共查询到20条相似文献，搜索用时 187 毫秒
1.
无人机低空遥感是近年来新兴的一种快速获取灾情信息的手段,如何利用无人机高分影像构建滑坡灾害解译模型是实现快速自动解译滑坡的关键。针对该问题,对比了多种影像特征提取方法,将迁移学习(TL)特征和支持向量机(SVM)引入到构建滑坡灾害自动解译模型中,提出了一种TL支持下的高分影像滑坡灾害解译模型。选取5·12汶川地震及4·20芦山地震系列无人机影像构建了滑坡灾害样本库并进行了实验,TL特征方法整体分类准确度ACC为95%,ROC达到0.98,识别准确率达到97%。结果表明,所提方法可用于高分影像滑坡自动解译,同时可用于大面积高分影像中快速山地滑坡灾害定位及检测。 相似文献
2.
遥感影像广泛应用于大气校正、土地覆盖分类和目标识别,但云的存在妨碍影像解译工作和后续利用。本文提出基于支持向量机(SVM)的多特征融合方法进行云识别,该方法基于不同地物之间的光谱、纹理和其他特征之间的差异,以资源三号卫星影像为实验数据进行实验。结果显示:该方法整体准确率大于90%,误检率小于5%,检测精度高、稳定性好且有较高的扩展性。 相似文献
3.
针对航空影像中已分割出的建筑物顶面,提出了一种利用视觉词袋模型检测建筑物顶面损毁区域的方法。该方法首先利用简单线性迭代聚类方法对建筑物顶面进行超像素分割,然后对超像素区域利用颜色和梯度方向直方图特征构建视觉词袋模型,最后使用支持向量机（support vector machine,SVM）对超像素区域中的损毁区域进行检测。实验结果表明,该方法能有效判定建筑物顶面损毁区域,对提高建筑物整体损毁检测精度具有重要意义。 相似文献
4.
5.
云的存在会对遥感影像的处理及目标识别等产生影响,因此,自动提取云对高分辨率卫星影像的应用具有重要意义。高分影像上更加复杂的云的细节形态及似云目标的干扰,使得高分影像的自动云提取难以达到实用水平。本文以雪地为例,选取形状、纹理和边缘3个差异化特征作为云与似云目标区分的关键,提出了一种区分高分辨率遥感影像中云和似云目标的云检测算法。首先利用Wallis滤波对输入影像进行预处理,增强影像中不同尺度的影像纹理模式;然后对影像进行快速稳定的均值漂移分割,利用灰度和纹理特征构成支持向量机的第一层分类器,将分割后的区域对象分成"云"和普通地物,再利用边缘、形状、纹理等特征结合灰度特征构成支持向量机的第二层分类器,将"云"区分为云区和似云目标;最后使用Grab-cut对云检测结果进行边缘迭代精化。本文算法取得了优良的试验结果,证明了算法在似云目标干扰下对高分辨率遥感影像进行精确云检测的能力。 相似文献
6.
为监测路域植被生态环境,利用遥感影像和辐射传输模型物理基础实现了对植被冠层等效水厚度（EWT）的估测。提出了利用PRO4SAIL与支持向量机回归的组合模型对等效水厚度进行反演的方法。选取Landsat7 ETM+影像,结合实测数据探索验证了PRO4SAIL与支持向量机回归的组合模型的植被参数反演的实用性和准确性。研究表明,该组合模型具有较好的预测能力,反演得到的等效水厚度含量精度较高,为支持向量机模型应用于遥感影像反演植被参数提高了有力支撑。 相似文献
7.
8.
基于多核学习的高分辨率遥感图像目标检测方法 总被引：1，自引：0，他引：1
为更有效地实现复杂场景中的多类目标同时检测,本文提出了一种基于多核学习算法进行目标检测的框架。该方法由特征提取和模型训练2个阶段组成。特征提取阶段,引入了多尺度下的点特征、表观特征同时对多类目标进行综合描述;模型训练阶段,分别采用加权相加和相乘2种方法将提取的各个基础特征组合起来,在支持向量机的框架下对各特征所代表的基础核权重进行学习。将训练所得的分类器结合滑动窗搜索技术对遥感图像进行目标检测实验,结果表明,与传统单核支持向量机相比,准确率更高。 相似文献
9.
