针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显著提升了分类精度.

Mean Shift算法原理简单,计算速度快,但现有的32位Mean Shift遥感影像处理软件对大数据量的承受能力较差,无法实现对高分辨率影像的处理。针对这个问题,实现了在64位系统环境下编写64位基于MeanShift算法的高分辨率影像分割程序,并且为了获取更高精度的分割影像对象,提出在进行Mean Shift遥感影像分割之前进行一次或多次Mean Shift滤波平滑处理,并展开实验,结果表明相同尺度、相同条件下可有效减少过分分割现象。

为提高高分辨率遥感影像的分类精度 ,本文提出了一种 GIS与 RS集成的分类技术。它从遥感影像和 GIS矢量数据一体化的角度出发 ,充分利用了矢量数据的图斑边界信息 ,通过提取单一地类图斑内的灰度特征、纹理特征和形态特征识别图斑所属地类。经研究表明 :无论在实验结果上还是在分类的机理上都证明了 ,在高分辨率遥感影像的土地利用分类中 ,这种 GIS与 RS集成的分类技术的准确率超过了传统遥感影像分类的准确率

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。图7表5参24

研究目的：基于语义分割模型HRNetV2实现高分辨率遥感影像的土地利用自动分类，以期推动深度学习语义分割方法实现遥感影像的土地利用自动分类研究，并为该类研究提供可参考的案例。研究方法：首先对语义分割模型HRNetV2从损失函数、特征提取方面进行优化，以提高模型的分割精度；其次用优化后的HRNetV2模型对民乐县2 m的高分辨率遥感影像进行土地利用分类，并基于混淆矩阵对分类的结果进行评估。研究结果：(1)优化后的HRNetV2语义分割模型的MIOU达81.9%，相较于优化前提高了4.4%,证明了优化方法的有效性；(2)针对民乐县进行的土地利用自动分类总体精度达89.72%，Kappa系数达0.888。研究结论：优化后的HRNetV2语义分割模型在高分辨率遥感影像的土地利用自动分类中具有较强的应用前景。

遥感图像尤其是高分辨率(1~4 m)遥感图像在树种分类方面有着广阔的应用前景。利用主成分分析法对遥感数据去相关分析,然后通过对纹理提取过程的分析,探讨不同移动窗口大小对纹理特征的影响,以期为中山陵园风景区的森林调查提供依据,分类方法为经典的最大似然分类器。根据不同移动窗口大小的纹理因子相关性和对保持纹理信息丰富度的影响,来选择合适的窗口大小及纹理因子组合,以对树种分类精度的提高程度为评价标准。研究结果表明,利用窗口大小为19×19下的纹理信息可有效提高分类精度,总精度达到66%,Kappa系数达到0.59,比单纯的光谱信息最大似然法图像分类精度高,其中均值与均匀性、对比度、偏斜度纹理因子组合为...

ＧＦ－１，ＺＹ－３和ＺＹ１ ０２Ｃ三种国产卫星数据为研究对象，在分析单波段信息熵的基础上，运用联合熵，最佳指数和相关系数矩阵确定３种影像数据的最佳波段组合，选择具代表性的ＰＣ、ＢｒｏｖｅＹ、ＧＳ、ＩＨＳ和ＭＴ变换融合等五种基于像素的融合方法对影像进行融合，分析融合前后影像联合熵以及融合后各影像波段的梯度变化。研究结果表明：（１）ＧＦ－１的最佳组合为Ｂａｎｄ１、Ｂａｎｄ３及Ｂａｎｄ４，ＺＹ－３的最佳组合为Ｂａｎｄ２、Ｂａｎｄ３及Ｂａｎｄ４，ＺＹ－１ ０２Ｃ数据的最佳波段组合为Ｂａｎｄ１、Ｂａｎｄ２及Ｂａｎｄ３；（２）融合后影像中ＢｒｏｖｅＹ变换融合的联合熵小于融合前，其余４种融合方法联合熵均大于．．．

