基于Gaofen-2影像和面向对象的椰子林分类研究

椰子是重要的热带经济作物,海南椰子种植面积占全国的90%以上。快速获取椰子种植面积及其空间分布信息对热带作物产业规划具有十分重要的作用。本研究基于国产Gaofen-2高分辨率卫星影像,以文昌市东郊镇为试验区,开展椰子林遥感分类研究。基于最优分割尺度的面向对象分类方法,选取4个光谱特征、5个植被指数和32个纹理特征为辅助参量,构建了4种不同的面向对象分类组合(光谱特征、光谱特征+纹理特征组合、光谱特征+植被指数组合、光谱特征+纹理特征+植被指数特征组合)进行椰子林分类提取,并与基于像元的椰子林分类结果进行对比分析。结果表明:(1)仅采用基于像元分类方法,椰子林的总体分类精度(overall accuracy,OA)和用户精度(user’s accuracy,UA)分别达到87.05%和85.21%。(2)相比基于像元分类,4种面向对象分类组合的OA值提高了5.51%~8.72%。(3)光谱特征和纹理特征组合提取椰子林分类结果最优,OA值和UA值分别达到95.77%和97.15%;光谱特征和植被指数的组合也得到了较好的分类结果,OA值和UA值分别为94.88%和94.42%;所有的光谱特征、植被指数和纹理特征全部参与分类得到的OA值和UA值分别为94.67%和94.17%,低于仅使用光谱特征或者植被指数的组合。综上,国产高分辨率Gaofen-2影像在椰子林遥感精准识别中具有很大的潜力,结合纹理特征的面向对象分类方法可以更准确地提取椰子林分类信息,研究结果可为多云多雨地区大尺度椰子林遥感识别提供技术参考。

Landsat和GF数据面向对象土地覆盖分类研究

针对中分辨率遥感数据面向对象分类,以河北省北部山区和南部平原Landsat8 OLI,Landsat5 TM及高分一号(GF1)数据为研究对象,对支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、决策树(decision tree,DT)及朴素贝叶斯(naive Bayes,NB)4种分类器的土地覆盖分类效果进行对比,并分析SVM,RF和DT中关键参数对分类结果的影响。结果表明:在2个研究区,各分类器结果略有差异,从整体上看其优劣排序为SVM,NB,RF和DT。其中SVM和DT分类精度随参数变化波动较大:对于SVM,当参数C取值不小于103且gamma不大于10^(-1)时,无论哪种情况其分类精度均优于90%;对于DT,当参数树深(Depth)大于3时,各情况下的分类精度相对较高且趋于稳定。RF分类精度随参数变化波动较小且没有明显的变化规律。研究结果可为中分辨率遥感数据面向对象土地覆盖分类研究提供参考。

基于无人机遥感影像和面向对象技术的荒漠草原植被分类

探究适合荒漠草原植被遥感分类方法,明确荒漠草原地区植物物种类型及其分布状况,可以提高荒漠草原精细化生物多样性监测能力,对于荒漠草原的保护管理与生态可持续发展均具有重要意义。以贺兰山东麓洪积扇荒漠草原典型植被短花针茅、松叶猪毛菜、刺旋花、斑子麻黄为研究对象,利用无人机遥感影像,采用面向对象的分类回归树(classification and regression tree,CART)、K最邻近(K-nearest neighbor,KNN)、随机森林(random forest,RF)和支持向量机(support vector machine,SVM)分类方法,结合特征优选算法对影像特征进行优选,在此基础上选择最优特征进行荒漠草原植被精细化分类研究。结果表明:1)特征优选能够有效提高分类精度,应予以充分利用,当选取的特征组合为贡献度大于1.00%时,分类精度最高;2)基于无人机遥感影像挖掘的植被光谱、纹理特征,结合面向对象分类方法能有效实现贺兰山东麓荒漠草原典型植被精细化分类,其中RF分类精度最高,分类总体精度达到87.77%,Kappa系数为0.79。研究结果可为荒漠草原植被分类研究提供参考,对荒漠草原生物多样性保护管理与生态可持续发展均具有重要意义。

