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。     

自适应阈值的多光谱遥感影像软硬分类方法研究

土地覆盖遥感分类根据图像中每个像元在不同波段具有不同光谱亮度、空间结构特征或者其他差异的特征,按照某种规则或算法提取土地覆盖分类信息。硬分类方法由于混合像元的存在,导致遥感分类和面积测量精度难以达到使用要求;软分类方法能够解决混合像元问题。针对硬分类与软分类各自存在的问题及优势,在分析硬分类模型和软分类模型的理论基础上,通过研究两种模型的优缺点取长补短,优化分类模型。在新的软硬分类方法支持下,设计典型应用案例,在精度评价过程采用改进型混淆矩阵评价方法,验证该方法在土地覆盖信息提取方面的精度。结果表明,软硬分类方法能够有效提高土地覆盖分类精度。     

基于加权特征融合的多尺度遥感影像分类

针对普通的三维卷积神经网络（3D CNN）从一个尺度上提取特征,会丢失部分细节信息,且对小样本任务表现一般的问题,本文提出了一种三支路的3D CNN,从不同尺度上提取特征后进行加权特征融合,从而获取了更为全面的特征;并引入数据增强技术,从而改善了小样本情形下的分类性能。现有特征融合方法通常对各个支路直接进行拼接,本文采用加权拼接的特征融合方法,将各特征分别乘以一个加权系数后再进行拼接,该系数通过模拟退火算法求取。本文方法在公开数据集Indian Pines,Pavia University,Salinas等上采用10%的数据进行训练,分别得到了98.60%、99.83%、99.97%的总体准确率,与各类对比方法相比,提升了高光谱遥感影像分类问题的准确率。     

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.     

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。     

遥感影像分类方法研究进展

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容.分类方法是遥感影像分类的重要内容,有效地选择合适的分类方法是提高分类精度的关键.随着遥感技术的发展,传统的非参数分类方法已经难以满足分类精度需求,基于智能算法的非参数分类方法得到了迅速发展,并在遥感影像分类中发挥着重要作用.近年来,组合分类器由于能够...     

基于HPSO和FCM的多光谱遥感图像湿地分类

分析了基本粒子群算法(PSO)、混合粒子群优化算法(HPSO)和模糊C-均值算法(FCM)的特点,将模糊C-均值算法引入到混合粒子群优化算法中,发展和改进了HPSO-FCM算法,并在Fortran语言和MATLAB环境下开发实现HPSO-FCM程序。以2009年6月份的环境一号卫星多光谱可见光图像和ENVI-SAT的ASAR微波图像为基础数据,通过波段叠加和主成分分析,得到前3个主成分合成图像。利用HP-SO-FCM算法和非监督学习动态聚类算法(ISODATA)分别对湖南东洞庭湖3个主成分合成图像,进行湿地分类实验。结果表明:(1)将模糊C-均值算法引入到混合粒子群优化算法中,具有较好的搜索速度和收敛精度,能有效寻找和优化最佳聚类中心。(2)HPSO-FCM算法在多光谱遥感图像湿地分类精度比较高,是一种有效的遥感图像分类方法。     

基于三维空洞卷积残差神经网络的高光谱影像分类方法

高光谱影像是典型的高维数据,在光谱维和空间维都包含了大量信息。针对高光谱影像分类时光谱维数据量巨大的特点,提出一种基于三维空洞卷积残差神经网络的高光谱影像分类方法。该方法以高光谱像元立方体作为数据输入,使用三维卷积核同时提取高光谱数据的空间维和光谱维特征,并通过在卷积核中引入空洞结构,在不增加网络参数量和不消减数据特征的情况下提高卷积核的感受野,从而提高神经网络的分类的精度。该方法利用残差结构避免了由网络层数加深导致的梯度消失问题,最终使用Softmax分类器完成高光谱像元的分类工作。实验结果表明:所提方法在Indian Pines和Salinas数据集上分别取得了97.303%和97.236%的总体分类精度,与各对照组相比具有更好的分类效果,由此证明所提方法可以提升高光谱影像的分类性能。     

