统光谱敏感度产生退化,导致测量值与真值出现偏差,影响影像产品的精度。在已有工作的基础上,提出了一种简化的基于人工光谱检测参照的光谱响应特性在轨评估方法,通过建立光谱响应函数的退化模型,结合光谱靶标反射率的测量结果与影像反演结果,实现遥感器光谱响应特性的在轨评估。经仿真实验与在轨实验验证,该方法可以有效实现对光谱响应函数波长漂移和带宽缩放变化的检测,并有利于提高遥感器长时间序列数据产品精度和多种遥感器数据产品的综合利用水平。     

光流动态纹理在土地利用/覆盖变化检测研究中的应用

建议了一种基于光流动态纹理（optical flow dynamic texture）的高分辨率遥感影像变化检测新方法,用一种运动的关系描述地物变化,能够在多时相高分辨率遥感影像中自动获取土地利用和土地覆盖的变化信息。利用光流理论从原理上描述了地物渐变的过程,突破了以往遥感变化检测方法中认为地物发生突变的假设。该方法的流程简单,易于在目前的土地管理、城市规划等需要发现用地变化的系统和软件中使用。该方法考虑到了多时相遥感影像间的时间维度特征,为遥感变化检测提供了更加丰富的信息,进而改善了变化检测方法主要依赖空间维度信息的现状。以光流动态纹理作为变化的基本体现,结合光谱信息共同用于高分辨率遥感影像的支持向量机分类后变化检测,方法顾及了遥感影像时间维度的纹理,相较大多数空间纹理其数据量较小;纹理计算仅需设定一个参数,自动程度较高;可缓解行业中大量人工解译的现状。通过利用中国大庆市杜尔伯特蒙古自治县2011年和2012年QuickBird影像对该方法的有效性进行了评价。深入分析了不同的光流平滑系数α对该方法的影响,以及对地物变化描述效果的影响。实验结果显示,该方法效果理想,总体精度达到87.29%、Kappa系数达到0.850 7,其精度优于单纯利用光谱信息的分类后变化检测方法。     

基于时间序列高光谱遥感影像的田块尺度作物产量预测

在精准农业领域,田块尺度土壤理化性质、作物长势、产量等存在极显著的空间异质性。高光谱遥感侧重于光谱维度信息的提取,未充分利用空间与时相信息,限制了植被长势、生物量与产量的监测精度。传统格网采样与地统计空间插值方法,耗时费力、成本高,难以推广;而遥感技术可以获取农作物生理参数的时空异质性信息,可以用于田块尺度的精准管理分区(SSMZ)。以田块尺度棉花地为研究对象,获取时间序列航空高光谱遥感影像,分析不同长势棉花的反射光谱特征,构建光谱指数,综合光谱、时相、空间维度信息,利用面向对象方法进行精准管理分区,建立产量遥感预测模型。结果表明：综合多维信息的面向对象分割方法优于基于象元的方法,可以部分消除遥感与产量数据噪声,提高棉花估产精度;不同植被指数与棉花产量的相关系数排序为一阶微分、NDVI、OSAVI、二阶微分;对于同一尺度、单一时相,一阶微分产量预测模型精度较高,多时相多光谱植被指数也可以得到较高精度;对于同一输入量、不同尺度,较少SSMZ个数的棉花产量预测模型精度更高、稳定性更好,这是由于影像与产量数据的空间定位存在一定的误差造成。研究成果将丰富作物长势、估产方法,提高遥感监测精度,加速无人机遥感在相关领域的应用。     

基于周期靶标的高分辨光学卫星相机在轨MTF检测方法

调制传递函数(MTF)是高空间分辨率光学卫星相机的重要参数之一.提出一种基于周期靶标的直接检测方法,从遥感影像数据计算得到成像系统在奈奎斯特频率处的MTF值,同时利用参数化模型获取全频率的MTF曲线.试验结果表明,在均匀的暗背景上,沿遥感器的垂轨方向与顺轨方向上分别布设5组非整像素(地面像元分辨率)间隔的三线靶标,并在...     

