共查询到20条相似文献，搜索用时 562 毫秒
1.
Landsat7 ETM＋影像的融合和自动分类研究 总被引：25，自引：0，他引：25
利用SFIM、MLT、HPF和修改的Brovey(MB)等遥感影像融合算法对Landsat 7 ETM 影像进行融合和自动分类研究，并就融合影像的光谱保真度、高频空间信息融人度和分类精度对这些方法进行评价。结果表明SFIM变换几乎完全保持了原始影像的光谱特点，并具有最高的平均分类精度；MB变换具有最高的高频空间信息融人度；MLT变换也具有较高的分类精度；只有HPF变换的各项指标都不突出。所有4种融合影像的分类精度都较原始影像的分类精度有明显的提高。这表明，源于同一传感器系统的不同分辨率影像的融合可以避免异源传感器融合影像所常见的各种参数、时相和配准误差，所以能够明显地提高影像的自动分类精度。 相似文献
2.
地质灾害调查中ETM+与SPOT 5 Pan影像融合与评价 总被引：1，自引：0，他引：1
在对金沙江上游某库区地质灾害调查中,针对研究区范围广、高差大及交通不便等不利因素,选用ETM 与SPOT 5 Pan融合影像,对库区地质灾害进行遥感调查;分别采用Brovey变换、IHS变换和PCA 变换融合方法对这2种影像进行了融合,并对融合方法和地质灾害解译效果进行了评价.结果表明,PCA变换是一种适合于地质灾害调查的遥感影像融合方法,融合后的影像滑坡、泥石流及崩塌等地质灾害特征明显,能够满足地质灾害遥感解译要求. 相似文献
3.
4.
针对融合算法对影像分类精度具有明显影响的问题,本文选择连云港海岸带埒子河口滨海湿地为研究区,以GF-1卫星影像为数据源,首先分别使用Gram-Schmidt算法、PCA算法及Brovey算法进行影像融合。然后在eCognition软件平台上,基于面向对象多尺度分割技术,利用随机森林算法对影像进行土地利用分类,并对分类结果进行精度评价。试验结果表明,不同融合算法影像融合效果明显不同,其中,Gram-Schmidt算法融合后的影像质量最好,且分类精度最高;Brovey融合算法对植被和水体有较好的光谱保真性,并且改变波段组合后分类精度有明显提高;PCA算法在3种融合算法中精度最低。 相似文献
5.
城市绿地信息提取中高分辨率卫星影像融合方法研究 总被引：3，自引：2，他引：1
利用GS变换、主成分分析、Ehlers变换、Wavelet分析、HIS变换5种方法对城区WorldView-2和PL-1A影像进行融合,并从影像融合质量和绿地信息提取精度两方面对融合方法的有效性进行了评价。结果表明：①5种融合方法中,GS变换融合的效果最好;主成分分析和Ehlers变换融合WorldView-2质量较好,但融合PL-1A影像质量较差;Wavelet变换、HIS变换融合两种影像质量都较差;②用于绿地信息提取时,GS、PCA融合影像获取的精度最高,其次为Ehlers、Wavelet融合影像,均明显高于多光谱影像的提取精度;Ehlers、Wavelet变换精度最低,绿地信息提取精度低于多光谱影像的提取精度。可以得出,影像融合可以明显地提高绿地信息提取精度,5种影像融合方法中,GS变换普适性较好,影像融合质量最好,提高分类精度效果最明显。 相似文献
6.
针对南方复杂地区水稻遥感信息提取研究中机器自动学习分类研究较少、分类精度不高的问题,以福建省三明市建宁县溪口镇为研究区,基于GF-1号卫星影像,采用面向对象的随机森林遥感分类算法对研究区内水稻田信息进行提取。首先通过优化面向对象分割参数和随机森林分类模型参数,提取并调用了影像中的多种特征;再对光谱特征、植被指数特征、纹理特征、几何特征进行特征空间优选;最后通过设置4种特征优选试验进行对比,得到最优分类模型。实验结果显示,基于特征空间优选的面向对象随机森林分类算法的水稻提取精度高达90%,分类总体精度可达87%,Kappa系数为0.85;与其他试验结果相比,漏分和误分现象较少,实现了南方地区水稻信息高精度自动识别。该方法计算特征少、实现简便,对于国产高分卫星影像在南方复杂地区作物自动提取中的应用具有参考性。 相似文献
7.
