融合地理空间认知的珊瑚礁地貌单元高分遥感分类方法

近年来,在人为活动和自然因素的影响下,全球珊瑚礁面临着大规模退化问题,开展珊瑚礁监测研究对珊瑚礁生态系统评估、修复和保护工作具有重要作用。本文以西沙群岛北礁和华光礁为研究区,应用2015年高分二号(GF-2)和WorldView-2高空间分辨率卫星影像和现场调查数据,基于不同珊瑚礁地貌单元的空间位置特征,提出了融合地理空间认知(Geo-Spatial Cognition,GSC)的珊瑚礁地貌单元高分遥感分类方法。研究结果表明:针对因空间位置不同和底质组成高度近似导致珊瑚礁地貌单元漏分和错分的问题,本文提出的方法更能有效获取精准的珊瑚礁地貌单元信息。其中,融合地理空间认知的随机森林(Integrating Geo-Spatial Cognition-Random Forest,GSC-RF)方法展现出了最优的分类表现,在北礁和华光礁珊瑚礁地貌单元分类中总体精度分别为98.06%和91.93%,Kappa系数分别为0.98和0.91。相比于仅使用光谱信息的随机森林(Random Forest,RF)、多元逻辑回归(Multinomial Logistic Regression,MLR)和支持向量机(Support Vector Machine,SVM)经典分类方法,本文提出的方法对北礁和华光礁的总体分类精度分别提高了14%~25%和6%~15%。因此,本文构建的融合地理空间认知的珊瑚礁地貌单元分类方法能够大幅提高珊瑚礁地貌单元的分类精度,可为开展大范围的珊瑚礁精细监测提供技术支撑。

一种基于概率潜在语义模型的高分辨率遥感影像分类方法

针对高分辨率遥感影像中"同谱异物","同物异谱"现象对影像分类过程造成的干扰,将文本分析中的概率潜在语义模型应用于高分辨率遥感影像分类,提出一种无监督的遥感影像分类新方法。该方法首先利用均值漂移分割方法对影像进行分割构建图像区域集合,然后提取集合各区域中每个像元的Gabor纹理特征,并对这些特征进行聚类形成视觉词汇,最后利用PLSA方法对各区域进行分析,找出其最可能属于的主题或者类别,从而完成影像分类。文中GeoEye-1和IKONOS影像试验结果表明,该方法能有效提高高分辨率遥感影像分类精度。

基于DLSVM算法的高分辨率遥感图像分类研究

为了进一步提高高分辨率遥感图像的分类精度及效率,融合支持向量机SVM及局部支持向量机KNNSVM算法,借助主动学习相关理论,提出了基于距离的局部支持向量机算法(DLSVM).该算法通过对未标记样本和超平面之间的距离与预先设定的距离阈值相比较,判断是否需要进一步建立局部支持向量机KNNSVM来确定样本的类标.对实际的高分辨率遥感图像分类的实验结果显示:在合适的距离阈值与K值的设置下,该算法能够提高支持向量机SVM的分类精度,同时大大降低KNNSVM算法的时间消耗.

基于BKNNSVM算法的高分辨率遥感图像分类研究（英文）

为了解决局部支持向量机算法KNNSVM存在的分类时间过长不利于具有海量数据量的高分辨率遥感图像分类的不足,提高KNNSVM的算法表现,提出了改进的基于不确定性的BKNNSVM算法.该算法利用二项式分布的共轭先验分布Beta分布根据近邻的分布情况推导该未标记样本属于正类或负类的概率大小,从而计算每一个未标记样本在类属性上的不确定性大小.再通过设置不确定性阈值的大小,对不确定性低于阈值的未标记样本直接采用KNN进行分类,而对高于阈值的样本利用其近邻建立局部支持向量机分类器进行分类.对高分辨率图像分类的实验结果表明:合适的阈值能够有效降低原始KNNSVM算法的时间开销,同时能保持KNNSVM分类精度高的特点.

