共查询到19条相似文献，搜索用时 187 毫秒
1.
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
2.
高分辨率遥感植被分类研究 总被引：16，自引：0，他引：16
以南京市区的植被覆盖为研究对象,基于IKONOS遥感影像,采用决策树分类算法,根据各种植被光谱特征建立知识库,提出基于光谱信息的植被分类方法,继而结合高分辨率影像特有的纹理特征引进局部一致性指数对该方法进行改进,提出结合纹理信息的高分辨率遥感植被分类方法,分类总体精度从仅利用光谱信息的83.16%显著提高到91.89%,Kappa系数达到0.8886。采用Quickbird遥感影像对该方法进行验证,分类总体精度为91.94%,Kappa系数为0.8783,表明该植被分类方法能有效地对植被进行分类与识别,精度较高,且对于不同数据源的植被分类具有一定的普适性,为实现植被的自动化提取提供了理论依据和有效的方法途径。 相似文献
3.
为了准确快速地获取高分辨率影像中橡胶林的分布信息,设计了一种基于纹理特征和多光谱特征的信息提取方法。方法选取合适的植被指数,将多光谱和植被指数的影像进行地统计半方差分析,获得最佳纹理提取窗口并实现各种纹理信息的提取,将纹理信息和光谱信息一起作为参考特征构建地物的分类规则并用C5决策树分类算法实现。选取某高分辨率遥感影像区域对该方法进行验证,橡胶树林提取的生产者精度为81.00%,提取用户精度为82.65%,总精度为83.50%,Kappa系数为0.78。与其他方法分类结果对比表明,本文方法是一种有效的橡胶林提取方法。 相似文献
4.
5.
苏州市湿地众多、类型多样化、周围环境复杂,使用传统的遥感分类方法很难得到精度较高的湿地分类结果。研究了面向对象特征的湿地决策树分类方法,以苏州市澄湖地区为研究区域,使用欧空局的Sentinel-2A影像,先将研究区域分为湿地水体、植被和非植被3大类型,再分别构建鱼塘、河流、湖泊、农田和裸地等面向对象特征,据此实现湿地遥感分类。研究结果表明,该方法能够有效利用遥感影像提供的光谱特征、几何特征和纹理特征等多种丰富信息,产生较高的分类精度,总体分类精度可达80.67%,Kappa系数为77.80%。与传统的基于中低分辨率遥感影像的分类方法相比,该方法可以有效提取湿地不同地物对象的几何结构和纹理等特征,在提高湿地分类精度的同时实现对大面积湿地的快速动态监测。 相似文献
6.
基于SVM的多源信息复合的高空间分辨率遥感数据分类研究 总被引：47，自引：1，他引：47
遥感图像尤其是高空间分辨率（1—4m）遥感图像在土地利用和土地覆盖变化方面有着广阔的应用前景，传统高空间分辨率遥感图像信息提取方法存在精度和分类效率低的不足。本文提出的基于SVM的分类方法，复合光谱、纹理和结构信息等多源数据信息，对IKONOS高空间分辨率图像进行分类，并与最大似然法和单源数据（光谱）SVM分类结果进行定性和定量比较分析。研究结果表明，多源数据复合的SVM高空间分辨率遥感图像分类方法，能够有效解决单源数据信息图像分类效果破碎的问题；总精度达到68．38％，Kappa达到0．5993；对高维输入向量具有高的推广能力；比单源信息的SVM和最大似然方法图像分类精度更高，适合高空间分辨率遥感图像分类。 相似文献
7.
8.
