共查询到18条相似文献，搜索用时 171 毫秒
1.
SVM多窗口纹理土地利用信息提取技术 总被引：2，自引：0，他引：2
针对单一窗口纹理分类时地物破碎,分类精度不高等问题,提出了一种基于支持向量机多窗口纹理的遥感图像分类方法。该方法在对SPOT5遥感影像进行纹理特征提取的基础上,构建了结合多窗口纹理的SVM模型。以陕西省佛坪县长角坝乡为试验区,利用此模型对该区域的土地利用类型进行分类研究,并将分类结果与单一窗口纹理SVM分类和单元数据(光谱)SVM分类结果进行了比较分析。结果表明:多窗口纹理参与的土地利用分类总精度达到85.33%,比单一窗口纹理分类提高了13.11%,而与单元数据SVM分类相比提高了近24.10%,取得了较好的分类效果,有效地解决了单一窗口纹理分类时地物破碎、分类精度不高等问题。 相似文献
2.
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
3.
影响遥感图像分类效果的主要因素之一是影像的空间分辨率。本文将Quickbird多光谱影像与高分辨率全色影像相融合,在保留了光谱信息的同时提高了影像分辨率。然后对融合后的影像进行多尺度分割,并运用地物的光谱统计特征、形状、纹理、类间关系等因素进行相关信息的提取。采用面向对象的模糊分类方法对试验区影像进行分类,最后对结果进行了精度评价。试验表明这种方法具有较高的精度。 相似文献
4.
面向对象和规则的高分辨率影像分类研究 总被引：1，自引：0，他引：1
随着航天遥感技术的发展,遥感数据的空间分辨率、光谱分辨率和时间分辨率极大提高,高效解译并处理海量的、具有空间几何信息和纹理信息的地物高分辨率遥感影像数据已成为遥感领域研究的重点与难点。对此,本文提出一种面向对象和规则的遥感影像数据的分类提取方法,即通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识,建立影像对象多层次网络分割分类结构,实现对遥感影像准确快速的地物分类和精度评价。以藏南地区WorldView-2影像数据为试验研究对象,采用面向对象和规则的影像分类方法进行验证试验,即综合采用均值方差法、最大面积法、精度比较法进行分析,选择3种最佳分割尺度建立多层次影像对象网络层次结构进行影像分类试验。结果表明,采用面向对象规则分类方法对高分辨率影像进行分类,能使高分辨率影像分类结果近似于目视判读的结果,分类精度更高。面向对象规则分类法的综合精度和Kappa系数分别为97.38%、0.967 3;与面向对象SVM法相比,分别高出6.23%、0.078;与面向对象KNN法相比,分别高出7.96%、0.099 6。建筑物的提取精度、用户精度分别比面向对象SVM法高出18.39%、3.98%,比面向对象KNN法高出21.27%、14.97%。 相似文献
5.
融合像素—多尺度区域特征的高分辨率遥感影像分类算法 总被引：1，自引：0，他引：1
针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。 相似文献
6.
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
7.
8.
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
9.
张景景 《测绘与空间地理信息》2018,(4):146-150
高分辨率遥感卫星影像是获取地物精细类别的重要数据源,快速准确地获取土地利用和土地覆盖分类信息可为土地利用规划、土地管理等提供重要的数据支撑和决策依据。本文开展了高分辨率影像面向对象分类研究,首先,利用多尺度分割方法对高分辨率影像进行分割,基于分割对象,选取不同地物类别样本并计算光谱特征、纹理特征、几何特征。然后,针对特征冗余问题,利用最大相关最小冗余算法选择优先级较高特征,在此基础上结合遗传算法对特征集进行适当扩充(m GA)。在面向对象分类过程中,通过利用遗传算法对支持向量机模型进行快速参数寻优,并在此基础上对分割对象进行分类。最终地物总体精度达到85.93%,Kappa系数为0.828 2。并将分类结果与最近邻分类和随机森林分类结果进行了比较,地物分类精度提高了4.05%和6.81%。实验结果表明:基于m GA特征优化及SVM参数选择进行改进的面向对象的分类方法是有效的。 相似文献
10.
以高空间分辨率遥感影像为研究对象,将纹理特征与影像的光谱特征结合起来,用于地表覆盖类型分类。设计了一种基于傅里叶谱纹理的分类策略,对主成分分析后的第1、2主分量特征影像,利用径向谱（r-spectrum）提取纹理特征,并将纹理与光谱特征结合起来,构建了不同的分类特征用于支持向量机分类模型。以Salinas数据集和QuickBird影像为例,验证该算法。结果表明,纹理与光谱信息的结合可以明显提高高分辨率遥感影像的分类精度;由傅里叶径向谱提取的纹理特征可以很好的应用到高分辨率遥感影像的分类问题中,分类精度高于基于傅里叶总能量谱和灰度共生矩阵的分类精度;利用该算法对PCA变换后的第1和第2分量提取的纹理特征具有一定的互补性,并且结合多特征图像的纹理特征提取优于单特征图像的纹理特征提取。 相似文献
11.