融入辅助数据集的面向对象土地利用分类研究

土地利用分类结果对国土空间的管理至关重要。为提高土地利用分类结果的准确性,本文以博湖县为研究区,使用Sentinel-2A影像提取光谱特征,并结合雷达、光谱指数、土壤和地形特征构建6个面向对象的土地利用分类模型,使用简单非迭代聚类(SNIC)算法和随机森林(RF)算法对影像进行分割和分类,得出模型的分类精度以及特征重要性排序,最后使用分类回归树(CART)算法验证辅助数据集对提高分类精度的影响。结果表明:使用SNIC算法分割影像时,分别设置种子大小为17、紧凑度为0时,该研究区影像分割效果最好。基于RF分类算法,在只使用光谱信息进行分类时分类精度最低,加入雷达、光谱指数、土壤和地形特征中任何一个辅助数据集均可提高土地利用的分类精度,其中地形特征对提高分类精度的效果更显著,加入所有辅助数据集时分类精度达到最高,OA=92.34%,Kappa系数=0.91。使用CART算法进行分类有效性验证得出,基于RF算法的分类效果优于CART算法。基于遥感云平台的SNIC分割算法,融入辅助数据集进行面向对象分类,为提高土地利用分类精度提供参考。

基于GF-2面向对象土地利用分类研究

高分辨率遥感技术发展迅速,传统技术已经无法满足信息提取的要求,严重影响提取精度和效率。以秦岭北麓长安区与鄠邑区交界处北部部分区域为实验区,高分二号影像为数据源,采用面向对象分类法进行土地利用分类研究,并进行监督分类做对比实验。结果表明,采用面向对象分类法分类结果总体精度为90.05%,Kappa系数为0.857,比监督分类方法精度高出14.55%,Kappa系数高出0.288。面向对象分类方法总体分类效果较好,有效提高了分类精度。

基于规则面向对象分类法的贵州省山区火烧迹地提取

基于国产高分一号卫星宽幅(WFV)影像,对贵州省复杂地形山区火烧迹地的光谱特征、形状特征、纹理特征等进行了分析,建立了火烧迹地提取规则,完成了研究区基于规则面向对象的火烧迹地提取。利用高分二号卫星1 m分辨率影像对提取结果进行精度验证。结果表明,基于规则面向对象分类法的GF1WFV火烧迹地提取总体精度为92.67%,总Kappa系数为0.89,能较好地完成研究区的火烧迹地分类提取,分类质量达到极好水平,为贵州省山区火烧迹地提取提供了一定的参考和理论依据。

面向对象的复杂地形下冬小麦多时相遥感分类提取研究综述

复杂地形对冬小麦多时相遥感分类提取造成了挑战,因为地形起伏、阴影和光照变化可能导致遥感图像中的类别信息混淆和噪声。本文通过综述相关研究,总结了面向对象的复杂地形下冬小麦多时相遥感分类提取的研究现状和方法。研究表明,面向对象的方法结合多时相遥感数据能够有效克服地形对分类的影响,并提高分类的准确性和稳定性。

基于Sentinel-2 MSI影像与面向对象相结合的红树林树种精细化分类方法研究

红树林是最典型的滨海生态系统之一,红树林种间类型的精确识别对于红树林生态系统保护、修复及碳储量评估具有重要意义。遥感是开展红树林种间类型识别的有效手段,但传统的遥感红树林分类方法多是基于像元开展的,分类结果“椒盐”现象严重且精度还有很大提升空间。因此,本研究以东寨港红树林保护区为例,基于Sentinel-2 MSI影像,在传统遥感分类方法的基础上引入图像分割技术,分别构建了面向对象的支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF)分类法,并在此基础上对各模型的分类精度和适用性进行了分析。模型对比结果表明:(1)图像分割技术的引入能有效改善分类结果的“椒盐”现象,提升红树林种间类型的识别精度,基于像元使用SVM和RF分类算法总体分类精度分别可达78.82%(Kappa=0.75)和82.94%(Kappa=0.82),面向对象的SVM和RF模型分类总体精度分别可达81.5%(Kappa=0.78)和92.67%(Kappa=0.88),相较于以像元为分类对象的模型而言,后者精度分别提高了2.68%和7.43%;(2)从4个模型总体分类精度、各树种分类精度、模型稳定性和适用性方面来看,RF算法均优于SVM算法;(3)东寨港红树林分为6类,使用面向对象的随机森林分类,榄李和红海榄精度最高,其次为角果木,秋茄和无瓣海桑,海莲精度最低,为86.6%,6类树种分类精度均达85%以上。综上,基于面向对象使用随机森林分类算法构建分类模型可以准确识别分类红树林不同树种,为红树林种间精细化分类提供理论和技术支持。

