共查询到20条相似文献，搜索用时 972 毫秒
1.
针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法。该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保证在嵌入空间上尽可能不同地物特征分离、相同地物特征紧聚,确保相同地物光谱、纹理特征的相似性,完成光谱、纹理鉴别特征的有效提取,以充分挖掘影像特征,有效提高影像的分类精度。在GF-2遥感数据集上进行试验,结果表明本文算法可实现多特征的有效融合,分类精度均优于传统方法,可达93.41%。 相似文献
2.
利用OpenStreetMap数据进行高空间分辨率遥感影像分类 总被引：1，自引：0，他引：1
针对高分辨率遥感影像分类样本标注困难的问题，提出了一种利用OpenStreetMap （OSM）数据自动获取标注样本的方法。与现有的利用OSM数据进行分类的方法不同，该方法加入了空间特征以弥补单独使用光谱特征分类的不足。首先，基于OSM数据提供的地物类别和位置信息进行样本标注，为了降低OSM数据中少量错误信息对分类结果的影响，采用聚类分析的方法对样本进行提纯；其次，使用形态学轮廓来提取影像的结构特征，挖掘高分辨率遥感影像丰富的空间信息，与光谱特征相叠加并输入分类器进行分类。试验证明，本文提出的方法能够有效避免人工样本标注所需要的人力物力；同时，联合影像的光谱空间特征能够更好地描述地物特性，得到较高的分类精度。 相似文献
3.
融合时间特征的遥感影像分类 总被引：1，自引：0，他引：1
《国土资源遥感》2017,(1)
为了克服基于光谱纹理特征的影像分类法的不足,提出一种融合时间特征的遥感影像分类方法。以历史时期土地利用矢量图为辅助数据,对新时期遥感影像进行带约束的影像分割以获取像斑;采用迭代统计的方法计算新时期遥感影像的地物类别转移概率;利用地物类别转移概率表达时间特征,将其融入到像斑的后验概率中,构建顾及时间特征的像斑联合概率;依据后验概率最大原则获取影像分类结果。采用Quick Bird遥感影像进行的实验结果表明:与基于光谱纹理特征的分类方法相比,所提出的方法能够显著提高影像分类的精度,总体分类精度与kappa系数分别提高了9.8%和17.9%,验证了所提方法的可行性和可靠性。 相似文献
4.
基于多尺度特征融合和支持向量机的高分辨率遥感影像分类 总被引：10，自引：1，他引：10
相对传统的中低分辨率遥感数据而言,高空间分辨率遥感影像同一地物内部丰富的细节得到表征,空间信息更加丰富,地物的尺寸、形状以及相邻地物的关系得到更好的反映,但其光谱统计特性不如中低分辨率影像稳定,类内光谱差异较大,而传统分类方法仅依据像元的光谱值,因此在高分辨率影像分类中,传统方法往往不能获得好的结果。在此背景下,提出了一种多尺度空间特征融合的分类方法,旨在利用不同尺度的空间邻域特征弥补传统方法的不足。其基本过程是：首先针对不同尺度特点,用小波变换压缩空间邻域特征,并结合支持向量机得到不同尺度下的分类结果,然后根据尺度选择因子为每个像元选择最佳的类别。文中QuickBird和IKONOS影像实验证明该算法能有效提高高分辨率影像解译的精度。 相似文献
5.
在遥感影像计算机自动识别与分类中,选取最佳的波段子集对地物进行分类对提高分类精度至关重要。根据统计学原理,遥感影像中属于某类别地物的特征向量服从正态分布,训练样本的正态性检验是关键,基于此理论,本文利用TM影像数据,通过检验所选取的训练区的正态性与否,让计算机自动的选取最优的波段组合,并对分类的精度进行评估。研究表明,计算机自动选取最佳波段组合后对分类精度的预先评估,较常规分类后再进行数据检验精度评估方法方便,快捷,省时,省力。 相似文献
6.
为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。 相似文献
7.
8.
