共查询到17条相似文献，搜索用时 304 毫秒
1.
GIS辅助下的Bayes法遥感影像分类 总被引：1，自引：0，他引：1
介绍了Bayes分类器,提出了从GIS空间数据库中挖掘知识用以辅助进行遥感影像分类的方法.文中以规则的形式表示遥感影像的解译知识,并使用其它地理辅助数据,从遥感影像处理、地理辅助数据、专家知识一体化的角度出发,使用基于知识的方法进行了分类研究,改善了分类精度.实验表明这是一种较好的分类方法. 相似文献
2.
GIS辅助下的基于知识的遥感影像分类方法研究——以土地覆盖/土地利用类型为例 总被引：23，自引：1，他引：23
提高计算机遥感影像的分类精度，是遥感应用中研究的主要问题之一。作者以规则的形式表示遥感影像解译知识，使用ＴＭ影像数据和ＤＥＭ、坡度、土地利用图等地理辅助数据，从遥感影像处理／地理数据／专家知识一体化的角度出发，使用基于知识的方法进行了研究，改善了分类精度。实例研究证明了方法的正确性。 相似文献
3.
GIS辅助下的基于知识的遥感影像分类方法研究：以土地覆盖／土地利用？… 总被引：21，自引：0，他引：21
提高计算机遥感影像的分类精度，是遥感应用中研究的主要问题之一。作者以规则的形式表示遥感影像解译知识，使用ＴＭ影像数据和ＤＥＭ、坡度、土地利用图等地理辅助数据，从遥感影像处理／地理数据／专家知识一体化的角度出发，使用基于知识的方法进行了研究，改善了分类精度。实例研究证明了方法的正确性。 相似文献
4.
介绍了目前遥感影像分类的常用方法,提出了一种基于知识的信息提取的遥感影像模糊分类方法。采用GIS数据辅助进行遥感影像模糊法分类,从GIS数据库中提取一定数量的样本信息或挖掘知识形成规则,进行样本的训练学习或辅助进行分类判定。提高了分类的效率和精度,是对模糊分类方法一次有效改进。 相似文献
5.
基于知识的遥感影像模糊分类方法 总被引：3，自引：1，他引：2
介绍了目前遥感影像分类的常用方法, 提出了一种基于知识的信息提取的遥感影像模糊分类方法.采用GIS数据辅助进行遥感影像模糊法分类,从GIS数据库中提取一定数量的样本信息或挖掘知识形成规则,进行样本的训练学习或辅助进行分类判定.提高了分类的效率和精度,是对模糊分类方法一次有效改进. 相似文献
6.
7.
基于GIS和神经网络的森林植被分类 总被引：2，自引：0，他引：2
本文综述了国际遥感分类研究,使用Landsat7 ETM＋遥感数据和地理辅助数据,应用BP神经网络方法,将莽汉山林场作为研究区进行了遥感影像的分类研究。比较了BP神经网络分类与最大似然、简单和复杂非监督分类法之间的类型与数量精度。BP神经网络分类的总类型精度是70.5%,总数量精度为84.65%,KAPPA系数是0.6455。结果说明BP神经网络的分类质量优于其他方法,其总的类型精度与其他三种分类方法相比分别增加了10.5%、32%和33%,总的质量精度增加了5.3%。因此,辅以地理参考数据的BP神经网络分类可以作为一种有效的分类方法。 相似文献
8.
随着卫星遥感影像分辨率的不断提高,人们希望从遥感图像中获得更多有用的数据和信息,所以遥感影像的分类变得尤为重要.但是基于光谱特征的影像分类精度过低,不能满足生产的需要,所以研究利用其他辅助手段来提高遥感影像的分类成为未来发展的一个重要方向.本文研究了利用灰度共生矩阵提取纹理特征的方法并对利用纹理特征影像辅助光谱特征分类的方法进行了研究.实验结果表明,纹理特征辅助光谱特征分类能够提高遥感影像分类的准确性和精度. 相似文献
9.
遥感影像解译是一个不断发展的研究方向,随着日新月异的遥感应用需求、高分辨率遥感数据的快速发展、地理知识的日积月累、以及人工智能技术的发展,亟需发展自动化、智能化的遥感影像解译技术。本文针对遥感影像智能解译,首先从遥感影像解译单元、分类方法、解译认知3个方面阐述遥感影像解译的研究进展,然后提出了面向地理场景的 “地理知识图谱构建—深度学习模型构建—地理知识图谱与深度学习模型协同的遥感影像语义分类”遥感影像智能解译总体框架,并给出初步试验成果,最后对智能解译的重要发展趋势予以展望,以期拓展遥感影像智能解译研究的思路与方法,提高遥感影像智能解译的精细程度和智能化水平,使智能解译具备地理空间理解能力,推动“数据—信息—知识—智能”的深度转化。 相似文献
10.
