共查询到19条相似文献，搜索用时 642 毫秒
1.
基于面向对象的城市地物信息提取方法研究 总被引：1，自引：0，他引：1
20世纪90年代以来,高空间分辨率遥感影像数据的处理已成为遥感领域中的热点与难点。利用具有人的思维特点的面向对象的信息提取技术,对高分辨率遥感影像中的城市用地进行分类,分析和利用高分辨率影像的空间信息、结构信息与光谱特征等,总结了面向对象解译方法的5个步骤,即影像分割、分类方法的选择、地物种类分类,知识库构建、计算机自动分类。分类结果表明：（1）克服了“椒盐现象”;（2）信息提取的总体精度为92.19％,而且各类地物信息的提取精度均有所提高,特别是利用前期分类的拓扑关系有效提取了城市水体与建筑物阴影。 相似文献
2.
基于高空间分辨率遥感影像的湿地信息提取技术研究 总被引：3，自引：0，他引：3
如何利用遥感技术获取高精度的湿地信息是湿地遥感研究中的重要内容之一.基于高空间分辨率的遥感影像数据,研究利用面向对象的分类方法,综合利用遥感数据的光谱信息、纹理特征、拓扑关系等信息进行多尺度分割,通过对对象的目视解译建立隶属度函数,并结合最邻近分类法,获取湿地信息.并以福建省闽江口湿地为例,采用高分辨率的SPOT5影像数据,研究表明：利用面向对象的方法对SPOT5遥感影像进行湿地信息的提取精度达到90.40%,为湿地信息的提取又提供了一个有效的方法. 相似文献
3.
基于多尺度融合的高分辨率影像城市用地分类 总被引：1，自引：0，他引：1
基于面向对象的信息提取技术,针对高空间分辨率遥感影像进行城市用地分类。首先针对不同城市地物,选择适宜的提取尺度;然后探讨不同城市地物类型提取的适宜特征,充分利用光谱、空间结构、上下文关系、纹理等信息描述地物;最后融合不同地物多尺度下的提取结果。以北京市部分地区QuickBird影像为例,实现城市用地类型的自动分类,结果表明:该方法应用于城市用地分类的精度高达86.74%,为高空间分辨率遥感影像城市用地分类研究提供了新思路。 相似文献
4.
随着高分辨率遥感影像的广泛应用,面向对象的高分辨率遥感影像信息提取技术得到了迅速发展。本文针对高分辨率遥感影像的盐渍地信息提取,探索了面向对象的信息提取技术运用在盐渍地信息提取方面的最优参数选择和规则建立等关键技术,并且将从ALOS影像中提取盐渍地信息的结果与传统分类方法的提取结果进行对比分析。结果表明,利用面向对象方法的盐渍地信息提取总体精度为89.38%,较传统方法提高8.24%,Kappa系数为0.88,较传统方法提高0.08。该方法能实现较为精确地提取盐渍地信息,在高分辨率遥感影像盐渍地信息提取中具有一定的优势。 相似文献
5.
基于光谱和纹理特征的ALOS影像土地利用信息提取 总被引：1，自引：0，他引：1
针对高分辨率遥感影像易于反映地物纹理特征的特点,综合利用地物的光谱和纹理特征进行分类,探讨适用于ALOS影像的土地利用信息提取方法。以川东丘陵地区影像为例,基于GLCM提取纹理信息,将提取的纹理特征向量采用赋权值法融合为一个综合纹理信息波段,然后采用面向对象法将其与光谱特征信息共同参与分类。与最大似然法的提取结果对比表明,考虑了纹理特征的面向对象分类方法能明显提高分类精度,Kappa精度提高了0.12;避免了椒盐现象,分割的地类边界具有更好的语义表达,更贴合地物实际分布特征;建筑用地和林地具有明显的纹理特征,而旱地纹理特征不明显。该方法不仅分出了6个基本地物类型,而且对于林地、建筑用地等类型还能进一步细分。 相似文献
6.
