基于形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法

提出一种利用形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法。用该方法计算路域范围内两时相高分辨率遥感影像的形态学属性剖面,将得到的形态学属性剖面与光谱特征叠加,采用改进的单类随机森林分类方法直接提取新增建筑物。以北京市稻香湖地区两时相高分辨率影像作为实验数据,对比分析该方法与经典两时相直接分类及分类后比较方法的新增建筑物提取精度。结果表明,综合利用形态学属性剖面和光谱特征提取得到的新增建筑物提取精度比仅使用光谱特征的提取精度显著提高,其中Kappa系数提高15.11%。此外,该方法提取结果的Kappa系数比两时相直接分类方法提高1.78%,比分类后比较方法提高25.15%,验证了所提方法的有效性。所采用的单类随机森林方法能够有效地处理高维数据,并可以度量不同特征对分类结果的重要性。

结合NASFs滤波策略与形态学属性剖面的SAR影像建筑物检测

针对在高分辨率SAR影像建筑物检测过程中,经典形态学交替滤波算法对影像平滑和抑噪时,存在随着结构元素尺寸增加细节信息丢失以及检测结果出现粘连和粗化的问题,该文提出一种结合NASFs滤波策略与形态学属性剖面的高分辨率SAR影像建筑物检测方法。首先采用变异系数从SAR影像分割出非同质区(建筑区),利用NASFs滤波策略对非同质区进行背景噪声滤除;然后对非同质区影像计算连通分量结构,构建描述建筑物特征的形态学属性剖面和形态学差分属性剖面,对差分剖面进行形态学重建以提取建筑物几何结构;最后通过属性阈值分割得到检测结果。利用北京市TerraSAR-X数据进行试验,结果表明:该方法在平滑和抑制噪声的同时,能较好地保留影像结构细节信息,改善了检测结果出现粘连和粗化的问题,具有较高准确率(T=94.54%)和较低虚警率(FA=4.46%)。

结合扩展多属性剖面与快速局部RX算法的高光谱异常目标检测

为进一步提高高光谱异常目标检测的速度与精度,提出一种基于扩展多属性剖面和改进的Reed-Xiaoli算法相结合的快速异常目标检测方法。通过数学形态学变换从高光谱图像中提取扩展多属性剖面,同时提出一种快速局部Reed-Xiaoli算法,利用矩阵求逆引理迭代更新协方差矩阵的逆,从而降低马氏距离的计算复杂度。将扩展多属性剖面与快速局部Reed-Xiaoli算法相结合,充分利用高光谱图像的光谱信息和空间信息,有效提高探测速度与精度。在3个不同的数据集上与其他经典异常目标检测方法进行比较,实验结果表明,所提算法AUC值分别为0.9967、0.9856、0.9816,运算时间分别为21.2181 s、15.1928 s、32.3379 s。该方法在检测精度和速度上都有明显的优势,具有良好的实用价值。

利用多属性剖面与双边滤波的高光谱影像分类

随着高光谱影像空间分辨率的提高,"同谱异物"和"同谱异物"问题日益凸显,传统基于纯光谱的地物分类方法已不能满足识别精度要求。结合光谱与空间信息进行高光谱影像分类已成为领域研究热点。鉴于此,该文提出了一种基于扩展多属性剖面(Extended Multi-Attribute Profiles,EMAPs)和指引双边滤波的高光谱影像地物分类方法。首先,基于EMAPs提取高光谱影像4种属性的形态学纹理特征,通过级联纹理与光谱特征获得新特征矢量。其次,对获取的新特征进行降维,并采用指引双边滤波器滤除降维影像的噪声,同时保持影像的边缘信息。最后,采用支持向量机实现分类。高光谱影像分类实验表明,所提方法性能优于多种光谱与空间结合的分类方法。