针对遥感影像面向对象分析技术存在的“分类过程中专家分析不同带来的分类结果不一致”问题,提出地理本体驱动的“地理实体描述-模型构建-影像对象分类”解译框架。首先,利用地理本体建立影像对象客观特征与地理专家知识的联系,实现对地理实体的描述与表达;其次,利用知识工程方法以及计算机可操作的形式化本体语言构建影像对象特征、分类器的本体模型,形成语义网络模型;最后,联合语义网络模型与专家规则实现影像对象的语义分类。地表覆盖分类实验结果表明,该方法不仅能够得到反映真实地理对象的遥感影像分类结果,而且能够掌握地理实体的语义信息,实现地表覆盖分类知识的共享与语义网络模型的复用,为遥感影像面向对象分析提供了一种全局性的解译分析框架及其方法。 相似文献
11.
本文旨在研究基于地块数据约束的深度学习模型的分类特征表示方法,以识别不同作物在不同时相上光谱差异从而对作物类型进行分类。通过Google Earth Engine平台获取作物生育期内全部Landsat 8影像,利用其质量评定波段完成研究区无云时相及区域上的地块统计,提取地块级别的各波段反射率均值按照时相顺序及波长进行排列,构建波谱、时相二维特征图作为该地块的抽象表示。通过构建相对最优的卷积神经网络CNN（Convolutional Neural Network）结构完成对特征图的分类,从而完成对地块的分类。构建CNN模型并不需要手工特征和预定义功能的需求,可完成提取特征并遵循端到端原则进行分类。将该模型的分类结果与其他最为常用机器学习分类器进行了比较,获得了优于常用遥感分类算法的分类精度。结果表明地块数据的加入可以有效的缩减计算规模并提供了准确的分类边界。所提出得方法在地块特征表示及作物分类中具有突出的应用潜力,应视为基于地块的多时相影像分类任务的优选方法。 相似文献
12.
地面三维激光扫描点云密集,实体信息隐含,特征提取困难。根据原始点云数据的特点,提出对点云进行实体化处理,种子点生成技术可用于实体提取。完成点云实体化后,通过随机采样一致算法结合稳健估计方法,可更好地进行地物特征提取。由于现实客观世界的复杂性,采用一些先验性知识,可以减少人工处理过程,加快点云分类和实体建模速度。 相似文献
13.
《制图学和地理信息科学》2013,40(4):223-237
This paper presents a knowledge discovery approach to extracting knowledge from area–class resource maps. Prototype theory forms the basis of the approach which consists of two major components: (1) a scheme for organizing knowledge used in categorizing geographic entities which allows for the modeling of indeterminate boundaries and non–uniform memberships within categories; and (2) a data mining method using the Expectation Maximization (EM) algorithm for extracting such knowledge from area–class maps. A case study on knowledge discovery from a soil map demonstrates the details of the approach. The study shows that knowledge for classifying geographic entities with indeterminate boundaries is embedded in area–class maps and can be extracted through data mining; and that continuous spatial variation of geographic entities can be better modeled if the knowledge discovery process retains knowledge of within-class variations as well as transitions between classes. 相似文献
14.
15.
提出了一种基于相对指数熵的地理信息数据分级评价模型,构建级内相对指数熵与级间指数熵指标,分别量化分级数据级别内集聚水平和级别间的离散水平,并利用这两个指标构建了地理信息数据分级的相对指数熵评价指标。在Python中实现地理信息数据分级以及分级的相对指数熵计算。试验中,应用5种常用的分级方法对5种典型分布的6个数据集以及1个人口普查数据集进行分级,并分别计算分级结果的相对指数熵指标。试验结果表明,在面向不同分布的数据集时,相对指数熵指标能够很好地指示出最优分级方法,并且反映出不同分级方法的细小差异,对于地理信息数据分级的评价是有效的。 相似文献
16.
基于GIS的中国东北植被综合分类研究 总被引：53，自引：3，他引：50
ＮＯＡＡ／ＡＶＨＲＲ由于运行周期短、覆盖范围大、成本低、波段宽等特点,目前正越来越广泛地受到人们的普遍关注。在大尺度、中尺度植被遥感上,ＮＯＡＡ／ＡＶＨＲＲ具有陆地卫星无法比拟的优势,但在另一方面,ＮＯＡＡＡＶＨＲＲ也存在分辨率低、数据变形较大和几何畸变较严重等问题。这样,在应用ＮＯＡＡＡＶＨＲＲ数据进行大区域植被制图时,植被分类的精度仍待提高。本文从理论上探讨了将地理信息系统提供的地理数据与遥感数据复合的可行性;尝试在ＧＩＳ环境下,将气温、降水、高程３个影响区域植被覆盖的主要指标,按一定的地面网格系统和数学模式进行量化,生成数字地学影像,并使之与经过优化、压缩处理的ＮＯＡＡＡＶＨＲＲ数据进行复合,对复合后的综合影像进行监督分类。分类结果显示,与传统的应用最大似然分类方法对单一遥感图像分类相比,该综合分类方法分类精度提高了１８．３％,该研究方法改变了遥感影像的单一信息结构;丰富了图像的信息含量;完成了地理数据的数字传输、处理、存储及影像化显示。 相似文献