顾及极化特征的SAR与光学影像融合与分类EI北大核心CSCD

全极化合成孔径雷达(SAR)具有丰富的极化信息,对地物识别具有显著优势,提出了一种顾及极化特征的SAR与中分光学影像融合的方法,对全极化SAR影像进行极化目标分解,采用改进的色度、饱和度、明度(HSV)变换方法融合极化特征波段与中分光学影像,并基于面向对象的方法对融合影像进行地物分类。结果表明,该融合方法优于传统单极化SAR与中分光学影像的HSV融合方法,能够有效利用全极化SAR的极化纹理信息。面向对象分类方法能够降低SAR对融合影像的斑点噪声影响,地物总体分类精度优于高分光学影像,且对于极化信息敏感的地物,其分类精度明显优于高分光学影像。     

一种利用地物散射特性进行后续类别调整的极化SAR影像分类方法

针对常规极化SAR影像监督分类在分类时由于极化信息利用不完全,导致分类结果不可信的缺陷,在分析地物极化散射特性的基础上,提出一种结合复Wishart分类器思想的极化SAR监督分类方法,在监督分类的基础上,利用几乎包含所有极化信息的相干矩阵进行后续分类,利用地物所有极化散射信息完成类别的划分。首先,利用Cloude&Pottier极化特征组合对影像进行监督分类,获得初始类别划分结果;为纠正监督分类时仅利用特征矢量的空间分布特性进行类别划分导致的错误,对监督分类结果精度评价及研究区地物散射相似性分析,综合确定初始分类结果中分类效果较差、待后续调整类别的像素集;然后以各类别的相干矩阵均值为初始聚类中心,利用核模糊C均值算法,结合相干矩阵的复Wishart分布特性,对待修正的像素集进行后续类别迭代调整,获得精细分类结果。采用国产X-SAR获取的海南陵水地区的全极化SAR影像进行分类试验,结果表明：提出的对极化SAR影像监督分类后利用地物散射特性相似性对错分像素重新进行聚类调整类别的方法,与仅进行监督分类相比,分类结果总体精度更高,也更满足地物的散射特性。     

SAR影像极化特征的混合高斯模型与分类

针对高分辨率极化合成孔径雷达(SAR)影像中极化特征呈现尖峰拖尾等复杂多样的统计特点,采用混合高斯模型(GMM)对极化特征进行建模,提出了一种约束距离的混合多元高斯分布的参数估计算法。该参数估计算法在贪婪期望最大算法框架下设计约束距离函数,自动估计混合分量的个数和模型参数,进而在贝叶斯框架下实现极化SAR影像的地物分类。对Radarsat-2旧金山等地区三组影像数据的分类结果表明:相比于经典的分类算法,所提GMM分类算法的总体精度提高了7%～10%,且对样本数目的依赖性更小,在城区和耕地区域等异质区域可以得到精度更高的分类结果。     

基于面向对象分类约束的融合方法研究

像素级融合方法中常出现色彩突变或色彩失真现象。通过分类信息对融合进行约束可以部分消除目标地物边界的这些现象。然而传统的基于像素分类的影像融合方法由于分类中的“椒盐效应”,导致融合效果受到一定的影响和限制。采用面向对象分类约束的方法对该融合方法进行改进。首先采用面向对象分类方法进行影像分类,解决了基于像素分类中的“椒盐效应”问题;其次将分类结果作为影像融合的约束条件,利用色度饱和度明度(HSV)变换进行融合;最后将该方法的结果与多种融合方法的结果进行定量比较,发现该方法除在目视上取得很好的增强效果外,在信息熵、方差等指标上也取得了很好的效果。     