一种光谱与纹理特征加权的高分辨率遥感纹理分割算法

高分辨率遥感影像呈现极其丰富的光谱和结构信息,传统的基于光谱的遥感影像分割方法往往使得分割区域过于细碎且分割精度不高.尝试将纹理信息引入到特征空间以期解决该问题.本文算法中,特征空间由光谱和纹理两类构成,并采用加权最小距离分类器.光谱信息通过对原始影像的变带宽均值漂移滤波获得,纹理信息由对原始影像逐波段采用多尺度伽博(Gabor)滤波器组滤波获得;依据训练样区中各特征维的方差确定该地物类别分类时特征维的权重,并通过训练样区的特征加权平均获得各地物类别的聚类中心;最后,将像素点归为到加权聚类中心距离最小的类别.实验结果表明,提出的均值漂移带宽确定方法是有效的,加权融合算法较基于光谱的分割方法在分割精度上有一定程度的提高.     

机器学习法的干旱区典型农作物分类

当前,基于机器学习方法开展农作物分类研究,对于确保干旱区粮食安全和生态安全有着极为重要的现实意义。基于机器学习方法,采用时间序列Sentinel 2A遥感数据提取农作物分类信息,通过引入地块基元和红边特征,探讨了不同分类特征组合对机器学习分类精度的影响。结果表明：随机森林分类器可以有效集成光谱和植被指数等多维向量的优势,将其应用于干旱区典型农作物分类上的精度均在89%以上,分类组总体精度最高可达94.02%。地块基元点集支持下的分类特征提取方法能够提高机器学习效率和农作物分类精度,使光谱组及指数组的分类精度分别提高3.13%和4.07%,并能有效解决“椒盐”效应及耕地边缘廓线模糊等问题。红边光谱和红边指数的引入分别使随机森林分类器总体精度提高2.39 %和1.63%,并使春、冬小麦的识别能力显著提高,表明红边特征能够帮助分类器更敏感地捕捉不同作物特有的生长特性及物候差异。该研究结果可为机器学习方法及Sentinel 2A卫星在干旱区农业遥感的应用提供参考。     

A novel binary tree support vector machine for hyperspectral remote sensing image classification

According to the principle of support vector machine (SVM) and the inter-class separability rule of hyperspectral data, a novel binary tree SVM classifier based on separability measure among different classes is proposed for hyperspectral image classification. J–M distance is used to measure the separability in order to generate the binary tree automatically. By experiments using airborne operational modular imaging spectrometer II (OMIS II) data, satellite EO-1 Hyperion hyperspectral data and airborne AVIRIS data, the classification accuracy of different multi-class SVMs is obtained and compared. Experimental results indicate that the proposed adaptive binary tree classifier outperforms other existing multi-class SVM strategies. Use of the adaptive binary tree SVM classifier is a novel approach to improve the accuracy of hyperspectral image classification and expand the possibilities for interpretation and application of hyperspectral remote sensing image.     

Combined multi-kernel support vector machine and wavelet analysis for hyperspectral remote sensing image classification

Many remote sensing image classifiers are limited in their ability to combine spectral features with spatial features.Multi-kernel classifiers,however,are capable of integrating spectral features with spatial or structural features using multiple kernels and summing them for final outputs.Using a support vector machine(SVM) as classifier,different multi-kernel classifiers are constructed and tested using 64-band Operational Modular Imaging Spectrometer II hyperspectral image of Changping Area,Beijing City.Results show that by integrating spectral and wavelet texture information,multi-kernel SVM classifiers can obtain more accurate classification results than sole-kernel SVM classifiers and cross-information SVM kernel classifiers.Moreover,when the multi-kernel SVM classifier is used,the combination of the first four principal components from principal component analysis and wavelet texture provides the highest accuracy(97.06%).Multi-kernel SVM is therefore an effective approach to improve the accuracy of hyperspectral image classification and to expand possibilities for remote sensing image interpretation and application.     

