共查询到20条相似文献，搜索用时 15 毫秒
1.
基于光谱特征的湿地植物种类识别 总被引：1，自引：0，他引：1
《国土资源遥感》2016,(3)
光谱特征的选择对于湿地植被的识别精度和效率有直接的影响作用。以美国舍曼(Sherman)岛水域为研究区,基于Hy Map航空高光谱遥感影像数据,分析湿地植被的一阶微分光谱和光谱吸收特征,利用逐步判别分析法筛选识别精度较好的光谱特征参数参与C4.5决策树分类。结果表明:4种湿地植被的一阶导数光谱特征差异较小,吸收特征差异性相对较大;基于一阶微分光谱特征和光谱吸收特征利用C4.5决策树进行分类,可以实现湿地植被在物种水平上的识别,并达到较好的分类精度。 相似文献
2.
相对于遥感影像,高光谱遥感影像具有光谱信息,为精准识别植被提供了新的技术支持.对高分五号(GF-5)高光谱数据进行光谱变换,结合植被指数,分析各种光谱变换方法对植被的识别能力.首先提取研究区主要的两种植被端元光谱,对实验区进行分类,依据植被分布位置,确定这两种植被分别为桉树和车桑子;然后对植被的反射率光谱进行一阶、二阶微分,连续统去除和对数变换处理;最后基于4种光谱变换及反射率光谱计算两种植被的11种植被指数,依据两种植被对应植被指数的J-M距离,判断不同光谱曲线对植被的识别能力.结果表明,5种光谱曲线对植被识别能力由强到弱依次为二阶微分、一阶微分、连续统去除、原始光谱、对数变换. 相似文献
3.
不同季相针叶树种高光谱数据识别分析 总被引：24，自引：2，他引：22
利用高分辨率光谱仪在实地测得的光谱数据来识别美国加州的６种主要针叶树种。树冠阴面和阳面的高光谱数据分别在１９９６年夏、秋测得。首先对原始光谱数据作简单处理,然后进行６种数据变换：对数变换、一阶微分变换、对数变换后一阶微分变换、归一化变换、归一化变换后一阶微分变换及归一化后对数变换。采用相邻窄波段逐步加宽的办法,测试不同波段宽度对树种识别精度的影响。所有的变换方法及波段宽度试验最后均由神经元网络算法产生的树种分类精度来评价。试验结果表明对数变换后一阶微分和归一化变换后一阶微分能够获得高于９４％的平均精度;归一化变换和微分处理能够限制阴影的影响;２０ｎｍ的波段宽度用于识别此６种针叶树种是较为理想的。我们发现太阳高度角变化对树种识别影响不大。 相似文献
4.
《地理空间信息》2017,(2)
传统的植被状况调查方式费时、费力,并且更新困难,而高光谱遥感数据图谱合一,能够更精细、准确地进行遥感地物识别和分类,因此采用Hyperion高光谱数据来研究地物混合严重并且呈零星碎片状的城市植被。利用混合像元分解思想改进Gram-Schmidt融合算法,将Hyperion高光谱和ALI全色波段进行融合,提高光谱数据的空间分辨率,来解决城市植被像元混合严重和分布过于零散破碎难题,进而提高植被识别精度。为了避免高光谱植被识别陷入维数灾难,采用主成分分析对融合后的高光谱数据进行数据降维。最后,在地面光谱成像仪获取的纯净像元光谱信息辅助下,选取训练样本进行最小距离分类,完成植被类型识别,总体精度达到84.9%。 相似文献
5.
面向对象的高光谱影像湿地植被信息提取 总被引：1，自引：0，他引：1
《地理空间信息》2015,(4)
以美国Sacramento-San Joaquin三角洲为研究区,提取高光谱遥感影像上湿地植被的光谱响应特征,用于指导面向对象的湿地植被信息提取。结果表明,基于光谱响应特征分析的面向对象分类精度为88.03%,而未利用光谱响应特征的面向对象分类精度为72.08%。在面向对象提取前对植物光谱响应特征进行特征提取,可以实现湿地植被在物种水平上的识别,并可以有效提高分类精度。 相似文献
6.
高光谱遥感影像的波段光谱特征是各类地物内在物理化学性质的反映,在对不同地物进行分类与识别时具有巨大潜能,但由于其波段多造成的信息冗余,需要对高光谱数据进行有效降维,以提高高光谱影像的分类准确度。本文提出了基于判别局部片排列的流形学习算法（DLA）对Hypersion高光谱数据进行降维,通过对局部样本数据进行流形学习框架内的优化训练,将原始光谱特征空间转换为低维的最优判别流形子空间,然后在该子空间内利用最大似然分类器对Hypersion影像中的每个像素进行分类,并与主成分分析（PCA）、原始光谱特征（spectral）降维方法的分类效果进行比较。结果表明,DLA能够有效提高高光谱数据的分类准确度,对不同树种分类取得了满意效果。 相似文献
7.
