基于混合像元分解提取小麦种植面积的技术与方法研究

以菏泽市曹县为例,运用线性混合模型,对MODIS遥感数据的混合像元分解技术与方法进行了初步研究。通过MNF变换、散点图以及引入PPI纯净像元指数确定端元组分,并采用最小包含法求取端元组分反射率,而后将4类端元光谱值代入线性模型,用带有约束的最小二乘法求解,得出每种地物类型的百分比丰度以及RMS误差图像,RMS均值小于0．0096,并与TM图像进行对比分析,利用混合像元分解方法可较高精度的提取小麦面积信息。     

应用混合像元分解提取胡杨覆盖度信息1）

以内蒙古荒漠地区胡杨林为研究对象,应用混合像元分解方法从TM多光谱数据中提取了胡杨林植被覆盖度,并以高分辨率Quickbird影像分割结果作为真值进行精度评价,与传统的基于植被指数提取植被覆盖度的方法进行了对比。结果表明：基于几何顶点端元选取的混合像元分解方法可以有效提取胡杨植被覆盖度（ R2＝0．893,RMSE＝0．12）,优于植被指数回归方法提取精度（R2＝0．574）。研究结果有助于开展荒漠地区较大范围的胡杨林动态监测和保护。     

面向对象的 ALOS 影像土地覆盖信息提取

根据高分辨率遥感数据,采用面向对象分类方法,对南京市某地块的土地覆盖信息进行提取。由于分类单元不再是单个像素,而是综合了光谱信息、纹理特征、拓扑关系和专题信息的影像对象,使得分类总体精度较传统方法提高18.1%,克服了传统基于像元分类法中的"椒盐现象",并且大幅降低了"异物同谱"、"同物异谱"对分类结果的负面影响。该方法对于依托高分辨率遥感影像进行土地覆盖信息的提取与更新,具有可行性和推广性。     

基于多因子对象的高空间分辨率遥感影像道路提取

利用面向对象思想,综合应用光谱值、光滑度、紧凑度及长宽比等因子,分割道路对象,构建规则知识库,探讨一种基于多因子对象的高空间分辨率遥感影像道路提取方法,并以厦门市局部区域的QuickBird影像为例进行实证.结果表明：影像分割尺度为75时,道路对象被较完整分割;与传统基于单个像元光谱信息的监督分类法相比,该方法的提取精度较高.     

混合像元及混合像元分析

由于中低空间分辨率的遥感数据在一个像元中记录了两种以上地类的不同光谱 ,从而获得了两个以上地类的光谱之和以及混合像元 ,当地类破碎时混合像元越多 ,而且在两类以上地类的交界处混合像元最多 .该文模拟不同空间分辨率的遥感图像中混合像元造成的误分类情况 ,同时应用线性模型对混合像元进行了分解提纯 ,用以提高分辨率精度     

基于WorldView2和GF-2的面向对象多指标综合植被变化分析

目的利用高分辨率卫星影像获取精确的植被变化信息对植被资源合理利用及可持续经营有重要意义。传统的基于像元的直接变化检测法容易产生椒盐噪声,而用面向对象分类法结果又严重依赖于分类精度。本文在分析现有算法优劣势基础上,力图找到一种针对高分辨率遥感数据进行植被变化检测的相对客观算法,并验证其有效性。方法基于现有的多指标综合变化分析算法（MIICA）,提出了面向对象的MIICA。本算法用准确率（P）和查全率（R）分析确定的最优分割参数对前后两期跨传感器影像进行统一分割,利用分割获得的对象影像进行特征参数提取,并用ROC曲线法选择合适的阈值进行变化信息提取并整合,最终获得植被变化位置及方向（植被增多或减少）。结果经与基于像元的MIICA及面向对象分类法的比较,本方法的生产者精度高于基于像元的MIICA,用户精度高于面向对象分类法,并且总体精度和Kappa系数分别达到了0.880和0.805。本方法能更好地反映植被变化的位置及形状,也能较准确地检测出一些面积微小的变化。结论面向对象的MIICA能弥补基于像元的MIICA和面向对象分类的缺点,提高检测精度,对存在高人为影响的森林公园或自然保护区植被变化分析、植被资源合理利用及可持续经营有重要意义。      