遥感影像模糊聚类方法可以在无需样本分布信息的情况下获取比硬聚类方法更高的分类精度,但其仍依赖先验知识来确定影像地物的类别数。本文提出了一种基于自适应差分进化的遥感影像自动模糊聚类方法,该方法利用差分进化搜索速度快、计算简单、稳定性高的优点,以Xie-Beni指数为优化的适应度函数,在无需先验类别信息的情况下自动判定图像的类别数,并结合局部搜索算子对遥感影像进行最优化聚类。通过模拟影像以及两幅真实遥感图像的分类实验表明,本文方法不仅可以正确地自动获取地物类别数,而且能够获得比K均值、ISODATA以及模糊K均值方法更高的分类精度。 相似文献
9.
10.
面向遥感大范围应用的目标,自动化程度仍是遥感影像分类面临的重要问题,样本的人工选择难以适应当前土地覆盖信息自动化提取的实际应用需求。为了构建一套基于先验知识的遥感影像全自动分类流程,本文将空间信息挖掘技术引入到遥感信息提取过程中,提出了一种面向遥感影像对象级分类的样本自动选择方法。该方法通过变化检测将不变地物标示在新的目标影像上,并将过去解译的地物类别知识迁移至新的影像上,建立新的特征与地物关系,从而完成历史专题数据辅助下目标影像的自动化的对象级分类。实验结果表明,在已有历史专题层的图斑知识指导下,该方法能有效地自动选择适用于新影像分类的可靠样本,获得较好的信息提取效果,提高了对象级分类的效率。 相似文献
11.
一种遥感影像自动识别耕地类型的机器学习算法 总被引：1，自引：0，他引：1
《国土资源遥感》2018,(4)
耕地作为重要的土地资源,关系着国家的粮食安全问题,因此迫切需求快速准确获取耕地信息的方法。传统的遥感影像监督分类方法以训练样本和待分类像元/图斑的光谱特征或纹理特征的一致性作为分类依据,这对训练样本的依赖性较强。对此提出了一种基于影像窗口子区的耕地类型自动识别算法,通过提取一定大小影像窗口子区的多光谱和多层次特征,利用机器学习算法,实现影像窗口子区耕地和非耕地类型的自动判别。依据该算法,可以通过建立某个区域内遥感影像耕地类型的特征库,实现对影像窗口子区类别的非监督自动判别,提高目前分类算法的自动化程度。以东北地区高空间分辨率遥感影像为例进行实验,精度达到了90. 8%。该算法为耕地信息自动化快速获取提供了技术支持,也可用于遥感影像中某一种纯净地物类型的快速提取。 相似文献
12.
13.
14.
根据不同地物类型在遥感影像上的光谱、纹理、几何和位置响应特征的差异性,可以对地物进行分类。本文采用面向对象的方法,基于影像上地物类型的纹理和光谱等特征,利用ENVI EX面向对象特征提取模块对试验路域SPOT5影像进行地物分类,从而定量动态分析地物类型变化情况;并通过提取NDVI对植被覆盖度进行了分级统计分析。结果表明,定量分析成果与野外调研实验结果相吻合,可以用来评价实地植被覆盖度及地物分类变化情况,进而评价公路路域植被环境,为公路的可持续发展提供基础支持。 相似文献
15.
利用矢量影像法进行土地利用变化自动检测 总被引：2，自引：0，他引：2
为解决土地利用矢量图与遥感影像的变化检测问题,提出了一种基于类别的矢量图与遥感影像变化检测方法。在矢量图约束下,对遥感影像进行影像分割获取像斑;提取像斑在遥感影像上的直方图特征,采用G统计量度量像斑之间的特征距离;利用像斑与其他相同类别像斑之间的特征距离,构建单波段上像斑的类别异质度,自适应加权组合各波段上像斑的类别异质度构建像斑的类别异质度;依据最大熵方法获取各地物类别对应的异质度阈值,以类别为单位对各像斑进行变化判别,获取变化检测结果。在QuickBird遥感影像上的试验验证了本文方法的有效性,实现了矢量图与遥感影像的自动变化检测。 相似文献
16.
