基于面向对象的资源3号遥感影像森林分类研究

森林类型识别技术是遥感分类中的重点和难点,采用面向对象的遥感影像分类方法是实现森林类型分类的新方法。资源3号遥感影像可为森林类型提取提供新方向。以资源3号遥感影像作为基础研究数据,采用面向对象的分类方法,选择分形网络演化法进行多尺度分层分割,并结合典型地物的光谱特征、纹理特征、几何特征以及植被指数,构建了适用于森林类型提取的决策树模型,并与分割尺度不同的支持向量机分类方法进行比较分析。结果表明:多层分割的决策树分类方法分类精度高于单层分割的支持向量机分类方法,分类精度分别提高了6.1%和12.5%。说明建立多层分割的决策树分类方法适用于森林类型的分类研究。     

高分辨率遥感影像城市绿地提取方法研究

以德国Vaihingen城区的高分辨率遥感影像为数据源,提出一种结合多尺度引导滤波特征与核主成分分析特征的提取方法,利用多尺度引导滤波提取不同尺度的绿地特征,通过具有非线性映射能力的核主成分分析算法,对多尺度特征进行降维,最后将降维后的特征输入支持向量机分类器,得到城市绿地的分类结果,并与现有的绿地提取方法进行对比分析。结果表明:该方法能充分利用空间邻域信息,获得比现有单尺度分析方法更高的分类精度,且明显减少传统像素级分类方法产生的结果细碎问题。     

基于多尺度分形特征的遥感影像水体信息提取研究

以密云水库为例,提出一种基于多尺度分形特征的ETM＋遥感影像提取水体信息的新方法。首先利用双层地毯法计算像元的分形信号,并对其进行水体信息特征分析;其次选用下分形第4尺度进行水体信息提取,利用水体指数提取结果进行精度评价,提取精度为98.12%。该方法可以快速有效地提取水体信息,为以后水体的相关研究提供参考方法。     

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。     

高分辨率遥感影像林地类型精细识别

以内蒙古自治区根河市根河生态站为研究区,探讨在大面积复杂林区、具有红边波段卫星数据支持下,高空间分辨率遥感影像林地类型精细分类方法。以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像为主要数据源,综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息,以及2016年林地类型外业调查样本数据,分别对2种数据源采用传统的监督分类方法[最大似然法（MLC）和支持向量机法（SVM）]和基于IDL语言的ImageSVM和ImageRF分类方法进行林地类型精细识别。最后以外业调查数据和根河森林资源小班数据作为检验样本对分类结果进行精度验证,通过建立混淆矩阵对分类结果进行评价。结果表明:①ImageRF和ImageSVM等2种分类方法对林地类型信息提取精度较高。在RapidEye影像中,针叶林、阔叶林、灌木林等8种地物类型总体分类精度分别为90.26%和90.02%,Kappa系数均大于0.88。ImageSVM和ImageRF分类结果中,灌木林、针叶林和阔叶林制图精度和用户精度均高于支持向量机法和最大似然法;相对于支持向量机法和最大似然法,ImageSVM法总体分类精度分别提高了6.18%和7.06%,Kappa系数分别提高了0.07和0.08;ImageRF法总体分类精度分别提高了5.93%和6.82%,Kappa系数分别提高了0.07和0.08,能确保森林资源调查成果的精细化、准确性、高效性。②在林地类型精细识别中,携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识别精度和可分性。研究证明,ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法,具有精度高和可信度高的优势,是进行复杂山区林地类型精细分类的有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。     

基于对象的CHRIS遥感图像森林类型分类方法研究

高光谱遥感森林类型分类中采用传统基于像素分类方法精度较低,本文通过高光谱遥感影像的特征,采用面向对象的最近邻监督分类方法对高光谱CHRIS影像进行分类实验,首先对影像进行多尺度分割,然后将分割对象信息、形状特征及上下文联系等特征构成特征空间进行最近邻监督分类,并与传统的基于像素的最大似然分类方法进行比较分析,结果表明,面向对象的最近邻法能够较好的识别森林类型,总精度为89.06%,kappa系数为0.82,而最大似然法分类精度为85.75%,kappa系数为0.79.其分类精度明显高于最大似然法,这表明该方法适合高光谱遥感影像分类,为今后的高光谱遥感森林类型分类能够起到技术参考和理论依据.     