基于无人机高光谱影像的建筑垃圾分类研究

建筑垃圾“围城”已经成为现阶段城市环境治理面临的主要问题,严重制约了城市生态环境的可持续发展,做好建筑垃圾的分类对保护城市水资源、提高城市土地利用率、提升居民生活质量意义重大。该研究将GaiaSky-mini 2推扫式机载高光谱成像仪（400～1 000 nm）搭载在经纬M600Pro无人机上,选择晴朗无风的试验环境,实时获取研究区高光谱遥感影像。对采集的研究区高光谱遥感影像进行几何校正、图像裁剪、辐射校正等预处理;将研究区内地物分为背景地物和建筑垃圾两大类,其中背景地物包括芦苇、蒿子、水体、阴影、裸土和柏油路,建筑垃圾包括白色塑料、防尘布、地基渣土和瓦砾砂石;基于影像像元选取样本点,分别提取研究区内6种背景地物和4种建筑垃圾的光谱信息,制作光谱曲线,并依据光谱特征差异,选取特征波段,通过波段计算统计并选取合理阈值,利用决策树分类法实现背景地物的分离和建筑垃圾的识别提取;针对不同类别的背景地物和建筑垃圾分别选取验证样本点,对背景地物的分离结果和建筑垃圾的识别结果进行精度评价。结果表明,背景地物和建筑垃圾总体识别精度为85.91%,Kappa系数为0.845;针对建立的背景地物分离决策树,6种背景地物的分类效果均较好,其中芦苇、柏油路和裸土的生产者精度为95%,整体能较好的将背景地物分离;针对建立的建筑垃圾识别决策树,防尘布和瓦砾砂石的生产者精度为95%,白色塑料和地基渣土的生产者精度为90%,能精确的提取研究区内的建筑垃圾。研究表明决策树分类法在无人机高光谱遥感影像中实现建筑垃圾的识别与提取具有很好的分类准确度,同时也验证了无人机高光谱遥感在建筑垃圾分类提取领域的科学性和可行性,对未来建筑垃圾的分类识别工作具有一定的实际意义。     

基于PCA和SVM的高光谱遥感图像分类研究

支持向量机(SVM)是根据统计学习理论提出的新的研究方法,它在解决小样本、非线性及高维模式识别问题中表现出了许多特有的优势,在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。由于高光谱图像波段数目多,各波段间具有较强的相关性,因此通过主成分分析(PCA)方法对高光谱数据进行预处理,达到了降维的目的,同时也去除了噪声波段。用支持向量机方法对高光谱遥感图像进行分类,可实现图像的分类识别。     

人工神经网络结合多光谱遥感数据用于立地质量评价

多光谱遥感数据蕴含着大量的地表立地信息,而传统立地质量评价体系主要使用了人工地面调查数据。为了建立一套有效的立地质量评价体系,以内蒙古赤峰市旺业甸林场为研究对象,基于研究区域的多光谱遥感数据结合地面小班调查数据,采用一种改进的反向传播人工神经网络(back Propagation artificial neural network,BPANN)模型,以落叶松为例,建立了遥感光谱因子结合立地因子与地位指数关系的神经网络模型,对研究区域的小班进行立地质量评价研究。通过训练数据集的敏感度分析剔除弱相关或不相关的因子,简化了神经网络的规模,提高了网络的训练效率,得到了最优的地位指数预测模型,模型的预测精度达到95.36%,与使用传统小班调查数据建立的神经网络模型的预测结果进行了比较,精度提高了9.83%,说明使用多光谱遥感数据+小班调查数据确定的落叶松地位指数预测模型具有最高的预测精度。多光谱遥感数据十分适用于森林立地质量评价,改进BP神经网络具有理想的预测精度,充分证实了该方法的有效性和优越性。     

基于深度多分支特征融合网络的光学遥感场景分类

针对遥感图像背景复杂且存在某场景图像中关键物体小且尺度变化较大,需提升模型表征能力来准确辨别各类场景的问题,提出了一种深度多分支特征融合网络的方法进行遥感图像场景分类.利用多分支网络结构提取高、中、低三个层次的特征信息,将三个层次的特征进行基于拆分-融合-聚合的分组融合,最后为了关注难辨别样本和标签位置损失,提出一种损失函数.试验结果证明,本文所提出的方法对于提高分类准确率十分有效,在UCM、AID和OPTIMAL三个数据集上的准确率超过其他算法.在数据集UCM上80%样本训练,准确率达到了99.29%,与ARCNet-VGG16算法相比分类准确率提高了1.35%.在数据集AID上50%样本训练,准确率达到了95.56%,与Two-Stream算法相比提高了0.98%.在数据集OPTIMAL上80%样本训练,准确率达到95.43%,与ARCNet-VGG16算法相比提升2.73%.     