在支持向量机多类识别基础上探讨以球结构替代传统超平面支持向量机对QuickBird影像进行分类的可行性,对重叠区域的数据分类采用新规则,提高球结构支持向量机算法的泛化性能,并将分类结果与最小距离法、最大似然法分类结果进行比较,实验结果表明该算法有效可行,降低了二次规划的复杂度,缩短了样本训练时间. 相似文献
10.
支持向量机分类方法存在惩罚系数需要交叉验证获取、训练时间较长、支持向量个数随着训练样本数量的变化而变化,以及稳定性和稀疏性较差等问题。针对这些问题,提出了一种基于输入向量机的高光谱影像分类算法。该算法在核逻辑回归模型的基础上,采用前向贪心算法选择训练样本中的输入向量来进行模型的训练,达到稀疏的目的,提高影像的分类精度和分类效率。通过PHI和OMIS两组高光谱影像分类实验,结果表明基于输入向量机分类算法具有稳定性好、稀疏性强的优点。 相似文献
11.
The objective of this study is to efficiently extract detailed information about various man-made targets in oriented built-up areas using polarimetric synthetic aperture radar (POLSAR) images. This paper develops an improved approach for building detection by utilizing Two-Dimensional Time-Frequency (2-D TF) decomposition. This method performs outstandingly in distinguishing between man-made and natural targets based on the isotropic behaviors, frequency-sensitive responses, and scattering mechanisms of objects. The proposed method can preserve the spatial resolution and exploit the advantages of TF decomposition; specifically, the exact outlines of buildings can be effectively located, and more types of features (e.g., flat roofs, roads, and walls that are oblique to the radar illumination) can be distinguished from forests in complex built-up areas by 2-D TF decomposition. The coarser-resolution subaperture images that are produced in the azimuth direction, which correspond to different looking angles, are beneficial for detecting man-made structures with main scattering centers oriented at oblique angles with respect to the radar illumination. In the range direction, the obtained subaperture images, which correspond to various observation frequencies, can be helpful in distinguishing flat roofs and roads from forests. This method was successfully implemented to analyze both NASA/JPL L-band AIRSAR and L-band EMISAR data sets. The building detection results of the proposed method exhibit a significant improvement over those of other methods and reach an overall accuracy over 80%, with approximately 20% higher than the accuracies of K-means clustering and the entropy/alpha-Wishart classifier and approximately 10% higher than the accuracy of the support vector machine method. Moreover, building details can be precisely detected, obliquely oriented buildings can be identified, and the distinction between buildings and forests is significantly improved, as both visually and statistically indicated. This method is highly adaptable and has substantial application value. 相似文献
12.
从分析基于支持向量机和相关向量机的高光谱影像分类方法的优势和不足出发,将基于概率分类向量机的方法用于高光谱影像分类试验。在贝叶斯理论框架下,概率分类向量机为基函数权值引入截断Gauss先验概率分布,使得不同类别的基函数权值具有不同符号的先验分布,并利用EM算法进行参数推断,得到足够稀疏的概率模型,弥补了相关向量机选取错误类别的样本作为相关向量的不足,从而有效地提高了模型的分类精度和稳定性。OMIS和PHI影像分类试验表明,概率分类向量机能够很好地应用在高光谱影像分类。 相似文献
13.
一种飞机目标的遥感识别方法 总被引：1，自引：0，他引：1
高空间分辨率遥感影像通常具有数据量大、背景复杂及地物占比较少等特点。如果直接将RCNN模型应用于高空间分辨率遥感影像目标识别,计算量大且效率低。级联AdaBoost算法识别率高、速度快,但又会产生较多的虚假目标。本文结合RCNN模型和级联AdaBoost算法,提出了一种由粗到精的飞机目标识别方法。首先使用基于HOG特征的级联AdaBoost算法快速提取飞机目标候选区域,然后利用基于卷积神经网络特征的SVM对飞机目标候选区域进行精细识别。试验表明,本文提出的方法在保证准确率的同时,还有效提高了计算效率。 相似文献
14.
