加入改进LBP纹理的高分辨率遥感图像分类

doi:10.6046/gtzyyg.2010.04.09

摘要
参考文献
相关文章
Metrics

全文: PDF(930 KB)

HTML
输出: BibTeX | EndNote (RIS)

摘要

高分辨率遥感图像纹理信息丰富，将其与光谱信息相结合进行地物分类可提高地物的精度。将改进的局部二值模式（LBP）纹理应用到高分辨率图像的土地覆盖分类中，并与只利用光谱信息和加入传统LBP纹理信息的分类结果相比较。结果表明：改进的LBP具有很好的抗噪性能，并能更有效地表达图像的纹理信息，加入这种纹理信息的图像分类精度明显高于纯光谱分类和加入传统LBP纹理信息的分类。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	甘甫平
	王润生
	杨苏明

关键词 ：高光谱, 矿物识别, 光谱识别规则, Hyperion数据, 驱龙

Abstract：

High-resolution remote sensing images have rich texture information, and combined texture information and image spectral information can improve the recognition accuracy of surface feature. In this paper, a new extended Local Binary Patterns (LBP) texture was applied to the high-resolution images classification in comparison with classifications using spectral data only and using combined spectral data and LBP texture features. The results show that the extended LBP has a good anti-noise performance, and the classification of image including the extended LBP texture can achieve a higher accuracy than the classifications using spectral data alone and using combined spectral data and LBP texture features.

Key words： Hyperspectral imaging Minerals identification Spectrum decision rules Hyperion data Qulong

收稿日期: 2010-01-19 出版日期: 2011-08-02

TP 75

作者简介: 宋本钦（1984-），男，硕士研究生，主要从事高分辨率遥感信息处理方法研究。

引用本文:

宋本钦, 李培军. 加入改进LBP纹理的高分辨率遥感图像分类[J]. 国土资源遥感, 2010, 22(4): 40-45.
SONG Ben-Qin, LI Pei-Jun. The Application of Extended LBP Texture in High Resolution Remote Sensing Image Classification. REMOTE SENSING FOR LAND & RESOURCES, 2010, 22(4): 40-45.

链接本文:

https://www.gtzyyg.com/CN/10.6046/gtzyyg.2010.04.09 或 https://www.gtzyyg.com/CN/Y2010/V22/I4/40

［1］Zhang L，Huang X，Huang B，et al. A Pixel Shape Index Coupled with Spectral Information for Classification of High Spatial Resolution Remotely Sensed Imagery［J］. IEEE Transactions on Geoscience and Remote Sensing，2006，44（10）:2950-2961.

［2］Li P J，Cheng T，Guo J C. Multivariate Image Texture by Multivariate Variogram for Multispectral Image Classification［J］.Photogrammetric Engineering and Remote Sensing，2009，75(2)：147-157.

［3］Marceau D J，Howarth P J，Dubois J M，et al. Evaluation of the Grey-Level Co-occurrence Matrix Method for Land-Cover Classification Using SPOT Imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing，1990，28（4）：513-519.

［4］Gong P，Marceau D J，Howarth P J. A Comparison of Spatial Feature Extraction Algorithms for Land-Use Classification with SPOT HRV Data ［J］. Remote Sensing of Environment，1991，40：137-151.

［5］黄颖端，李培军，李争晓. 基于地统计学的图像纹理在岩性分类中的应用［J］. 国土资源遥感，2003（3）：45-49.

［6］Haralick R M，Shanmugam K，Dinstein I. Texture Feature for Image Classification ［J］. IEEE Transactions on Systems, Man and Cybermetics，1973，3：610-625.

［7］吴高洪，章毓晋，林行刚. 利用小波变换和特征加权进行纹理分割［J］. 中国图象图形学报，2001，6（4）：333-337.

［8］Ojala T，Pietikainen M，Menp T. Multiresolutin Gray Scale and Rotation Invariant Texture Analysis with Local Binary Pattern ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7)：971-987.

［9］Kyllnen J，Pietikinen M. Visual Inspection of Parquet Slabs by Combining Color and Texture［G］∥Proc IAPR Workshop on Machine Vision Applications (MVA'00).Tokyo:2000：187-192.

