基于ETM~+的遥感影像信息提取研究

以沈阳市苏家屯区为试验区,对ETM+图像的光谱信息和纹理信息进行综合分析,以达到提高影像分类精度的目的.利用光谱信息提取水体、植被;采用基于灰度共生矩阵的纹理量的分类法,通过TM5波段提取灰度共生矩阵和灰度联合矩阵,计算并提取最能反映类别差异的纹理量值将光谱信息混淆的水田、旱田、居民地用分离,得到最终的分类结果.结果表明:将纹理特征应用于图像分类中可区分光谱混淆的地类,光谱与纹理特征结合得到的分类精度要高于单纯光谱的分类精度.     

基于中分辨率影像湿地离散水体提取研究——以新疆阿勒泰科克苏湿地为例

首先利用Landsat8 OLI和GF-1 WFV卫星的多光谱影像分别对新疆阿勒泰科克苏湿地的离散水体进行支持向量机模型分类和最大似然模型分类,以选出最佳的分类模型;然后对Landsat8 OLI和GF-1 WFV影像分别提取灰度共生矩阵纹理特征、Getis指数特征和Moran’I指数特征,并与其对应的多光谱影像进行组合得到包括原始多光谱影像在内的7种组合特征集,利用选出的最佳分类模型对特征集进行离散水体提取,对其精度检验结果进行对比。结果表明,对Landsat8 OLI和GF-1 WFV卫星的多光谱影像同时引入Getis指数特征和灰度共生矩阵纹理特征能够明显提高分类精度,Landsat8 OLI影像Kappa系数从0.815 7提高到0.922 3,总体精度从94.25%提高到97.50%;GF-1 WFV影像的Kappa系数从0.832 6提高到0.932 4,总体精度从94.75%提高到98.25%。综合可知,Getis指数和灰度共生矩阵同时作为新的特征波段引入到多光谱影像上,对于离散水体信息提取具有积极效果。     

基于中分辨率影像湿地离散水体提取研究——以新疆阿勒泰科克苏湿地为例

首先利用Landsat8 OLI和GF-1 WFV卫星的多光谱影像分别对新疆阿勒泰科克苏湿地的离散水体进行支持向量机模型分类和最大似然模型分类，以选出最佳的分类模型；然后对Landsat8 OLI和GF-1 WFV影像分别提取灰度共生矩阵纹理特征、Getis指数特征和Moran’I指数特征，并与其对应的多光谱影像进行组合得到包括原始多光谱影像在内的7种组合特征集，利用选出的最佳分类模型对特征集进行离散水体提取，对其精度检验结果进行对比。结果表明，对Landsat8 OLI和GF-1 WFV卫星的多光谱影像同时引入Getis指数特征和灰度共生矩阵纹理特征能够明显提高分类精度，Landsat8 OLI影像Kappa系数从0.815 7提高到0.922 3,总体精度从94.25%提高到97.50%;GF-1 WFV影像的Kappa系数从0.832 6提高到0.932 4,总体精度从94.75%提高到98.25%。综合可知，Getis指数和灰度共生矩阵同时作为新的特征波段引入到多光谱影像上，对于离散水体信息提取具有积极效果。     

基于多尺度纹理与光谱特征的马尾松毛虫虫害信息提取方法研究

以福建沙县为研究区,融合SPOT-5多光谱影像与全色影像,基于灰度共生矩阵法提取纹理量,与光谱波段组合,采用支持向量机分类方法提取虫害信息,探讨纹理特征对于虫害监测信息提取精度的影响。结果表明:结合多尺度纹理与光谱特征的支持向量机分类方法,其虫害信息提取总精度最高,为80.48%;结合单尺度纹理与光谱特征的支持向量机分类器方法,其虫害信息提取总精度次之,为78.81%;基于光谱特征的最大似然法,其虫害信息提取总精度最低,为70.48%。结合多尺度纹理与光谱特征的支持向量机分类器方法,其图面表现也较好,减少了图面的细碎斑点。因此,提取多尺度纹理与光谱特征结合,丰富了图像信息量,有助于提高虫害信息的提取精度。     