一种融合边缘信息的面向对象遥感图像分割方法

针对高分辨率遥感图像边缘突出、上下文信息丰富等特点,提出一种融合边缘特征的区域分割算法,基于面向对象图像分析方法,综合考虑遥感图像的光谱和空间特征。首先应用SUSAN算子对全色波段图像提取边缘信息,然后对融合后的彩色图像进行两阶段分割,第一阶段采用倒四叉树融合成初始图像对象,在第二阶段中通过在区域异质性判据中增加边界强度特征的方式融合已提取的边缘信息进行分级区域合并,形成图像分割结果。文中用三峡库区某区域QuickBird数据进行了实验,并与ENVI Zoom和Definiens下的分割结果进行了效果对比和定量评价,结果表明该方法可行、有效。     

一种遥感影像云层遮挡消除方法

针对光学遥感影像中常见的云层遮挡问题提出了一种去除云层的处理方法,采用直方图规定化来减小原始影像与替换影像间的灰度差异,采用特征点提取、整体松弛匹配以及小面元三角网纠正方法,解决了原始影像与替换影像之间的配准、纠正问题,同时利用羽化处理技术保证了拼接线附近影像灰度的平滑变化.试验结果表明:利用同一区域、不同时相、不同传感器平台的遥感影像来替换原始影像中的云层遮挡区域,可以有效解决遥感影像中的云层遮挡问题.     

一种遥感影像云层遮挡消除方法*

针对光学遥感影像中常见的云层遮挡问题提出了一种去除云层的处理方法,采用直方图规定化来减小原始影像与替换影像间的灰度差异,采用特征点提取、整体松弛匹配以及小面元三角网纠正方法,解决了原始影像与替换影像之间的配准、纠正问题,同时利用羽化处理技术保证了拼接线附近影像灰度的平滑变化.试验结果表明：利用同一区域、不同时相、不同传感器平台的遥感影像来替换原始影像中的云层遮挡区域,可以有效解决遥感影像中的云层遮挡问题.     

一种高精度偏振遥感探测方式的精度分析

检偏器的角度误差是影响偏振遥感探测精度的重要因素之一,是许多高精度定量化偏振遥感需要考虑的一个问题。在检偏器(0°,60°,120°)放置的测量系统中,当入射光偏振角接近于0°或180°时偏振测量易产生最大误差值,而偏振角接近30°,90°和150°时,偏振度的测量具有很高的精度;在检偏器(0°,45°,90°)放置方式中,偏振角接近45°的光束测量易具有最大误差值,而偏振角接近于0°,90°和135°时,角度误差对偏振度测量精度的影响很小。除了个别偏振角外,对高偏振度入射光束的偏振测量通常具有较大的偏振测量误差。因此,引进线偏振光的平均偏振度测量精度描述偏振测量装置的优劣,结果表明检偏器(0°,60°,120°)放置方式优于检偏器(0°,45°,90°)放置方式。     

基于MSE模型的高分辨率遥感图像变化检测

目前,传统高光谱分辨率遥感图像变化检测方法大多基于单一特征信息进行处理,没有综合影像所有特征信息,难以检测出完整的变化信息。为此,提出了一种基于多特征流形嵌入模型（multiview spectral embedding, MSE）的高分辨遥感图像变化检测方法,利用该模型对图像特征变化信息向量中所有的变化信息进行融合,获得完整的检测结果。实验结果表明,本文方法的检测精度好于传统的变化检测方法,并且稳定性良好。     

基于稀疏表示的可见光遥感图像飞机检测算法

为解决当前遥感图像飞机检测方法在复杂背景下准确率低,实现旋转不变困难的问题,结合图像稀疏表示原理,提出一种基于稀疏表示的飞机检测算法.该算法首先利用飞机是刚性目标且具有明显几何外观的特点,构建飞机几何原子库;然后建立飞机轮廓几何逼近的最优化方程,在稀疏表示原理框架下,得到飞机轮廓最优的几何部件组合;最后,以星型结构的部件模型为框架,生成待检测图像的目标显著图并根据显著图定位出飞机.实验结果表明,稀疏表示方法能自适应选取飞机部件,部件数目较少且不易受光照、颜色和复杂背景的影响.与现有算法相比,本文算法准确率达90%以上,检测速度有较大的提高.