共查询到10条相似文献,搜索用时 515 毫秒
1.
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
2.
《武汉大学学报(信息科学版)》2016,(4)
基于国产资源一号02C星高分辨率(high resolution,HR)影像,提取了基于变差函数、灰度共生矩阵和梯度的多纹理特征,结合光谱信息构建了基于支持向量机(support vector machine,SVM)的多源信息复合模型的图像分类方法,并与传统最大似然法和决策树法的分类结果进行了比较。研究表明,变差函数纹理和梯度纹理参与的多源复合数据有效提高了图像的分类精度,总分类精度由85.14%提高到87.43%,Kappa系数由0.82提高到0.85;绝对值变差函数为纹理最佳窗口分析提供了理论依据,基于累积步长提取的纹理特征能显著提升图像分类的精度,分类准确率提高了13.94%,Kappa系数增加了0.17;基于多源复合数据的SVM高空间分辨率遥感图像分类方法能有效解决传统图像分类结果破碎的问题,比最大似然方法和决策树法的分类精度显著提高,总精度达到89.14%,Kappa系数为0.87,分别提高了6.85%和10.84%。实验表明,ZY-1 02C星HR数据在冬小麦信息提取中具有一定的稳定性和优势。 相似文献
3.
4.
本文为了提高地物识别的正确性,克服异物同谱和同物异谱现象,以渭干河?库车河三角洲绿洲为例,利用ETM+数据,探讨了该绿洲盐渍化土地覆盖信息的提取方法。文章提出了基于SVM的光谱和纹理两种信息复合的分类方法,通过此方法对该绿洲进行分类研究,并将分类结果与最小距离法、最大似然法(MLC)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,并对高纬输入向量具有较高的推广能力,因此该方法更适合于遥感图像分类和盐渍化信息提取,是地物遥感信息提取的有效途径。 相似文献
5.
6.
多源遥感技术在土地利用分类中的应用 总被引:1,自引:0,他引:1
为有效提高土地利用分类精度,研究多源遥感数据的分类方法,提出了利用多源遥感技术进行土地利用分类。对居民地、耕地、林地、水体、未利用土地等土地利用类型的光谱特征及微波散射特征进行了分析,将高分一号多光谱数据与RADARSAT-2数据相结合,利用决策树分类器实现了土地利用类型的划分,其总体分类精度达到96.6%。与高分一号数据最大似然分类及RADARSAT-2数据的Freeman-Durden三分量最大似然分类进行了精度比较,结果表明,多源遥感技术可实现数据的特征互补,其分类精度优于仅采用多光谱数据或微波数据的分类精度。 相似文献
7.
面向对象的LiDAR数据多特征融合分类 总被引:1,自引:0,他引:1
针对单源遥感数据分类精度不高的问题,提出一种基于多特征融合的面向对象分类方法.该方法利用LiDAR点云数据的高程信息,并融合地物粗糙度特征,以及航空影像的地物光谱、形状和上下文信息等多种特征,再基于SVM分类器构建面向对象的分类方法,以提高城区环境下遥感数据分类的可靠性.试验表明,该方法可有效地提高城区地物的分类精度,且分类结果更符合人的视觉认知规律. 相似文献
8.
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
9.
为了更加准确地利用ASTER影像辅助填图,提出了一种结合小波变换、支持向量机(SVM)和投票法的ASTER影像岩性自动分类方法。首先,采用Haar小波对ASTER影像进行多尺度小波分解,统计小波系数的均值作为纹理特征,同时提取灰度共生矩阵(GLCM)方差、同质性、均值纹理特征;然后,利用小波纹理、GLCM纹理及光谱特征构造SVM分类的特征向量,并进行10次重复分类;最后利用投票法确定岩性单元。对结果进行统计评估,结合多种纹理,并利用投票法得到的岩性分类精度为92.1934%,Kappa系数为0.9202,比仅用光谱分类精度提高了13.3369%。小波纹理能提取更细节的岩性信息;投票法可以避免岩性因样本的空间变异性产生的动态变化,优化分类结果;SVM较最大似然法(MLC)更适合于训练数据集高维且非正态分布的岩性分类;采用人工蜂群算法搜索SVM的最优参数,可避免参数局部最优。 相似文献