共查询到20条相似文献,搜索用时 678 毫秒
1.
面向对象和规则的高分辨率影像分类研究 总被引:1,自引:0,他引:1
随着航天遥感技术的发展,遥感数据的空间分辨率、光谱分辨率和时间分辨率极大提高,高效解译并处理海量的、具有空间几何信息和纹理信息的地物高分辨率遥感影像数据已成为遥感领域研究的重点与难点。对此,本文提出一种面向对象和规则的遥感影像数据的分类提取方法,即通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识,建立影像对象多层次网络分割分类结构,实现对遥感影像准确快速的地物分类和精度评价。以藏南地区WorldView-2影像数据为试验研究对象,采用面向对象和规则的影像分类方法进行验证试验,即综合采用均值方差法、最大面积法、精度比较法进行分析,选择3种最佳分割尺度建立多层次影像对象网络层次结构进行影像分类试验。结果表明,采用面向对象规则分类方法对高分辨率影像进行分类,能使高分辨率影像分类结果近似于目视判读的结果,分类精度更高。面向对象规则分类法的综合精度和Kappa系数分别为97.38%、0.967 3;与面向对象SVM法相比,分别高出6.23%、0.078;与面向对象KNN法相比,分别高出7.96%、0.099 6。建筑物的提取精度、用户精度分别比面向对象SVM法高出18.39%、3.98%,比面向对象KNN法高出21.27%、14.97%。 相似文献
2.
针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集(WashingtonD.C.数据)验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。 相似文献
3.
GF-2影像面向对象典型城区地物提取方法 总被引:5,自引:3,他引:2
国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号(GF-2)遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明:规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。 相似文献
4.
裴建 《测绘与空间地理信息》2024,(1):110-112+116
绿地对城市生态系统具有重要的调节作用。利用遥感技术来辅助绿地信息的提取,能够获取绿地空间结构,动态掌握绿地覆盖面积,从而达到调控和监测城市绿地变化的目的。本文分别采用最小距离分类和面向对象的最邻近分类2种方法进行城市绿地提取,实验结果表明,利用高分二号这种空间分辨率较高的遥感影像进行绿地信息提取,面向对象的分类方法要比传统的最小距离分类方法更为适合。 相似文献
5.
面向对象标准最邻近分类法在地理国情监测中的应用 总被引:1,自引:0,他引:1
地理国情监测项目范围大,遥感影像分辨率高,信息提取精度要求高,人工解译任务繁重,急需利用自动解译技术来提高效率。面向对象的标准最邻近分类法可针对地表覆盖信息实现数据的自动快速提取,相比于人工分类方法所提取的结果,该方法具有较高的精度,并且可大幅度提高地理国情监测地表覆盖信息提取的生产效率。 相似文献
6.
7.
8.
9.
10.
11.
西南喀斯特山区地形起伏较大,地物分布较为破碎,致使传统的光谱特征一次分类方法的精度较低。本文基于高分辨率无人机正射影像和地形指标,充分利用无人机遥感影像空间特征、光谱特征、纹理特征及地形特征,采取面向对象CART决策树算法与分层策略提取了研究区土地覆盖类型。研究表明,结合空间地形因子和分层策略的方法减少了破碎区地物间的相干扰,故具有较高的分类精度,总体分类精度达91.2%,Kappa系数为0.87,较传统一次分类精度提高了9.8%,Kappa系数提高了0.13。该方法对西南喀斯特地区土地覆盖解译精度较好,可为土地利用监测提供参考。 相似文献
12.
针对当前无人机影像获取精度高但数据规模小的问题,本文提出通过U-Net模型探讨不同空间分辨率对防护林提取精度的影响。以CW-20复合翼无人机搭载Micro MAC12 Snap多光谱传感器获取的300 m(空间分辨率0.15 m)、400 m(空间分辨率0.20 m)、500 m(空间分辨率0.25 m)3种不同高度的遥感影像为例,试验结果证明,3种不同高度的影像提取精度误差在1.3%以内;MIoU误差在3.7%以内。空间分辨率对防护林提取精度的影响较小,高空间分辨率的影像数据并不能显著提升防护林的提取精度。本文为大规模农林业遥感监测的数据源获取提供了理论依据。 相似文献
13.
