随机投影框架下的高光谱遥感影像分类方法研究

随着传感器技术的不断提高,遥感影像的光谱分辨率越来越高,在为影像分类提供丰富的光谱信息的同时,也大大增加了高光谱遥感影像分类所需的计算成本,因此通常需要先进行降维再分类。对于大尺度高光谱遥感影像,传统的降维方法存在对硬件要求高及运行时间长等问题。

可变类空间约束高斯混合模型遥感图像分割

针对传统高斯混合模型(GMM,Gaussian mixture model)难以自动获取类属数和对噪声敏感问题,提出了一种基于可变类空间约束GMM的遥感图像分割方法。首先在构建的GMM中,将像素类属性建模为马尔可夫随机场(MRF,Markov random field),并在此基础上定义其先验概率;结合邻域像素类属性的后验概率和先验概率,定义噪声平滑因子,以提高算法的抗噪性;在参数求解过程中,分别采用可逆跳变马尔可夫链蒙特卡罗(RJMCMC,reversible jump Markov chain Monte Carlo)方法和最大似然(ML,maximum likelihood)方法估计类属数和模型参数;最后以最小化噪声平滑因子为准则获取最终分割结果。为了验证提出的分割方法,分别对模拟图像和全色遥感图像进行了可变类分割实验。实验结果表明提出方法的可行性和有效性。

结合MST划分和RHMRF-FCM算法的高分辨率遥感图像分割

针对基于像素的HMRF-FCM算法抗噪性差以及对地物复杂边界分割精度低的问题,提出一种结合形状信息的静态MST区域划分和RHMRF-FCM算法的高分辨率遥感图像分割方法。该方法定义一种静态MST同质区域划分准则,借助MST能较好表达边界和形状信息、能较好抑制几何噪声的特点,解决地物复杂边界的表达和降低分割结果中几何噪声问题。首先,利用MST静态划分将图像域划分成若干个均质区域,假设每个均质区域内光谱测度服从独立同一的多元高斯分布。然后,在此基础上构建了区域隐马尔可夫随机场模型,以及建立基于信息熵和KL信息正则化项的模糊聚类目标函数。最后,采用偏微分方法对分割模型参数进行求解,从而得到全局最优分割结果。为验证本文方法,对WorldView-3高分遥感图像进行分割试验。定性、定量分析了尺度参数、光谱相似性参数和区域紧致度参数对最优分割结果的影响,并对比分析本文算法和eCognition软件中的多分辨率分割算法、分水岭算法。

基于谱聚类的高分辨率全色遥感影像分割

为了协调高分辨率全色遥感影像区域和边界的最优分割,提出了一种基于像素邻域和光谱特征的谱聚类高分辨率全色遥感影像分割方法。该算法重点着手于构建影像图模型,在其中引入像素邻域作用并充分顾及像素光谱测度差异。假定邻域像素具有连接关系,并在此基础上构建影像连接矩阵,再考虑像素光谱测度差异的影响建模像素间相似性,最终结合像素连接性和相似度构建影像权值矩阵完成图模型建立;而后在图模型的基础上,采用对权值矩阵特征分解并就分解结果进行选择的方式将影像数据变至低维特征空间,进而对获取的新数据执行FCM聚类算法达到影像分割目的。为了验证提出算法的有效性,分别对模拟影像和高分辨率全色遥感影像进行分割实验,定性、定量的评价结果表明了该算法的可行性与优越性。

自适应类别的层次高斯混合模型遥感影像分割

为了实现自动确定类别数的高精度遥感影像分割,提出一种自适应类别的层次高斯混合模型(Hierarchical Gaussian Mixture Model,HGMM)遥感影像分割算法.提出算法采用多个高斯混合模型加权和定义HGMM,用于建模具有非对称,重尾和多峰等复杂特性的影像统计模型.采用期望最大化算法(Expectation Maximization,EM)求解模型参数.为了实现自动确定类别数,采用贝叶斯信息准则(Bayesian Information Criterion,BIC)求解最优类别数,其中惩罚项采用加权像素数定义.为了验证提出算法可行性和有效性,对模拟和全色遥感影像进行分割实验,并对分割结果进行定性和定量分析.结果表明HGMM具有准确建模复杂统计分布的能力,提出算法具有高精度和高效率,同时可自动确定最优类别数.