随机森林在板材表面缺陷分类中的应用1）

对板材表面缺陷图像进行多种特征提取。颜色特征选用了颜色直方图;形状特征主要基于最小外接矩阵,提取周长、面积、位置、矩阵和圆形相关的形状参数;纹理特征选取了灰度共生矩阵和Tamura纹理参数。通过OOB（袋外数据）误差计算特征重要性,并将结果与提取时间进行综合分析得出,Tamura纹理和颜色直方图是最优的2组缺陷分类参数。对颜色直方图和Tamura纹理2类特征,采取特征组合输入,通过实验得出,随机森林分类精度达95．67％。     

基于高分二号影像结合纹理信息的茶园提取

为提高高分辨率遥感影像分类精度,针对高分二号影像发展一种综合利用遥感影像光谱和纹理信息的茶园种植区提取方法。该方法首先利用归一化植被指数(NDVI)和修正的归一化植被指数(MNDVI)构建新的光谱特征——差异归一化差分植被指数(DNDVI),通过灰度共生矩阵(GLCM)构建新的纹理特征——灰度共生纹理(GLCT),然后结合光谱和纹理特征运用支持向量机(SVM)的方法进行分类。试验采用2种方案(原始波段+光谱特征,原始波段+光谱特征+纹理特征)对影像进行分类,分类总体精度分别为79. 6%、89. 8%,Kappa系数分别为0. 659、0. 788。结果表明,结合纹理信息能明显地提高分类精度,并较好地实现对高分二号影像茶园种植区的分类提取。     

利用纹理特征提取城市用地信息方法探索

就利用灰度共生矩阵纹理特征提取城市用地信息做了初步探索.计算灰度共生矩阵四个纹理特征量,选择建筑用地与其它地类的纹理特征统计量差别较大的特征,用于提取建筑用地信息.通过计算选择了对比度纹理特征,对该特征图像进行分类、密度分割及后处理,得到城市用地信息.通过精度评定证明了纹理特征用于分类可以提高分类的精度,并能提高土地利用动态监测的自动化程度.     

基于决策树的土地利用分类方法研究

以新疆乌鲁木齐市部分区域为研究区,利用主成分分析法对Spot-5影像进行数据压缩,运用灰度共生矩阵对第一主成份进行纹理信息提取,分析Landsat-7影像的光谱特征值及NDVI和NDBI特征值,确定各类地物的综合阈值,最后运用决策树分类法对Landsat-7影像进行分类.将分类结果与最大然法分类结果相比较,结果表明,决策数分类较最大似然法分类的精度提高了5.66; ,Kappa 系数提高了7.89; .说明决策树分类能够灵活、有效运用纹理等辅助信息,更好地区分光谱特征相似的目标地物,具有更高的准确性.     

随机森林在板材表面缺陷分类中的应用

对板材表面缺陷图像进行多种特征提取。颜色特征选用了颜色直方图;形状特征主要基于最小外接矩阵,提取周长、面积、位置、矩阵和圆形相关的形状参数;纹理特征选取了灰度共生矩阵和Tamura纹理参数。通过OOB(袋外数据)误差计算特征重要性,并将结果与提取时间进行综合分析得出,Tamura纹理和颜色直方图是最优的2组缺陷分类参数。对颜色直方图和Tamura纹理2类特征,采取特征组合输入,通过实验得出,随机森林分类精度达95.67%。     

基于纹理特征的SPOT-5影像马尾松毛虫害信息提取

以福建沙县为研究区,以SPOT-5影像为数据源,采用灰度共生矩阵方法提取健康林分与受害林分的纹理特征,构建最佳纹理量,分别采用像元统计和面向对象的方法进行虫害信息提取,结果精度分别为72.00%、74.75%。研究结果证明了利用遥感影像纹理特征进行马尾松毛虫害监测的可行性,为利用融合影像光谱信息与纹理信息进行虫害信息提取研究提供了实例支撑和技术参考,同时面向对象的方法优于传统的基于像元统计的分类方法,精度稍高,"椒盐现象"也有所改善。     