基于深度神经网络模型的遥感影像地物检测取得了巨大成功,很大程度上得益于大规模数据集的支撑。但是,从现有遥感影像数据集本身来看,不同类别地物的数量分布不一致,同类地物对象以不同尺寸大小呈现,是导致地物样本的尺度不均衡问题的直接因素。对此,本文采用数据集内影像加权融合与地物多尺度特征选择的策略来缓解该问题。首先,将数据集内两张影像的像素值进行加权并得到融合后的影像,从而使不同类别地物样本更加均衡且具有较高的背景多样性;其次,通过选择合适尺度的特征图预测相应尺度的目标类别,且允许同一尺度目标在相邻特征图上进行预测,这样使模型能根据目标尺度进行训练;最后,基于目标中心区域的特征图预测目标边界框,预测的边界框更符合目标本身的尺度。通过在两个遥感数据集上分别进行实验,表明训练的模型在对复杂背景下的类别不均衡目标的识别更加准确,能够适应遥感影像下不同尺度目标的识别。 相似文献
17.
利用独立分量分析的方法，从图像信号分离的角度出发，将每个波段像元的光谱特征看成是由相互独立的不同地物类型光谱信号混合而成。通过ETM^-遥感影像数据的分类试验，验证了该方法应用于多光谱遥感影像非监督分类的有效性。 相似文献
18.
高分辨率遥感影像中的地物目标具有清晰的类别属性与空间关系语义。在人工智能技术支撑下,用计算机自动认知其空间关系具备了可行性。目前,遥感影像场景的语义理解主要依托图像描述任务(image caption),基于影像的全局特征生成描述语句。但是,这种粗粒度特征容易导致地物目标的类别属性在描述语句生成过程中被错误预测。事实上,以地物目标作为空间关系语义理解的基本单元,更符合人们认知地理空间的习惯。为得到更准确的描述语句,本文构建了基于地物目标的遥感影像语义理解数据集,并提出双LSTM驱动的地物目标空间关系语义理解方法。该方法用目标检测模型识别影像中的显著目标,将这些目标特征输入到语言模型,以缓解描述语句中类别被错误预测的问题。进而,为利用遥感影像场景信息,将影像全局特征与目标区域特征进行融合,并用双LSTM预测目标的注意力分布,提高描述语句生成质量。对比实验结果表明,该方法能生成更准确的图像描述。 相似文献
19.
综合非光谱信息的荒漠化土地CART分类 总被引：2，自引：0，他引：2
用遥感手段对荒漠化进行监测是当前荒漠化研究的热点问题,传统的荒漠化遥感信息自动提取方法是基于光谱特征的图像分割,受多种因素的影响,分类精度的提高遇到瓶颈,因此基于知识的分类方法应运而生。CART是一种非参数化的分类与回归方法,在用于遥感影像自动分类时,可以方便地应用多源知识,提高分类精度。本文在分析了CART方法原理的基础上,针对荒漠化地区各种地物的特点,将包括地物光谱知识、纹理知识、植被盖度等在内的多种知识融入CART模型,克服了单纯利用光谱特征进行分类的不足,取得了85.94%的精度。 相似文献
20.
《武汉大学学报(信息科学版)》2015,(9)
针对基于像素或基于区域的马尔科夫随机场(Markov random field,MRF)模型仅能描述单一层次影像数据特性的局限,提出了一种综合像素和区域特性的多层次MRF模型,以提高MRF模型表达遥感数据层次特性的能力。为利用高分辨率遥感影像几何结构信息来提高不同地物的可区分性,提出了一种描述地物结构特性的形状特征,用于区分光谱特性相似的不同地物。本文的分类算法包括两个过程:首先,基于像素和区域特征,采用多层次MRF模型进行初始分类;然后,基于形状特征采用SVM对第一步分类结果中易混淆的地物进行分类。根据不同地物采用合适特征量描述可在特征空间中增加可区分性的事实,采用形状特征对基于层次MRF模型的错分类别进行再分类可有效改善分类精度。同现有基于单一层次的方法相比,实验结果表明该算法的分类性能有了明显的改善。 相似文献