遥感影像分类

摘要： 基于2013年、2018年、2021年Landsat 8 OLI数据,采用面向对象的随机森林方法进行土地利用分类。运用土地利用变化动态度和格网分析法,从整体和部分两个角度分析研究区土地利用的时空变化规律,探究行政区划调整对土地利用变化的影响。结果表明,(1)原济南市建设用地面积增速放缓(动态度从0.04下降到0.01),土地利用程度升高,且耕地面积增加(176.74平方千米)。(2)原莱芜市建设用地面积快速增加(176.74平方千米),土地利用程度提高较快。(3)本次行政区划调整,提高了原济南市土地集约利用程度,带动了原莱芜市的经济社会快速发展,优化了区域整体土地利用格局。

摘要： 地理国情监测获取的地表覆盖分类成果具有覆盖区域全、精细度高、时相新等优势,具有作为深度学习分类模型训练样本的能力和优势,能够大大减少样本获取的成本。但是,受数据源、时相以及采集标准等因素的影响,直接使用地表覆盖数据作为样本,往往与模型训练采用的影像存在一定的误差。研究采用深度学习语义分割算法,比较了人工标注样本以及不同量地表覆盖数据样本的分类结果。结果表明深度学习分类算法具有一定的容错能力,即使地表覆盖样本与训练影像存在一定的误差,当样本量足够大时,同样能够获得有效的分类结果。研究成果说明了地表覆盖数据作为深度学习分类样本的可行性,为如何更好地使用该数据提供了思路,一定程度上解决了深度学习中样本获取难的问题。

摘要： 通过引入多源多时相卫星遥感数据,提出了一种基于多核主动学习的农田塑料覆被分类算法,实现农业塑料大棚和地膜的精准分类。首先基于多时相Sentinel1雷达和Sentinel2光学遥感影像,提取其光谱特征、纹理特征等,以构建多维特征空间。然后构建多核学习模型,实现多源、多时相特征的自适应融合。最后构建基于池的主动学习策略,通过引入训练样本的淘汰机制,进一步提升分类模型的泛化能力。试验结果表明,本文所提分类方法的总体精度为95.6%,Kappa系数为0.922,相较经典支持向量机、随机森林、K近邻、决策树、AdaBoost模型,多核学习模型精度提高5.7、12.1、11.4、22.3、10.3个百分点;且在相同分类精度下,主动学习较被动学习可减少一半以上的标签数据;同时相较仅使用单时相及单传感器遥感影像而言,精度分别提高3.7、12.7个百分点。结果表明,多核主动学习能够有效进行多传感器、多时相数据融合,并可以在小样本条件下取得更高的分类精度,从而为农田塑料覆被的遥感监测提供模型参考。

摘要： 为指导黄河源区域生态环境修复,以黄河源区域为研究区,采用Landsat 8影像作为数据源,以融合多种特征指数的CART树模型进行高寒湿地分类方法研究。结果表明:使用CART决策树算法进行数据挖掘处理,将得到的决策树用来分类制图,得到黄河源地区生态地类分布图,通过混淆矩阵得出分类后总精度为88.25%,Kappa系数为0.8345,而使用同样分类样本的监督分类方法中使用范围较广的最大似然法分类得到的总体精度为84.90%,Kappa系数为0.7888,分别低于CART决策树分类3.35百分点与0.0457,并且各地类的精度均低于CART树分类方法,证明本研究所构建的决策树分类模型适用于研究区的生态地类提取。

摘要： 粒子群优化是经典的优化算法,其适用于多种情况目标最优解的获取。本文引入时延权重系数及粒子群群体分类方法,提出了一种基础粒子群改进算法,并将该算法应用于遥感影像分类,取得了理想的数据处理结果。本文以复杂的数据模型对改进算法进行了分析,相对基础粒子群算法优势明显,可以在较少粒子群个数及迭代次数的情况下取得较高精度的目标解。改进算法大幅减少了计算的时间复杂度,能够有效降低遥感大数据处理的时间成本,在遥感领域具有较好的推广价值。

