共查询到20条相似文献，搜索用时 453 毫秒
1.
2.
以湖南金童山国家级自然保护区内某条山区公路为例,利用无人机飞行获取高分辨率影像与高精度数字地形模型,使用基于面向对象的方法对滑坡信息进行提取,对无人机数据进行多尺度分割与光谱差异分割,选取了研究区内植被、道路、滑坡三类感兴趣地物的影像特征建立了规则集,充分利用了影像对象的光谱特征、几何特征、地形特征、空间关系,使用了阈值分类,隶属度函数与决策树分类方法.利用实地验证与基于无人机影像的目视解译对提取结果进行了精度评价,总体提取精度为94.75％,滑坡提取精度超过80％.该研究为快速监测山区内滑坡信息提供了借鉴. 相似文献
3.
《测绘与空间地理信息》2020,(8)
小型高光谱成像仪搭载在无人机平台上,可以获取更高空间分辨率的影像数据,在无人机升限范围内可以获取多种分辨率的高光谱数据,相比于卫星影像,无人机获取的高光谱影像分辨率往往会高出很多。通过已有数据验证,并非分辨率越高就能取得越好的识别分类效果,高分辨率数据更容易造成错分、漏分等。无人机获取的不同高分辨率的数据在进行分类时分类精度存在差异,本文将通过对比两种不同分辨率的高光谱数据分类结果精度,计算出分类精度差异,为高分辨率的高光谱数据获取和处理提供参考。 相似文献
4.
5.
6.
联合空-谱信息的高光谱影像深度三维卷积网络分类 总被引：4，自引：2，他引：2
针对高光谱影像分类高维和小样本的特点,提出一种基于深度三维卷积神经网络的高光谱影像分类方法。首先,该方法直接以高光谱数据立方体为输入,利用三维卷积操作提取高光谱数据立方体的三维空-谱特征。然后,利用残差学习构建深层网络,提取更高层次的特征表达,以提高分类精度。最后,采用Dropout正则化方法防止过拟合。利用Pavia大学、Indian Pines和Salinas 3组高光谱数据进行试验验证,结果表明,与支持向量机和现有的基于深度学习的高光谱影像分类方法相比,该方法能有效提高高光谱影像的地物分类精度。 相似文献
7.
光谱特征匹配分类是常用的高光谱影像分类、识别地物的方法,针对高光谱影像提取植被盖度存在的问题,文章根据高光谱遥感影像处理的方法,采用EO-1卫星在广州市过境的Hyperion高光谱影像,以＂广州南肺＂万亩果园作为试验区,经过大气纠正——最小噪声分离变换（MNF）——最纯净像元指数计算（PPI）——提取植被的端元,以此作为研究区识别植被的参考样本,进行光谱特征匹配提取植被盖度。其中提出利用连续小波变换对参考端元的波谱曲线降噪的方法,旨在优化光谱特征匹配,以提高识别植被的精度。实验结果表明,这种辅助匹配的方法能有效提高识别植被的精度。 相似文献
8.
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
9.
10.
11.
为研究我国首颗携带红边波段的高分六影像（GF-6）在林地与非林地上的识别贡献,本文选择复杂林地类型的安徽省黄山市作为研究区,采用特征优选（RFE）与随机森林（RF）相结合的方法开展了林地与非林地识别潜力研究。首先根据实地调查、Google Earth影像及林地"一张图"样本数据构建了样本库;然后基于DEM、多时相光谱特征、植被指数、红边指数等特征开展分类,并比较不同模型精度及不同变量的重要度。结果表明：GF-6红边信息对林地非林地识别较为重要,引入红边信息可将总体分类精度提升2%,其他新增波段及地形特征对林地与非林地识别贡献并不明显;多时相数据的运用相比单时相数据可整体提高林地类型的分类精度2.93%~4.1%,单时相分类结果6月最好,9月次之,12月最差;特征优选可以有效减少数据输入维数（46到15）,并取得最高分类精度,在不牺牲精度的同时保证了运算数据量的减少且明确了不同变量的贡献,具有较强的应用意义。 相似文献
12.
针对高光谱影像分类问题,提出了一种显著性特征提取方法。首先,利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后,基于分割得到的小区域计算反映不同区域的显著性特征。最后,沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合,并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明,与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比,提取的显著性特征能够获得更高的高光谱影像分类精度,且结合光谱特征能够进一步提高分类精度。 相似文献
13.
高光谱遥感影像丰富的光谱信息有利于深入挖掘目标的理化特性,精细识别不同目标间的细微差异。为了提高影像分类识别的精度与速度需要对光谱信息进行特征提取。基于核函数的判别分析能够在数据中提取非线性特征,本文将其应用到高光谱影像分类的特征提取中,并进行了最小距离分类实验取得理想结果。 相似文献
14.
15.