自适应量子遗传算法的遥感图像自动增强

针对传统基于归一化非完全Beta函数(Normalized Incomplete Beta Function,NIBF)的图像增强方法难以有效地自动获取最优参数且其增强效果受图像动态范围限制的问题,提出一种基于自适应量子遗传算法的NIBF遥感图像自动增强方法。首先,由图像色深,对待增强图像引入最大和最小光谱测度级,扩大其动态范围。其次,利用量子比特将NIBF参数编码为量子染色体,并设置若干量子染色体构成初始参数种群;对该参数种群进行测量和解码,以解码值作为NIBF的参数输入,对图像进行光谱测度变换,得到对应的增强图像种群。然后,利用八方向边缘检测模板提取增强图像种群中每个个体的边缘图像,由边缘强度、边缘数以及熵测度定义刻画参数种群中个体品质的适应度函数,并以此评价参数种群中的每个参数个体,保留和记录最优参数个体。在提出的进化策略中,利用量子旋转门实现量子染色体向最大适应度方向进化,并根据每代适应度的差异和进化代数自适应地调整量子旋转角的大小;以最终演化的参数种群中适应度最大的参数个体作为NIBF的最优参数,生成相应的光谱测度变换曲线,从而确定输入和输出光谱测度之间的映射关系,实现图像最优自动增强。对5幅图像的平均实验结果表明:盲/无参考图像空域质量评价指标提升了122.2%;自然图像质量评价指标提升了71.8%;运行时间为10.758s。满足了遥感图像增强处理中的自动化、鲁棒性和高效率的要求。

结合多元信息聚类与空间约束的遥感图像分割方法

为了解决传统聚类算法对聚类表征特征量的依赖性以及定义的不完备性,结合遥感图像的数据的空间位置关系提出了一种结合多元信息聚类与空间约束的遥感图像分割方法。针对某一聚类数据,以若干数据点(多元)组合的方式遍历其所有数据点,并定义多元组合的互信息,以表征该聚类的类内相似性;通过计算类外像素对类内多元组合的互信息,刻画类间的非相似性。在此基础上建立类内相似性和类间差异性,然后结合两者之间的平衡关系建立目标函数,并将Potts模型扩展到目标函数以加入空间约束,最后通过最大化目标函数实现图像分割。对模拟及真实全色遥感影像分割结果的定性、定量分析表明:结合多元信息聚类与空间约束的遥感影像分割方法可以避免聚类表征特征量的定义,从根本上消除其对图像分割的影响,并充分考虑遥感数据的空间位置关系。

基于区域相似性的高分辨率遥感影像分割

作为蕴含于高分辨率遥感影像中的重要信息,地物目标的光谱特征和纹理结构对其精准分割至关重要。为此,结合高分辨率遥感影像的光谱和纹理信息,提出基于区域相似性的高分辨率遥感影像分割算法。首先,将图像域划分为一系列同质子区域;然后,在区域基础上,结合定义的纹理相似性和光谱相似性,以获取区域相似性;再利用基于区域相似性的分形网络演化算法（FNEA）实现高分辨率遥感影像分割。利用所提出算法,分别对合成纹理图像和高分辨率遥感影像进行分割实验,实验结果表明所提出算法具有一定的可行性及有效性。

