共查询到20条相似文献,搜索用时 171 毫秒
1.
2.
面向对象分类特征优化选取方法及其应用 总被引:3,自引:1,他引:2
与传统基于像元的分类方法比较,面向对象的分类方法可利用的地物信息更加丰富,然而如何从众多信息中筛选出能够有效提取不同地物的分类特征,从而提高分类效率与精度,是使用面向对象方法分类时急需解决的问题。SEaTH算法(分离阈值法)是一种有效的自动选取分类特征并计算阈值的方法,但其只考虑了类间距离,容易存在信息的冗余,从而对分类精度造成一定影响。本文在SEaTH算法的基础上,综合考虑了特征间的相关性、类间距离以及类内距离,对SEaTH算法进行了优化,并将改进前后的两种方法运用到广东省肇庆市TM影像及环境一号卫星影像土地覆盖分类中进行对比分析。实验结果表明,改进后的方法筛选出的特征在提取地物上更为有效,尤其使耕地的分类精度提高了12.26%,使分类总体精度由80%提高到了85.26%。改进后的方法对不易获取多时相影像的地区的土地覆盖分类具有重要意义。 相似文献
3.
《地理空间信息》2017,(4)
天绘一号是我国第一代传输型立体测绘卫星,主要用于科学研究、国土资源普查、地图测绘等领域的科学实验任务。以天绘影像为实验数据,利用面向对象的影像分割技术,通过选择合适的尺度参数对影像进行分割。结合SVM对得到的影像对象层进行分类实验。具体分析了SVM分类器核函数的选择以及参数的设置对分类精度的影响。最终分类实验结果的总体精度为90.857 1%,Kappa系数为0.858 1。将分类结果与传统基于像元的马氏距离分类法和最大似然值分类法的分类结果进行比较,总体精度分别提高了约29.29%、5.91%,Kappa系数分别提高了约0.35、0.06。实验结果表明,面向对象的SVM分类法不仅对影像分类的精度有大幅度的提高,同时,也很好地解决了传统基于像素分类法出现的"椒盐"现象,是一种很有优势的影像分类法。 相似文献
4.
提出"全域-局部"遥感信息分布提取模型,通过计算和整合影像局部范围内的空间和光谱特征来优化全域上光谱混淆较大像元的提取精度。模型分为两个主要计算步骤:"全域"前分类与"局部"后分类;"全域"前分类将仅划分出满足一定精度阈值标准的像元,而"局部"后分类则在此部分分类结果基础上,进一步发掘和计算已分类像元所蕴含的信息来辅助对全域未分类像元的提取。在不透水面专题提取过程中,采用支持向量机SVM作为前分类器,通过控制精度阈值所对应的分类后验概率产生部分分类结果;采用调节最小距离分类器作为后分类器,根据一定的权重整合像元局部范围内的空间与光谱信息,代替了传统的全域光谱信息来优化分类。实验采用TM5影像以及所对应的NLCD(National Land Cover Data)标准不透水面产品作为测试集,"全域-局部"模型对应单一SVM模型的提取精度由80.31%提高为82.73%,局部后分类器精度较单一SVM模型由54.27%提高到59.94%。实验证明该模型具有较明显的精度提升且能够较好地解决不透水面与裸土混淆的问题,并得到空间形态上更为完善的不透水面提取结果。 相似文献
5.
高光谱遥感影像丰富的光谱信息有利于深入挖掘目标的理化特性,精细识别不同目标间的细微差异。为了提高影像分类识别的精度与速度需要对光谱信息进行特征提取。基于核函数的判别分析能够在数据中提取非线性特征,本文将其应用到高光谱影像分类的特征提取中,并进行了最小距离分类实验取得理想结果。 相似文献
6.
7.
8.
9.
面向对象分类提取高分辨率多光谱影像建筑物 总被引:1,自引:0,他引:1
初步测试利用基于知识规则的面向对象分类方法从高分辨率Ikonos卫星影像上提取建筑物,包括:融合1 m全色和4 m多光谱波段影像,生成1 m分辨率的多光谱融合影像;分割融合影像;利用影像对象的光谱和空间特征执行基于对象的分类。面向对象分类提取结果与传统的基于像元最大似然分类结果进行对比,表明面向对象分类方法更适用于提取高分辨率遥感影像中的建筑物。 相似文献
10.
