共查询到20条相似文献，搜索用时 15 毫秒
1.
QuickBird全色与多光谱数据融合方法用于土地覆盖分类中的比较研究 总被引：12，自引：0，他引：12
QuckBird提供的高分辨率卫星图像可以制作大比例尺城市土地覆盖分类图.图像融合可以充分利用全色图像的高空间分辨率和多光谱图像的光谱信息,提高目视和自动图像分类精度.在遥感领域应用较多的融合方法有IHS变换、主成分分析、颜色归一化和小波变换等多种方法,从光谱质量和图像分类两个方面进行比较研究,发现进行小波系数调整的小波变换融合方法光谱退化最小,土地覆盖分类精度最高. 相似文献
2.
以胶州湾及周边海岸带为研究区,采用Landsat 7 ETM 数据,提出一种基于à trous小波变换的全色图像和多光谱图像融合改进算法.对全色图像和多光谱图像进行适当层数的小波分解,多光谱图像的低频部分采用全色图像和其低频分量的比来调制;最高分解层外的其余分解层采用多光谱图像和全色图像在该层分解系数的加权和,加权系数由局部区域能量比来确定;最高分解层则采用绝对值最大准则.实验表明,该方法得到的图像可提高空间分辨率,对多光谱图像的光谱信息扭曲也较小,为提高海岸带地物分类和信息提取精度奠定了基础. 相似文献
3.
《国土资源遥感》2021,(2)
深度学习技术因其在深度挖掘地物特征方面的独特优势为高光谱图像分类提供了技术手段。但是在高光谱图像的像素级地物分类中,由于样本输入尺寸的影响导致深度学习的层数受限,不能充分挖掘高光谱图像中的深度特征,为此提出基于残差网络特征融合的高光谱图像分类方法。首先通过主成分分析(principal component analysis,PCA)方法提取原始高光谱图像中的第一主成分,利用残差网络有效提取地物空谱特征;再通过反卷积算法实现特征图的扩充,将反卷积后不同维度的特征进行多尺度特征融合,充分挖掘高光谱图像中的深度特征信息,进一步提升高光谱图像分类精度。对"珠海一号"卫星拍摄的江苏太湖和安徽巢湖两个区域进行地物分类实验,结果表明,与其他方法相比,该方法有效解决了高光谱图像分类中深度特征提取不足的问题,获得了更好的分类性能。 相似文献
4.
以胶州湾及周边海岸带为研究区，采用Landsat 7 ETM+数据，提出一种基于à trous小波变换的全色图像和多光谱图像融合改进算法。对全色图像和多光谱图像进行适当层数的小波分解，多光谱图像的低频部分采用全色图像和其低频分量的比来调制； 最高分解层外的其余分解层采用多光谱图像和全色图像在该层分解系数的加权和，加权系数由局部区域能量比来确定； 最高分解层则采用绝对值最大准则。实验表明，该方法得到的图像可提高空间分辨率，对多光谱图像的光谱信息扭曲也较小，为提高海岸带地物分类和信息提取精度奠定了基础。 相似文献
5.
针对传统全色锐化算法大多采用规则区域注入空间细节，而造成融合图像出现一定光谱失真和细节损失的问题。该文提出一种自适应脉冲耦合神经网络(PCNN)全色锐化算法，该算法利用混合蛙跳算法(SFLA)自适应优化PCNN迭代参数，使PCNN每次迭代均按照最小交叉熵原则进行非规则聚类分割，对获取的非规则区域自适应注入高分全色图像细节信息，以获得细节和光谱信息保持更好的融合图像。通过WorldView-2和高分一号高分辨率遥感数据集对比实验，结果表明，该自适应参数PCNN全色锐化算法在多个空间细节和光谱信息评价指标上均优于其他全色锐化算法。 相似文献
6.
以胶州湾及周边海岸带为研究区，采用Landsat 7 ETM^＋数据，提出一种基于à trous小波变换的全色图像和多光谱图像融合改进算法。对全色图像和多光谱图像进行适当层数的小波分解，多光谱图像的低频部分采用全色图像和其低频分量的比来调制；最高分解层外的其余分解层采用多光谱图像和全色图像在该层分解系数的加权和，加权系数由局部区域能量比来确定；最高分解层则采用绝对值最大准则。实验表明，该方法得到的图像可提高空间分辨率，对多光谱图像的光谱信息扭曲也较小，为提高海岸带地物分类和信息提取精度奠定了基础。 相似文献
7.
深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。 相似文献
8.