变分法遥感影像人工地物自动检测 总被引：1，自引：1，他引：0
人工地物（建筑物、道路、桥梁等）检测是目标识别的一个重要组成部分。本文将人工地物检测转换为能量泛函数最优化问题。首先对遥感影像进行超像素分割,综合图像的颜色、纹理、梯度等信息,以超像素为单元计算图像的显著度信息,然后构建一个包含显著性约束、面积和边界约束、纹理约束及灰度方差约束的能量泛函数,通过变分法迭代求解能量泛函最小值,获取目标前景部分即为人工地物区域。本文以重庆和广东某地的遥感影像数据为例对算法进行验证,将其与常见的人工地物目标提取算法,如C-V模型、MRF模型,以及当下研究较为热门的深度学习算法进行对比。试验结果表明,该算法能有效地检测出遥感影像中的人工地物区域,并保证较低的误检率及漏检率。论文对该方法与深度学习方法进行了一定的分析对比。 相似文献
15.
基于四分量散射模型的多极化SAR图像分类 总被引：4，自引：2，他引：2
基于四分量散射模型提出了一种多极化SAR(synthetic aperture radar)图像非监督分类算法。与Freeman三分量散射模型不同,四分量散射模型在Freeman三分量的基础上增加了螺旋散射分量(helix),该分量反映了复杂地貌和不规则城市建筑的散射机理,可以用来处理复杂的场景图像。算法强调了初始分类的重要性,在初始分类中考虑了混合散射机制像素的存在,从而提高了分类结果的精确度。聚类过程中,采用由四个散射分量组成的特征向量进行迭代聚类。为了实现算法的完全非监督,利用特征向量给出了一种新的聚类终止准则。NASA/JPL实验室AIRSAR全极化数据分类实验结果表明,该算法具有较好的分类效果,并获得了较高的分类精度。 相似文献
16.
基于支持向量机的航空影像纹理分类研究 总被引：8，自引：0，他引：8
提出一种用SVM解决航空影像纹理分类的方法。在利用一些常用的纹理特征的基础上，将SVM用于航空影像纹理分类，有效地解决了特征选择难和高维数问题。试验表明，这种方法可以取得较好的结果。 相似文献
17.
基于支持向量机的遥感影像厚云及云阴影去除 总被引：2，自引：1，他引：1
本文提出了一种基于支持向量机的遥感影像厚云及云阴影去除方法。首先利用支持向量机的学习性能检测影像中的云层,并利用太阳角度信息,判定云阴影区域,得到云层和云阴影的二值图。再对影像进行支持向量值轮廓波变换,利用云层和云阴影二值图生成的选择矩阵,对变换系数进行多层镶嵌,完成云层及云阴影的初去除。对影像镶嵌未能去除的云层及云阴影,通过统计学补偿的方法进行修复。最后重构图像并进行中值滤波实现厚云及云阴影去除。仿真实验表明,该方法能更好地再现云层覆盖区域的地物信息,去云后的图像具有更好的光滑度和清晰度。 相似文献
18.
19.
针对ACCA（云量自动评估）算法难以检测Landsat图像中的半透明云问题,提出了一种ACCA和WSVM（加权支持向量机）相结合的云检测算法．首先根据云在不同波段中的大气辐射特点,结合Landsat ETM+图像数据的光谱特性,利用ACCA算法将图像像元初步分成云像元、非云像元和待定像元,再以云的光谱特性构造特征向量,利用WSVM算法进行待定像元的云层检测,最终获得全部图像的云检测结果．仿真实验结果表明,该方法既具有ACCA算法的云检测优势,还对ACCA算法难以识别的半透明云有很好的检测效果． 相似文献
20.
Land cover classification using remotely sensed data requires robust classification methods for the accurate mapping of complex land cover area of different categories. In this regard, support vector machines (SVMs) have recently received increasing attention. However, small number of training samples remains a bottleneck to design suitable supervised classifiers. On the other hand, adequate number of unlabeled data is available in remote sensing images which can be employed as additional source of information about margins. To fully leverage all of the precious unlabeled data, integration of filtering in a transductive SVM is proposed.Using two labeled image datasets of small size and two large unlabeled image datasets, the effectiveness of the proposed method is explored. Experimental results show that the proposed technique achieves average overall accuracies of around 4.5–7.8%, 0.8–2.6% and 0.9–2.2% more than the standard inductive SVM (ISVM), progressive transductive SVM (PTSVM) and low density separation (LDS) classifiers, respectively on larger domains in case of labeled datasets. Using image datasets, visual interpretation from the classified images as well as the segmentation quality reveal that the proposed method can efficiently filter informative data from the unlabeled samples. 相似文献