结合纹理和空间特征的多光谱影像面向对象茶园提取

云南茶园主要分布于山区,往往与其他地物混合,破碎化程度高,给基于遥感的高精度茶园提取带来困难。破碎化山地茶园的遥感识别能力有待进一步提高。以西双版纳北部及普洱市南部山区为研究区,以高分一号(GF-1)遥感影像为数据源,基于易康(eCognition9.0)软件,采用多尺度分割(MRS)方法对影像进行分割,并通过ED3_Modified评估影像的最优分割尺度。首先构造了包括14个光谱特征、6个纹理特征和3个空间特征的23维初始特征,通过计算样本的分离度对分类特征空间进行优化,确定了16维最优特征空间。然后应用面向对象的监督分类方法[贝叶斯(Bayes)、决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取。采用实地调查样点和随机点结合的方法对提取结果进行精度验证,并比较了不同分类方法的茶园提取精度。面向对象的监督分类[多分类（茶园、森林、农田、不透水层、水体）]结果的总体精度(OA)和Kappa系数分别为(Bayes: 87.73%, 0.70),(DT: 88.52%, 0.72),(RF: 91.23%, 0.78)。三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes: 67.23%, 75.33%),(DT: 68.84%, 83.83%),(RF: 70.54%, 87.13%);相比于面向对象的RF多分类,面向对象RF二分类（茶园、其他地物）OA和Kappa系数分别提高了3.24%和0.07,茶园提取的PA与UA分别提高了5.99%和5.61%;相较于仅利用光谱特征的基于像元的RF多分类,面向对象的RF二分类OA与Kappa系数分别提高了23.32%和0.27,茶园提取PA与UA分别提高了21.10%和29.03%。结果表明：采用面向对象的监督分类方法在对茶园提取方面有应用潜力,尤其面向对象的RF分类精度更高,二分类相较于多分类对于茶园提取更为精细和准确。该方法对于复杂、破碎山地茶园提取精度较高,能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求。     

基于相位方向和尺度的光学、SAR影像自动匹配方法

由于影像之间有显著的几何和辐射差异,光学、合成孔径雷达(SAR)影像的自动匹配一直是研究的难点。介绍具有辐射不变的相位一致性模型,并引入索引图对相位一致性的方向和尺度信息进行统计;借助相位响应方向特征形成方向索引图,借助相位响应尺度特征形成尺度索引图;建立一种对影像局部特征的描述符——局部相位一致性统计图(LPCS),最后利用LPCS在光学、SAR影像中获取同名点,运用仿射变换模型实现匹配。实验表明,方法对光学、SAR影像之间的辐射差异有很强的适应性,并且匹配精度较高。     

微波后向散射数据改进农作物光谱分类精度研究

利用实验区环境星多光谱数据与Envisat ASAR VV极化数据进行融合.讨论了VV极化微波后向散射数据用于改善多光谱遥感数据农作物分类的精度,并比较了不同分类方法的分类精度.结果表明,两种数据之间的融合充分利用了环境星数据的光谱信息和VV极化数据对于地物结构敏感的特征,不但增强了不同地物之间的光谱差异,而且提高了作...     

基于NSCT变换的高分三号SAR与光学图像融合

高分三号卫星是世界上成像模式最多的合成孔径雷达(SAR)卫星,高分三号SAR图像与多光谱图像融合可以改善图像视觉效果。因此提出一种新的研究思路,即利用非下采样轮廓波变换(NSCT)模拟出既包含多光谱谱段信息又体现SAR图像细节信息的高分辨率图像,则融合可不拘泥于具体算法。同时提出两种基于NSCT的高分辨率图像模拟方法,利用高分三号3 m、5 m分辨率SAR图像和高分一号16 m分辨率图像进行实验,采用不同融合算法验证了该思路的有效性。研究结果表明:传统的SAR和多光谱图像直接融合的方法能够保持SAR的细节信息,但噪声明显,且光谱信息损失大;而所提出的NSCT平均图像和平均NSCT图像可以保留融合结果的光谱信息,且模拟的光谱信息前者比后者更贴近多光谱。     

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.     