摘要： 利用时间序列遥感影像重建过去几十年的地表覆盖是实现时空多维地理场景感知与动态建模的基础,但存档历史遥感影像分类面临样本选择难、多时相影像协同解译水平低的问题。研究提出了一种基于已有土地覆盖产品与对应遥感影像中几何及属性特征约束的样本时空迁移方法,将迁移获得的训练样本嵌入多时相地表覆盖分类框架,获得多期地表覆盖分类结果,实现历史时期地表环境的智能感知与动态制图。太湖流域多时相分类的结果表明,无监督样本迁移方法可以充分利用先验几何约束和光谱属性,从参考地表覆盖产品中快速获得可靠的训练样本,多时相分类精度均高于89%,满足大区域多时相地表覆盖的分类需求,为地理环境演变建模提供了有效支持。

摘要： 本文首先介绍了三种经典的深度学习算法,然后介绍了遥感影像分类与识别的基本方法,接着论述了基于深度学习的遥感影像分类和识别的研究现状,最后对未来深度学习技术在遥感应用领域中的发展方向进行了总结。

摘要： 精准高效的土地覆盖分类不仅能提高土地利用类型研究与制图质量,也有助于有序地组织土地的保护与开发。以2020年7月28日银川市三区的美国陆地卫星8号陆地成像仪(Landsat8 OLI)影像为数据源,建立最佳指数法(OIF)辅助前馈(BP)神经网络的模式识别模型,借助遥感影像处理平台(ENVI)选取训练样本集,对银川市三区土地覆盖类型进行分类。结果表明,OIF辅助BP神经网络模式识别的总体精度为86.95%,Kappa系数为0.8435,优于最大似然法和支持向量机(SVM)分类法;从生产者精度来看,该方法在林地、草地、水域和未利用地的分类中优势明显,精度都超过了90.00%,但在建设用地的分类中精度较低,只有70.73%。实验证明,OIF辅助BP神经网络的模式识别在遥感影像的监督分类中是一种精准高效的分类方法。

摘要： 基于案例推理，简称CBR方法，是人工智能在不断发展过程中的一个新的分支。它用案例来表达知识，并把问题求解和学习相融合完成推理。本文将该方法与面向对象分类技术集成应用到高分辨率遥感影像分类中，通过对实验结果进行分析，总结出CBR方法应用于遥感影像分类中的特点和优势，最后提出了自己对该领域研究的展望。

摘要： 随着遥感成像技术的不断发展,对高分辨率遥感影像智能理解的需求已由区域的、局部的转为广域的、全球的.高分辨率遥感影像场景分类是遥感影像智能理解的重要一环,然而当前遥感影像场景分类模型的训练依赖于大量的带标签样本.但在全球尺度下,遥感影像时空特征差异大,而带标签样本的容量有限,难以覆盖丰富多样的遥感时空场景.为此,提出了一种具有三分支结构的自监督学习框架,该框架每个分支对无标签的高分辨率遥感影像数据进行一类影像增强变换,并通过分辨增强后的影像是否来自于同一张原始影像来训练模型.训练完成的模型可用于下游的场景分类任务,从而能够利用丰富的具有不同时空特征的无标签样本来训练遥感场景分类任务的模型.在NWPU45、AID等遥感场景分类数据集上进行了大量实验,实验结果表明该方法在场景分类任务上相较于传统的依赖大量带标签样本的监督学习方法有更好的性能.

摘要： 遥感影像分类是从遥感影像中提取地表信息的一个重要手段，提高地表分类精度是利用遥感影像进行地表分类研究的重要目标之一。提高遥感制图精度通常从以下两个方面进行研究：（1）分类器的性能；（2）输入特征的选择和优化。目前，全球已有的地表分类产品如AVHRR，SPOT-Vegetation和MODIS，都是利用天顶观测的光谱信号，以及这些信号在一年中的时相变化为输入，生产全球尺度的地表分类产品，多观测角度的光谱信号对地表分类精度影响的研究很少。另一方面，随着多角度星载传感器的成功发射，如MODIS，MISR和POLDER等，为在全球或区域尺度上，研究多角度信号对地表分类精度的影响提供了条件。本研究将基于业务化运行的MODIS二向性反射和反照率算法，以及业务化运行的MODIS决策树分类算法（C4.5）,研究不同观测角度对地表分类精度的影响，对分类结果采用了基于误差矩阵的十重交互验证和假设检验的定性和定量的验证方法。结果表明，除了热点和冷点方向上，不同观测角度的MODIS多光谱信号，对地表分类精度的影响并没显著的差异，总体上，天顶方向的多光谱反射率适合地表分类的研究和应用。进一步的统计结果表明，不同观测角的分类精度和相应角度多光谱反射率的类内方差总体上呈负相关，而且这种统计关系在主平面后向散射方向更为显著。