土地覆被作为地表自然和人工建造物的综合体,是开展土地科学相关研究的重要基础,在遥感大数据背景下,准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于eCognition软件,采用面向对象的多尺度分割法,综合考虑地物在遥感影像上的光谱、形状和纹理特征,建立多种地物提取规则。通过模糊函数、支持向量机(SVM)和阈值法对研究区的土地覆被进行分类提取,并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明:①研究区土地覆被分类的总体精度为97%,Kappa系数为0.96,分类精度较高;②基于10 m分辨率影像,综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果,道路提取Kappa系数为0.84;③分类结果在面积和空间分布上都优于FROM-GLC10数据,与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征,分类精度高,对于处理高分辨率遥感数据具有很好的优势。 相似文献
14.
当前,随着遥感影像数据来源越来越丰富,且分辨率越来越高,传统的变化检测方法已经无法满足实际应用的需要。针对这一问题,提出了一种多特征融合的面向对象多源遥感影像变化检测方法。在对象获取和多种特征提取的基础上,利用SVM对高维数据分类的优异特性,将基于SVM的二类分类方法与对象级变化检测有机结合,提高了多源遥感影像变化检测的精度和可靠性。结合人工目视判读,设计了一种面向地物的指标计算方法。实验采用多源多时相的遥感影像进行,并对不同地物变化检测的精度进行统计,验证了提出方法的有效性。 相似文献
15.
16.
面向对象的无人机遥感影像岩溶湿地植被遥感识别 总被引:1,自引:0,他引:1
以广西桂林会仙喀斯特国家湿地公园为研究区,以无人机航摄影像为数据源,综合利用面向对象的影像分析技术、随机森林算法、阈值分类方法和Boruta全相关特征变量选择算法进行岩溶湿地植被的遥感识别。结果表明:针对不同特征变量对岩溶湿地遥感识别的贡献率而言,光谱特征(DOM > DSM) > 纹理特征(DOM > DSM) > 几何特征 > 上下文变量;两个航摄影像数据集的总体分类精度都在85%以上,Kappa系数也高于0.85。本文研究结果对基于高空间分辨率无人机可见光影像的岩溶湿地植被遥感识别在特征变量选择、分割参数选择及方法选择方面具有一定的借鉴意义。 相似文献
17.
建筑物是城市的重要标志之一,综合利用LiDAR数据和高分辨率遥感影像可以充分发挥不同数据源中提取建筑物的优势。本文基于面向对象分类理论,利用机载LiDAR数据和GeoEye高空间分辨率遥感影像,在多尺度分割的基础上对实验区分类并提取建筑物,进而对提取结果进行精度评价。实验表明,将LiDAR数据与高分辨率影像数据结合能够很好地提取建筑物,建筑物提取精度达89.28%。 相似文献
18.
19.
基于面向对象技术的农田分类方法 总被引:1,自引:0,他引:1
《地理空间信息》2016,(10)
采用面向对象的分类方法,以富锦地区为研究对象,将纹理和拓扑信息加入中等分辨率遥感影像中,快速准确地提取耕地信息。研究结果表明,利用面向对象技术对遥感影像进行多尺度分割,并结合影像的光谱、形状和纹理特征对水田和旱地进行提取,提取后的成果总体分类精度达到了92%,Kappa系数为0.91,说明采用面向对象技术对中等分辨率遥感影像进行耕地提取的成果可靠,可为大面积土地分类提供技术支持。 相似文献
20.
《国土资源遥感》2020,(1)
为了探究低空无人机遥感技术对喀斯特地貌条件下不同形态农耕区地物类型的识别精度,以桂林市3个200 m×200 m样方的农耕区为研究区,在无人机航拍影像和地面调查数据的支持下,分别将基于像元和面向对象的影像分析技术与支持向量机(support vector machine,SVM)算法相结合,构建不同地貌条件下农耕区地物遥感识别模型,并进行精度对比分析。结果表明,面向对象的SVM分类结果保留了原始地物的大致轮廓,且地块较完整,更为适用于喀斯特地貌条件下的农耕区地物识别,较基于像元的SVM分类方法总体精度高6. 54%,Kappa系数高0. 135;基于像元的SVM分类方法适用于地物分布规则的农耕区地物识别,相比面向对象的SVM分类方法总体精度高2. 92%,Kappa系数高0. 026。 相似文献