结合波利亚罐模型和M-H算法的遥感图像分割

图像精确分割是目前遥感图像分割的主要研究任务之一,为此,提出一种基于波利亚罐模型的遥感图像分割方法。该方法通过模拟波利亚罐模型的随机实验过程,将图像像素之间相互关系运用到分割过程中,以精确地实现遥感图像分割。首先,根据波利亚罐模型及其随机实验过程定义邻域势能函数,结合马尔科夫随机场建立刻画像素类属性的标号场模型;假设遥感图像中各类属内像素光谱测度服从各自的同一独立高斯分布,以建立其特征场模型;由Bayesian定理,构建图像统计分割模型;然后,使用Metropolis-Hastings(M-H)算法进行分割模型求解,实现遥感图像分割。分别对模拟和真实遥感图像进行分割实验,实验结果表明使用提出方法可以有效去除图像中孤立的错分像素,使分割结果更加精确;定性和定量分析结果验证了提出方法的可行性及有效性。

基于多标记像素匹配的高分辨率遥感图像道路提取

针对高分辨率遥感图像道路提取方法存在提取不完整和误提取问题,提出一种基于多标记像素匹配的高分辨率遥感图像道路提取方法.将待提取图像由RGB颜色空间转换到Lab颜色空间,选取与照明强度弱相关的色相特征作为初始匹配项.以矩形框的方式标记不同类型的道路,利用t检验法剔除其匹配项的异常值,从而确定阈值来匹配道路像素点,利用局部纹理算子对匹配结果进行筛选.利用道路区域的形态特征对匹配结果进行优化处理.为验证所提方法的可行性和优越性,对不同传感器获取的高分辨遥感图像进行测试,与现有道路提取方法进行对比.定性和定量精度评价结果表明,所提方法对不同类型道路的提取具有较高的精度.

基于局部空间信息的可变类模糊阈值光学遥感图像分割

阈值法分割在光学遥感图像分析中被得到广泛的应用,然而传统阈值法也存在诸多局限性,如对噪声敏感,需人为设定类别数,计算复杂度高等.针对传统阈值法的局限性,提出一种基于局部空间信息的可变类模糊阈值光学遥感图像分割方法.首先,以图像光谱的一阶矩为初始类中心,利用二分法原理和区域间最大相似度准则来快速确定类别数及其中心.然后,通过岭形模糊隶属函数计算各像素点对不同类的隶属程度,同时考虑到像素点的隶属度局部空间信息,在隶属度域中定义一个模糊加权滤波器对各类的隶属度矩阵进行滤波,以滤波后的隶属度集合为依据,按照最大隶属原则确定图像的标号场.最后,对标号场中的局部异常标号进行替换,将修正后的标号场由对应的类中心赋色得到分割图像.视觉和统计分析评价结果表明,与传统阈值法相比,该方法能在减少计算时间的同时获得更好的分割结果,可适用于光学遥感图像的多阈值分割.

高分辨率全色遥感图像多级阈值分割

针对模糊熵多级阈值分割方法存在模糊特性不足、计算量大、自动性差等问题,提出一种基于区间二型模糊熵的高分辨率全色遥感图像多级阈值分割方法。首先,利用岭型模糊隶属度函数构造区间二型模糊集,由构造的模糊集和阈值个数,在多级图像分割场景中定义区间二型模糊熵。然后,利用量子比特将其模糊参数集编码为量子染色体,设置若干量子染色体构成初始种群,并以定义的区间二型模糊熵作为适应度评价函数,对种群中的个体进行适应度评价,保留和记录最优个体。在提出的进化策略中,利用量子旋转门的动态旋转角机制使种群以更好的适应性和效率自动确定模糊参数的最优组合,据此,以最大模糊性原则得到多级阈值,实现图像最优多级阈值分割。在实验中选取基于最大熵和模糊熵的多级阈值分割方法作为对比算法,对具有不同地物的高分辨率全色遥感图像进行了分割实验。实验平均评价结果表明本文方法能在减少计算时间的同时获得更好的分割结果,面积加权方差降低了39.7%,Jeffries-Matusita距离降低了14.7%,运行时间为6.403 s。可满足高分辨全色遥感图像分割结果对空间连续且光谱均匀的要求且具有高实时性。