摘要： @@本文采用了双毯覆盖模型来计算遥感影像各像元的分形维数以提取其纹理特征，现对其作简单介绍。在图像灰度曲面的上下ε处构成一个厚度为2ε的“毯子”，毯子的表面积为毯子的体积除以2ε。

摘要： 本文针对空间尺度转换方法对分类精度影响的评价问题,提出了根据混合像元和空间分布特征来分析空间尺度转换方法对分类精度影响的新评价方法.利用TM影像进行了实验,结果证明,遥感影像分类中的空间尺度转换方法应该尽量避免结果影像出现混合像元;对于不同的地物类型,需要根据它的均质性来选择对应的空间尺度转换方法;对于影像的总体分类精度,在选择空间尺度转换方法时需要分析影像中各类地物的空间分布特征.本项研究为制作特定空间尺度下的遥感影像分类专题图提供了选择空间尺度转换方法的依据.

摘要： 为有效地监测京郊农田环境质量，该文提出了基于土地利用格局的农田环境质量监测的取样方法。方法通过遥感影像分类，获取京郊小麦地、裸露农田、草地、林地、果园及设施农业用地6种土地利用类型的空间分布特征。给定样本总量，每种土地利用类型所配给的样本量取决于该土地利用类型的田块总面积和出块数量。对同一土地利用类型，用随机偏爱取样方法选择样本点，即田块被取样的概率与该田块的面积和高程的综合权值成正比。基于土地利用格局的取样方法的优点是，用有限的样本最大限度地反映土地利用类型的空间分布格局，使样点更具代表性。

摘要： 利用遥感技术对区域性土地利用类型进行调查,定量提取土地利用信息,为合理规划和指导区域土地利用可持续发展意义重大。本文在传统遥感影像分类的基础上尝试研究基于C4.5算法的土地利用分类。

摘要： 异质的景观和复杂的三维结构使城市环境的分类面临着巨大挑战.许多研究致力于从单视角高分辨率影像中提取空间特征,例如形状和纹理.然而,这些平面特征缺乏捕捉三维空间中的信息的能力.多角度高分辨率影像,比如资源三号(Ziyuan-3,ZY-3)卫星影像,提供了获取对城市区域的全面描述的机会.在不同视角下,城市地物的形状会呈现出不同的变化特性,这与地物各种各样的垂直结构有关.本文提出了一种多角度差分像元形状指数(multi-angledifferential pixel shape index,PSIMAD),以描述多角度影像中形状特征的变化.PSIMAD将应用于单个影像的像元形状指数(pixel shape index,PSI)的概念扩展到一组多视角影像上,比较了从ZY-3影像单角度波段和多角度波段的组合上度量的在各个方向上灰度相似性距离的差异.使用多角度影像的不同组合,PSIMAD构成了一个三阶张量.此外,利用支持张量机(support tensor machine,STM)对ZY-3影像中提取的光谱数据块和PSIMAD进行了解译,同时保留了这些特征原有的张量数据结构和局部上下文关系.将PSIMAD的分类性能与原始的PSI以及其他最新的多角度特征进行了比较.在ZY-3影像上的实验结果表明,PSIMAD优于其他方法,能够有效地提高城市环境的分类精度.

摘要： 异质的景观和复杂的三维结构使城市环境的分类面临着巨大挑战.许多研究致力于从单视角高分辨率影像中提取空间特征,例如形状和纹理.然而,这些平面特征缺乏捕捉三维空间中的信息的能力.多角度高分辨率影像,比如资源三号(Ziyuan-3,ZY-3)卫星影像,提供了获取对城市区域的全面描述的机会.在不同视角下,城市地物的形状会呈现出不同的变化特性,这与地物各种各样的垂直结构有关.本文提出了一种多角度差分像元形状指数(multi-angledifferential pixel shape index,PSIMAD),以描述多角度影像中形状特征的变化.PSIMAD将应用于单个影像的像元形状指数(pixel shape index,PSI)的概念扩展到一组多视角影像上,比较了从ZY-3影像单角度波段和多角度波段的组合上度量的在各个方向上灰度相似性距离的差异.使用多角度影像的不同组合,PSIMAD构成了一个三阶张量.此外,利用支持张量机(support tensor machine,STM)对ZY-3影像中提取的光谱数据块和PSIMAD进行了解译,同时保留了这些特征原有的张量数据结构和局部上下文关系.将PSIMAD的分类性能与原始的PSI以及其他最新的多角度特征进行了比较.在ZY-3影像上的实验结果表明,PSIMAD优于其他方法,能够有效地提高城市环境的分类精度.

