共查询到19条相似文献,搜索用时 62 毫秒
1.
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
2.
MODIS土地覆盖分类的尺度不确定性研究 总被引:2,自引:0,他引:2
以空间异质性较强的枯水期鄱阳湖为研究区,以搭载于同一卫星平台、具有同一观测时间和较高空间分辨率的ASTER数据为参照,分析研究了MODIS数据在土地覆盖分类中由空间尺度带来的不确定性。首先基于MODIS三角权重函数,建立了从ASTER到MODIS的尺度转换方法;然后对不同空间分辨率的数据进行土地覆盖分类,并基于误差矩阵和线性模型分析了MODIS土地覆盖分类结果的误差来源。结果表明,空间分辨率和光谱分辨率与成像方式这两类因素对MODIS与ASTER分类结果差异的贡献比例约为(6.6—11.2):2;MODIS像元尺度对研究区水体的分类不确定性影响较低,而对森林的不确定性影响可达63%。由此可见,在基于MODIS数据的土地覆盖分类研究中,空间尺度所产生的不确定性是比较显著的。这些研究结果对于土地覆盖分类及变化检测、尺度效应和景观生态学不确定性研究,有积极的参考意义。 相似文献
3.
优化子空间SVM集成的高光谱图像分类 总被引:2,自引:0,他引:2
随机子空间集成是很有前景的高光谱图像分类技术,子空间的多样性和单个子空间的性能与集成后的分类精度密切相关。传统方法在增强单个子空间性能的同时,往往会获得大量最优但相似的子空间,因而减小它们之间的多样性,限制集成系统的分类精度。为此,提出优化子空间SVM集成的高光谱图像分类方法。该方法采用支持向量机(SVM)作为基分类器,并通过SVM之间的模式差别对随机子空间进行k-means聚类,最后选择每类中J-M距离最大的子空间进行集成,从而实现高光谱图像分类。实验结果显示,优化子空间SVM集成的高光谱图像分类方法能够有效解决小样本情况下的Hughes效应问题;总体精度达到75%–80%,Kappa系数达到0.61–0.74;比随机子空间集成方法和随机森林方法分类精度更高、更稳定,适合高光谱图像分类。 相似文献
4.
采用了基于模糊关系的图像空间共现核来进行高分辨率遥感影像的分类。首先分析了遥感影像的特点,指出其不存在绝对的参考帧。针对该特点,采用了具有较好方向不变性的描述子MROGH(multi-support region order-based gradient histogram)来进行遥感影像底层特征的描述;随后针对图像编码时的软编码情形采用了基于模糊关系的图像空间共现核来构建遥感影像的全局特征汇聚。在公用基准数据集上进行的遥感影像分类实验表明,采用本文方法得到的分类正确率显著优于传统的方式。此外,针对遥感影像分类时采用的不同分类框架进行了评估。 相似文献
5.
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
6.
7.
8.
9.
受同物异谱和异物同谱现象的影响,对遥感影像进行分类时若仅利用光谱信息则分类精度的提高将会受到限制,而局部空间统计特征可以通过对地物空间聚集度的描述与分析在一定程度上减轻这种影响。本文研究了局部空间统计在不同指数(Moran’s I, Getis-Ord Gi, Geary’s C)、邻域规则和间隔距离下,对高空间分辨率的SPOT 5影像分类精度的影响规律。首先,对波段1进行局部空间统计分析,运算结果作为纹理波段添加到原始的光谱波段中;然后,综合利用光谱波段和纹理波段进行监督分类;最后,选取测试样本进行分类的精度评价,并比较分析不同条件下的分类精度,得到地物分类精度同参数之间的关系与规律。通过分析可以得出Getis-Ord Gi指数对于总体分类精度的提高最理想,总体分类精度从 87.74%提高到95.12%。 相似文献
10.
表达和利用目标空间下文及语义信息是高空间分辨率图像分类的一项关键技术。而条件随机场(CRFs)在空间上下文建模以及分类预测方面有其独特优势。但是基于单尺度分析的CRFs模型存在“不能描述大尺度的空间上下文信息”的问题。因此,针对高分辨率图像分类问题,本文提出了一种两级空间上下文特征分析的CRFs模型。该模型描述如下:先对图像进行分层及逐层特征提取,并进行“对象层-目标层”特征关联;再用支持向量机(SVM)的概率输出定义CRFs模型的关联势函数,利用分层特征加权的Potts函数定义交互势函数。最后采用分段学习及最大-积消息传递算法对该模型进行训练和推理。用Quickbird及大比例尺航空图像城区场景进行实验,结果表明:与单尺度下的基于像素、对象层或目标层分割的SVM-CRFs相比,本文提出的模型其分类精度均有所提高,分类效率较高。 相似文献
11.
《International Journal of Digital Earth》2013,6(9):710-726
Spatial information remains to be an important topic in geographic information system and in remote sensing fields, and spatial relationships have been increasingly incorporated into the image classification processes. Previous studies have employed multiple occurrences of spatial features (shape, texture, etc.,) to improve classification results. However, less attention has been focused on using higher-level spatial relationships for image classification. In this study, two novel spatial relationships, namely, maximum spatial adjacency (MSA) and directional spatial adjacency (DSA), were proposed to assist in image classification. The proposed methods were implemented to extract buildings, beach, and emergent vegetation land-cover classes according to their spatial relationships with their corresponding reference classes. The promising results obtained from this study suggest that the proposed MSA and DSA spatial relationships can be valuable information in defining rule sets for a more reasonable and accurate classification. 相似文献
12.
空间邻接支持下的遥感影像分类 总被引:2,自引:0,他引:2
传统光谱分类法的局限性促使了遥感“图谱耦合”认知理论的发展, 使其更加注重了空间信息的应用。
然而, 已有的分类方法虽也融入了空间形态、空间关系的应用, 在精度上有一定的提高, 但在空间规律定量描述、
地物实际分布边界跟踪等方面仍存在不足。本文发展了一种空间邻接支持下的遥感影像分类方法: 通过基准地物的
精确提取进而搜索与其邻接的目标地物, 对邻接范围内的地类混淆以及非邻接范围内的目标类误分一并进行修正,
并以近海地物分类为例进行试验, 获得了更为精确、合理的分类结果, 也为后续逐步精确地提取各地物提供了 相似文献
13.
14.
15.
16.
17.
提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物(不透水层、植被、水体和其他用地)的自动分类提取,并将分类结果与传统最大似然分类(ML)结果进行了对比分析。研究表明:基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。 相似文献
18.
D.G. StavrakoudisJ.B. Theocharis G.C. Zalidis 《ISPRS Journal of Photogrammetry and Remote Sensing》2011,66(4):529-544
A Boosted Genetic Fuzzy Classifier (BGFC) is proposed in this paper, for land cover classification from multispectral images. The model comprises a set of fuzzy classification rules, which resemble the reasoning employed by humans. Fuzzy rules are generated in an iterative fashion, incrementally covering subspaces of the feature space, as directed by a boosting algorithm. Each rule is able to select the required features, further improving the interpretability of the obtained model. After the rule generation stage, a genetic tuning stage is employed, aiming at improving the cooperation among the fuzzy rules, thus increasing the classification performance attained after the first stage. The BGFC is tested using an IKONOS multispectral VHR image, in a lake-wetland ecosystem of international importance. For effective classification, we consider advanced feature sets, containing spectral and textural feature types. Comparative results with well-known classifiers, commonly employed in remote sensing tasks, indicate that the proposed system is able to handle multi-dimensional feature spaces more efficiently, effectively exploiting information from different feature sources. 相似文献