提出了一种基于频谱能量的高分辨率遥感图像地物识别方法。首先将预处理后的典型地物的遥感图像通过傅立叶变换从空间域转变到频率域,然后用位于频谱中心的一个矩形窗口提取频谱图上对能量贡献起主导作用的低阶频谱能量系数作为目标识别的主要特征值,并利用该特征值结合SVM分类方法对目标地物样本进行识别和分类。研究结果表明,每种地物样本均获得了较高的识别结果,总体精度达到了88.96%。 相似文献
9.
以Quickbird影像为研究对象,探讨了利用多种特征信息识别地物目标的技术方法.首先采用区域生长法将影像分割为若干个具有语义信息的对象,然后在此基础上提取对象的光谱、形状和纹理特征并进行描述,最后根据提取的特征参数,采用最近邻方法将影像分为建筑物、公路、铁路、水塘、耕地、林地和荒地7类地物目标,综合分类精度达到91.03%.研究表明,多种特征信息的综合利用,在目标分类与识别方面明显优于传统的基于单一光谱特征的方法,在一定程度内提升了遥感信息的智能化水平. 相似文献
10.
《国土资源遥感》2021,(1)
为了快速准确获取煤炭矿区的地物信息,以达到辅助安排和部署矿区安全生产工作的目的,采用无人机低空遥感拍摄的方式获取了矿区内的高清影像数据,并提出一种基于面向对象和深度学习的矿区无人机影像地物提取方法。首先利用面向对象的分类方法配合人工校正,制作用于深度学习语义分割的标签,再采用FCN-32s,FCN-8s和U-Net 3种深度学习语义分割模型提取图像特征,训练出3种不同的分类模型,并基于此提出多数投票和打分算法2种集成模型改进地物提取精度。实验结果表明,面向对象结合深度学习方法的地物提取准确率、Kappa系数较传统面向对象方法均有明显提升。其中打分集成模型识别效果最好,在测试集上的整体准确率为94.55%,高出面向对象方法 5.96百分点; Kappa系数为0.819 1。 相似文献
11.
合成孔径雷达(SAR)图像含有丰富的纹理信息,特别是进行城市地物分类时,纹理特征对于图像的解译具有重要的意义。本文对基于灰度共生矩阵和Gabor变换两种纹理特征提取方法进行了研究,将灰度和不同纹理特征组合应用于SAR图像城市地物分类,并以ALOS PALSAR影像为数据源进行了实验。通过对不同分类结果进行定性和定量分析,结果表明,引入纹理特征后的SAR图像分类结果要优于无纹理信息参与的分类结果,基于不同纹理特征组合的SAR图像分类结果要优于基于单一纹理特征的分类结果。 相似文献
12.
合成孔径雷达（ SAR）图像含有丰富的纹理信息,特别是进行城市地物分类时,纹理特征对于图像的解译具有重要的意义。本文对基于灰度共生矩阵和Gabor变换两种纹理特征提取方法进行了研究,将灰度和不同纹理特征组合应用于SAR图像城市地物分类,并以ALOS PALSAR影像为数据源进行了实验。通过对不同分类结果进行定性和定量分析,结果表明,引入纹理特征后的SAR图像分类结果要优于无纹理信息参与的分类结果,基于不同纹理特征组合的SAR图像分类结果要优于基于单一纹理特征的分类结果。 相似文献
13.
图像分数维计算模型的改进 总被引：1，自引：0，他引：1
分数维作为一种图像纹理特征常用于遥感图像分类,提高图像分数维的测量有助于提高遥感分类精度。本文在介绍目前常用的基于分形布朗运动分数维计算方法的基础上,运用分形的相关理论,指出了现有方法存在的缺陷,提出了改进的分数维计算方法;并用SPOT全色影像中常见的5种地物进行了对比实验,实验结果表明,本文提出的改进方法获得的分数维测量结果比现有的方法更接近理论分析结果,更有利于地物的识别与分类。 相似文献
14.
高光谱图像稀疏流形学习方法研究 总被引：1，自引：1，他引：0
<正>高光谱图像是由成像光谱仪记录地物对电磁波的反射值而获取,包含从可见光到近红外范围内的数十上百个连续且狭窄的波段。高光谱图像光谱分辨率高,可辨识细微差异的地物,目前已广泛应用于环境监测、精准农业、目标识别和地物分类等领域。在高光谱图像分类中,传统分类方法因数据量大、波段数多、波段间的相关性强而导致"维数灾难"。因此,如何减少波段数且不丢失有用信息是目前高光谱图像分类领域的研究前沿与热点。 相似文献
15.