快速、准确地获取溢油污染信息,对海洋的动态监测、保护和可持续利用具有重要意义。环境与灾害监测预报小卫星星座一号(HJ–1)是我国针对生态环境污染和灾害监测发射的新型卫星平台,但HJ–1 CCD多光谱数据的光谱波段较少,仅依赖光谱信息获取海面溢油范围的精度较低。因此,以墨西哥湾溢油事件为研究对象,在分析不同地物光谱特征的基础上,采用灰度共生矩阵,选择合适的纹理结构因子,提取HJ–1 CCD图像中影响溢油识别的地物纹理特征;建立光谱特征和纹理特征相结合的决策树模型,提取海面溢油信息,并与只考虑光谱信息的传统分类方法进行精度对比。结果表明,与最大似然分类法相比,决策树方法的油膜提取用户精度和制图精度分别提高了11.85%和4.28%。 相似文献
9.
加入改进LBP纹理的高分辨率遥感图像分类 总被引：1，自引：0，他引：1
高分辨率遥感图像纹理信息丰富,将其与光谱信息相结合进行地物分类可提高地物的精度。将改进的局部二值模式(LBP)纹理应用到高分辨率图像的土地覆盖分类中,并与只利用光谱信息和加入传统LBP纹理信息的分类结果相比较。结果表明:改进的LBP具有很好的抗噪性能,并能更有效地表达图像的纹理信息,加入这种纹理信息的图像分类精度明显高于纯光谱分类和加入传统LBP纹理信息的分类。 相似文献
10.
11.
土地利用/覆被专题信息的快速、高效、准确提取是遥感图像处理研究的重要方向。传统的遥感分类方法常依靠像元的光谱值,未充分利用影像的空间信息。本文将面向对象影像分割和支持向量机方法相结合,复合光谱和纹理信息,建立了Object-SVM分类模型,并与面向对象的模糊函数和基于像元的SVM方法相比较,探寻区域尺度土地利用/覆被信息提取方法。结果显示,Object-SVM模型有效地提高了遥感图像的分类精度和分类效率,对于区域尺度影像的快速、准确、客观的信息提取具有实际意义。 相似文献
12.
13.
Impact of Topography on Accuracy of Land Cover Spectral Change Vector Analysis Using AWiFS in Western Himalaya 总被引：1，自引：0，他引：1
J. K. Sharma V. D. Mishra R. Khanna 《Journal of the Indian Society of Remote Sensing》2013,41(2):223-235
The present paper discusses the impact of topography on accuracy for land cover classification and “from-to class change using improved spectral change vector analysis suggested by Chen et al. (2003). Two AWiFS sensor images of different dates are used. Double Window Flexible Pace Search (DFPS) is used to estimate threshold of change magnitude for change/no change classes. The topographic corrections show accuracy of 90% (Kappa coefficient 0.7811) for change/no change area as compared to 82% (Kappa coefficient 0.6512) in uncorrected satellite data. Direction cosines of change vector for determining change direction in n-dimensional spectral space is used for image classification with a minimum distance categorizing technique. The results of change detection are compared (i) Improved CVA with conventional two bands CVA and (ii) Improved CVA before and after topographic corrections. The improved CVA with topographic correction consideration using slope match show maximum accuracy of 90% (Kappa coefficient 0.83) as compared to conventional CVA which show maximum accuracy of 82% (Kappa coefficient 0.6624). The overall accuracy of ”from- to class using improved CVA increases from 86% (Kappa coefficient 0.7817) to 90% (Kappa coefficient 0.83) after topographic corrections. The improved CVA with proper topographic corrections is found to be effective for change detection analysis in the rugged Western Himalayan terrain. 相似文献
14.
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
15.
面向对象的覆膜农田信息遥感表征方法 总被引：1，自引：0，他引：1
为解决复杂土地利用背景下覆膜农田信息遥感提取方法缺乏的问题,该文以河套灌区为研究区,以Sentinel-2A卫星数据为基础,结合面向对象影像分析和随机森林算法,开展了复杂土地利用背景下灌水与无灌水覆膜农田信息遥感同步提取研究。首先进行遥感影像尺度分割研究,优选出最佳分割尺度。在此基础上,提取光谱特征、纹理特征、几何特征,获取优化特征子集,并采用随机森林机器学习算法表征覆膜农田信息。研究表明,结合利用Sentinel-2A数据与OBIA方法能够有效表征覆膜农田信息,总体精度达93.03%,Kappa系数为0.91;其中,灌水覆膜农田用户精度为91.35%,制图精度为88.57%;无灌水覆膜农田用户精度为97.10%,制图精度为98.63%。研究证明了Sentinel-2A卫星数据和OBIA方法和机器学习算法在覆膜农田信息遥感表征中的应用潜力,能够为地物信息遥感表征研究中提供参考依据。 相似文献
16.