基于区域划分的多特征纹理图像分割

由于纹理图像的复杂性和多样性,仅依靠传统的单一特征实现纹理图像分割无法满足其对分割精度的要求。本文提出结合区域划分的多特征纹理图像分割方法。首先,依据像素灰度的空间相关性定义多个纹理特征;然后利用区域划分将图像域划分成不同子区域,待分割同质区域由这些子区域拟合而成;通过分别定义多个特征图像的同质区域之间的异质性势能函数和刻画各子区域邻域关系势能函数来定义全局势能函数,并构建非约束吉布斯概率分布,从而建立纹理分割模型;最后,采用M-H算法采样上述概率分布,从而获得最优图像分割结果。分别对模拟纹理图像、遥感图像、自然纹理图像和SAR海冰图像进行了分割实验,并与利用单一特征得到的分割结果进行对比分析,定性和定量的测试结果验证了算法的有效性。

利用高斯混合模型的多光谱图像模糊聚类分割

针对传统分割算法难以实现高分辨率多光谱图像分割的问题,本文提出一种利用高斯混合模型的多光谱图像模糊聚类分割算法。该算法采用高斯混合模型定义像素对类属的非相似性测度,由于该算法具有高精度拟合数据统计分布能力,故可以有效剔除噪声对分割结果的影响。同时,引入隐马尔科夫随机场(Hidden Markov Random Field,HMRF)定义邻域作用的先验概率,并将其作为各高斯分量权值以及KL(Kullback-Leibler)信息中控制聚类尺度的参数,从而增强了算法对复杂场景遥感图像的鲁棒性,进一步提高了算法的分割精度。对模拟图像和高分辨多光谱图像分割结果进行了定性定量分析。实验结果表明:模拟图像的总精度达96.8%以上。这验证了本文算法在分割高分辨率多光谱图像时具有保留细节信息的能力,而且也证实了算法的有效性和可行性。该算法能够实现高分辨率多光谱图像的精确分割。

利用目标分解特征的全极化SAR海冰分类

特征提取及其选择是SAR海冰分类的重要步骤之一。在众多特征中选取有效特征,进而构建表达地物类型的特征空间是提高分类精度的关键。为此,本文提出一种基于目标分解特征的全极化SAR海冰分类算法。首先,对全极化SAR数据进行多视化处理及滤波操作,生成相干矩阵;其次,对相干矩阵进行目标分解,并针对分解结果提取散射特征参数,进而构建特征空间;再次,通过对所提取的特征进行统计相关性分析,并对高相关特征采用PCA降维,以优化特征组合;最后,设计BP神经网络分类器,并将所得的优化特征矢量作为输入,海冰类别为输出,实现海冰分类。本文以格陵兰中部海域作为研究试验区域,采用L波段ALOS PALSAR全极化数据。通过对本文算法与对比算法的分类结果进行定性定量分析,可以得出本文所选取的特征对海冰识别较好。此外,通过对利用各个不同特征海冰分类结果的性能分析,可以得出基于散射模型的目标分解比基于特征值的H/α/A分解更有助于海冰分类。

基于规则划分和RJMCMC的可变类图像分割

为了自动确定遥感图像分割中的类别数,提出了一种结合规则划分和逆跳马尔科夫链蒙特卡洛(RJMCMC)算法的可变类图像分割方法。首先,将图像域划分成若干个不同的规则子块,并假设每个子块内的像素满足同一独立的多值Gaussian分布;在此基础上,根据贝叶斯定理,建立基于区域的图像分割模型;然后利用RJMCMC算法模拟该分割模型,以自动确定图像类别数并实现区域分割;为了进一步提高分割精度,设计了精细化操作。利用本文提出的方法,分别对合成及彩色遥感图像进行可变图像分割,实验结果表明,提出的方法不仅能自动确定图像类别数,还可以实现区域分割,从而验证提出算法的可行性及有效性。