摘要： 异质的景观和复杂的三维结构使城市环境的分类面临着巨大挑战.许多研究致力于从单视角高分辨率影像中提取空间特征,例如形状和纹理.然而,这些平面特征缺乏捕捉三维空间中的信息的能力.多角度高分辨率影像,比如资源三号(Ziyuan-3,ZY-3)卫星影像,提供了获取对城市区域的全面描述的机会.在不同视角下,城市地物的形状会呈现出不同的变化特性,这与地物各种各样的垂直结构有关.本文提出了一种多角度差分像元形状指数(multi-angledifferential pixel shape index,PSIMAD),以描述多角度影像中形状特征的变化.PSIMAD将应用于单个影像的像元形状指数(pixel shape index,PSI)的概念扩展到一组多视角影像上,比较了从ZY-3影像单角度波段和多角度波段的组合上度量的在各个方向上灰度相似性距离的差异.使用多角度影像的不同组合,PSIMAD构成了一个三阶张量.此外,利用支持张量机(support tensor machine,STM)对ZY-3影像中提取的光谱数据块和PSIMAD进行了解译,同时保留了这些特征原有的张量数据结构和局部上下文关系.将PSIMAD的分类性能与原始的PSI以及其他最新的多角度特征进行了比较.在ZY-3影像上的实验结果表明,PSIMAD优于其他方法,能够有效地提高城市环境的分类精度.

摘要： 本发明提供一种基于高分遥感影像二分类语义分割图融合成多分类语义图的方法，图像数据集送入二分类语义分割网络训练二分类模型组，并且计算每个二分类模型的置信度；将待预测的高分遥感影像输入到二分类模型组中，得到各个二分类模型输出的二分类结果以及初始预测概率矩阵；将二分类模型的置信度和对应的初始预测概率矩阵相乘到待预测的高分遥感影像对于该二分类模型中的最终判别概率矩阵；在对像素点按二分类结果进行分类时，对于分类冲突的像素点，将像素点在二分类模型组中最终判别概率矩阵对应位置概率值最大的那个类别作为当前像素点的分类的类别。本发明能有效提高最终合成分类图的整体分类精度以及IoU和kappa系数指标。

摘要： 本发明公开了一种基于多分类器级联模型的遥感影像自动分类方法，包括如下步骤，S1、获取待分类的高分辨率遥感影像数据；S2、采用多尺度分割算法对待分类的高分辨率遥感影像数据进行分割，获取多个分割对象；计算每个分割对象的特征值，并对各所述分割对象的特征值进行特征融合；S3、根据待分类的高分辨率遥感影像数据的地物类别，综合分析候选分类器的特征，构建自适应多分类器级联模型；等步骤。优点是：该分类方法能够实现高分辨率卫星遥感影像的高精度、高可靠、高效率的自动分类信息提取，解决单个分类器特定地物分类精度整体精度低、多特征多信息交互性差及自动化程度低的瓶颈问题。

摘要： 本发明提供了一种基于无人机影像的优势树种遥感分类方法及分类系统，包括如下步骤：基于无人机遥感图像，获取数据集；构建DenseNet_BL模型；基于所述数据集对所述DenseNet_BL模型进行监督训练；基于训练后的所述DenseNet_BL模型，完成优势树种遥感分类。本发明基于普通的DenseNet模型，进行改进，在每个残差块之间插入小型卷积核作为瓶颈层，在提高网络模型的计算效率，减少网络计算量和参数量的同时，达到理想的树种分类效果。

摘要： 本发明公开了一种基于多分类器级联模型的遥感影像自动分类方法，包括如下步骤，S1、获取待分类的高分辨率遥感影像数据；S2、采用多尺度分割算法对待分类的高分辨率遥感影像数据进行分割，获取多个分割对象；计算每个分割对象的特征值，并对各所述分割对象的特征值进行特征融合；S3、根据待分类的高分辨率遥感影像数据的地物类别，综合分析候选分类器的特征，构建自适应多分类器级联模型；等步骤。优点是：该分类方法能够实现高分辨率卫星遥感影像的高精度、高可靠、高效率的自动分类信息提取，解决单个分类器特定地物分类精度整体精度低、多特征多信息交互性差及自动化程度低的瓶颈问题。