基于形态学的空间信息和光谱信息SVM影像分类 总被引:1,自引:0,他引:1
提出一种基于数学形态学的空间信息和光谱信息集成的影像分类方法,并分析该方法相对于单纯基于像元光谱特征的分类方法所具有的优势。对ROSIS高分辨率高光谱影像、北京中关村地区OMIS高光谱遥感影像两组数据进行SVM分类验证,试验表明,基于空间信息和光谱信息的分类技术能产生较好的分类结果。 相似文献
11.
12.
13.
14.
以高空间分辨率遥感影像为研究对象,将纹理特征与影像的光谱特征结合起来,用于地表覆盖类型分类。设计了一种基于傅里叶谱纹理的分类策略,对主成分分析后的第1、2主分量特征影像,利用径向谱(r-spectrum)提取纹理特征,并将纹理与光谱特征结合起来,构建了不同的分类特征用于支持向量机分类模型。以Salinas数据集和QuickBird影像为例,验证该算法。结果表明,纹理与光谱信息的结合可以明显提高高分辨率遥感影像的分类精度;由傅里叶径向谱提取的纹理特征可以很好的应用到高分辨率遥感影像的分类问题中,分类精度高于基于傅里叶总能量谱和灰度共生矩阵的分类精度;利用该算法对PCA变换后的第1和第2分量提取的纹理特征具有一定的互补性,并且结合多特征图像的纹理特征提取优于单特征图像的纹理特征提取。 相似文献
15.
高分辨率影像的广泛应用推进面向对象影像分析(OBIA)的发展,而分割作为面向对象分类的关键步骤,其尺度的选择直接关系到地物信息的提取。空间尺度是地物的固有属性,在合适的分割尺度下可以更好地挖掘地物信息。本文结合最大面积法和分割质量评价模型对张山营镇影像进行分割实验,先通过分析对象最大面积初步得到最优尺度范围,后结合分割质量评价模型以确定最优分割尺度层次。在此基础上,综合样本提取的光谱、纹理等特征进行规则训练,最终完成面向对象的土地覆被分类研究。结果显示:基于多层次最优尺度的规则分类方法获得更好的分类结果,其总体精度为88.8%,Kappa系数为0.861,而基于单一尺度的最邻近法总体精度81.4%,Kappa系数0.773,基于单一尺度的规则分类法总体精度为83.2%,Kappa系数为0.85。 相似文献
16.
针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。 相似文献
17.
18.
影像分类技术是遥感影像分析与解译的重要基础。纹理特征是影像的重要特征,本文主要实现基于纹理特征的遥感影像监督分类。首先对地物样本进行提取,通过样本训练统计各类地物纹理特征向量,建立纹理特征库;然后以各类地物的特征向量作为基准,采用最短距离分类器对影像进行分类;最后采用混淆矩阵对分类结果进行精度评定,并与ERDAS专业软件分类结果进行对比分析。实验证明,本分方法取得了与ERDAS软件相当的分类效果,从而验证本文方法的可靠性。 相似文献
19.
20.
光谱特征匹配分类是常用的高光谱影像分类、识别地物的方法,针对高光谱影像提取植被盖度存在的问题,文章根据高光谱遥感影像处理的方法,采用EO-1卫星在广州市过境的Hyperion高光谱影像,以"广州南肺"万亩果园作为试验区,经过大气纠正——最小噪声分离变换(MNF)——最纯净像元指数计算(PPI)——提取植被的端元,以此作为研究区识别植被的参考样本,进行光谱特征匹配提取植被盖度。其中提出利用连续小波变换对参考端元的波谱曲线降噪的方法,旨在优化光谱特征匹配,以提高识别植被的精度。实验结果表明,这种辅助匹配的方法能有效提高识别植被的精度。 相似文献