入侵种互花米草的光谱分层分析方法 总被引：2，自引：0，他引：2
针对互花米草的爆发式增长对沿海滩涂生物多样性和生态稳定带来了巨大的生态威胁的问题,该文以闽江河口互花米草和其他3种湿地植物的室内叶片高光谱数据为例,探讨互花米草与其伴生植物是否具有光谱可分性。采用一种分层分析方法对实测高光谱数据降维并选择出识别互花米草的最佳波段。首先,利用ANOVA对光谱数据降维,选择出互花米草与其他湿地植物光谱具有显著性差异的波段;其次,使用CART算法对ANOVA降维后具有显著差异的高光谱数据进一步降维,找到识别互花米草潜在的最佳波段;最后,利用J-M距离评估CART选择波段的可分性。结果表明:互花米草与其他3种湿地植物具有光谱可分性,其J-M距离均高于1.9;基于CART算法的入侵种互花米草的识别精度平均达到96.7%,高于传统方法的识别精度。该文成果将为航空或航天高光谱遥感监测互花米草入侵区提供参考。 相似文献
8.
9.
高光谱图像的高维数给图像的进一步处理带来了困难,为了解决这一问题,本文提出了一种基于独立成分分析的高光谱图像降维分割方法。首先,利用波段子空间划分和标准差对高光谱图像预处理,选择部分波段的高光谱图像作为实验对象;然后利用基于负熵的快速不动点算法对实验数据解混,再根据平均绝对权重系数对波段排序并选取;最后使用模糊C均值聚类算法对降维后的图像进行分割。实验结果表明,该方法能够有效实现高光谱图像降维,并获得较好的分割结果。 相似文献
10.
基于微分变换的高光谱马尾松和杉木识别 总被引：1，自引：0，他引：1
《国土资源遥感》2018,(4)
高光谱遥感能分辨出地物间微小反射光谱差异信息,可用于解决林种遥感分类光谱识别的难题。利用Hyperion高光谱遥感影像,结合地面实测林种样地,对安徽省黄山市五城镇林区的马尾松和杉木进行识别。通过对Hyperion影像进行一阶、二阶微分变换,优化组合487～559 nm和681～742 nm光谱范围中反射差异明显的波段,再结合支持向量机(support vector machine,SVM)模型进行林种间分类识别。基于Hyperion影像像元反射率及其一阶和二阶微分光谱的分类识别总体精度分别达到76. 50%,81. 42%和88. 52%,对应Kappa系数分别为0. 528 4,0. 625 7和0. 769 1。结果表明,基于二阶微分变换的高光谱数据,通过SVM模型,可有效提高马尾松和杉木的识别精度,为高光谱遥感针叶林种分类识别提供了一种技术途径。 相似文献
11.
波段选择是高光谱遥感图像分类的重要前提,本文提出了一种用于高光谱遥感图像波段选择的改进二进制布谷鸟算法,通过使用混合二进制编码算法更新子代鸟巢和使用遗传算法交叉方式更新被发现鸟巢两个方面对二进制布谷鸟算法进行改进,找出在图像中起主要作用且相关性低的波段,实现对高光谱遥感图像降维。将本文算法运用于PaviaU数据集和AVIRIS数据集,并与二进制布谷鸟算法、二进制粒子群算法、最小冗余最大相关算法、Relief算法等进行对比分析。结果表明,改进二进制布谷鸟算法波段特征选择效率更高,且选取的波段更具代表性,能够较好地提高后续分类精度。 相似文献
12.
精准农田识别是农作物估产和粮食安全评估的基础。遥感数据作为农田识别的重要数据源,可提供动态、快速的监测结果。高光谱数据在农田识别分类方面具有巨大的应用潜力,但其中的冗余波段影响了分类效率和分类精度。因此,本研究提出了一种适用于高光谱数据农田分类的混合式特征选择算法。首先,基于变量的重要性排序或约束程度,按步长逐步进行降维;其次,寻找分类精度骤减的转折点,并将其对应的变量作为特征子集;最后,利用序列后向选择SBS（Sequential Backward Selection）方法搜索最优分类特征子集。本研究利用GF-5高光谱数据,共研究了3种降维方法（随机森林RF（Random Forest）、互信息MI（Multi-Information）和L1正则化（L1 regularization））和3种分类算法（随机森林、支持向量机SVM（Support Vector Machine）和K近邻KNN（K-Nearest Neighbor））的组合在农田分类中的表现。结果表明,基于L1正则化法得到的特征子集自相关性较低,并且包含的红边和近红外波段有效提高了农田、森林和裸土的区分度。在不同分类模型比较中发现,SVM在高维空间中表现出非常好的抗噪能力,分类精度高于RF和KNN。而RF在低维空间中的泛化能力要高于SVM和KNN。相比于第一步降维得到的特征子集,使用SBS搜索得到的最优特征子集均提高了分类精度。最终,具有23维输入的L1-SVM-SBS分类模型得到了最高的总体分类精度（94.64%）和农田召回率（95.83%）。本研究为高光谱数据特征优选提供了一种新思路,筛选出了更具代表性的特征波段,提高了农田分类精度,对高光谱遥感分类研究具有参考价值。 相似文献
13.