光谱特征分析的城市道路提取

道路是城市中典型的人造地物。利用高分辨率影像进行城市道路提取,对城市规划、交通发展具有重要意义。由于地物光谱的混淆性和异质性,利用传统基于光谱的分类方法很难将道路与其他城市地物区分开。针对这一问题,提出了一种利用道路边缘结构信息进行分类的方法,边缘作为光谱衍生信息对线性地物(如,道路等)识别具有明显的意义。首先,根据全色光谱波段纹理信息,利用改进的自适应Mean Shift算法进行边缘检测,最大限度减少噪声与伪边缘;然后,对边缘图像中的线段进行编组,利用统计模型依次对边缘线段求取统计特征,并将该统计特征与多光谱特征结合作为总分类特征;最后,利用监督学习方法对城市道路样本进行学习并对整个实验区域进行分类。结果表明将光谱信息与边缘统计特征融合对道路的识别精度为93%,相比传统方法78%的精度有显著的提高,因此,该方法是一种有效、可行的高分辨率遥感图像城市道路提取方法。     

UAV高光谱影像联合SULOV＿XGBoost算法的柑橘果树精细分类方法

精准、动态监测经济作物种植信息是农业精细化管理面临的迫切需求。为实现不同果树品种的精细分类,以桂林市六塘默科特柑橘试验基地为研究区,获取机载高光谱影像数据,深度挖掘不同柑橘果树品种的光谱信息,构建多维数据集,提出一种利用SULOV结合极端梯度提升(eXtreme gradient boosting, XGBoost)算法进行优选特征,并采用XGBoost分类算法进行柑橘果树品种精细分类的方法,最后,与随机森林(random forest, RF)和支持向量机(support vector machine, SVM)的分类结果的精度进行对比分析。结果发现：(1)所提的SULOV结合XGBoost算法(SULOV＿XGBoost)柑橘果树精细分类算法能够有效进行特征差距较小场景的果树作物不同品种间的精细分类,算法整体分类效果优于传统的常用机器学习方法(RF与SVM);(2)一阶微分拐点处值与原始波段值的融合特征对提升精细分类精度具有极大作用;另外加入不同波长范围波段组合也能够显著提高柑橘果树精细分类结果;(3)SVM在地物可辨性较高的条件下其分类性能更佳,且抗干扰能力强。研究成果可为同一物...     

一种极化SAR影像分类中的半监督降维方法

针对极化合成孔径雷达(SAR)应用中存在的特征冗余问题,结合线性判别分析(LDA)和局部线性嵌入(LLE)的思想,提出一种半监督降维算法:半监督局部判别分析(SLDA)。该算法首先基于LLE的局部保持特性建立正则项,以避免学习中的过拟合问题。然后,在标记样本集上进行正则化的判别分析,以增强算法的推广能力,同时保持所有样本点在原始空间的局部几何结构。利用RADARSAT-2和AIRSAR卫星获得的Flevoland地区的全极化SAR数据进行降维实验,结果表明SLDA提取的低维特征具有"类内紧聚,类间分离"的特性;进一步的分类实验结果表明,SLDA只需1‰~2‰的标记样本就能使分类精度达到90%左右,分类性能优于其他对比方法。     

融合全局和局部深度特征的高分辨率遥感影像场景分类方法

提出了一种融合全局和局部深度特征(GLDFB)的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合,利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征,完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明,相比现有方法,所提方法在高层特征表达能力和分类精度方面具有显著优势。     

基于目标约束与谱空迭代的高光谱图像分类方法

针对复杂背景像元影响高光谱分类精度的问题,将目标检测方法引入地物分类研究,提出了一种基于谱空特征迭代的高光谱图像分类方法,该方法通过将约束能量最小化设计了一种多目标约束的类别分类器(MTCC)。该分类器利用检测原理提取多类目标地物,有效地降低了复杂背景数据对分类精度的影响;同时为了解决光谱特征带来的过分类问题,方法中利用反馈式谱空融合方式强化空间增强信息在分类中的作用,以逐步提高分类精度。利用Purdue、Salinas和Pavia数据集进行实验,结果表明,所提方法的平均分类精度分别为98.09%、97.33%和84.68%,精确率分别为96.84%、95.32%和79.13%,与其他方法相比所提方法具有更高的泛化能力,实用性更强。     