面向对象的GF-1遥感影像多尺度分割研究

【目的】探索基于GF-1遥感影像的干旱区绿洲地物的最优分割尺度,为民勤绿洲地物的高精度提取奠定基础.【方法】本研究采用了综合类内一致性与类间异质性两种指数构建的RMAS分割指数,以国产GF-1遥感影像为数据源,民勤绿洲为试验区,获取了建筑物、林地与耕地的最优分割尺度;通过参考对象与分割对象之间的光谱与位置关系,提出了使用光谱相似性指数SSI以及分割距离指数SDI对分割质量进行评价;使用最邻近分类法对试验区地物进行提取.【结果】1)试验区建筑物、林地以及耕地的最优分割尺度为50、30、80;2)最优分割尺度下,SSI指数接近0,且SDI指数最小;3)地物提取的总体精度为87.50%,Kappa系数为84.35%,3种地物在最优分割尺度下提取的精度分别为82.86%、89.29%、96.15%.【结论】通过RMAS指数能够准确获取最优分割尺度,以达到较高的地物提取精度.     

基于无人机可见光遥感影像的耕地精准分类方法研究

无人机可见光遥感具有使用成本低、操作简单、实时获取遥感影像、地面分辨率高等优势。提出了一种利用无人机可见光遥感影像进行耕地精准分类的方法,以广东省惠州市惠东县铁涌镇石桥村部分耕地的可见光遥感影像为研究对象,对耕地的面积信息、形状信息以及位置信息进行监测和提取,采用面向对象法对影像中两种基于可见光波段的植被指数、纹理信息、形状信息进行分析,研究出分类提取耕地信息的较佳方案。经过反复实验确定分割尺度45、合并尺度90为分割参数,同时利用波段信息和纹理信息对未种植作物耕地和其他地物进行分离。该方法总体精度为89.23%,Kappa系数为0.72。实验结果表明利用无人机可见光遥感数据对耕地进行分类虽然存在一些细碎地块被错提、误提的情况,但总体精度仍然保持在一个很高的水准,可以为耕地作物分类提供参考,为实现精准农业提供精准的数据基础。     

基于改进DenseNet模型的高分遥感影像城市裸地提取

利用遥感影像提取裸地是监测裸地空间分布的一个重要手段。针对目前普遍存在的边界不清晰、空间信息丢失、小面积裸地漏提和与高反射率建筑不易区分等问题,设计了一种改进DenseNet的遥感裸地提取深度学习模型,主要采取密集连接块、坐标卷积和密集空洞空间金字塔3种方法,增强DenseNet模型在获取坐标信息、丰富裸地空间特征信息、对全局上下文信息感知等方面的能力,减少模型对于空间细节特征丢失环节,提高裸地遥感提取的精度。实验表明,该方法提取裸地的总精度为97.66％、交并比为68.69％、综合评价指标F1为81.44％、召回率为76.62%以及虚警率为25.68%,明显优于其他机器学习方法和深度学习方法。此外,该模型对于多源遥感影像上的裸地提取也具有良好的普适性,在高分一号、高分六号和哨兵二号等遥感数据集上测试的总精度分别为95.80％、93.00％和92.55％;交并比分别为75.18％、75.13％和50.47％;综合评价指标分别为85.83％、85.80％和67.08％。因此,改进的DenseNet模型方法较其他方法更适用于裸地的提取。     

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。      

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。     

基于多源遥感影像融合的植被覆盖度信息提取研究

植被覆盖度是评估生态环境的一个重要参数,对于全球环境变化和监测研究具有重要意义。如何从遥感数据资料估算植被覆盖度,并提高估算精度是建立全球或区域气候、生态模型的基础工作。该研究以CBERS数据与ASAR数据为多源遥感数据源,进行CBERS影像与ASAR影像HPF像素级融合,生成高空间分辨率的多光谱影像HPF融合影像。分别运用CBERS影像和HPF融合影像,提取植被覆盖度,并对两者的提取效果进行精度对比评价分析。评价结果表明,HPF融合处理的影像提取的植被信息精度较高、效果较好,为植被覆盖度信息的提取提供了参考。     

基于Segformer网络的地块尺度作物种植结构精细化识别与分类

防止耕地“非粮化”、稳定粮食生产是中国粮食安全的基石。为实现地块破碎化地区作物类型及种植结构精细化识别和分类,本研究以江苏省泰兴市为研究区,基于高分辨率遥感影像和多尺度融合特征显著的Segformer语义分割模型,实现地块尺度的耕地信息精细化提取;同时结合多源遥感数据构建主要植被类型归一化植被指数(NDVI)时序曲线及植被生长关键时间节点的光谱反射特征,开展地块尺度的作物种植结构分类。结果表明：基于Segformer模型的分割方法可有效识别耕地,F1系数达92.4%;基于主要植被类型多时相NDVI时序特征及植被生长关键时间节点光谱反射特征的作物种植结构分类方法能够实现地块尺度的种植结构分类,总体分类精度达82.38%。因此,本研究建立的方法可有效实现地块尺度耕地信息的精细化提取及种植结构识别和分类,为耕地保护提供技术支持。     