湿地是陆地生态系统和水生生态系统之间的重要过渡带,准确高效地获取湿地植物群落分布信息对于保护湿地具有深远的意义。本文以无人机多光谱影像为数据源,首先构建包含光谱特征、植被指数和纹理特征的多维特征数据集,并采用Relief F算法进行特征优选,确定最优特征数据集;然后构建基于特征优选的卷积神经网络(CNN)分类模型,对最优特征数据集进行分类,并与基于原始多光谱影像的CNN和随机森林(RF)分类方法进行对比。结果表明：(1)随着特征个数的增加,分类精度先增加后下降,当特征数为32时分类精度最高;(2)窗口为13×13的GLCM提取的信息熵和同质性等纹理特征及GNDVI、MSAVI2、RVI等多光谱植被指数重要性较高;(3)基于最优特征数据集的CNN分类模型,能够有效提取空间光谱信息,抑制“椒盐现象”的产生,分类效果最佳,总体精度达93.40%,与未进行特征优选的RF和CNN分类模型相比分别提高了9.80%和7.40%。 相似文献
16.
中国蔬菜产业规模大、产值高,是促进农民增收和农村农业经济发展的支柱产业。快速准确地获取区域尺度蔬菜种植结构信息对于农业现代化、自动化和精细化等具有重要意义。无人机高光谱遥感技术具有快速机动灵活和“图谱合一”的优势,在作物精细分类中具有广泛应用前景。然而蔬菜作物种植规模差异大、农业景观破碎度高,同时还受地膜、大棚和防鸟网覆盖等影响,无人机高光谱图像易产生严重的混合光谱效应,给蔬菜作物精细分类带来了极大的挑战。针对此问题,本研究以湖南省农科院高桥科研基地蔬菜种植区为例,获取无人机高光谱图像,探索采用支持向量机和深度学习方法对不同蔬菜作物进行精细分类。研究结果表明：基于无人机高光谱遥感数据,可以实现不同覆盖背景下的蔬菜作物精细分类;两大分类方法的平均总体精度分别为78.03%和90.75%,平均Kappa系数分别为0.7359和0.8887,相较于支持向量机方法,基于深度学习的分类方法获得的精细分类效果更加理想,三维卷积神经网络和引入注意力机制的卷积神经网络可以有效提取图像中的光谱—空间特征信息,在蔬菜作物精细分类中体现出更好的分类效果;蔬菜作物在大尺度地块上空间纹理特征明显,而在小地块尺度... 相似文献
17.
BP神经网络具有收敛速度快和自学习、自适应功能强的特点,能最大限度地利用样本集的先验知识,自动提取合理的模型。本文采用Landsat TM遥感图像作为数据源,以山西省定襄县为研究区,通过主成分分析方法来压缩输入数据,并结合NDVI和纹理特征来建立BP神经网络的土地利用分类模型,将分类结果与基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类结果进行定性和定量比较分析。结果表明:该方法总精度达到了80.50%,分别比基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类提高了18.89%和6.23%,能够有效地解决地物光谱混淆、分类精度不高等问题。 相似文献
18.
为了实现地物精准分类,需要有效地提取与分析高光谱遥感图像中丰富的空—谱信息。提出一种适用于高光谱遥感图像分类的变异系数与卷积神经网络相结合(CV-CNN)的方法。这种新方法引入变异系数的思想来衡量高光谱遥感图像不同波段之间的相似性和差异性,从而提出类间变异系数(CVIE)和类内变异系数(CVIA)的概念。通过计算(CVIE)~2/CVIA的值来剔除高光谱遥感图像中的低效波段,然后提取每个像素的空一谱信息,并对其进行2维矩阵化操作,转化为便于卷积神经网络(CNN)输入的灰度图像,最后采用自行构建的适合于高光谱遥感图像分类的CNN模型进行分类。Indian Pines和Pavia University两组数据的实验结果表明,该方法在两种数据集下的总体精度分别达到98.69%和99.66%,有效地改善了高光谱遥感图像的分类精度。 相似文献
19.
深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。 相似文献
20.
机载LiDAR和高光谱融合实现温带天然林树种识别 总被引：4，自引：1，他引：3
将机载LiDAR(Light Detection and Ranging)与高光谱CASI(Compact Airborne Spectrographic Imager)数据融合,充分利用垂直结构信息和光谱信息进行温带森林树种分类,并与仅用高光谱数据的分类结果相比较,评估融合数据的树种分类能力。结合样地实测数据,首先用LiDAR获得的3维垂直结构信息对CASI影像上的林间空隙进行掩膜,提取林木冠层子集;然后对冠层子集分层掩膜,利用光谱曲线的一阶微分及曲线匹配技术,实现各树种训练样本的自动提取;利用SVM分类器对两种数据分类并比较精度。结果表明,融合数据的树种分类总体精度和Kappa系数(83.88%,0.80)优于仅使用CASI数据(76.71%、0.71),优势树种的制图精度为78.43%—89.22%,用户精度为75.15%—95.65%,整体也优于仅使用CASI的制图精度(68.51%—84.69%)和用户精度(63.34%—95.45%)。结果表明,机载LiDAR与CASI基于像元的融合对温带森林树种识别的精度较仅高光谱数据有较大提高。 相似文献