以往的高光谱或多光谱图像分类与识别,往往只关注像元光谱维上的特性,其一切特征统计也只在光谱及波段维上展开。但是自然界的复杂性、混合像元问题的存在,仅靠像元的光谱特性是不够的,常会出现"麻点"现象。针对这一问题,本文提出一种结合地物空间特性的高光谱图像分类方法,其分类过程可以分为两个阶段,第一阶段是基于像元光谱特性的图像分类,获得影像分类图;第二阶段是针对第一阶段的分类结果,结合地物空间特性进行空间后分类处理。试验研究结果表明,该方法能够保持地块的连续性和均一性,同时克服了"麻点"现象,大大提高分类的精度。 相似文献
16.
高光谱图像分类是遥感领域中一个具有挑战性的问题。基于深度学习框架的高光谱图像分类方法,由于其良好的分类性能受到了越来越多的关注。然而,这些方法普遍存在的问题为：模型的训练不仅需要大量的时间,而且还需要大量的标签样本。针对此问题,本文提出了一种基于超像素图卷积网络的高光谱图像分类方法。该方法以超像素作为图的节点,极大地减小了图的规模,从而提高了分类效率;提出的超像素合并技术能有效地融合光谱-空间信息,增强了空间信息在分类中的作用;为了验证该方法的有效性,在Indian Pines、Pavia University两个实际数据集上进行试验,并与一些先进的基于深度学习框架的高光谱图像分类方法进行比较。结果表明,本文方法在分类精度和分类效率上均优于其他方法。 相似文献
17.
如何有效地提取和融合不同模态的特征是高光谱图像和激光雷达数据联合分类的关键。近年来,得益于深度学习强大的特征学习能力,其在高光谱图像和激光雷达数据联合分类领域受到了越来越多的关注。然而,现有的深度学习模型大多基于监督学习的模式,分类性能依赖标注样本的数量和质量。为此,本文提出了一种基于模态间匹配学习的联合分类方法,充分利用未标注样本的信息,减少对标注信息的依赖性。具体而言,本文首先通过高光谱图像和激光雷达数据之间的匹配关系和KMeans聚类算法,构造模态匹配标签。然后,利用该标签训练含有多个卷积层的匹配学习网络。该网络由两个并行分支构成,每个分支负责提取单个模态的特征。最后,以该网络为基础,构造高光谱图像和激光雷达数据联合分类模型。该模型的参数由匹配学习网络进行初始化,因而只需要少量标注样本进行微调即可达到理想的分类效果。为了验证本文方法的有效性,在Houston和MUUFL两个常用的高光谱图像和激光雷达数据联合分类数据集上进行了大量的实验。实验结果表明,与已有的分类模型相比,本文方法能够获得更高的分类性能。 相似文献
18.
针对全色图像的冰雪识别问题,以过渡区理论为基础,提出基于过渡区特征的冰雪识别方法.首先利用K-均值聚类方法分离云、雪与其他地物,再通过SUSAN(smallest univalue segment assimilating nucleus)边缘检测提取过渡区图像;然后设立描述过渡区大小的特征量——厚度,并与过渡区的均值和方差特征量组合成特征向量,用以分析过渡区特征,识别具有冰雪过渡区特征的点,构成冰雪边界;最后经过边界生长和区域填充,实现冰雪识别.以“北京一号”小卫星全色图像为遥感数据源,应用该方法及过渡区阈值法、迭代自组织法和面向对象纹理分析法分别提取冰雪覆盖区.该方法的冰雪识别精度达到97.39％,明显高于其他识别方法,表明该方法能获得较高精度的冰雪识别结果和丰富的边缘信息,可为云雪分离及雪线提取等方法研究提供参考. 相似文献
19.
RADARSAT-2全极化SAR数据地表覆盖分类 总被引：1，自引：0，他引：1
全极化合成孔径雷达(SAR)能够测量每一观测目标的全散射矩阵,但地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征,因而增加了地物信息提取的难度。文中基于北京地区的RADARSAT-2全极化雷达数据,在图像处理的特征分解的基础上,利用PolSARPro软件提取包含地物散射机理信息的各种极化参数,按H-α、A-α、H-A对全极化SAR影像进行基于散射机理的分类,继而将分类结果作为Wishart H/A/α、Wishart H/α的初始类别划分。最后,采用决策树分类算法对基于Wishart分布的监督分类及以上两种分类算法进行融合处理,从而实现地物的分类,并将分类结果与经典的分类算法进行对比分析,验证了文中方法的有效性。 相似文献