无人机遥感在红树林资源调查中的应用 总被引：6，自引：0，他引：6
低空无人机（UAV,Unmanned Aerial Vehicles）遥感系统具有数据采集灵活、低成本且可快速获取超高分辨率影像的特色,是传统航空遥感和卫星遥感的重要补充。以广东省和广西壮族自治区交界处的英罗港港湾两侧为研究区域,将无人机遥感系统用于红树林资源的遥感调查,通过无人机航拍获取高分辨率影像,并且使用拼接的影像和目视解译方法提取红树林空间分布信息,进一步选择典型研究样地,采用面向对象的最近邻分类方法对红树林树种类型进行分类研究,并对比综述了无人机遥感和常规航空航天遥感技术对红树林资源调查监测的优缺点,无人机遥感系统非常适用于红树林资源调查。通过2 h 30 min的3架次无人机航飞工作,获取了研究区域25.29 km2的无人机影像,基于无人机影像和面向对象遥感分类方法提取的红树林空间分布信息精度超过了90%。未来无人机遥感系统将可成为调查和监测红树林资源的重要技术手段,可为相关管理部门对红树林资源的保护、管理、开发等方面的工作提供基础信息和技术支持。 相似文献
7.
8.
对城市用地类型进行研究,能够为城市土地的合理规划、布局及管理提供信息支撑.本文采用基于面向对象的影像分析技术依据多尺度影像分割结果,对呼和浩特市城市中心区用地进行分类研究.试验表明这种分类方法不仅速度快而且精度高,为高分辨率遥感影像城市用地分类研究提供了新思路. 相似文献
9.
基于ENVI ZOOM面向对象的高海拔灌丛植被提取——以定日县为例 总被引：1，自引：1，他引：0
利用ASTER数据,基于The Environment for Visualizing Images(ENVI)ZOOM 软件平台,采用面向对象的多尺度影像分割技术与规则创建相结合方法,提取了珠峰保护区核心区的灌丛植被类型.在对影像进行去阴影处理和各种辅助信息融合的基础上,使用Feature Extraction模块对影像进行分割,基于分割对象的高程、NDVI、纹理和光谱信息创建了适合研究区的灌丛提取规则.研究表明:该分类方法不仅能够克服传统基于像元分类方法中的"椒盐效应"问题,而且能够综合利用辅助信息(DEM、NDVI等)和地物本身的信息(光谱特征、纹理特征等),有效提高解译精度.以已有数据对分类结果进行了检验,分类精度达84 7%,分类结果较理想. 相似文献
10.
《干旱区地理》2016,(1)
目前土壤盐渍化遥感监测主要使用中低分辨率遥感影像,存在对土壤盐渍化细节信息监测能力不足的问题。通过使用国产"高分一号"卫星高分辨率遥感影像(GF-1 PMS),基于先进的面向对象方法和最大似然法进行了盐渍化信息提取,并比较了两种方法的提取效果,此外,又同Landsat8 OLI的提取结果进行了比较。通过对两种分类方法、两种最新传感器提取结果的比较,可以得出:国产高分一号影像在土壤盐渍化信息提取方面有着巨大的潜力,就提取方法而言,同最大似然法相比,面向对象方法精度更高,更适用于GF-1 PMS影像的盐渍化信息提取,面向对象法的总体精度和Kappa系数为92.94%和0.91,而最大似然法的总体精度和Kappa系数为87.78%和0.77,面向对象方法的精度高出了约5个百分点;就分辨率而言,同Landsat8 OLI影像相比,Landsat8 OLI影像分类精度只有63.47%,而GF-1 PMS高分辨影像分类精度要高很多,盐渍化信息细节描述更充分,可提取出受到盐渍化影响的植被信息,对农田尺度盐渍化遥感监测研究有重要意义,也对拓展国产高分一号影像GF-1 PMS的应用范围是有益的。 相似文献
11.
基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取 总被引：1，自引：0，他引：1
利用2015年Landsat 8 OLI遥感影像和DEM作为分类数据源,结合野外调查数据,采用面向对象的分类方法对昆嵛山地区土地覆盖信息进行提取,并对分类结果进行精度评价与比较分析。研究表明：面向对象分类方法提取的各地类连续且边界清晰,分类效果与实际情况基本吻合。昆嵛山地区占主导地位的土地覆盖类型是针叶林,面积为1 546.81 km2。研究区土地覆盖分类的总体精度和Kappa系数分别为91.5%和0.88,其中针叶林、草地、水体和建设用地的生产者精度均达到87%以上。相对于监督分类方法,本研究提出的土地覆盖信息提取方法的总体分类精度和Kappa系数分别提高14.7%和0.17。基于面向对象的中分辨率遥感影像,能够获取较高精度的土地覆盖信息,为大范围土地覆盖分类研究提供方法参考。 相似文献
12.