基于TITAN软件面向对象分类方法研究——以呼和浩特市满都海公园和青城公园为例

本文根据RS、GIS和GPS原理和方法,以Quick Bird遥感数据为数据源对呼和浩特市满都海公园和青城公园的园林景观信息提取.采用TiTan遥感图像处理软件进行遥感数据预处理,并利用面向对象分类方法先对影像进行多尺度分割,再选择合适的特征参数,通过多次试验建立影像对象的隶属度函数,实现了对研究区的景观分类,在此基础上进行景观对比分析.研究结果显示:利用面向对象分类方法可以快速方便地实现对研究区的遥感影像景观信息提取,精度为85％,为高分辨率遥感影像的信息提取提供了更为快速、有效的技术途径.     

无人机遥感在塑料大棚识别中的方法研究

【目的】快速、准确地获得塑料大棚覆盖面积、位置分布等地理信息,对政府统筹规划、农业产值估算、环境资源保护等方面提供技术支持。【方法】利用无人机高分辨率遥感数据,以云南省昆明市呈贡区可乐村塑料大棚区为研究区域,分别采用基于像元和面向对象的方法,对研究区进行分割、分类、面积提取,结合研究区背景资料和实地调研结果,比较两种方法的精度,并计算了该研究区塑料大棚的面积。【结果】塑料大棚面积的面向对象提取总体精度为94.6%,Kappa系数为0.9133;而基于像元监督分类方法提取总体精度为68.3%,Kappa系数为0.5848。面向对象方法提取的面积与实地测量提取面积相比仍然存在一定的误差,在总面积上的差值为3.925 m~2,累积差值为22.475 m~2。若按差值比例来计算,大棚的估计面积为(26.371 42万±410.737)m~2,满足精度要求。【结论】面向对象方法精度远远高于基于像元方法的精度,且能有效抑制"椒盐现象",极大降低"同物异谱"、"同谱异物"的影响,提高了分类的精度。该文研究成果为无人机遥感在塑料大棚识别应用提供了参考。     

两种遥感图像增强方法对图像分类的适宜性分析

通过对遥感图像空间增强的锐化处理与辐射增强的降噪处理进行基于像元的监督分类,结合野外实地调查与增强前图像分类结果的比较,进行了两种增强方法对于图像分类的精度分析,研究表明,未增强图像进行监督分类的精度为58．41％,Kappa系数值为0．4738;锐化处理后图像分类精度提高至62．77％,Kappa系数值为0．5227;而去霾处理后图像分类精度可达89．00％,Kappa系数值达0．8625,是较适于进行基于像元图像分类的增强处理方法。     

线性混合光谱模型在多光谱遥感影像分类中的应用

介绍了混合像元的概念、研究现状和广泛用于混合像元分解的线性模型。以TM遥感图像分类为例,对图像做MNF处理后进行有约束和无约束两种线性混合光谱模型分解混合像元;再对图像进行分类,将得到的图像同直接分类的图像进行比较分析。实验结果表明,考虑约束条件的线性混合光谱解混分类精度比直接分类精度提高了32.8%。     

基于无人机影像的高郁闭度杉木纯林树冠参数提取

  目的  冠幅是树冠结构的重要特征因子，直接影响树木的生产力和生命力，郁闭度是反映森林冠层结构与密度以及评价森林经营管理采伐强度的重要指标之一。利用无人机可以云下飞行，易于获取图像，精度高，低成本等优势，研究无人机影像上提取树冠参数的方法，使无人机影像提取林木树冠参数的操作系统化，实现精准高效的森林资源清查和监测。  方法  以福建将乐林场杉木人工纯林为研究对象，采用四旋翼无人机影像为数据源，基于面向对象分类的方法，将杉木纯林的树冠参数从无人机影像中提取出来。面向对象分类的方法需要先利用ESP工具选取最优分割尺度，然后根据影像的分割结果将树冠对象聚为一类，进而统计每个树冠对象栅格像素个数计算出树冠冠幅面积以及林分郁闭度。  结果  面向对象分类有效地对高郁闭度林分进行了树冠的提取。在分割尺度为70时，单木树冠分割效果最好，树冠被单独分割出来，但也存在一定的过分割以及未分割的问题，以至于部分单木的丢失。分割结束后，对分割对象进行特征空间的优化，选取适当的分类特征，最终将研究区分为树冠和林隙两类。通过统计每个对象栅格点数，计算得出的林分因子包括林分郁闭度，树冠面积。以地面实测数据作为参考，冠幅面积提取精度为0.829 1，林分郁闭度测量精度为0.973 1。  结论  研究结果表明，基于无人机高分辨率影像的树冠参数提取在高郁闭度林分同样适用，能有效提高森林资源调查的效率并且能够满足森林资源调查的精度。      