融合SAR影像的后向散射信息和光学影像的光谱信息是提高土地覆盖分类精度的重要手段之一，其中多尺度变换是一种有效的融合方法。然而，多尺度变换方法的融合规则通常根据局部特征信息和脉冲耦合神经网络模型进行设计，存在结构信息和细节信息提取能力有限，以及脉冲耦合神经网络参数设置复杂和空间相关性差等问题。为此，本文提出一种结合改进Laplacian能量和参数自适应双通道单位连接脉冲耦合神经网络(ULPCNN)的遥感影像融合方法。该方法混合成分替换方法和多尺度变换方法，首先对多光谱影像进行IHS变换得到亮度分量I,将亮度分量I与SAR影像通过非下采样剪切波变换(NSST)分解得到高低频子带。然后对低频子带采用结合加权局部能量和八邻域修正拉普拉斯加权和的融合规则，同时对高频子带采用参数自适应双通道ULPCNN的融合规则，将高频子带的多尺度形态梯度作为链接强度，并根据OTSU阈值和影像强度来实现其他参数的自适应表示。最后依次进行NSST重建和IHS逆变换得到融合影像，并选择随机森林分类器对融合影像进行土地覆盖分类。试验结果表明，本文方法相较于13种其他方法在11个融合评价指标和土地覆盖分类精度上总体表现最佳，土地覆盖分类的总体精度和Kappa系数在区域1中比原多光谱影像分别提高了8.350%和0.107,在区域2中比原多光谱影像分别提高了6.896%和0.091。 相似文献
8.
许辉熙 《测绘与空间地理信息》2009,32(6):11-14
目前,高分辨率全色遥感影像和低空间分辨率的多光谱遥感影像融合是影像融合技术应用的主流.EN-VI 4.4遥感影像处理软件影像融合处理的工具--SPEAR提供了PCA变换、Gram-Schmid变换、Brovey变换和HSV变换4种专门用于全色与多光谱遥感影像融合的算法.以ETM+全色与多光谱遥感影像融合为例,选择熵、偏差和相关系数3个定量指标,对采用4种融合方法得到的影像进行评价.经综合评价和比较,实验的4种影像融合算法中,Gram-Schmidt变换效果最好. 相似文献
9.
高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。 相似文献
10.
由于中高分辨率遥感影像数据时序性不强,分类过程中无法准确记录地物的时序特征。为增加地物时序变化特征,本文使用时空融合模型重建高时序高分辨率遥感影像,分析加入时相特征对分类结果的影响。以河北省石家庄市中部地区为例,本文采用3种时空融合模型重建高时序的30 m分辨率的遥感影像,增加影像时序分类特征,采用随机森林对年度重建时序影像分类,分析不同重建时序影像数量和不同时间跨度对分类结果的影响。试验表明,通过重建年度时序影像分类比单一影像分类精度增强;分类精度随着时序影像数量增加而增大,当时序影像数量选定为12景,也就是1月1景时,分类精度趋于稳定;不同时间段对分类结果影像程度不同,引入植被变化期间的时序影像,分类精度最高。 相似文献
11.
矿山地表要素提取,可为矿山的合理开发利用、尾矿的管理、土地复垦、生态修复提供数据支撑,具有重要的实践意义。本文以湘西花垣县某铅锌矿区IKONOS影像为数据源,使用4种融合方法:Brovey变换、主成分(PCA)变换、Gram-Schmidt Pan变换、缨帽(KT)变换,对全色影像及多光谱波段进行融合,发现与原始影像相比,KT变换融合影像的光谱信息、空间信息保持得最好。基于ENVI中面向对象分层分类的方法,提取研究区内的典型地物,主要包括植被、裸地、道路、建筑物、矿石堆、尾矿库及蓄水池,并进行识别精度评价,总体精度达86.12%,Kappa系数为0.834 7。结果表明,面向对象分层分类的方法能有效地应用于复杂铅锌矿区的地物提取。 相似文献
12.
利用大丰市沿海滩涂湿地区域的高光谱影像和同时期的机载LIDAR数据,结合影像的光谱信息,采用随机森林算法(RF)对研究区进行湿地植被精细分类,并分析和评价分类模型参数设置对总体精度的影响,最后与SVM分类结果进行对比。结果表明:随机森林分类方法的总体精度为90.3%、卡帕(Kappa)系数为0.874;与传统的SVM分类方法相比,RF法均提高了4种湿地植被的生产者精度和使用者精度。通过分析RF分类模型参数设置对总体精度的影响,得出当生长树个数为30、生长树深度为30时,分类精度最高。 相似文献
13.
森林类型遥感影像自动制图在森林资源调查中有重要应用,本文以广西壮族自治区金秀县为研究区,基于多时相的Landsat-8数据,采用面向对象的决策树分类方法,对研究区森林类型自动识别进行了研究,分类结果表明:1)单一时相影像森林分类精度中,生长季前期最高,生长季末期次之,非生长季最冷月最低;2)结合生长季与非生长季的多时相影像森林类型自动识别精度较单一时相影像显著提高。 相似文献
14.