扩展的多特征遥感影像水体识别

针对传统遥感影像中水体识别精度不高且泛化能力较弱的问题,提出扩展的多特征融合分类方法。将NDWI、MNDWI等多个水体指数的光谱特征,通过最佳波段组合获取基于灰度共生矩阵的纹理特征,使用主成分分析变换后的特征图提取扩展的形态学属性剖面(EMAPs)空间特征,归一化融合组成光谱-纹理-形态学特征集,使用特征扩充算法进行重构,得到扩展的多特征数据集,利用深度置信网络(DBN)识别水体。实验结果表明,扩展的多特征数据集可有效提高水体识别模型的精度和泛化能力。

基于形态学属性剖面的高光谱影像集成分类

传统高光谱遥感影像逐像素分类方法未考虑像元之间的空间关联性且泛化性能较低。形态学属性剖面是表征影像空间结构的有效方法,同时集成学习可显著提升分类算法的泛化能力。为了在高光谱影像分类中充分利用影像的空间信息并提高分类的稳定性,提出一种基于形态学属性剖面高光谱遥感影像集成学习分类方法。首先,用主成分分析和最小噪声变换进行特征提取,并借助形态学属性剖面获取影像的多重空间特征;然后用极限学习和支持向量机的方法进行分类;最后将多个分类结果以多数投票的方式集成。区别于已有集成学习方法,综合考虑了不同特征提取和不同分类方法的联合集成,并将形态学属性剖面引入其中以充分利用影像的空间信息。采用AVIRIS和ROSIS两组高光谱数据检验该方法的分类性能,实验结果表明该方法可获得高精度和高稳定性的分类结果,总体精度分别达到83.41%和95.14%。

高光谱与LiDAR数据融合研究——以黑河中游张掖绿洲农业区精细作物分类为例

高光谱遥感能同时获取地物空间影像和连续且精细的光谱信息,以图谱合一的形式更为精确地描述地物,然而高光谱影像普遍存在同物异谱和同谱异物现象,给准确地物分类带来挑战;激光雷达(light detection and ranging,LiDAR)能够获取地物拓扑信息,可用于构建地表三维模型,但单纯采用LiDAR数据无法准确识别地物。基于以上2点,开展高光谱影像和LiDAR数据的融合研究,采用形态学属性剖面进行特征提取,借助稀疏多项式逻辑回归分类器分类,探讨在不同特征组合下的融合与分类效果;并以黑河中游张掖绿洲农业区精细作物分类为目标,采用航空高光谱影像和LiDAR DSM数据对本文方法进行了应用验证。研究表明,该方法可获得精度更高和稳定性更好的分类结果,高光谱与LiDAR融合的方法分类精度最高可达94. 50%。

基于多特征结合的损毁建筑物检测

针对震后高分辨率遥感图像的建筑物损毁区域,提出一种基于多特征结合的损毁建筑物检测方法。首先使用形态学属性剖面(MAP)与局部二值模式(LBP)算子提取图像中的几何特征与纹理特征;然后使用随机森林(RF)分类器提取损毁的建筑物,形成初步结果;最后针对分割的对象,根据对象损毁像元所占的比例获取最终的损毁建筑物区域。采用空间分辨率为0.1 m的玉树震后航空遥感图像进行实验。结果表明,该方法的总体精度比基于形态学剖面(MP)的方法提高了12%,能够有效检测高分辨率震后遥感图像中的损毁建筑物区域。

空谱联合特征的CNN＿SVM水体识别

针对传统遥感图像逐像素分类方法精度不高以及空间领域一致性信息未充分利用等问题,提出一种结合保边滤波和光谱_空间特征的CNN_SVM水体识别方法。对原始图像使用保边滤波进行降噪并提高局域平滑度;借助形态学属性剖面获取遥感图像的光谱和多重空间特征,利用重构算法对特征进行重构,融合光谱和空间信息;将融合后的新特征集输入CNN进一步进行特征学习,应用浅层学习算法SVM分类。实验结果表明,与CNN神经网络和SVM相比,该方法具有更好的识别效果。