基于递归纹理特征消除的WorldView-2树种分类

利用遥感影像识别树种是一个尚未解决的科学难题,传统方法在高分辨率影像树种分类中存在着诸多不适宜问题。本文通过提取WorldView-2影像的纹理特征构造高维数据,利用递归特征消除降低数据维数,逐步解除最大似然分类的休斯现象,并将有代表性的纹理特征集合与光谱特征结合,对树种进行分类。结果显示:在递归消除8个纹理特征后,最大似然的休斯现象达到了很好的规避;在结合光谱特征后,分类的总体精度达到了86.39%,Kappa系数达到了0.8410,比基于光谱特征的总体精度和Kappa系数高12.32%和0.1436。研究表明,在高维数据中通过递归特征消除规避最大似然分类的休斯现象,充分结合影像纹理与光谱信息对树种分类可以取得更为理想的结果。      

基于水稻特征波段的决策树分类研究

以滁州市为例,结合水稻物候的特征波段,选用反映水稻物候期时相的TM数据,并基于多特征波段,构建CART决策树分类提取水稻种植面积。结果表明,植被指数、湿度因子、绿度因子、纹理特征等多特征参与CART决策树分类能够提高总体精度。基于光谱信息、植被指数和纹理特征的决策树分类的总精度比以最大似然法进行的监督分类方法提高了6.942 1百分点,Kappa系数提高了0.110 4。合理选用作物物候期数据及其遥感影像的特征波段能够有效降低分类误差,为地形复杂地区获取作物种植面积提新的方法。     

Fish species classification by color,texture and multi-class support vector machine using computer vision

Remote diagnose of fish diseases for farmers is unrealized in China, but use of mobile phones and remote analysis based on image processing can be feasible due to the widespread use of mobile phones with camera features in rural areas. This paper presents a novel method of classifying species of fish based on color and texture features and using a multi-class support vector machine (MSVM). Fish images were acquired and sent by smartphone, and the method utilized was comprised of the following stages. Color and texture subimages of fish skin were obtained from original images. Color features, statistical texture features and wavelet-based texture features of the color and texture subimages were extracted, and six groups of feature vectors were composed. LIBSVM software was tested using leave-one-out cross validation to find the best group for classification in feature selection procedure. Two multi-class support vector machines based on a one-against-one algorithm were constructed for classification. The feature selection results showed that the Bior4.4 wavelet filter in HSV color space achieved greater accuracy than the other feature groups. The classification results indicate that only the DAGMSVM meets the requirement of time efficiency for the system. The results of this study suggest that the best classification model for fish species recognition is composed of a wavelet domain feature extractor with Bior4.4 wavelet filter in HSV color space and a one-against-one algorithm based DAGMSVM classifier.     

基于滑动窗口法的遥感图像纹理统计信息提取研究

遥感图像中地学信息,如地质构造、蚀变信息及岩性分界等信息具有一定的纹理特征。纹理是遥感图像的重要特征,是地物空间特征的综合反映。利用滑动窗口法来获取遥感图像的纹理特征参量,将得到的特征矩阵用假彩色进行显示,将得到的图件进行了对比。然后,针对窗口大小对不同纹理特征显示效果的差异展开讨论。结果表明,滑动窗口法在排除波谱信息的干扰、提取纹理特征参量方面效果比较明显。对于纹理多尺度判别的精度来说,采用较大窗口提取的纹理信息参与分类能使总体显示效果较好,但某些纹理的精细程度有所下降,建议在实际应用中,应根据具体情况选择窗口的大小。     

基于无人机多光谱影像特征融合的小麦倒伏监测

【目的】小麦倒伏严重影响小麦光合及成熟进程,进而造成小麦减产及品质下降。为快速精确获取倒伏信息,评估无人机遥感监测小麦倒伏的能力,构建小麦倒伏监测模式,为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像,经过预处理飞行高度50 m的小麦冠层图像,得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM）,从中提取光谱特征、高度特征和光谱纹理共3类特征信息;采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较,使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器;同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价,确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差,“椒盐现象”严重,在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合,小麦...     