土地利用/覆被（LUC）可为土地资源领域相关研究提供基础数据。本文构建了面向对象的LUC分类方法，并以沿海特殊土地类型区连云港市为例，应用Landsat 8影像开展了实证研究。结果表明：①总体分类精度达到85.06%，总体Kappa系数为0.83，超过了0.7的最低允许判别精度；②该方法可以有效地减少研究区因南北部区域耕地植被覆盖度不同导致的错分现象，并可以用于盐田与滩涂信息的提取工作；③该方法既可为研究区土地利用相关研究提供符合精度要求的数据，也可为其他沿海地区进行土地利用/覆被信息提取工作提供参考和借鉴。 相似文献
17.
高分一号（GF-1）是我国自主研发的第一颗高分辨率遥感卫星，其包含地物信息较为丰富，已应用于土地利用信息提取，但在水利工程库区土地利用调查方面研究较少。本文以峡江水利枢纽工程库区为例，首先对库区影像进行了基于RPC模型的正射校正、几何精纠正等预处理；然后针对GF-1的传感器响应特性，采用基于多元线性波段拟合的方法对多光谱与全色影像进行融合，该方法相对于传统分量替换法具有更好的融合性能；最后综合利用影像的光谱、纹理及形状等特征，采用面向对象的方法对融合后的库区影像进行了地类信息提取与分类精度评价。试验结果表明，融合影像可以有效提取水利工程库区的土地利用信息，总体分类精度达到87.9%，Kappa系数为0.836，能够满足库区土地利用调查和变化监测的要求。 相似文献
18.
Sentinel-2影像多特征优选的黄河三角洲湿地信息提取 总被引：7，自引：1，他引：7
以北方典型河口湿地—黄河三角洲湿地为研究区,采用在特征选择和分类提取等方面具有明显优势的随机森林算法,对研究区内的湿地信息进行提取。首先基于多时相、光谱信息丰富的Sentinel-2数据生成4类不同的特征变量,包括光谱特征、植被指数和水体指数、红边指数、纹理特征;再根据以上特征构建6种不同的提取方案,对黄河三角洲湿地信息进行提取并验证不同方案的提取精度,旨在选择最佳方案改善湿地信息提取的效果。结果表明:(1)有效地使用多种特征变量是提高湿地信息提取的关键,就不同特征对湿地信息提取的贡献率而言,红边指数植被指数和水体指数光谱特征纹理特征;(2)基于随机森林算法优选的特征变量提取效果最佳,总体精度高达90.93%,Kappa系数为0.90,表明随机森林算法可以有效地进行特征选择,在特征变量数据挖掘的同时,仍能保证湿地信息提取的精度,提高运行效率。本研究为湿地信息提取在数据源选择、特征选择和方法选择方面提供了一种新思路、方法和技术手段。 相似文献
19.
为提高土地覆被分类精度,采用非参数权重特征提取(nonparametric weighted feature extraction,NWFE)结合纹理特征的支持向量机(support vector machines,SVM)的分类法,对新疆玛纳斯河流域绿洲区2006年的土地覆被进行分类,并将该方法与主成分分析(principal component analysis,PCA)结合纹理特征的SVM分类、原始波段结合纹理特征的SVM分类进行对比。结果表明,NWFE结合纹理特征的SVM分类结果优于其他2种分类结果,不仅反映了土地覆被分布的整体情况,而且使不同土地覆被类型得到较好的区分,总体分类精度达89.17%。 相似文献