面向对象的遥感影像植被信息提取技术研究

在阐述面向对象的遥感分类方法的基本原理和方法的基础上,对2006年武汉市洪山区的遥感影像数据中的植被进行了分类训练和精度评价。为了解决植被中存在的异物同谱的现象采用了阴影消除的方法,同时采用定量测定的方法提取影像中的植被。结果表明,采用面向对象的多尺度分割的植被信息提取精度明显高于非监督分类的分类精度,是一种行之有效的分类提取技术。     

面向对象的作物种植信息提取研究——以新疆奇台县为例

为快速获取农情信息与农作物种植结构,通过面向对象的识别方法,对新疆主要粮食产区之一奇台县进行作物信息提取的研究。以Landsat 8遥感影像为数据源,通过更新2016年土地利用现状图得到耕地分布信息。使用e Cognition 9. 0软件进行多尺度分割,通过ESP2插件确定研究区最佳分割尺度后进行尺度分割,结合实地调查资料,利用面向对象的Cart决策树分类器和随机森林分类器将作物分为小麦、玉米、打瓜和葵花四类主要作物,提取新疆奇台县作物种植信息。结果表明:研究区最佳分割尺度为90;对于本研究,随机森林分类器Cart树数量为80～90时分类精度较高; Cart决策树总体精度达到0. 925,Kappa系数0. 893;随机森林分类器总体精度达到0. 945,Kappa系数0. 921。表明,在县域级农作物识别时使用面向对象的识别方法对中等空间分辨率遥感影像分类是可行的。     

基于ECLDeeplab模型提取华北地区耕地的方法

准确提取耕地信息对农业资源调查、遥感估产以及灾害监测等具有重要意义,从遥感图像中提取耕地的信息属于图像识别和分类的问题,目前深度学习是非常适合的方法。以语义图像分割(Deeplab)模型为基础,选择耕地为提取目标,建立了一种从高分2号遥感影像上提取耕地信息的方法耕地提取语义图像分割(ECLDeeplab)。首先分析了耕地在高分2号遥感影像上的表现特点;其次依据耕地的具体特点对Deeplab的结构进行调整,形成了能够提取耕地的网络结构;最后用训练成功的网络进行提取耕地,得到精度较高的分割结果。应用方法对山东省肥城市的2016年12月至2017年3月的10幅影像进行了试验,试验结果表明,该方法获取的耕地精度为88.3%,提取耕地信息得到了较好的结果。     

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。     

基于纹理特征的Spot绿地信息提取研究

城市绿地信息是城市园林(生态、城市)规划的重要信息,地物的几何结构和纹理信息更加明显的高分辨影像为获取更详细的绿地信息提供了可能。本文采用Spot卫星影像,以福建省泉州市鲤城区为例,借助Matlab和ERDAS图像处理软件,在详细分析研究区绿地不同类别纹理差异的基础上,利用统计和小波分析的方法提取绿地纹理特征,并将其引入基于光谱分类的最大似然法进行绿地信息的提取分类,相比直接用面向象元的监督分类的分类结果,其分类总精度由原来的76.5%提高到了80.2%,Kappa系数由原来的0.7023,提高到了0.7484,而且绿地类别被更详细地分成了一般绿地,农田,自然林地。不同绿地类别的分类精度明显提高,表明纹理特征在遥感绿地信息提取方面的有效性和本研究方法的可行性。本文是根据研究区特点,引入纹理特征提高绿地信息提取分类精度方法的探讨,更广泛的应用和精度的提高有待于进一步的完善研究。     

基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

基于高时空分辨率遥感数据协同的作物种植结构调查

[目的]充分发掘遥感影像的空间、时间和光谱等特征谱信息,探索地块基元支持下的多源遥感数据作物种植信息自动识别方法,为作物种植结构信息的快速、精细化调查提供借鉴.[方法]以广西扶绥县为研究区,通过对高空间分辨率影像的多尺度分割和对象廓线编辑,提取精细农田地块信息;以地块为基元获取覆盖作物生育期内的时序光谱特征;基于时序光谱及其变化定义与作物长势状况相关的描述参量,形成静态光谱与动态过程特征结合的多维特征空间,结合作物的物候节律特征构建作物种植信息提取模型,实现主要农作物种植结构信息的提取.[结果]依据上述方法绘制出广西扶绥县甘蔗、水稻和其他作物农田及草地、林地、水体、城镇建设用地等的精细地块图,其中,提取广西扶绥县甘蔗和水稻作物的总面积分别为82420.01和6806.67 ha,作物提取的总体分类精度为86.8%,Kappa系数为0.84.[结论]提取的广西扶绥县作物种植结构的成果满足使用精度要求,可为精准农业补贴投放、农业灾害定损等政策制定提供依据,而技术方法对于作物种植结构信息的快速、精细化调查具有借鉴意义.