基于高光谱成像技术鉴别大米品种

大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正（MSC）、二阶导数（2ND）和标准正态变换（SNV）对光谱数据进行预处理。利用连续投影算法（SPA）和主成分分析（PCA）对光谱数据降维。以灰度共生矩阵（GLCM）提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法（SVM）的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法（CSA）对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。     

光谱与纹理信息结合的黄河三角洲土壤盐渍化信息提取——以垦利区为例

土壤盐渍化是制约黄河三角洲农业发展的关键问题，及时准确地掌握土壤盐渍化信息对土地资源保护和开发利用具有积极意义。本研究以黄河三角洲核心区域垦利区2019年4月17日的Sentinel-2遥感影像为数据源，在ENVI和e Cognition软件支持下，利用灰度共生矩阵法提取遥感影像的二阶矩、对比度、熵、相关性等纹理特征信息，结合归一化植被指数（NDVI）、盐分指数（SI）等光谱特征信息，通过预设分类规则实现对黄河三角洲垦利区的盐渍土分类。结果表明，加入二阶矩、对比度、熵、相关性4个纹理特征统计量，再结合光谱信息对垦利区盐渍土进行分类，总体分类精度为92.4%，Kappa系数为0.89，相较于仅利用光谱信息的分类方法，总分类精度提高了10.5个百分点；各分类类别的生产者精度与使用者精度较仅依靠光谱信息分类的分类结果均明显提高，其中中度盐渍土的分类效果最好，其生产者精度与使用者精度最高，分别为95.0%、95.9%。本研究提出利用遥感光谱结合纹理特征实现滨海区盐渍土信息的提取方法，提高了盐渍土分类精度，为准确掌握研究区土壤盐渍化信息提供了新途径。     

基于数据挖掘技术的高光谱土壤质地分类研究

【目的】 寻找红壤地区不同土壤质地类型的Vis-NIR光谱反射规律,通过光谱对土壤质地类别进行快速、准确的预测。【方法】 以江西省奉新县北部为研究区,245个土壤样本为研究对象,在国际制土壤质地4组和12级两种分类标准下,首先分析不同土壤质地类型的光谱反射率,然后采用9种数学变换方法和5种机器学习算法相互组合的数据挖掘模型,进行土壤质地的分类研究,最后对建模准确度最高的混淆矩阵和预测结果三角坐标分布图进行分析。【结果】 （1）不同土壤质地之间的光谱反射率存在较多的交叉重叠现象,土壤质地与光谱反射率之间的规律较为复杂;（2）分数阶导数变换是整数阶导数的扩展,有助于土壤质地的分类,但原始光谱数据具有更加丰富的特征信息,更适合进行土壤质地分类建模;（3）在对非均衡数据集建模时,集成学习方法和神经网络方法都是不错的选择;（4）较难通过模型去区分土壤质地分界线附近的类别,其中在4组分类标准下最容易被预测错误成黏壤土组,在12级分类标准下最容易被预测错误成黏壤土和壤质黏土这两种土壤质地类型;（5）在4组分类标准中,进行归一化处理和MLP模型组合取得了0.68的最高预测准确度,其中黏壤土组的预测准确度能达到0.84;再细分到12级分类后,分类效果最佳的组合来自于原始数据和MLP模型,其中壤质黏土分类准确度达到了0.89。【结论】 本研究结果可为南方红壤地区通过高光谱数据进行土壤质地分类提供参考依据。     

Classification of foreign fibers in cotton lint using machine vision and multi-class support vector machine

Automatic classification of foreign fibers in cotton lint using machine vision is still a challenge due to various colors and shapes of the foreign fibers. This paper presents a novel classification method based on multi-class support vector machine (MSVM) which aims at accurate and fast classification of the foreign fibers. Firstly, live images were acquired by a machine vision system and then processed using image processing algorithms. Then the color features, shape features and texture features of each foreign fiber object were extracted and feature vectors were composed. Afterwards, three kinds of multi-class support vector machines were constructed, i.e., one-against-all decision-tree based MSVM, one-against-one voting based MSVM and one-against-one directed acyclic graph MSVM separately. At last, with the extracted feature vectors as input, the MSVMs were tested using leave-one-out cross validation. The results indicate that both the one-against-one voting based MSVM and the one-against-one directed acyclic graph MSVM can satisfy the accuracy requirement of the classification of foreign fibers, and the mean accuracy is 93.57% and 92.34% separately. The one-against-all decision-tree based MSVM only obtains mean accuracy of 79.25% which can not meet the accuracy requirement. In classification speed, one-against-one directed acyclic graph MSVM is the fastest and fitter for online classification.