辅以纹理特征的HJ-CCD海上溢油信息提取 ——以PL19-3溢油为例

鉴于依赖光谱特征的传统溢油信息提取方法面临信息提取精度低的困境,提出采用光谱特征与纹理分析结合的方法应用于溢油监测.选择位于渤海的蓬莱19-3油田溢油事故为研究对象,基于覆盖溢油事故阶段的8景30m分辨率HJ-CCD数据,在溢油目标提取过程中,引入了方向性纹理特征分析,将主成分光谱降维、方向梯度边缘检测等技术相结合,形成了基于光谱与纹理特征的溢油信息提取技术.所述方法经8组数据检验后,用类间分歧度方法进行了对比评价.结果表明:将纹理分析方法应用于溢油信息提取,类间分歧度提高到1.9999,提高了油膜影响边界和油膜厚度分区识别能力.     

OBIA与RF结合的龙口市土地利用信息提取方法

为提高中分辨率遥感影像解译精度,本文提出面向对象影像分析（Object Based Image Analysis,OBIA）与随机森林（Random Forest,RF）结合的土地利用信息提取方法。采用Landsat 8 OLI影像,针对不同地物特点,阈值分割和多尺度分割结合创建影像对象,规则集和分类器协同分类,基于Relief F算法分别对光谱特征、纹理特征及所有特征降维筛选特征子集,并与全部特征一起应用RF建模,对龙口市进行土地利用信息提取与比较。结果表明：OBIA与RF结合提取土地利用信息,基于Relief F算法筛选纹理特征,保留完整光谱、几何、空间关系特征构建RF模型,建模错分率为0.0958,分类总体精度和Kappa系数分别为89.37%和0.872,取得较理想结果。该方法可应用于中分辨率遥感影像土地利用信息提取。     

基于无人机影像的城市植被精细分类

针对传统植被资源调查方法工作量大、成本高、效率低的问题,利用高分辨率无人机遥感影像,联合地物光谱-纹理-空间信息,构建了一种适用于描述城市不同植被种类的多维特征空间,在此基础上对三种应用广泛的分类算法(基于像素的、面向对象的支持向量机及深度学习Mobile-Unet语义分割模型)开展了对比分析研究.结果表明:本文提出的联合地物光谱-纹理-空间信息的特征空间构建方法能够有效地描述城市不同类型植被的特征差异,提升影像分割、植被分类的精度;在分类精度上,基于像素和面向对象的支持向量机分类结果的总体精度均超过90%,深度学习方法的总体分类精度为84%;在算法效率上,传统机器学习方法也优于深度学习方法.因此,得出结论针对城市小区域、小样本的植被精细分类,传统机器学习分类方法比深度学习方法效果更好.     

基于改进光谱角法的红树林高分遥感分类方法研究

传统影像分类方法多利用影像端元光谱进行地物分类,影像的空间结构信息被忽视,本研究结合面向对象分类方法思想以提高红树林遥感分类精度。本研究提出了一种结合端元类型选择、像元提纯等混合像元分解手段及分水岭图像分割算法的改进光谱角影像分类方法,并以山口红树林国家级自然保护区为研究区,利用GF-1号遥感影像数据,在光谱特征分析和地面调查的基础上,对红树林生态系统进行分类,并对分类精度进行分析。研究结果表明:改进的光谱角分类方法对GF-1影像分类效果较好,既兼顾地类光谱组成较复杂时的特殊性,又有效避免结果的破碎化现象,且总体精度达到95%（KAPPA系数0.944）,证明了其在红树林遥感影像分类及信息提取方面的应用潜力,为红树林生态系统业务化遥感监测奠定了基础。     

基于面向对象的海岸带土地利用信息提取研究

针对海岸带复杂多样的土地利用信息,选取山东省乳山市海岸带为研究区域,运用 Landsat TM遥感影像数据,基于面向对象分类方法,利用不同地物的光谱、形状、纹理和空间关系等特征,通过多尺度分割、隶属度函数法和标准最邻近分类法提取研究区土地利用信息,并对分类结果进行精度评估。结果表明：①隶属度函数法和标准最邻近分类法结合,提取出乳山市海岸带12 种土地利用类型信息,很好地区分了盐田和养殖水面、林地和园地,可提取出主要的道路和河流等细长线状地物;②将提取结果与最大似然法对比,面向对象分类方法提取精度达到82.50%,Kappa系数为0.809 1,分别比最大似然法提高了11.44%和0.105 5,很好地避免“同物异谱”和“异物同谱”对分类精度造成的影响,有效地避免了“椒盐”现象。面向对象分类方法提取中分辨率遥感影像精度较高,为海岸带土地利用信息的快速、准确提取提供了有效的技术手段。     

