共查询到10条相似文献，搜索用时 15 毫秒
1.
2.
遥感水深反演是水深测量的一种重要技术和手段.以美济礁水深反演为例,选择WorldView-02高分影像为数据源,在辐射定标和大气校正的基础上,构建BP（Back Propagation）和RBF（Radial Basis Function）人工神经网络水深反演模型,以遥感影像8个波段为输入层,通过tansig、logsig、高斯函数和purelin函数变换实现从输入层到隐含层、隐含层到输出层的转换,以便反演水深.最后对反演水深与实测水深采用回归分析,求解决定系数（coefficient of determination,R2）、平均决定误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Square Error,RMSE）等进行比较,评价2种模型的精度.结果表明,RBF神经网络模型结构更简单,对样本要求更低,反演精度达到0.995,更适合遥感水深反演. 相似文献
3.
在多光谱遥感图像中有时也会存在较严重的随机点噪声的干扰，这种随机点噪声严重影响了地物光谱特征提取和识别的精度，降低了各种遥感定量分析方法技术的有效性。常用的遥感图像随机噪声消除或压抑方法是Fourier变换频率域方法和采用平滑模板对图像进行卷积处理的空间域方法，但它们往往会损失图像信息。文章探讨了消除或压抑噪声的图像融合方法，即RNF融合法。RNF融合算法先对参与融合的多光谱图像进行低通滤波，对全色波段进行高通滤波。然后将滤波后的全色波段与多光谱图像用HSI变换法进行融合，融合后的图像消除了噪声。 相似文献
4.
ASTER数据的自组织神经网络分类研究 总被引：8，自引：0，他引：8
传统的遥感数据分类方法大多基于统计学的参数估计，假设数据分布服从高斯正态分布。神经网络方法无需参数估计和统计假设，因而，近来越来越多地应用于遥感数据分类之中。介绍了基于聚类分析的自组织特征映射分类方法。ASTER卫星数据是新型遥感数据，包括 3个15 m分辨率波段和 3个30 m分辨率的短波红外波段。选择北京地区的ASTER数据作为方法实验数据，首先对数据进行了小波融合，然后进行了土地覆盖类型的自组织特征映射神经网络分类研究，把研究结果同最大似然判别法得到的分类结果进行了比较，分类精度比最大似然判别法总体提高了9％。 相似文献
5.
基于灰度共生矩阵的图像纹理特征地物分类应用 总被引：9，自引：0，他引：9
针对传统遥感影像分类方法的分类精度不高,在分析图像的光谱信息的基础上,对基于灰度共生矩阵的纹理特征在地物分类中的应用进行了研究.本研究利用原始图像进行主成分分析后的前两个主成分,经过编程运算,提取了基于灰度共生矩阵方法的不同测度的纹理特征,将提取的纹理特征作为新的波段,与原始波段进行组合,再对组合图像进行监督分类,探索... 相似文献
6.
基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类. 相似文献
7.
岩石单元的结构、构造、差异风化和出露状况在遥感图像上综合表现为图形纹理特征即“图”标志，其矿物成分和组合则表现为光谱特征即“谱”标志.传统遥感岩石单元分类以利用其光谱特征为主，图形纹理特征为辅，因此分类精度有限.以新疆维吾尔自治区与甘肃省交界的北山西段为研究区，开展岩石单元图形指数和光谱指数协同分类方法研究.基于Worldview-2全色图像构建的图形指数，能够量化岩石单元的层理、构造、展布形态和微地貌等特征，包括0°和45°定向滤波图像及灰度共生矩阵计算出的同质性和异质性特征图像、熵特征图像；光谱指数基于Worldview-2多光谱图像和ASTER（Advanced Spaceborne Thermal Emission and Reflection Radiometer）短波红外波段图像利用比值、和-差方法构建.多源遥感图像构建的光谱指数其光谱波段涵盖可见光-近红外及短波红外，包括RI（Ratio index）ASTER、SI（Spectral index）ASTER、SIWorldview-2.采用面向对象方法对建立的图谱指数进行多尺度分割，依据不同岩石单元出露规模建立适宜的分割尺度，利用光谱指数自动提取相应岩石信息，实现岩石单元自动分类.结果表明，实验区基于图谱协同方法共划分出17类岩石单元，总体精度达到83.62%，而单独利用Worldview-2和ASTER图像，仅划分出13类和14类岩石单元.提出的图谱协同岩石分类方法可为我国西部高海拔深切割无人区地质调查及找矿工作提供新思路和遥感技术支撑. 相似文献
8.
高分辨率遥感影像场景分类一直是遥感领域的研究热点.针对遥感场景对尺度的需求具有多样性的问题,提出了一种基于多尺度循环注意力网络的遥感影像场景分类方法.首先,通过Resnet50提取遥感影像多个尺度的特征,采用注意力机制得到影像不同尺度下的关注区域,对关注区域进行裁剪和缩放并输入到网络.然后,融合原始影像不同尺度的特征及其关注区域的影像特征,输入到全连接层完成分类预测.此分类方法在UC Merced Land-Use和NWPU-RESISC45公开数据集上进行了验证,平均分类精度较基础模型Resnet50分别提升了1.89%和2.70%.结果表明,多尺度循环注意力网络可以进一步提升遥感影像场景分类的精度. 相似文献
9.
人工神经网络分类及其在遥感调查中的应用 总被引：4，自引：0，他引：4
1 前言 20世纪80年代末,神经网络开始在我国应用于遥感图像分类.遥感图像分类是反映人对图像的一种理解,包括浅层的视觉生理理解和深层的逻辑心理理解两种层次.神经网络方法的图像识别是人的视觉生理现象的简单模拟.与传统方法相比,具有并行处理、自适应等优势;此外对数据源要求更宽松. 相似文献
10.
遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中。极限学习机（extreme learning machine,ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用。本文采用训练速度快、运算量小的极限学习机算法与支持向量机（support vector machines,SVM）算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能。选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类。研究结果表明,极限学习机算法分类图像总体分类精度达到85%以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2 480 s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值。 相似文献