【目的】研究高分辨率遥感影像的湿地动态检测,为湿地资源的可持续发展提供信息支撑。【方法】充分利用面向像元和面向对象两种方法的优势和特点,结合多变量变化检测(MAD),提出对MAD变量的面向对象后分类方法(OB-M方法)。【结果】基于MAD变换的差异影像集中了两期影像的变化信息,基于像元差异影像的面向对象后分类方法能成功的检测多时相遥感影像的几何配准误差、单时相阴影、光照季节变化等"伪变化信息",成功提取变化/未变化信息。【结论】比较传统的面向对象分类后比较和MAD方法,提出的OB-M方法能较好地提高湿地变化/未变化信息检测的精度。

【目的】本文针对国内外利用多时相高分辨率遥感影像进行森林可燃物分类研究匮乏的情况,探索高分辨率影像的分类方法,并研究多时相森林可燃物分类结果的差异,以及与海拔、坡度变化的关系。【方法】以鹫峰林场为研究区,针对鹫峰林场内植被状况及以往研究成果,主要依据植物群落、林型和燃烧特性划分可燃物类别,研究对比不同森林可燃物类型的光谱特征曲线,建立遥感图像与森林可燃物的联系。选用GF-1号5、8、10月的遥感影像为原始数据,利用En MAP-box中的支持向量机(SVM)算法、随机森林(RF)以及基于CART的决策树分类方法进行森林可燃物分类,将可燃物类别最终划分为:针叶林、阔叶林、针阔混交林、灌木林和非林地5种类别,并分别对其特征进行描述,之后将最优分类方法应用到多时相的遥感影像中,并使用变化检测算法来确定非防火期(5—10月)森林可燃物类型之间土地面积的变化情况。同时,我们将数字高程模型(DEM)分为4类(1类( 750 m)),坡度分3类:缓坡( 35°),并使用Jenks方法分别对海拔和坡度每个类别土地面积变化计算百分比,研究随着海拔和坡度变化,森林可燃物面积的变化规律。【结果】划分的5种森林可燃物类别的光谱特征具有很好区分性,SVM分类最为准确,取得惩罚参数(C)为1 000和核参数(g)为10使得SVM分类模型达到最优,其总体分类精度为91. 88%,Kappa系数为0. 89,精度相对RF和CART分别提高了2. 72%和9. 36%。非防火期内(5—11月)森林可燃物类型变化有一定的规律,针叶林、混交林属于中等稳定类别,没有显著变化,分别保持93. 74%和94. 87%不变。相比之下,阔叶林和灌木林发生了较大变化,分别发生14. 64%和13. 36%。随着海拔的增加和坡度的变化,森林可燃物类型土地面积也发生了变化,海拔500～750 m和坡度16°～35°的土地上面积变化最大,达到了20%以上。【结论】多时相高分辨率遥感影像的森林可燃物分类中,基于SVM分类方法能够将可燃物更好地分类,且随着时间、海拔和坡度的变化,森林可燃物面积的变化有一定的规律,5—10月阔叶林和灌木林在海拔500～750 m和坡度16°～35°变化最大。

[目的]使用深度学习全卷积神经网络U-net的自动特征提取,有效地改善遥感目标识别及地物分类的效果。[方法]以内蒙古自治区赤峰市旺业甸林场为研究区,主要数据源包括GF-2多光谱数据、ZY-3 DOM数据、ZY-3 DEM数据、小班数据以及外业实地调查数据等。借鉴前人对FCN-8s模型的优化思路,基于Unet网络模型,在模型训练过程中通过在原始波段的基础上加入标准归一化植被指数(NDVI)构建网络,并增加条件随机场后处理过程,得到最终的分类结果。[结果]表明:(1)优化后的U-net模型的总体分类精度达84.89%,Kappa系数为0.82,分别高于未加入标准归一化植被指数特征的U-net模型以及未使用条件随机场进行后处理的U-net模型的分类精度;(2)优化后的U-net模型与使用相同策略的FCN-8s,支持向量机和随机森林的分类结果相比,提高了8.04%～12.54%,分类精度大幅度提高。[结论]通过少量调整相关的遥感特征以及使用条件随机场后处理方法可改善U-net模型的分类效果,适用于基于U-net的森林类型高分辨率多光谱遥感影像分类。