高分四号卫星数据云和云阴影检测算法

高分四号卫星(GF-4)是我国研制的首颗地球同步高分辨率光学成像卫星,具有高时间分辨率和较高的空间分辨率。针对高分四号卫星数据的特点,提出了一种光谱分析与几何算法相结合的云和云阴影检测算法。使用几何校正和辐射定标后的高分四号影像,基于云与典型地表的光谱特征,采用光谱差异分析技术识别出潜在云像元,根据有云地物和无云地物的光谱变化率差异计算云概率;由云和云阴影的几何关系,并结合传感器参数识别云阴影的投影带,然后根据阴影的光谱特征在投影带中设定基于影像的动态阈值,用于检测云阴影。该算法能较好地识别薄云,而且可以显著提高云阴影的检测精度。采用目视解译法对检测精度进行验证后发现,不同区域类型的云像元识别位置准确,形状完整;将所提云阴影检测方法与云和云阴影匹配算法进行对比后发现,前者识别的云阴影更为精确。     

基于OB-HMAD算法和光谱特征的高分辨率遥感影像变化检测

高空间分辨率遥感影像蕴涵丰富的地物细节信息,针对高分辨率多时相遥感影像的变化检测可以更清楚认识到地理单元的变化情况,传统的遥感变化检测算法面对高分辨率遥感影像时,会出现明显的"椒盐现象"。本文借鉴面向对象图像分析的思想,以高分辨率遥感影像对象的光谱特征为分析对象,在多变量变化检测算法(multivariate alternative detection, MAD)的基础上,提出一种半自动阈值选取的OB-HMAD(object based-hybrid MAD)算法,并利用该算法进行变化检测实验对比分析。首先对高分辨率多时相遥感影像进行多尺度分割,形成多通道的影像对象;其次利用MAD变换,形成差异影像对象,并对其进行MNF变换,提高影像对象的信噪比;然后采用直方图曲率分析(histogram curvature analysis, HCA)进行半自动阈值选取,提取变化区域;最后结合实地样本数据对变化检测结果进行混淆矩阵的精度验证。结合2012年和2013年北京地区Worldview-2影像的实验可知,OB-HMAD算法融合多通道的光谱信息,可以有效的实现多时相高分影像的变化检测,基本消除了基于像元变化检测中"椒盐"现象的干扰,并在一定程度上降低建筑物阴影和几何配准误差的影响,总体精度和kappa系数也较优于其他变化检测算法,但存在较大的漏检误差。MNF变换可以有效的提高影像的信噪比,使差异信息更集中,直方图曲率分析的阈值分割算法相对其他阈值算法,自动化程度更高。     

三维Gabor滤波器与支持向量机的高光谱遥感图像分类

根据高光谱遥感图像的特点及二维Gabor滤波器纹理分割的原理,提出了一种基于三维Gabor滤波器的高光谱遥感图像分类方法。三维Gabor滤波器能够对高光谱遥感图像所有波段同时进行滤波,将大量的图像信息抽取为少量的不同尺寸、方向和波谱的响应,极大减少了高光谱遥感图像纹理信息提取的计算量。利用不同方向和尺寸的三维Gabor滤波器对祁连山黑河流域上游地区的Hyperion影像全波段进行滤波处理,获取26个纹理响应特征,并分析不同纹理对不同地物的区分度。利用自动子空间划分的波段指数(BI)进行波段选择,选取不同的波段组合进行试验,寻找最佳降维幅度。按照纹理对不同地物响应的区分度逐一加入三维Gabor纹理特征,利用三维Gabor纹理辅助光谱信息,运用支持向量机(SVM)的方法进行监督分类。结果表明,基于三维Gabor纹理和自动子空间BI波段选择的SVM分类方法能够在有效降低光谱维数的同时,提高高光谱遥感图像分类的精度和效率。     

