基于像元形状指数的图像分类——以长春市为例

像元形状指数是一种基于像元的空间特征算子,采用像元形状指数(PSI)来描述像元点邻近区域的形状特征,通过中心像元及其邻域相似性描述了中心像元的上下文形状分布,有效地提取了影像中的光谱信息,并取代了原有的光谱特性,弥补了原有光谱特性的不足。像元形状指数对原有图像处理后,利用支持向量机光谱与形状特征融合的算法对处理过的影像进行分类处理。研究结果表明,经像元形状指数变换后的光谱特性更加适合图像分类,且形状和光谱特征的融合可以有效地提高分类的准确性。

基于多波段像元形状指数的点云和高光谱数据分类研究

本文提出了一种利用高光谱影像和点云数据融合提取空间特征的方法。点云辅助高光谱数据分类通常是利用高光谱数据的光谱特征、空间特征和点云数据高程特征简单组合后进行分类。然而,这种方法没有充分利用多源数据的互补信息。本文提出一种融合多源数据进行空间特征提取的方法,并利用光谱角距离优化像元形状指数,使之适用于高维数据形状结构特征提取。该方法首先对光谱特征和点云特征进行融合,增强不同地物之间的差异性。然后,利用光谱角距离像元形状指数提取融合数据的空间特征。最后,将三种特征组合后输入SVM分类器。实验结果表明,相比传统的nDSM辅助高光谱数据分类,本文所提出的“先融合、后提取”的方法可以获得更好的分类效果和精度。

基于像元形状指数方法的高空间分辨率遥感影像分类

本文采用像元形状指数的方法,借助其可以有效的来区别光谱特征相似而集合形状不同的地物目标,提取高分遥感影像的像元形状指数特征,在精度上较光谱特征比较而言,有很大优势,同时有利于光谱特征的补充。

融合像元形状和光谱信息的高分遥感图像分类新方法

在高空间分辨率(简称"高分")遥感图像分类中,由于存在"同谱异物"等现象,仅依靠光谱信息进行分类的误差较大。为提高图像分类精度,提出一种融合像元形状和光谱特征信息的高分多光谱遥感图像分类新方法。首先利用像元及其邻域的关系来描述其空间结构,计算并提取像元同质区域(pixel homogeneous regions,PHR);然后以所提取的同质区域为基础,分别计算中心像元的长/宽比(length-width ratio,LW)和面积/周长比(area-perimeter ratio,PAI)这2个像元形状特征;最后将归一化后的像元形状特征和光谱特征融合,并利用支持向量机分类方法进行分类。以2个区域的Quick Bird高分遥感图像对该算法进行验证,将实验结果与仅利用光谱信息分类和仅使用像元形状指数(pixel shape index,PSI)分类的结果进行比较。结果表明,所提出的方法得到的分类精度最高,该方法能有效地提高高分遥感图像的分类精度。

融合形状和光谱的高空间分辨率遥感影像分类

提出了一种像元形状指数及基于形状和光谱特征融合的高(空间)分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式,尤其在高分辨率影像中地物细节得到充分表达,相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构,同时为了更全面地利用影像特征,提出了基于支持向量机的形状和光谱融合分类方法。实验证明,该方法计算简便且能有效表达高分辨率影像的地物特征,提高分类精度。

改进型PSI算法及其在高空间分辨率遥感影像分割中的应用

本文针对PSI(Pixel Shape Index,PSI)算法存在的弊端,对其加以改进,并提出了一种改进型PSI算法。相比原算法,新算法的改进主要体现在:1在方向线生成阶段,为了充分考虑不同波段光谱特征的同质性存在的差异,每个波段数据层方向线的生成分开独立进行,这提高了方向线生成的合理性;2提出了每一条方向线长度为各波段数据层的方向线长度的加权和,以进一步体现不同波段光谱特征之间同质性上存在的差异,从而提高像元(尤其是边缘处的像元)PSI值的准确性。最后,通过实验证明:影像分割时,联合改进型PSI派生波段,能有效提高外形规则的人工地物的分割精度,"边缘效应"明显减少。

一种IPSIAST算法及其在遥感影像分割中的应用

针对PSI(Pixel Shape Index)算法存在的弊端,本文对其加以改进,提出一种光谱阈值自适应的改进型像元形状指数(Improved Pixel Shape Index of Adaptive Spectral Threshold,IPSIAST)算法。相比原算法,新算法的改进主要体现在:1)在方向线生成阶段,为了充分考虑不同波段光谱特征的同质性存在的差异,每个波段数据层方向线的生成分开独立进行,提高了方向线生成的合理性;2)将每一条方向线长度定义为各波段数据层在该方向的方向线长度的加权和,以体现不同波段光谱特征之间同质性上存在的差异,从而提高像元PSI值的精确性;3)光谱阈值T1能根据局部区域内光谱特征同质性的大小而自适应地调整,降低了地物边缘处的对比度对像元形状指数计算的影响。最后,结合目视对比和5个定量评价指标,通过影像分割对比实验证明:相比PSI指数,IPSIAST指数能进一步提高影像的分割精度。

基于PSI的水体提取方法在地理国情普查中的应用

引入像元形状指数(PSI),利用像元形状指数能够反映地物匀质性的特点,结合水体的光谱特征,开展高分辨率遥感影像的水体信息提取,实验表明基于像元形状指数和光谱特征的方法较好解决了建筑物阴影等地物的干扰,有效提高了高分辨率影像水体提取精度,该方法在地理国情普查水体覆盖数据生产中取得了较好的效果,为利用高分辨率遥感影像开展地理国情普查地表覆盖数据生产提供了一种新的方法。

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。

融合光谱及形态学信息的对象级空间特征提取方法

针对传统的高分辨率遥感影像分割方法仅利用光谱特征或者形态学特征的弊端,提出了一种融合光谱信息和形态学信息的多尺度分割算法。该算法首先利用差分多尺度形态学序列特征与影像光谱特征构造光谱-形态学特征集,然后利用Hausdorff距离计算相邻像素的边权值并构造图模型,利用最小生成树Kruskal算法完成影像的初始分割,最后结合分形网络进化的区域异质性准则完成区域合并。在该分割结果的基础上,提出了面向对象的灰度共生矩阵特征和面向对象的像元形状指数特征。实验结果显示,所提出的分割方法在效果和效率上均优于eCognition 8.0和Meanshift算法,并且对象级灰度共生矩阵特征和对象级像元形状指数特征明显优于传统的像素级特征。