ERS-2 SAR和Landsat ETM+数据融合提取崇明东滩典型地物信息与分类

以长江口崇明东滩为研究区，在分析崇明东滩典型地物的反射光谱特性和散射特性的基础上，对ERS-2 SAR数据和Landsat ETM＋数据分别进行了处理，其中对ERS-2 SAR数据进行了小波去噪处理和纹理特征信息的提取，对ETM＋数据进行了HIS彩色空间变换，然后在特征级层次上对两者进行了信息融合，最后对融合后的图像进行了典型地物信息的提取，并且根据我们野外实地调查数据和已有的研究成果，对本文的分类结果进行了评价，取得了满意的效果。     

基于eCognition的本溪典型区域生态环境变化遥感分析

基于eCgnition软件平台,采用先进的面向对象分类技术,开展本溪典型区域生态环境变化遥感监测分析。利用面向对象的多尺度分割方法,充分结合影像中的光谱、纹理、几何性信息等各种对象特征,针对不同影像、不同地物目标的信息提取,实现区域生态环境变化遥感分析。     

基于面向对象的北京市区城市内部用地信息提取

选取北京市四环以内为研究区域,以资源三号卫星遥感影像为数据源,针对类型多样、特征易混淆的城市内部用地以及高分辨率遥感影像海量信息、人工提取费时费力等特点,论文基于面向对象分类方法,探讨城市内部用地自动提取方法,并对分类结果进行精度评估.结果表明:利用不同地物的光谱、形状、纹理和空间关系等特征,通过多尺度分割和隶属度函数法,构建合理的分类层次,不仅精确提取出研究区内水体、绿地、建设用地和待开发用地,更独具创新地区分了城市建设用地内部各种地物类型,包括工业生产用地、低密度和高密度生活用地以及交通用地.该方法有效地利用了资源3 号卫星影像的光谱、纹理及空间信息特征,总体精度可达到87.00%,Kappa系数达到0.853 9,取得较好的分类效果.     

基于时间序列谐波分析的东北地区耕地资源提取

耕地是人类社会赖以生存发展最重要的资源之一,及时获取其空间分布是国家农业决策的基础。论文利用2007年多时相的SPOT/VGT NDVI数据提取东北地区耕地资源信息。以NDVI时间序列数据年内变化振幅和周期差异性作为分类的依据,采用时间序列谐波分析法对全年时间谱NDVI数据进行重构,减少高频噪声对信息提取的影响,获得研究区地物信息在时间维度上的振幅、相位以及年均NDVI值影像图,然后将三者合成。应用神经网络分类方法,对合成后的影像选择训练样本,获取东北地区耕地资源的空间分布。实验中提取耕地的精度为83.26%,Kappa系数为0.732 4;该方法获取耕地资源空间分布的精度均高于GLC2000、UMD、IGBP和中科院1∶100万土地利用数据4种分类产品。研究表明,基于时间序列谐波分析法对NDVI数据重建,利用不同类型植被NDVI曲线在一年内振幅、相位特征的差异,采用神经网络分类的方法,可以精确地提取耕地资源信息,及时为农业和土地管理部门管理决策提供科学依据。     

基于决策树与密度聚类的高分辨率影像海岸线提取方法

针对高分辨率影像进行海岸线提取时常常出现的河道区域岸线向陆地方向伸向较远的问题,本文将海岸线视为海水（包括潮滩）与陆地（包括河流）两类地物的分界线进行提取。首先采用C4.5决策树分类方法进行海岸带地物分类规则挖掘,实现基于规则的地物分类;再对海水与陆地分类结果进行基于密度的聚类方法进行后处理,实现噪声去除,其基本原理为:设置一邻域半径,通过统计半径内异类样本点的数量来确定当前点是否为噪声点,若异类像素点的个数超过某一预设的阈值,则对当前噪声点进行修正。为验证本文提出方法的有效性,获取了2013年10月20日天津附近海岸带区域的资源三号卫星影像数据进行验证,结果表明,本文提出的岸线提取方法能够消除河道区域岸线提取的影响,除个别地物比较复杂的区域之外,其平均提取精度优于2个像元,满足海域遥感技术规程中线状信息误差标准的要求。