基于国产GF-2遥感影像的大麻地块提取方法研究 ——以安徽省六安市苏埠镇为例

针对传统的基于像元的分类方法提取大麻地块结果存在较为破碎、精度较低的问题,以国产"高分二号"(GF-2)4m的多光谱遥感影像为数据源,在安徽省六安市苏埠镇选取了一个研究区,使用基于规则集的面向对象的方法实现了大麻地块的精确提取。首先,对研究区预处理过的GF-2遥感影像进行多尺度分割,在多尺度分割结果的基础上,确定提取大麻地块的最优分割尺度。其次,针对不同地物类型选取样本对象生成光谱曲线,分析大麻地块与其他地物类型的异同点,并基于光谱分析结果构建规则集最终实现大麻地块的提取。最后,将基于规则集的面向对象分类结果和基于像元分类(监督分类)的结果进行对比分析。结果表明,基于规则集的面向对象方法可以有效的提取出研究区内的大麻地块,精度可以达到91.09%,解决了传统基于像元分类方法提取大麻地块结果较为破碎的问题。     

机载与星载高分遥感影像单木树冠分割方法和适宜性对比

目的应用高分辨率遥感影像快速准确提取单木树冠信息,对现代森林管理具有重要意义。面向对象的多尺度分割方法能有效地解决基于像元特征分析的局限,是单木树冠提取的重要技术途径。本文对比分析了不同遥感平台和人工林树种的树冠提取精度,探究实验方法针对不同尺度影像数据和树种的优势及适用性,并结合调查目的为影像数据的选取提供参考。方法以广西壮族自治区高峰林场为研究区,选取低空无人机CCD、机载CCD和星载高分二号遥感影像数据,针对树冠区域与背景区域的对比度效果不佳的问题,首先采用小波变换进行图像增强处理,去除影像噪声,增强树冠与背景的对比度;然后应用面向对象的多尺度分割方法,排除背景区域的干扰,针对树冠区域进行单木树冠的快速提取;最后对3种影像下提取的杉木和桉树人工林单木树冠的流程和方法,以及树冠提取精度进行研究分析。结果采用小波变换对无人机和机载平台影像增强效果显著,无人机平台下桉树和杉木实验区单木分割精度分别为87%和93.3%,冠幅估测精度为84.2%和85.1%;机载平台下桉树和杉木实验区单木分割精度为89%和91.1%,冠幅估测精度为83.9%和84.4%;而小波变换对星载平台影像增强效果不佳,桉树和杉木实验区的单木分割精度为82%和89%,冠幅估测精度为72.3%和73.3%。结论在无人机和机载平台下,应用多尺度分割得到的树冠提取精度相接近;在星载平台下,直接应用多尺度分割进行单木树冠提取,受影像自身空间分辨率的局限,提取精度低于前两种平台,但也能够满足森林调查的基本需求。      

Winter wheat identification by integrating spectral and temporal information derived from multi-resolution remote sensing data