摘要： 本发明提供一种基于高分遥感影像二分类语义分割图融合成多分类语义图的方法，图像数据集送入二分类语义分割网络训练二分类模型组，并且计算每个二分类模型的置信度；将待预测的高分遥感影像输入到二分类模型组中，得到各个二分类模型输出的二分类结果以及初始预测概率矩阵；将二分类模型的置信度和对应的初始预测概率矩阵相乘到待预测的高分遥感影像对于该二分类模型中的最终判别概率矩阵；在对像素点按二分类结果进行分类时，对于分类冲突的像素点，将像素点在二分类模型组中最终判别概率矩阵对应位置概率值最大的那个类别作为当前像素点的分类的类别。本发明能有效提高最终合成分类图的整体分类精度以及IoU和kappa系数指标。

摘要： 本发明提供了一种遥感影像分类模型的构建方法，遥感影像分类方法及系统：步骤一：采集高分辨率遥感影像；步骤二：对的高分辨率遥感影像进行标注，获得带标注的高分辨率遥感影像，获得标签集，对得到的带标注的高分辨率遥感影像进行分割得到父对象，对父对象进行分割得到子对象；步骤三：对步骤二中的得到的父对象和子对象进行标准化，并将标准化后的父对象和子对象划分为训练样本集、验证集和测试样本集；步骤四：构建基于父对象和子对象的卷积神经网络模型。然后利用网络模型对高分辨率遥感影像进行分类。本发明实现了地理实体的精细化分类，解决了高分辨率遥感影像在复杂场景下的分类中，分类精度低、椒盐现象及错分类严重的问题。

摘要： 本发明提供一种遥感影像面向对象分类方法及分类装置，能够提高遥感影像分类准确度。所述方法包括：获取遥感影像数据；通过面向对象多尺度分割算法，对获取的遥感影像数据进行分割，得到影像对象块；将深度卷积神经网络与循环神经网络相结合，并添加跳跃连接，构建VGG16‑BiLSTM‑Skip模型，其中，VGG16表示16层的深度卷积神经网络，BiLSTM表示双向长短时记忆循环神经网络，Skip表示跳跃连接；利用影像对象块对构建的VGG16‑BiLSTM‑Skip模型进行训练，得到影像对象块的分类器，所述分类器，用于对遥感影像进行分类。本发明涉及图像处理领域。

摘要： 本发明公开了一种基于OpenStreetMap的高分辨率遥感影像多分类器联合分类方法，本发明利用分割算法将遥感影像划分为一系列内部均质的对象块，以对象块代替像素作为影像最小处理单元，结合影像对象块和OpenStreetMap的地物标记信息获取分类样本，构建多个分类模型进行面向对象块的影像分类，计算各个对象块在不同分类器下属于不同类别的概率，获取对象块对应的分类可靠性，实现多分类结果的加权融合，完成高分辨率遥感影像分类。本发明基于影像对象块为基本单元获取训练样本，能够避免选择大量具有相似特征的像素作为样本，降低样本间的冗余信息，提升分类模型的构建效率与准确度。

摘要： 本发明涉及一种遥感影像分类的多时相‑多分类器融合方法，是在同一观测区域获取多时相遥感影像的基础上，从分类器和时相两个层面先后采用该算法来完成遥感影像分类。主要步骤包括单时相多分类器分类及精度评价；单时相分类结果集成及精度评价；多时相分类结果集成及精度评价。本发明的遥感影像多时相‑多分类器融合分类方法综合权衡了多个分类器、多个时相分类结果的评价精度，降低了单时相影像、单一分类器分类的不确定性，从而确保得到更高的遥感影像分类精度。

摘要： 本发明提供了一种遥感影像分类模型的构建方法，遥感影像分类方法及系统：步骤一：采集高分辨率遥感影像；步骤二：对的高分辨率遥感影像进行标注，获得带标注的高分辨率遥感影像，获得标签集，对得到的带标注的高分辨率遥感影像进行分割得到父对象，对父对象进行分割得到子对象；步骤三：对步骤二中的得到的父对象和子对象进行标准化，并将标准化后的父对象和子对象划分为训练样本集、验证集和测试样本集；步骤四：构建基于父对象和子对象的卷积神经网络模型。然后利用网络模型对高分辨率遥感影像进行分类。本发明实现了地理实体的精细化分类，解决了高分辨率遥感影像在复杂场景下的分类中，分类精度低、椒盐现象及错分类严重的问题。