《地理空间信息》2017,(8)
利用SPOT全色波段影像和Landsat ETM+多光谱影像,采用波段特征分析法和改进的最佳波段指数法确定最佳融合波段。选择具有代表性的HSV变换、Brovey变换、PCA变换、Gram-schmidt变换和小波变换方法进行影像融合。针对融合后的影像采用定量评价法进行质量评价,通过不同地物的光谱、空间和纹理信息等进行比较分析构建适当的分类特征和规则,采用面向对象的遥感分类方法进行分类。结果表明,波段特征分析法和改进的最佳波段指数法结合,可以获得最佳融合波段。各融合方法均有效提升了影像效果,其中HSV和GS变换融合方法更好地保持了影像的多光谱和高分辨率特性,融合后各地物特征分类明显,可以有效应用于湿地分类;采用主成分分析法来设置面向对象分类中的波段权重,可以利用各波段信息量的差异进行影像的分割。基于各种遥感指数的面向对象分类方法用于湿地分类获得了93.62%的分类精度,与传统的分类方法相比有了很大进步,在湿地分类中具有很大的应用潜力。 相似文献
15.
16.
《国土资源遥感》2020,(1)
选择安徽省巢湖流域为研究区,采用U-net模型和随机森林模型,对高分一号(GF-1)高分辨率遥感影像进行水体信息提取,并对比分析了2种模型的水体提取结果和效率。结果表明:①对于大面积水体,2种模型的水体提取结果均具有较高的精度;②对于小面积水体,随机森林模型水体提取结果存在较多细碎图斑,U-net模型水体提取结果和人工目视解译结果更加符合;③对于遥感影像中城市建筑物阴影和山体阴影,U-net模型能较好地消除阴影影响,正确提取水体,而随机森林模型存在较多将阴影误分为水体的现象;④总体来看,在复杂地表覆盖类型条件下,U-net模型提取水体的总体精度为98. 69%,Kappa系数为0. 95,均高于随机森林模型,在2种模型漏分误差相当的情况下,U-net模型错分误差远小于随机森林模型。U-net模型避免了人工提取分类特征的过程,自动化程度更高,训练效率较高,适用于遥感影像中水体高精度提取。 相似文献
17.
高分辨率遥感影像的随机森林变化检测方法 总被引：3，自引：0，他引：3
基于面向对象分析(OBIA)的遥感影像变化检测研究已取得显著的进展,代表了遥感影像变化检测的发展范式,未来是发展更加智能的解译分析方法。随机森林作为一种新的机器学习算法,其预测效果和性能稳定性要优于许多单预测器和集成预测方法。本文充分利用OBIA及随机森林机器学习算法的优势,提出了利用随机森林进行面向对象的遥感影像变化检测。首先基于熵率对影像进行超像素分割,通过最优超像素个数评价指数来获取最佳的影像分割结果,并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据,用于模型的训练。在初始像素级检测结果之上,自动进行分类样本选择并构建分类器模型,用训练好的模型来提取最终的变化区域。利用Quickbird、IKONOS、SPOT-5等3组多光谱影像进行试验,结果表明,本文方法在变化检测精度上要优于对比方法。 相似文献
18.
基于Radarsat和TM图像融合与分类的土壤盐渍化信息遥感监测研究 总被引：1，自引：0，他引：1
单一雷达影像数据通常不能提供足够的用以监测干旱地区盐渍化的信息。雷达图像与TM图像的融合可以提高遥感数据的利用率,增强数据的可靠性和信息的互补性,有助于提高分类精度。本文采用了GramSchmidt变换融合法将Radarsat和TM图像进行融合,并将该融合方法与一些常用融合方法(HIS融合、PCA融合、Brovey融合)进行了比较,结果表明该融合方法优于其他方法。最后采用支持向量机分类法(SVM)对Radarsat、TM融合后的图像进行了分类。结果表明:同单独Radarsat影像和TM影像分类结果相比,该融合分类法将分类精度分别提高了近30%和2%。因此该融合分类法更适合于遥感图像盐渍化信息监测。 相似文献
19.
基于随机森林的洪河湿地遥感影像分类研究 总被引：1，自引：0，他引：1
随机森林(Random Forests)是一种最有效的分类方法之一。现阶段,它吸引了来自不同领域的研究人员,被广泛应用到不同的学科领域之中。本文采用TM影像,运用随机森林算法,对洪河湿地影像进行分类,并与最大似然监督分类方法(Maximum Likelihood Classification,MLC)和CART(Classification And Regression Tree)算法对比。结果表明,基于RF算法的分类结果的总精度和Kappa系数分别为88.31%和0.82,较MLC和CART分类方法有明显提高。从而证明RF算法可以提高遥感影像的分类精度,并可应用在湿地信息的提取研究中。 相似文献
20.
单变量特征选择的苏北地区主要农作物遥感识别 总被引：2，自引：0，他引：2
遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。 相似文献