非监督波段选择方法是高光谱图像降维的主要方法,但现有方法应用到实际高光谱图像分类时,分类精度并不理想。本文提出一种改进的基于聚类的高光谱图像非监督波段选择方法,主要通过对传统的K-means聚类算法进行两方面改进:一方面是相似性度量函数;另一方面是聚类中心的选取。然后,通过实验数据用支持向量机法(SVM)对所提算法及现有的三种非监督波段选择方法进行分类。最后,用总体精度(OA)和Kappa系数评价分类结果。表明本文所提方法在分类精度方面优于其他现有方法。 相似文献
14.
讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。 相似文献
15.
由于湿地类别多样且结构复杂,湿地遥感分类工作极具挑战性。本文以珠江口滨海湿地为研究区,基于珠海一号高光谱影像获取的光谱特征、形状特征、纹理特征和指数特征构建优选特征集,采用极端梯度提升(XGBoost)算法和面向对象技术提取湿地类型和空间分布,并对比分析基于支持向量机(SVM)算法和随机森林(RF)算法的湿地分类结果。结果表明：(1)珠海一号高光谱影像能够有效应用于湿地分类,且光谱特征在湿地分类中发挥了重要作用;(2)使用的机器学习算法中XGBoost算法的湿地分类效果最佳,总体精度为87.2%,Kappa系数为0.84;(3)优选的影像特征能够保证更高的湿地类型识别精度,验证了特征筛选有助于提高分类效果。本文发展了一种基于珠海一号高光谱影像和集成学习的大区域湿地类型识别方法,可为湿地资源调查提供有效的技术参考,服务于湿地的保护与开发利用。 相似文献
16.
基于光谱特征的湿地湿生植物信息提取研究 总被引：1，自引：0，他引：1
基于湿生植物光谱特征分析,采用面向对象分类方法提取湿地典型植被信息。在大量的野外实地调查基础上,确定提取的典型植物类型为芦苇(Phragmites australis)、长芒稗(Echinochloa crusgallii)和睡莲(Nymphaeatetragona);采集湿地优势植物光谱数据,将优势植物与提取对象芦苇、长芒稗和睡莲的光谱特征进行相关性分析,获取物种间区分性好的波段及波段组合,参与影像分割权重的设置;根据典型植被的分布特征,确定面向对象分割尺度(其中芦苇的分割尺度为50,长芒稗的分割尺度为20,睡莲的分割尺度为100)。通过研究发现:基于光谱特征分析的面向对象的分类精度为96%,而未利用光谱特征的面向对象的分类精度为87.3%,传统监督分类精度仅为82.3%。证明在面向对象提取前对植物光谱特征分析得到区分性好的波段及波段组合参与分割,对提高分类精度起关键作用。 相似文献
17.
基于最佳波段组合的高光谱遥感影像分类 总被引：6，自引：0，他引：6
针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点,在综合各种数据降维方法的基础上,提出一种基于最佳波段组合的高光谱遥感影像分类方法。以美国印第安纳州地区的AVIRIS数据为例,分析各波段信息量和相邻波段的相关性,利用子空间划分、分段波段指数选择法,进行特征波段的选择;并针对难区分地物类别,应用J-M距离模型对其可分性进行判别,获得最佳波段组合。最后采用支持向量机分类器进行分类。实验结果表明,采用最佳波段组合方法,可以有效地提高高光谱的分类精度。 相似文献
18.
19.
20.
《测绘科学技术学报》2013,(2)
最佳波段选择是高光谱影像降维的常用手段,将本征维数估计与核偏最小二乘法,相结合,提出一种基于核偏最小二乘法的最佳波段选择方法。首先利用自适应最大似然法估计高光谱数据的本征维数;然后将核方法引入到偏最小二乘法中,利用核偏最小二乘法对高光谱影像进行最佳波段选择,所需选择的波段数即为本征维数。实验分析表明,与其他最佳波段选择方法比较,本文方法输出的最佳波段用于地物分类,取得了较高的分类精度。 相似文献