高光谱影像光谱-空间多特征加权概率融合分类 总被引：3，自引：3，他引：0
提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。 相似文献
12.
针对高分辨率影像上日光温室的信息提取问题,该文提出了利用支持向量机、最近邻算法结合纹理特征在不同层上分别提取连片日光温室和独栋日光温室的方法。实验表明:纹理特征能提高分类精度,在大尺度的层上,分类精度提升幅度较大,但在小尺度的层上,分类精度提升幅度会比较小;并不是参与运算特征数越多,分类精度越高,多数情况下光谱+纹理组合的分类精度最高;提取连片日光温室的最优方案是支持向量机和光谱+形状+纹理(7像素×7像素),总精度为92.86%,Kappa系数为0.90,而提取独栋日光温室最优方案为SVM和光谱+纹理(11像素×11像素),总精度为88.39%,Kappa系数为0.86。 相似文献
13.
高光谱影像的引导滤波多尺度特征提取 总被引：1，自引：0，他引：1
为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。 相似文献
14.
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
15.
In this study, a multi-scale approach was used for classifying land cover in a high resolution image of an urban area. Pixels and image segments were assigned the spectral, texture, size, and shape information of their super-objects (i.e. the segments that they are located within) from coarser segmentations of the same scene, and this set of super-object information was used as additional input data for image classification. The accuracies of classifications that included super-object variables were compared with the classification accuracies of image segmentations that did not include super-object information. The highest overall accuracy and kappa coefficient achieved without super-object information was 78.11% and 0.727%, respectively. When single pixels or fine-scale image segments were assigned the statistics of their super-objects prior to classification, overall accuracy increased to 84.42% and the kappa coefficient increased to 0.804. 相似文献
16.
遥感卫星的波段设置、信噪比及传感器观测角度等因素都会影响作物提取精度。为充分挖掘与发挥Sentinel-2卫星多光谱成像仪(MSI)与Landsat 8陆地成像仪(OLI)在冬小麦信息提取方面的优势,本文以商河县为研究区,基于两数据源的光谱特征、纹理特征、植被指数特征组合数据,利用随机森林(RF)与支持向量机(SVM)对冬小麦进行提取。结果表明:基于单一影像的最优Kappa系数与最优OA分别为0.89和95.13%,基于组合数据源的最优Kappa系数为0.92,最优OA为95.28%,两数据源组合的精度优于单一数据源提取精度;数据组合效果与分类器的性能有关,RF的Kappa系数相对于SVM分别提升0.04、0.20和0.11,OA分别提升2.41%、11.31%和6%,RF对冬小麦提取精度优于SVM。本文研究结果对于构建中高分辨率影像组合的典型农作物分类提取体系具有重要意义。 相似文献
17.
结合纹理的SVM遥感影像分类研究 总被引：7，自引：0，他引：7
针对传统统计模式识别分类方法分类精度不高,分类时未加入像元灰度的空间分布和结构特征以及分类时样本不足等缺陷,采用一种结合纹理的支持向量机(SVM)遥感图像分类方法。该方法在对Landsat7 ETM遥感影像进行纹理特征提取的基础上,构建了结合纹理的SVM分类模型。以河南省汝阳县为试验区,利用此模型对该区域的土地利用类型进行分类研究,并将分类结果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:该方法能够有效地解决单数据源分类效果破碎、分类精度不高等问题;对高维输入向量具有较高的推广能力;总精度达到90%,比单源信息的SVM分类法提高了6%,而与最大似然法相比,总精度提高了近9%,取得了良好的效果。 相似文献
18.
为了进一步提高遥感图像建筑物区域的识别精度,提出了一种基于中值稳健扩展局部二值模式(median robust extended local binary pattern,MRELBP)、Franklin矩和布谷鸟优化支持向量机(support vector machine,SVM)的分类方法。首先,通过MRELBP特征算子计算图像块的纹理特征向量,并根据Franklin矩得到形状特征向量,组合图像块的纹理特征向量和形状特征向量得到综合特征向量;然后,利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化;最后,通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明,与基于三原色(red green blue,RGB)和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比,本文提出的方法所识别的遥感图像建筑物区域准确度更高。 相似文献