一种高分辨率遥感影像分类的特征指数

随着影像分辨率的提高,传统的光谱特征不能有效地描述复杂的高分辨率影像信息,从而影响高分辨率遥感影像的分类。为了弥补传统光谱方法的不足,提出了一种加权对象相关指数(WOCI),并将其应用到基于支持向量机(SVM)的影像分类中。该指数是通过考虑具有相似性光谱的对象来构建的,可全面地描述影像的上下文结构。结果表明与仅考虑光谱特征和像素空间特征进行分类的方法相比,基于WOCI特征的分类结果有更高的精确性,且分类精度提高了7.16%。

基于多重分割关联子的高分辨率遥感场景分类

高分辨率遥感影像提供了丰富的外观信息和空间结构信息,广泛应用于土地利用分类当中,源于文章领域的视觉词袋（Bag-of-Visual-Words,BoVW）模型现已成功应用于图像分类领域。传统的BoVW模型忽略了特征之间的空间布局信息和像素一致性信息,提出多重分割关联子特征,融合图像的外观信息、空间布局信息和像素一致性信息,实验表明该方法能够获取优于许多经典的遥感图像特征的性能。

基于残差SegNet模型的高分辨率遥感影像分类方法

为解决深度语义模型(SegNet)在高分辨率遥感影像分类中易出现梯度消失从而影响分类精度的问题,提出一种残差学习改进SegNet语义模型(ResSegNet)的高分辨率遥感影像分类方法,该方法以SegNet语义模型为基础,通过构建更深层次的网络结构并加入残差块以提高模型的特征提取能力,从而提取更深层次影像空谱特征实现分类。利用高分辨率遥感影像语义分割数据集Vaihingen和Postdam进行实验验证,结果表明:相比于支持向量机、面向对象决策树法、传统卷积神经网络和SegNet语义模型分类方法,提出的ResSegNet分类方法的总体精度均最高,分别为89.18%和87.62%,分类效果和分类精度最优。

高分辨率遥感影像分类技术在矿山地形图更新试验中的应用研究

在以往的矿山地形图更新试验中,无法针对矿山地形图专题信息细节部分进行详细刻画,因此更新后的矿山地形图精准度低。基于此,进行高分辨率遥感影像分类技术在矿山地形图更新试验中的应用研究。通过影像融合的方式将同质像元进行融合组成的多边形对象,最终制作出带有标准化颜色、纹理和属性的标准矿山地形图;利用高分辨率遥感影像分类技术对数字化矢量矿山地形图目标数据进行自动配准,自动提取空间变化要素,进而实现智能化更新矿山地形图。

基于多通道自注意力网络的遥感图像场景分类

高分辨率遥感图像场景分类广泛应用于土地监测、环境保护及城市规划等诸多领域.现有场景分类方法不能很好地结合局部纹理信息和全局语义信息,同时各通道特征之间的关系没有得到有效挖掘.因此,本文提出了一种基于多通道自注意力网络的遥感图像场景分类模型.通过卷积网络提取遥感图像的多尺度特征;随后采用特征融合单元建立多尺度特征间的局部-全局关系,基于多头自注意力机制的Inter-Channel Transformer在通道维度对融合后的特征建模,并推导特征在通道间的关系,进一步扩大全局感受野,以捕捉其语义结构信息,有效提高了网络的分类精度.在数据集AISC和SIRI-WHU上,本文所提算法的整体分类准确率(OA)分别为95.70%和94.00%,超过了当前最新的研究算法,证明了所提模型在高分辨率遥感图像场景分类任务中的有效性.

融合全局和局部深度特征的高分辨率遥感影像场景分类方法

提出了一种融合全局和局部深度特征(GLDFB)的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合,利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征,完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明,相比现有方法,所提方法在高层特征表达能力和分类精度方面具有显著优势。

一种GIS空间知识分析的影像纹理尺度提取算法

本文提出了一种基于GIS领域空间知识的影像纹理尺度提取方法:该方法分析了GIS领域知识辅助下人类对纹理特征的认知过程,对4个步骤的具体实现算法进行探讨;并选取海南省昌江县作为研究区域,实验证明了本方法的有效性,且与传统的枚举法相比,在性能相近的情况下其效率显著提高,更适合于大数据量遥感影像分类运算。