基于面向对象的吉林一号遥感影像湿地植被群落分类

利用遥感技术提取湿地植被群落组成与分布,对湿地的建设具有重要意义。以青海乌兰都兰湖国家湿地公园为研究区,利用吉林一号遥感影像,通过影像分割,特征优化,选择KNN与RF分类模型,对都兰湖湿地植被群落进行划分,并验证分类精度。结果表明,根据ESP 2工具提供的分割尺度,植被群落面向对象分类的最优分割尺度为18,植被与非植被区域分割尺度为32和85。地物类型划分方面,仅利用影像波段信息及相关指数的阈值不能精确提取地物类别,需要结合影像几何特征和纹理特征提高分类精度,利用特征空间优化工具对61个影像特征进行优化,最终筛选出了40个影像特征并用于分类。根据混淆矩阵分类精度评价结果,KNN算法分类结果优于RF,其中KNN总体分类精度为81.80%,Kappa系数为0.79;RF总体分类精度为72.59%,Kappa系数为0.68。根据分类结果,都兰湖湿地植被覆盖率为44.41%,植被群落的组成及分布特征可以为湿地生态建设及管理提供依据。

机载DOM面向对象的改扩建公路沿线主要地物提取研究

针对改扩建公路沿线地物信息提取难度大、工期紧等问题,以成南高速扩容项目(成都螺狮坝立交附近)的机载高分辨率DOM遥感影像为研究对象,运用KNN、CART、SVM等3种面向对象分类方法,对该扩容高速沿线左右约300 m范围内带状区域进行主要地物信息提取与分类研究。结果表明:1)最优分割尺度的确定是一个复杂过程,且受到多种因素的制约,通过运用ESP工具简化获取最优分割尺度,并取得了较好影像分割效果;2)3种面向对象分类结果基本满足了改扩建公路工程前期规划、设计和施工建设的精度要求,3种方法在基于同一训练样本与验证样本数据基础上,就分类精度而言,SVM>CART>KNN,就具体地物而言,居民用地、交通运输用地、植被和水体等地物的分类精度相对较高,裸地、大棚和其他等地物的分类精度相对较低;3)3种分类方法技术先进、经济高效,且对于改扩建公路沿线地物自动化智能化提取及其在数字化交通中的应用具有显著的实际价值。

面向对象的多层次规则分类地物遥感信息提取方法试验分析研究

监测土地覆盖变化是目前高分辨率遥感的重要应用领域,城市覆盖地物变更速度快、地物类型复杂,使用传统方法提取监测难度较大。针对此问题,选择云南省大理白族自治州上官镇为研究区,以GF-2 PMS遥感影像为数据源;采用面向对象的方法对研究区进行最优分割尺度分割,选取最优特征组合用于构建模糊分类规则,分层次进行地物提取,最终获得研究区地物类型分布图。运用混淆矩阵方法进行精度评价,面向对象的多层次规则分类法提取分类效果良好,分类总体精度达79.95%,Kappa系数为0.74。与基于像元的分类方法和单一尺度下面向对象的提取分类法相比,面向对象的多层次规则分类法精度明显提高,说明本方法运用于复杂地物提取分类具有较好可行性。

基于面向对象遥感图像分类的城市绿地提取及动态分析

绿地对现代城市生态文明建设起着至关重要的作用,利用遥感影像进行信息提取已成为提取城市绿地的重要手段。本文以河南省许昌市魏都区为研究区域,采用GoogleEarth 2m分辨率遥感影像、利用面向对象遥感图像分类方法实现城市绿地提取。首先,建立面向对象的绿地提取规则集,在此基础上,提取魏都区2009年到2018年的城市绿地。其后,通过计算面积及相关变化指数,进行时空变化对比,并结合当地政府出台的政策进行动态分析。研究结果表明,基于面向对象的高分辨率遥感影像分类在城市绿地信息提取中效果较为理想,能够满足城市生态规划应用的需求。同时,通过动态分析得出近几年来魏都区绿地面积持续扩大,且主要集中在东部地区,绿地建设良好。