联合空-谱信息的高光谱影像深度森林分类

为了提高高光谱影像分类精度,设计了联合空-谱信息的高光谱影像深度森林分类方法。该方法由空间特征提取、多粒度扫描和深度森林分类三部分组成。首先提取高光谱影像的形态学属性剖面特征,将所提取的特征与原始光谱特征进行拼接获得融合后的空-谱特征;然后通过多个尺度的滑动窗口对空-谱特征进行多粒度扫描,以实现特征重用;最后将多粒度扫描后的特征输入到深度森林分类器中进行分类。采用Pavia大学高光谱数据集和Salinas高光谱数据集进行分类试验,所设计的分类方法在两组高光谱数据上分别取得了98.44%和98.47%的总体分类精度。试验结果表明所设计的分类方法能够有效地提高高光谱影像的分类精度。

利用EMAP与多项式网络的高光谱影像分类

高光谱影像地物分类已成为高光谱的重要应用之一,然而如何在小样本时取得优秀的分类结果已成为研究的难点与热点。最近几年,深度学习理论开始用于高光谱数据分析。本文提出了一种基于扩展多属性剖面(extended multi-attribute profile,EMAPs)和深度多项式网络(polynomial networks)的高光谱影像分类方法。首先,EMAPs通过一系列的属性滤波器提取影像多种结构特性的形态学纹理特征,并与影像光谱特征结合构成新的特征矢量。接着利用深度多项式网络对新特征矢量进行学习,构建多层次网络结构,在迭代的过程中逐层降低训练误差,实现优秀的分类结果。高光谱影像分类实验表明,所提方法性能优于多种分类方法。

顾及边缘及权重的极限学习机高光谱图像分类

针对当前高光谱图像分类中缺少考虑地物分布边缘信息以及空间特征融合时对图像的适应权重问题,提出一种顾及边缘及权重融合的极限学习机高光谱图像分类方法。方法首先利用引导滤波提取顾及地物边缘信息的滤波特征,其次利用拓展形态学多属性剖面提取图像的结构信息,然后通过试错法实验确定面对不同图像时两种信息的融合权重,最后利用极限学习机完成分类。利用三组标准实验数据证明本文方法具有较好精度提升及运算时效性,在面向小训练样本时同样具有适用性。

基于LightGBM和多光谱—SAR多特征综合的中亚干旱区城市不透水面提取

不透水面是评价城市化水平和城市生态环境的重要指标,是近年来城市遥感研究中的热点方向之一。与湿润、半湿润区相比,干旱区城市植被覆盖度较低,不透水面与裸土、荒漠之间相似的光谱特征导致传统基于光学影像的亚像元分解法与光谱指数法在干旱区不透水面提取的适用性降低。针对该问题,提出一种多光谱与合成孔径雷达(SAR)影像多特征综合的方法以增大不透水面与其他地物覆盖类型之间的特征差异,从而提取干旱区城市不透水面。以阿斯塔纳、塔什干和杜尚别3个中亚城市为研究区,哨兵2号和哨兵1号影像为数据源,通过LightGBM算法对多光谱和SAR图像的空间特征、SAR的极化特征进行分类并提取不透水面。研究对比了不同特征组合以及不同分类方法的不透水面提取结果,实验结果表明:多光谱与SAR影像多特征综合的方法能有效提高干旱区不透水面提取精度,明显改善干旱区其他土地覆盖类型错分为不透水面的问题;LightGBM算法与XGBoost、HistGBT等基于梯度提升决策树的算法和随机森林等方法相比能获取更高的精度,更适用于干旱区不透水面提取。这表明基于LightGBM以及多光谱和SAR多特征联合的方法能够有效提取中亚干旱区城市不透水面。

一种利用SAR影像墙基线的建筑物屋顶偏移改正方法

提出一种利用SAR(synthetic aperture radar)影像墙基线改正光学影像建筑物屋顶的方法,该方法首先利用形态学属性剖面算法(morphological attribute profiles,MAPs)实现高分辨率SAR影像建筑物连通分量的准确检测;然后通过形态学骨架线提取方法对检测到的建筑物连通分量特征进行骨架线提取,得到建筑物墙基线位置。构建基于相似性特征度量和距离约束的线性特征匹配模板,与光学影像所提取的建筑物特征进行模板匹配运算;最终获得改正后的建筑物屋顶几何位置特征图像。试验表明,该方法能够对呈直线结构的建筑物屋顶偏移具有较好的改正效果。