Timely crop acreage and distribution information are the basic data which drive many agriculture related applications. For identifying crop types based on remote sensing, methods using only a single image type have significant limitations. Current research that integrates fine and coarser spatial resolution images, using techniques such as unmixing methods, regression models, and others, usually results in coarse resolution abundance without sufficient detail within pixels, and limited attention has been paid to the spatial relationship between the pixels from these two kinds of images. Here we propose a new solution to identify winter wheat by integrating spectral and temporal information derived from multi-resolution remote sensing data and determine the spatial distribution of sub-pixels within the coarse resolution pixels. Firstly, the membership of pixels which belong to winter wheat is calculated using a 25-m resolution resampled Landsat Thematic Mapper (TM) image based on the Bayesian equation. Then, the winter wheat abundance (acreage fraction in a pixel) is assessed by using a multiple regression model based on the unique temporal change features from moderate resolution imaging spectroradiometer (MODIS) time series data. Finally, winter wheat is identified by the proposed Abundance-Membership (AM) model based on the spatial relationship between the two types of pixels. Specifically, winter wheat is identified by comparing the spatially corresponding 10×10 membership pixels of each abundance pixel. In other words, this method takes advantage of the relative size of membership in a local space, rather than the absolute size in the entire study area. This method is tested in the major agricultural area of Yiluo Basin, China, and the results show that acreage accuracy (Aa) is 93.01% and sampling accuracy (As) is 91.40%. Confusion matrix shows that overall accuracy (OA) is 91.4% and the kappa coefficient (Kappa) is 0.755. These values are significantly improved compared to the traditional Maximum Likelihood classification (MLC) and Random Forest classification (RFC) which rely on spectral features. The results demonstrate that the identification accuracy can be improved by integrating spectral and temporal information. Since the identification of winter wheat is performed in the space corresponding to each MODIS pixel, the influence of differences of environmental conditions is greatly reduced. This advantage allows the proposed method to be effectively applied in other places.     

基于Split Bregman算法的遥感图像分割分水岭技术

针对遥感图像中的道路、村落、农田、山脉等目标物分割时存在过分割和欠分割问题,采用分裂Bregman算法和分水岭方法相结合的方法,给出了适合近地遥感图像的一种新的标记分水岭方法。该方法利用多尺度插值小波算子逼近图像分割变分模型中的图像表示函数;采用Split Bregman迭代算法对变分模型进行快速求解;将Split Bregman分割结果作为标记,采用分水岭方法对遥感图像进行精确分割,保证了标记总数无冗余。试验结果表明,采用较小的尺度尺寸参数(J=3)时,可准确分割出来具有开环特性的村落图像区域,而采用较大的尺度尺寸参数(J=7)时,可精确分割农田中的纹理,但对村落区域则有一定的过分割现象出现。采用自适应多尺度参数时,可有效消除过分割和欠分割现象。     

基于高空间分辨率时间序列影像的对象级侵占林地图斑快速检测

【目的】为掌握森林资源动态变化情况,及时、快速、准确地发现侵占林地地块,并解决主流遥感变化检测方法对数据源和时相一致性要求高、人工干预多、过程繁琐等应用瓶颈,采用一种基于高空间分辨率时间序列影像的多尺度对象级分割和变化提取方法,对主流方法的分类和检测两个过程进行了融合和简化。【方法】以陕西省白水县为研究区,采用GF-1和ZY-3卫星数据源,将前后两期遥感影像波段拆分和重组形成时间序列影像,对时间序列影像进行多尺度面向对象的分割,通过分割结果的光谱变化值统计学抽样判断临界点并制定提取阈值,再利用NDVI变化值对结果进行优化。【结果】以人工目视解译结果作为参照,该方法的检测精度达86.2%。在成功检出的侵占林地图斑中,形状吻合较好或基本吻合的图斑占48.8%。【结论】该方法能够实现侵占林地图斑的快速检测,在检测效率、精度和适应性方面可满足大范围、多时相、混合数据源森林资源监测工作的实际应用需要。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

Delineation of vine parcels by segmentation of high resolution remote sensed images

Field delineation is an essential preliminary step for the design of management maps for grape production. In this paper, we propose a new algorithm for the segmentation of vine fields based on high-resolution remote sensed images. This algorithm takes into account the textural properties of vine images. It leads to the computation of a textural attribute on which a simple thresholding operation allows to discriminate between vine field and non-vine field pixels. The feasibility of the automatic delineation is illustrated on a range of vineyard images with various inter-row distances, grass covers, perspective distortions and side perturbations. In most cases it produces precise delineation of field borders while the parcel under consideration remains separate from the rest of the image.