基于MAP和RF的无监督SAR图像变化检测

基于形态学属性断面(MAP)和随机森林(RF)分类器,提出了无监督合成孔径雷达(SAR)图像变化检测方法.首先,利用MAP算法提取差异图像的几何结构特征,构造深入描述图像结构化信息的特征向量空间;然后,在结合阈值法和偏移因子自动选取训练样本的基础上,用RF分类器在多维特征空间中对图像进行变化与否的判别;最后,利用数学形态学方法对虚警进行滤除.实验结果表明,与传统的基于阈值的变化检测方法相比,该方法不仅能很好地检测出变化区域,而且具有更高的检测精度.

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%。

结合光谱和形态剖面特征自适应加权影像分类

针对遥感影像分类中多特征利用的问题,提出一种综合利用光谱和形态剖面特征的分类方法。该方法首先将原始影像经形态属性滤波器滤波所得的形态剖面特征和影像光谱值一起组成特征向量;然后依据训练样本各特征分量的方差确定不同地物类别相应特征分量的初始权重,并通过训练样本的特征加权获得各类别的初始中心;随后,根据初始权重计算每个训练样本到各聚类中心的加权距离,将最小距离对应的类别作为训练样本的初始类别;再对每一类别,根据该类训练样本中那些被错分为其他类别样本的均值与该类初始中心的距离来调整该类初始权重;最后,根据调整后的权重,采用加权距离最小分类方法对整个影像进行分类。实验结果表明,形态剖面特征有效地弥补了光谱信息区分能力不足的缺点,调整后的权重强化了区分能力强的特征分量。

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。

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。

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。

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。

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。

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%)。

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。

结合自适应形态属性剖面与决策融合的高分遥感变化检测

随着对地观测技术的快速发展,高分遥感影像变化检测已成为遥感领域中的研究热点。空间分辨率的提高带来了丰富的空间信息,同时也导致了由于物候差异引起的实际属性并未发生变化,而光谱等表现特征发生变化的“伪变化”问题更为显著。形态属性剖面(Morphological Attribute Profiles,MAPs)作为一种高效空间信息建模方法,可从不同属性、多个尺度精细刻画复杂变化特征,已在变化检测领域任务中得到了广泛应用。尽管如此,已有MAPs方法通常未考虑差分剖面的属性及尺度平衡问题,从而容易陷入局部最优;同时,有效融合MAPs差分特征获取变化检测结果是此类方法面临的另一个难点。为此,研究提出了一种结合自适应形态属性剖面与决策融合的变化检测方法。首先,通过对MAPs进行CVA,提取初始差分特征集合;在此基础上,设计了一种综合考虑属性及尺度平衡性的择优目标函数(Balanced Optimal Objective Function,BOF),进而提取优化差分特征集合;最后,基于所提出的变化强度证据指标(Evidence Index,EVI)和证据置信度指标(Indicators Of Evidence Confidence,IOEC),构建了一种多特征决策融合框架获得变化检测结果。实验结果表明:所提出方法的总体精度(Overall Accuracy,OA)和F1分数(F1 score,F1)分别可达96.41%及88.67%以上,在目视分析和定量评价均显著优于对比方法,尤其针对本文所提“伪变化”,该方法相较对比方法可实现更为精确的判别,可以有效缓解“伪变化”。

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。

高分辨率SAR影像形态学层级分析的建筑物检测

目的现有基于结构分析的高分辨率SAR影像建筑物检测方法,只考虑了直线和L形结构建筑物,并且依赖建筑物高亮线条处阴影区作为建筑物识别的主要特征;当处于复杂场景时,阴影区受制于背景较暗或建筑物密集而无法准确得到,导致建筑物检测误差大、检测率低。针对上述问题,提出一种基于形态学层级分析的高分辨率SAR影像无监督建筑物检测算法。方法该方法基于单幅单极化高分辨率SAR影像,首先利用改进的形态学交替滤波算子有效抑制其固有的斑点噪声,大大剔除了同质区背景噪声的干扰;然后利用层级分析形态学差分属性断面算法来实现对SAR影像建筑物的几何结构特征的提取;最后结合特征融合和属性阈值分割等后处理步骤得到复杂场景下建筑物提取信息。结果将上述方法在建筑物密集的城区SAR影像中实验,通过与其他方法对比分析,具有检测率高、误差小的特点,准确率和召回率分别为95.38%、86.31%,并对降低虚警率方面有明显的优势。结论将形态学交替滤波与形态学属性滤波的改进与结合,在对不同走向、尺寸和形状的高密度建筑物检测中具有较好的适应性。

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。