结合EM/MPM算法和Voronoi划分的图像分割方法

为了在模型参数先验分布知识未知情况下实现基于区域和统计的图像分割,并同时获取更加精确的模型参数,提出了一种结合Voronoi划分技术、最大期望值(Expectation Maximization,EM)和最大边缘概率(Maximizationof the Posterior Marginal,MPM)算法的图像分割方法。该方法利用Voronoi划分技术将图像域划分为若干子区域,待分割图像中的同质区域可以由一组子区域拟合而成,并假定各同质区域内像素强度服从同一独立的正态分布,从而建立图像模型,然后结合EM/MPM算法进行图像分割和模型参数估计,其中,MPM算法用于实现面向同质区域的图像分割,EM算法用于估计图像模型参数。为了验证提出的图像分割方法,分别对合成图像和真实图像进行了分割实验,并和传统的基于像素的MRF分割结果进行对比,测试结果的定性和定量分析表明了该方法的有效性和准确性。

利用RJMCMC算法的可变类SAR图像分割

自动确定地物类别数是SAR图像分割方法研究的重点和难点问题,为此,提出一种自动确定类别数的SAR图像分割算法。首先假定SAR图像中各像素强度服从同一独立的Gamma分布并以此建立图像模型;根据贝叶斯定理构建刻画图像分割的后验概率模型;设计RJMCMC(Reversible Jump Markov Chain Monte Carlo)算法模拟该后验概率模型,以确定图像类别数并同时完成区域分割。在提出的RJMCMC算法中,设计的移动操作类型包括:分裂或合并实类、改变参数矢量、改变标号及生成或删除空类。为了验证提出的可变类分割算法,分别对真实及模拟SAR图像进行可变类分割实验,定性及定量精度评价结果表明该算法的可行性及有效性。

结合模糊分割和遗传算法的航空影像车辆提取方法

利用高分辨率遥感影像实现道路车辆监测在交通管理系统中占有重要地位,然而受成像条件及车辆本身颜色多样性的影响,很难从遥感影像中直接提取道路车辆。为此,本文提出了一种结合遗传算法和数学形态学的遥感影像道路车辆提取方法。首先利用模糊聚类方法建立影像分割模型,并利用遗传算法对其进行求解,从而实现影像中道路、车辆及环境的精确分割;然后对分割结果中不同层进行赋值,实现分割结果的二值化;最后利用数学形态学操作从分割的道路—车辆的二值结果中剔除道路,从而实现道路车辆的提取。利用本文方法对航空影像进行了道路车辆提取试验。试验结果表明,本文方法不仅能够准确识别地面车辆位置,还能精确提取其轮廓线。

全卷积网络和条件随机场相结合的全极化SAR土地覆盖分类

针对经典全卷积网络(fully convolution network,FCN)分类精度低、效果差,以及传统的极化合成孔径雷达(PolSAR)土地覆盖分类方法未充分考虑地物散射特性的问题,提出了一种结合改进FCN和条件随机场(conditional random field,CRF)的全极化SAR土地覆盖分类算法。首先,利用Freeman分解和Pauli分解建模全极化SAR影像,同时提取各分解对应的散射特征,参考Freeman分解散射功率获取其主散射分量对应的主散射地物;同时,借鉴在图像分类领域中具有卓越表现的FCN-Vgg19-8s网络,考虑其高层卷积参数量大和低层卷积模型参数优化程度不足,通过在高层和中层分别构建多尺度卷积组和代价函数设计了FCN-MD-8s网络,保证对整体模型参数进行降维和优化;以Freeman分解散射机理特征为基准,采用级连式迁移学习结构,实现FCN-MD-8s网络的模型训练和测试;然后,根据主散射分量所对应的主散射地物,在各分量预测图中提取出主特征地物,得到分量地物分类结果,并将其进行叠加得到全局粗分类;最后,利用全连接CRF结合Pauli相干分解重建假彩色图,对全局粗分类进行全局像素类别转移获得细分类结果。通过对分类结果定性和定量分析,可知提出算法具有有效性和可行性。