［10］Feng X，Pietikinen M，Hadid A. Facial Expression Recognition with Local Binary Patterns and Linear Programming ［J］. Pattern Recognition and Image Analysis，2005，15(2)：550-552.

［11］Zhou H, Wang R S, Wang C. A Novel Extended Local-Binary-Pattern Operator for Texture Analysis［J］.Information Sciences，2008，178：4314-4325.

［12］Ojala T, Pietikinen M, Harwood D. A Comparative Study of Texture Measures with Classification Based on Feature Distributions ［J］. Pattern Recognition，1996，29(1)：51-59.

［13］Menp T，Pietikinen M. Texture Analysis with Local Binary Patterns［G］∥Chen C H, Wang P S P.Handbook of Pattern Recognition and Computer Vision.3rd ed World Scientific.2005：197-216.

［14］李全，王海燕，李霖. 基于最大似然分类算法的土地覆盖分类精度控制研究［J］. 国土资源科技管理，2005(4)：42-45.

[1]	王茜, 任广利. 高光谱遥感异常信息在阿尔金索拉克地区铜金矿找矿工作中的应用[J]. 自然资源遥感, 2022, 34(1): 277-285.
[2]	曲海成, 王雅萱, 申磊. 多感受野特征与空谱注意力结合的高光谱图像超分辨率算法[J]. 自然资源遥感, 2022, 34(1): 43-52.
[3]	陈洁, 张立福, 张琳珊, 张红明, 童庆禧. 紫外-可见光水质参数在线监测技术研究进展[J]. 自然资源遥感, 2021, 33(4): 1-9.
[4]	高文龙, 张圣微, 林汐, 雒萌, 任照怡. 煤矿开采中SOM的遥感估算和时空动态分析[J]. 自然资源遥感, 2021, 33(4): 235-242.
[5]	刘咏梅, 范鸿建, 盖星华, 刘建红, 王雷. 基于无人机高光谱影像的NDVI估算植被盖度精度分析[J]. 自然资源遥感, 2021, 33(3): 11-17.
[6]	李双权, 马玉凤, 刘勋, 李长春, 杜军. 郑州邙山枣树沟黄土剖面常量元素含量的高光谱反演[J]. 自然资源遥感, 2021, 33(3): 121-129.
[7]	杜程, 李得林, 李根军, 杨雪松. 基于高原盐湖光谱特性下的溶解氧反演应用与探讨[J]. 自然资源遥感, 2021, 33(3): 246-252.
[8]	姜亚楠, 张欣, 张春雷, 仲诚诚, 赵俊芳. 基于多尺度LBP特征融合的遥感图像分类[J]. 自然资源遥感, 2021, 33(3): 36-44.
[9]	臧传凯, 沈芳, 杨正东. 基于无人机高光谱遥感的河湖水环境探测[J]. 自然资源遥感, 2021, 33(3): 45-53.
[10]	王华, 李卫卫, 李志刚, 陈学业, 孙乐. 基于多尺度超像素的高光谱图像分类研究[J]. 自然资源遥感, 2021, 33(3): 63-71.
[11]	舒慧勤, 方俊永, 鲁鹏, 顾万发, 王潇, 张晓红, 刘学, 丁兰坡. 基于多源高分辨率数据的遗址空间考古精细识别研究[J]. 国土资源遥感, 2021, 33(2): 162-171.
[12]	肖艳, 辛洪波, 王斌, 崔利, 姜琦刚. 基于小波变换和连续投影算法的黑土有机质含量高光谱估测[J]. 国土资源遥感, 2021, 33(2): 33-39.
[13]	胡新宇, 许章华, 陈文慧, 陈秋霞, 王琳, 刘辉, 刘智才. 基于PROBA/CHRIS影像的归一化阴影植被指数NSVI构建与应用效果[J]. 国土资源遥感, 2021, 33(2): 55-65.
[14]	韩彦岭, 崔鹏霞, 杨树瑚, 刘业锟, 王静, 张云. 基于残差网络特征融合的高光谱图像分类[J]. 国土资源遥感, 2021, 33(2): 11-19.
[15]	吴倩, 姜琦刚, 史鹏飞, 张莉莉. 基于高光谱的土壤碳酸钙含量估算模型研究[J]. 国土资源遥感, 2021, 33(1): 138-144.

Viewed

Full text

Abstract

Cited

Shared

Discussed