基于Sentinel-2 MSI影像与面向对象相结合的红树林树种精细化分类方法研究

红树林是最为典型的滨海生态系统之一,红树林种间类型的精确识别对于红树林生态系统保护、修复及碳储量评估均具有重要意义。遥感是开展红树林种间类型识别的有效手段,但传统的遥感红树林分类方法多是基于像元开展的,分类结果“椒盐”现象严重且精度还有很大提升空间,因此本研究以东寨港红树林保护区为例,基于Sentinel-2 MSI影像,在传统遥感分类方法的基础上引入图像分割技术,分别构建了面向对象的支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF)分类法,并在此基础上对各模型的分类精度和适用性进行了分析,四个模型对比表明:(1)图像分割技术的引入能有效改善分类结果的“椒盐”现象,提升红树林种间类型的识别精度,基于像元使用SVM和RF分类算法总体分类精度为78.82%(Kappa=0.75)、82.94%(Kappa=0.82),面向对象的SVM和RF模型分类总体精度分别为81.5%(Kappa=0.78)、92.67%(Kappa=0.88),相较于以像元为分类对象的模型而言,后者精度提高了2.68%和7.43%;(2)四个模型从总体分类精度、各树种分类精度、模型稳定性和适用性方面RF算法均优于SVM算法;(3)东寨港红树林分为6类,使用面向对象的随机森林分类,榄李和红海榄精度最高,其次为角果木,秋茄和无瓣海桑,海莲精度最低为86.6%,6类树种分类精度均达85%以上。综上所述,基于面向对象使用随机森林分类算法构建分类模型可以准确识别分类红树林不同树种,为红树林种间精细化分类提供理论和技术支持。

高分辨率影像的面向对象土地分类方法研究

国土规划是城市发展建设的关键因素之一,文章基于eCognition平台采用基于样本的面向对象分类方法对研究区的高分二号遥感影像土地分类,并与传统的土地分类方法—监督分类进行分类结果对比评价,实验结果表明:相较于传统的监督分类方法,面向对象分类方法的分类效果更好,分类精度更高,可靠性更佳,并且能为国土规划建设提供更可靠的参考依据,从而使决策者做出更加合理的规划建设。

增强提示学习的少样本文本分类方法

针对少样本文本分类任务,提出提示学习增强的分类算法(EPL4FTC)。该算法将文本分类任务转换成基于自然语言推理的提示学习形式,在利用预训练语言模型先验知识的基础上实现隐式数据增强,并通过两种粒度的损失进行优化。为捕获下游任务中含有的类别信息,采用三元组损失联合优化方法,并引入掩码语言模型任务作为正则项,提升模型的泛化能力。在公开的4个中文文本和3个英文文本分类数据集上进行实验评估,结果表明EPL4FTC方法的准确度明显优于所对比的基线方法。

采用特征图增强原型的小样本图像分类方法

在基于度量学习的小样本图像分类方法中,由于标注样本的稀缺,仅用支持集样本得到的类原型往往难以代表整个类别的真实分布;同时,同类样本间也可能在多个方面存在较大差异,较大的类内差异可能使样本特征偏离类别中心。针对上述可能严重影响图像分类性能的问题,提出一种采用特征图增强原型的小样本图像分类方法(FMEP)。首先,用余弦相似度从查询集样本特征图中选择部分相似特征加入类原型中,得到更具代表性的特征图增强原型;其次,对相似的查询集样本特征进行聚合,缓解类内差异大导致的问题,使同类样本的特征分布更接近;最后,用在特征空间中与真实类别分布都更接近的特征图增强原型和聚合查询特征进行相似度比较得到更优的分类结果。所提方法在MiniImageNet、TieredImageNet、CUB-200和CIFAR-FS等常用的小样本图像分类数据集上进行了实验,结果表明所提方法获得了比基线模型更优的分类性能,同时也优于同类型的小样本图像分类方法。