高分辨率遥感影像地理信息是研究山区河流的重要数据源。针对山区地物类型复杂、河道狭窄等原因导致的河流表面信息提取完整性差、河宽难以自动提取且精度低等问题,结合随机森林(RF)和神经网络(ANN)算法,建立了河流表面信息提取方法RF-ANN。该方法支持并行运算且能降低热红外数据尺度辅助去噪,实现了对河流表面信息的像素级提取。利用Laplace算子及边缘算法改进了RivWidthCloud河宽提取算法,使其不需要人工设定判别阈值,提升了算法的普适性。以国产GF-1、ZY-3卫星影像为主要数据源,选取黄河一级支流皇甫川为研究区域。利用所建立的方法提取了皇甫川流域2级及以上河流的河流表面信息和平滩河宽。结果表明:RF-ANN的河流表面信息提取精度达到94.7%。提取河宽的平均误差为1.07m(约0.5个像素),提取的最小有效河宽为6.1m(约3个像素),提取河宽与检验河宽的R2和RMSE分别为0.93和1.52,宽度小于10m极细河流、10～30m细小河流、30～90m较细河流及90m以上较宽河流的河宽提取误差分别为18.5%、8.8%、2.0%和0.7%。该研究结果为山区河流几何形态特征提取及河流地貌空间分布研究提供了方法和数据支持。

研究目的:为进一步拓展土地整治遥感监测手段,本文以多时相高分辨率遥感数据为数据源,在土地整治工程地物信息提取基础上,构建形象进度评价模型以综合掌握项目实施进展。研究方法:挣值分析法,实证研究法,文献研究法。研究结果:从遥感影像提取的工程矢量信息分析评价结果符合项目实际进展。研究结论:在遥感监测信息提取的基础上,本文提出的工程形象进度评价模型可用于计算项目整体工程进展,评价项目进度情况,并找出导致项目进展缓慢的工程建设内容。

采用高分辨遥感影像提取农作物信息在北方区域得到了深入的研究和广泛应用,但受到南方地形复杂、气候差异等条件的影响,采用遥感技术提取南方农作物信息的研究甚少。鉴于此,该文以广西鹿寨县为例,采用2012年9月的高分辨率Rapid Eye遥感影像为主要研究数据源,利用面向对象的遥感图像分析方法,结合高程数据模型DEM和GPS野外采集数据,综合桑树在遥感影像上的形状特征、颜色特征、光谱特征、纹理特征、位置特征(拓扑特征)提取桑树信息,并对其分类结果进行精度验证和评价。研究结果表明,提取桑树信息的总精度达到91.96%,Kappa系数达到0.839 1,满足使用的精度要求。面向对象的图像分析方法为高分辨率...

针对高空间分辨率多光谱图像，设计了一种基于缨帽变换、数据正则化以及多尺度光谱分析技术的多尺度循环检测算法。实验结果表明：对于Ｌａｎｄｓａｔ－７ ＥｔＭ＋图像，其检测精度与基于热波段的自动化云量估计算法相近，但优于传统的直接分类方法（最大似然分类与ＩｓＯｄａｔａ分类）。由于该算法无需借助热波段及其他辅助数据，因而在实现高分辨率图像厚云掩膜的高效与高精度提取方面具有很高的应用潜力。

Contourlet is a new 2-D signal analysis tool as well as wavelet analysis.It provides a flexible multi-resolution local and directional image expansion,and is more suitable for image processing than other math tools.In this paper,an IKONOS image with forests is decomposed by Contourlet transformation...