共查询到10条相似文献，搜索用时 15 毫秒
1.
2.
联合光谱和纹理特征的滨海湿地高光谱深度学习分类—以黄河三角洲湿地为例 总被引：2，自引：0，他引：2
本文基于CHRIS高光谱遥感影像，发展了一种结合地物光谱特征和多纹理空间特征信息，采用双全链接的8层深度卷积神经网络分类算法对滨海湿地高光谱影像进行遥感地物分类，并在黄河口滨海湿地进行了应用。结果表明：1）基于测试样本数据，联合光谱特征和K-L变换的纹理特征信息，采用DCNN模型方法展现了高的分类精度，精度高达99%；2）利用光谱特征和全纹理特征的精度比仅使用光谱特征和光谱特征联合K-L变换后纹理特征的分类精度低。利用K-L变换后的光谱特征和纹理特征的DCNN分类精度达到99.38%，相比于使用全纹理特征信息的精度提高了4.15%；3）基于验证图像，发展的DCNN分类方法精度优于其他算法，DCNN方法总体分类精度为84.64%，Kappa系数为0.80；4）相比于浅层分类方法，本文发展的DCNN模型分类算法保证了所有地物类型的分类精度更加均衡，保持了主要地物类型的分类精度几乎不变，同时提高了滩涂和农田的精度。基于DCNN模型，潮滩和农田的分类精度分别达到79.26%和56.72%。比其它浅层分类方法提高了2.51%和10.6%。 相似文献
3.
纹理特征提取及辅助遥感影像分类技术研究 总被引：6，自引：0，他引：6
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
4.
5.
《海洋湖沼通报》2021,(2)
基于光谱特征准确提取湿地信息并研究其动态变化,对于湿地环境监测和保护具有重要价值。本研究以山东省胶州湾湿地为研究区,构建面向对象的分类方法并集合多时相Landsat8 OLI遥感影像的多种特征变量:光谱特征,穗帽变换(K-T)特征,纹理特征,植被指数,水体指数等来提取湿地信息以提高中等分辨率影像的分类精度。结果表明,在光谱波段组合中,近红外波段和红光波段是湿地分类的最有效波段,穗帽变换产生的特征分量对湿地分类也较为有效,光谱指数中的Normalized Difference Water Index(NDWI)和纹理特征中的方差(Var)和对比度(Con)特征变量则并不适用于湿地分类,且特征变量的个数在到达24时会使可分离性下降。计算方差变化率(ROC)并结合目视解译确定最佳分割尺度,将面向对象的方法(Object-Based Image Analysis, OBIA)与Random Forest(RF)算法结合,其总体分类精度达到91.21%(Kappa系数=0.9011),较基于像素的分类方法总体精度增加5.18%,Kappa系数增加了0.0583。表明优选特征组合的面向对象的随机森林算法可有效提高湿地分类精度,为湿地信息提取提供一种新方法。 相似文献
6.
本文基于灰度共生矩阵提取多尺度纹理指数影像,将纹理指数影像作为逻辑波段与原始影像波段组合,进行最大似然监督分类的实验,以改善单纯基于像元光谱影像分类技术的不足。利用SPOT-5卫星遥感影像对西门岛土地利用分类的实例进行分析。结果表明,由SPOT-5遥感影像第一波段和第二波段计算所得的相关性和同质性纹理指数影像以及由第三波段计算所得的均值纹理和第四波段计算的同质性纹理指数影像,对海岛土地利用分类精度的提高均有较为显著的效果,其中加入多尺度纹理信息后西门岛土地利用遥感影像分类的总体精度由75.41%提高到89.41%。 相似文献
7.
针对目前湿地信息提取中存在的“同物异谱”、“同谱异物”问题,以黄河三角洲自然保护区为实验区,采用在信息提取方面具有优势的典型相关森林算法,将Sentinel-1A雷达影像和Sentinel-2A多光谱影像作为基础数据,考察分别应用多光谱影像、合成孔径雷达(Synthetic Aperture Radar,SAR)和多光谱二者综合、SAR纹理特征以及植被指数对湿地信息提取的效果和适用性。研究结果表明:(1)基于Sentinel-2A多光谱影像,在分类方法上,典型相关森林(canonical correlation forest,CCF)的总体精度最高,达到94.32%,与支持向量机和随机森林分类算法相比分别提高了6.55%和5.47%;(2)基于Sentinel-2A多光谱影像和Sentinel-1A后向散射系数的CCF总体精度达到了94.89%,与只利用多光谱影像相比,3种算法的总体精度和Kappa系数均得到了提升;(3)在SAR和光学联合的基础上加入SAR纹理特征后总体精度和Kappa系数均略有下降,分别为94.72%和0.935 3;(4)在SAR和光学联合的基础上加入归一化差分植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)、归一化差分红外指数(NDII)和差分红外指数(DII)5种植被指数后,总体精度达到了最高为95.35%,7种地物的生产者精度有所提高,有效提高了对黄河三角洲湿地信息的提取能力。实验结果可为黄河三角洲湿地的合理开发和有效保护提供科学支持。 相似文献
8.
基于海洋一号C（HY-1C）卫星海岸带成像仪（CZI）遥感影像,提出了一种基于最优特征集的支持向量机海冰分类方法。分别提取CZI影像的光谱特征和纹理特征,采用基于距离可分性的判据进行特征选择,得到最优特征集,以最优特征集作为支持向量机分类器输入,分别对3期辽东湾海域CZI影像开展海冰分类实验和结果分析。结果表明:本文方法得到的海冰分类结果精度优于仅利用光谱特征或纹理特征的海冰分类精度;基于本文方法的3期影像的海冰分类精度均较高,2020年12月19日、2021年1月10日与2021年1月16日的海冰分类总体精度分别为93.67%、91.75%、84.89%,均在80%以上;利用海冰分类结果图估算海冰面积,发现3期辽东湾海冰面积依次增大,最大约为11 998.98 km2。 相似文献
9.
珊瑚礁生态系统是全球初级生产力最高的生态系统之一, 在维持海洋生物多样性、防浪固滩、资源供给等方面发挥着巨大作用。珊瑚礁遥感地貌分类体系是珊瑚礁保护、管理及可持续发展的必要基础, 但目前还未有结合珊瑚覆盖度进行分类的体系。本文基于WorldView-2高分辨率遥感影像, 以中国南海西沙群岛七连屿北部赵述岛和西沙洲所在礁盘作为研究区, 结合珊瑚覆盖度、区域地貌成分和水动力条件等指标, 建立了既适用于遥感监测又与珊瑚生存状况相关联的珊瑚礁地貌单元分类体系。同时, 利用面向对象的支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF)分类方法进行珊瑚礁地貌单元的信息提取, 并对分类结果进行精度评价。结果表明, SVM和RF两种分类方法均能较好地提取出珊瑚礁地貌单元, 分类精度分别为87.59%和79.81%。针对分类过程中出现的错分、漏分问题, 结合珊瑚礁成因和分布规律对分类结果进行修正, 修正后分类提取的精度达到91.3%, Kappa系数为0.9041, 表明本文构建的珊瑚礁地貌单元分类体系在一定程度上能满足当前珊瑚岛礁信息提取的需要。 相似文献
10.
基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。 相似文献