面向中文文本分类的字符级对抗样本生成方法

对抗样本生成是一种通过添加较小扰动信息,使得神经网络产生误判的技术,可用于检测文本分类模型的鲁棒性。目前,中文领域对抗样本生成方法主要有繁体字和同音字替换等,这些方法都存在对抗样本扰动幅度大,生成对抗样本质量不高的问题。针对这些问题,该文提出一种字符级对抗样本生成方法(PGAS),通过对多音字进行替换可以在较小扰动下生成高质量的对抗样本。首先,构建多音字字典,对多音字进行标注;然后对输入文本进行多音字替换;最后在黑盒模式下进行对抗样本攻击实验。实验在多种情感分类数据集上,针对多种最新的分类模型验证了该方法的有效性。

面向对象分类方法的镇西厂乡地类信息提取分析

传统影像解译方法在高分影像信息提取逐渐失去优势,而面向对象分类方法的信息提取能利用高分影像的纹理、光谱等空间信息,使其成为影像信息提取研究的热点。基于高分辨率航片对实验区域贵州省镇西厂地区使用eCognition软件进行面向对象分类方法的信息提取方案分析,重点讨论了航片的多尺度分割,分割最优尺度的确定,分类特征描述与应用、并进行分类精度评价等。同时,还使用ENVI软件基于像元的地类提取,对比两者分类结果与精度,面向对象的最邻近方法信息提取总体精度为89%,Kappa系数为87%,而面向像元的最大似然信息提取总体精度为78%,Kappa系数为75%,面向对象的信息提取结果更加接近人工目视解译,对高分影像的信息提取具有更好的优势。

面向恶意PDF文档分类的对抗样本生成方法研究

通过恶意文档来传播恶意软件在现代互联网中是非常普遍的,这也是众多机构面临的最高风险之一。PDF文档是全世界应用最广泛的文档类型,因此由其引发的攻击数不胜数。使用机器学习方法对恶意文档进行检测是流行且有效的途径,在面对攻击者精心设计的样本时,机器学习分类器的鲁棒性有可能暴露一定的问题。在计算机视觉领域中,对抗性学习已经在许多场景下被证明是一种有效的提升分类器鲁棒性的方法。对于恶意文档检测而言,我们仍然缺少一种用于针对各种攻击场景生成对抗样本的综合性方法。在本文中,我们介绍了PDF文件格式的基础知识,以及有效的恶意PDF文档检测器和对抗样本生成技术。我们提出了一种恶意文档检测领域的对抗性学习模型来生成对抗样本,并使用生成的对抗样本研究了多检测器假设场景的检测效果(及逃避有效性)。该模型的关键操作为关联特征提取和特征修改,其中关联特征提取用于找到不同特征空间之间的关联,特征修改用于维持样本的稳定性。最后攻击算法利用基于动量迭代梯度的思想来提高生成对抗样本的成功率和效率。我们结合一些具有信服力的数据集,严格设置了实验环境和指标,之后进行了对抗样本攻击和鲁棒性提升测试。实验结果证明,该模型可以保持较高的对抗样本生成率和攻击成功率。此外,该模型可以应用于其他恶意软件检测器,并有助于检测器鲁棒性的优化。

结合加权原型和自适应张量子空间的小样本宫颈细胞分类

基于深度学习的图像分类算法通常依赖大量训练数据,然而对于医学领域中的宫颈细胞分类任务,难以实现收集大量的图像数据。为了在少量图像样本的条件下正确分类宫颈细胞,提出一种结合加权原型和自适应张量子空间的小样本分类算法(CWP-ATS)。首先,结合预训练技术和元学习,保证特征提取网络从元训练集中学习更多的先验知识;其次,在原型计算过程中采用最大均值差异算法为每个支持集样本赋予合适的权重,并采用转导学习算法修正,以获得更准确的原型;最后,利用多线性主成分分析算法将每类样本投影至各自的低维张量子空间,从而在不破坏原始张量特征自然结构的前提下,在低维空间中学习高效的自适应子空间分类器。在小样本Herlev宫颈细胞图像的2-way 10-shot和3-way 10-shot分类任务中,与DeepBDC(Deep Brownian Distance Covariance)算法相比,CWPATS的分类准确度分别提高了2.43和3.23个百分点;当元测试集中30%的样本受噪声干扰时,与原型网络相比,CWP-ATS的分类准确度有超过20个百分点的提升。实验结果表明,CWP-ATS有效提高了对小样本宫颈细胞的分类准确度和鲁棒性。