Wavelet SVM in Reproducing Kernel Hilbert Space for hyperspectral remote sensing image classification

Combining Support Vector Machine (SVM) with wavelet analysis, we constructed wavelet SVM (WSVM) classifier based on wavelet kernel functions in Reproducing Kernel Hilbert Space (RKHS). In conventional kernel theory, SVM is faced with the bottleneck of kernel parameter selection which further results in time-consuming and low classification accuracy. The wavelet kernel in RKHS is a kind of multidimensional wavelet function that can approximate arbitrary nonlinear functions. Implications on semiparametric estimation are proposed in this paper. Airborne Operational Modular Imaging Spectrometer II (OMIS II) hyperspectral remote sensing image with 64 bands and Reflective Optics System Imaging Spectrometer (ROSIS) data with 115 bands were used to experiment the performance and accuracy of the proposed WSVM classifier. The experimental results indicate that the WSVM classifier can obtain the highest accuracy when using the Coiflet Kernel function in wavelet transform. In contrast with some traditional classifiers, including Spectral Angle Mapping (SAM) and Minimum Distance Classification (MDC), and SVM classifier using Radial Basis Function kernel, the proposed wavelet SVM classifier using the wavelet kernel function in Reproducing Kernel Hilbert Space is capable of improving classification accuracy obviously.     

水稻分蘖期无人机高光谱影像混合像元特征分析与分解

开展水稻无人机高光谱解混,获取水稻植株的高光谱反射率信息,对于提高水稻理化参量的反演模型精度具有重要意义.目前大多基于高光谱遥感影像自身数据进行解混,运用算法模型进行高光谱数据解混,将高光谱图像和可见光图像进行优势互补,提出一种基于无人机高清影像与高光谱遥感影像融合的稻田无人机高光谱解混方法,解决单一数据局限性问题,增...     

基于径向基函数神经网络的高光谱遥感图像分类

从径向基函数神经网络的理论出发,针对高光谱数据的特点,设计了有效的特征提取模型,再与径向基函数神经网络的输入层连接,建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型,并用国产OMISII传感器获得的64波段数据进行试验。首先进行了最小噪声分离变换,提取了1～20个分量的数据,使用提取后的数据（20维）、提取后数据的纹理变换（20维）和主成分分析的前（20维）,组成了60维向量数据进行分类处理,这种分类器结构简单、容易训练、收敛速度快,其分类精度达到69.27%,高于BP神经网络分类算法(51.20%)以及常用的最小距离分类（MDC）算法(40.88%)。通过对结果和过程进行分析,实验证明径向基函数神经网络在高光谱遥感分类中具有较好的适用性。     

空间紫外光学遥感技术与发展趋势

空间紫外光学遥感技术是除可见、近红外、热红外和微波遥感以外的一个具有突出优势的遥感领域,全球气候变化研究是目前国际上空间紫外-真空紫外光学遥感的热点课题。本文对空间紫外光学遥感的作用、国内外研究现状及发展趋势进行了综述和分析。介绍了一组紫外光学遥感仪器的功能和特点,给出了它们的主要性能参数;指出我国目前的工作重点是推进星载紫外光谱遥感仪器的应用、积累空间探测数据、建立反演算法等;而未来发展目标将是研制集天底、临边和掩星成像探测于一体的新一代紫外成像探测仪器,高精度观测全天候的整层大气密度和臭氧的三维分布,实时监测大气组分及化学成分（如O₂、N₂、NO、OH和O₃）的变化及变化趋势,以及进一步拓展我国紫外光学遥感仪器的应用领域。     

基于高光谱图像技术的苹果粉质化LLE-SVM分类

苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相结合的用于检测苹果粉质化的新分类方法。LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法,能有效计算高维输入数据在低维空间的嵌入流形。对降维后的高光谱数据采用SVM进行分类。将LLE-SVM分类方法与传统的SVM分类方法比较,仿真结果表明,对高光谱数据而言,用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度;降维前后,分类器的测试精度变化不大,波动范围不超过5%。LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。