基于统一验证场法的国产高分辨率卫星影像几何定位精度评估

为衡量国产主流2 m分辨率光学卫星的几何定位精度,本文在有理多项式(RPC)模型与区域网平差的基础上,针对不同卫星在不同地区表现出的几何定位精度的差异,提出了一种利用相同控制基准测评多星几何定位精度的方法。以河北省沽源县平坦地区作为控制区域,采用高分一号系列卫星(GF1、GF1-B、GF1-C、GF1-D)、资源三号系列卫星(ZY3-1、ZY3-2)以及天绘一号卫星(TH-1)的多幅不同高分辨率卫星影像进行单景与立体影像几何精度的评估试验。研究结果表明:在无控制点条件下,高分一号系列卫星单景影像的平面精度大都优于42 m; TH-1单景影像的平面精度约为6.36 m; ZY3-1立体影像的精度较高,平面精度约为11.29 m,高程精度约为3.43 m。在有控制点条件下,高分一号系列卫星单景影像的平面精度均优于13.3 m, ZY3-1、ZY3-2和TH-1单景影像的平面精度均优于5.46 m, ZY3-1、ZY3-2立体影像的平面精度分别约为4.01 m和4.29 m,高程精度分别约为1.71 m和1.61 m。本文方法对多颗高分辨率国产光学卫星几何定位精度的评估是合理可行的。     

改进YOLOv4的铁路沿线遥感影像地物检测方法

近年来,高分遥感影像技术的快速发展为铁路沿线地物检测提供了一种重要技术手段。基于回归的一阶段目标检测方法YOLOv4具有检测精度高、速度快等优点,但用于遥感影像检测时仍然存在部分细节特征信息丢失导致的小目标漏检,以及进行大面积地物检测时效率低的问题。为此,提出改进YOLOv4网络模型对遥感影像铁路沿线地物进行检测。首先,设计由卷积、批量归一化和Mish激活函数组成的CBM(convolution batch normalization mish)模块,并采用DCBM(double CBM)模块作为密集连接网络(DenseNet)的传输层用于YOLOv4网络特征提取以实现地物特征传递和信息重用,增强小目标地物的检测能力,降低漏检率;然后针对YOLOv4在大面积检测时效率不高和模型参数空间较大的缺陷,将压缩激励SE(squeeze excitation)通道注意机制用于骨干网中跨阶段局部单元(cross stage partial, CSP)的每个残差单元之后,减少SE注意模块的重复调用次数,使其能够在提高网络性能的同时降低模型参数量从而提高检测效率;最后,针对长条形状的铁路目标提取困难问题,在网络结果输出之前引入改进的通道空间注意力机制ICBAM(improved convolutional block attention module) 保留原始特征信息,解决铁路目标特征提取能力差的问题,提高铁路中大尺度目标的检测效率。为验证所提方法的有效性,选取2 048张分辨率为1 920×1 080的某段铁路沿线遥感影像地物样本数据,将其中的铁路、房屋、楼宇建筑、农田和水池作为检测目标进行实验,并与当前流行的目标检测方法进行对比。结果表明,改进方法不仅增强了对小目标地物的检测能力,提高了地物检测精度和速度,而且提高了大尺度目标的检测效率。与YOLOv4算法相比,mAP提高了2.11%,准确率提高了2.93%,召回率提高了3.79%,模型大小减少了8.53%。所提方法为当前应用高速铁路沿线遥感影像地物快速精准检测提供了有效方法。     

基于线性光谱模型和支撑向量机的软硬分类方法

针对硬分类方法中无法解决的混合像元问题及软分类方法中全图共用一套端元进行混合像元分解所带来的弊端,提出了一种新的软硬分类方法。该方法通过分析目标地物在图像中的分布情况,自动计算判别阈值,将图像分为目标地物纯净区域、目标地物混合区域和非目标地物区域。对于目标地物纯净区域和非目标地物区域采用硬分类方法(支撑向量机)快速提取分类信息;对于目标地物混合区域采用软分类方法(端元可变的线性混合像元分解)提取目标地物丰度信息,最后得到目标地物软硬分类结果。通过对北京地区ALOS图像的应用试验,并将新方法与支撑向量机、线性光谱混合模型进行比较,新方法的RMSE值为0.203,总量精度达到95.48%,高于支撑向量机和线性光谱混合模型。实验结果表明,新方法能够有效解决混合像元问题,提高图像分类精度。