基于QUEST决策树的遥感影像土地利用分类——以云南省丽江市为例 总被引：5，自引：0，他引：5
土地利用分类精度直接决定土地利用/土地覆被变化相关研究的准确性,而基于决策树的遥感影像分类是近年来提高土地利用分类精度的重要方法。QUEST决策树在影像解译和空间表达方面,运算速度和分类精度均优于普通CART等决策树方法。本文以云南丽江地区为例,应用QUEST决策树分类方法,对该地区的Landsat TM 5影像图进行分类,同时将地形因素、植被指数作为地学辅助数据的因子添加到分类波段中,进行不同特征融合,来处理目标类别间的非线性关系,该方法在处理图像理解知识方面具有更大的灵活性;同时与普通决策树分类法的遥感影像分类的结果相比较,Kappa系数值从原来的0.789提高到0.849.在地形复杂的山地地区,针对TM影像数据,选择基于QUEST决策树分类能够有效提高土地利用分类结果精度。 相似文献
13.
编制南北过渡带地区1∶25万和典型山地1∶5万植被类型图是南北过渡带综合科学考察的主要任务之一。以往植被类型图的编制都是采用大量的地面调查来完成的,地面调查方法虽然精确,但费时费力,并且由于自然条件的限制,地面调查往往只能覆盖较小的范围。遥感数据因为其全覆盖的优势,可以很好地弥补样方调查的局限性,但目前大范围的植被类型遥感信息提取尤其是自动提取方面仍然存在一定的困难和瓶颈。本文以1∶5万太白山植被类型图的编制为例,利用多源多时相的高分辨率遥感数据,结合地面调查数据、以往的各种比例尺的植被类型图数据和森林资源调查数据等,探讨并研究基于山地垂直带谱的中大比例尺植被类型图的遥感提取方法和制图方法。研究结果表明：① 山地植被垂直带谱可以有效地支持1∶5万山区植被类型图的遥感制图。利用太白山植被垂直带谱和1∶1万数字表面模型数据（DSM）可以生成具有垂直带谱信息的地形约束因子;将地形约束因子与多源多时相高分辨率遥感数据、地面调查数据、以往的小比例尺植被类型图数据等相结合,可以有效提取各级植被类型,从而实现中大比例尺植被类型图的编制。② 典型山地1∶5万植被类型图的遥感制图基本流程为植被型组解译→植被群系组、群系、亚群系解译→植被型、植被亚型分类,采取自上而下和自下而上相结合的分类方法来分类。本文的研究成果可以为中大比例尺植被类型图的编制提供示范和科学依据。 相似文献
14.
利用卷积神经网络从遥感影像中提取水体时,水体对象边缘像素的特征与内部像素的特征之间往往存在较大差异,导致提取结果中边界模糊、内部像素与边缘像素的提取精度差异较大,影响了整体精度的提高。针对如何从高分辨率遥感影像中进行水体高精度、自动化提取的问题,文章首先以高分辨率遥感图像为基础,利用边缘提取算法生成边缘图像,然后以高分辨率遥感图像和边缘图像作为输入,建立了语义特征和边缘特征融合的高分辨率遥感图像水体提取模型（Semantic Feature and Edge Feature Fusion Network, SEF-Net）,用于从高分辨率遥感图像中提取水体对象。实验结果表明,SEF-Net模型在3个数据集中的召回率（91.97%、92.07%、93.97%）,精确率（91.12%、98.37%、97.88%）,准确率（89.56%、95.07%、94.06%）和F1分数（91.54%、95.12%、95.88%）均优于对比模型,说明SEF-Net模型从高分辨率遥感图像中提取水体时,具有更高的精度和泛化能力。 相似文献
15.
基于卷积神经网络和高分辨率影像的湿地群落遥感分类——以洪河湿地为例 总被引：2，自引：0，他引：2
以洪河国家级自然保护区为研究对象,应用卷积神经网络（CNN）方法进行高分辨率湿地遥感影像的分类研究,并与基于光谱支持向量机（SP-SVM）的方法和基于纹理及光谱的支持向量机（TSP-SVM）的方法进行了对比。结果显示,对于所选取的2个研究区域,CNN分类方法的全局精度高于SP-SVM方法5.61%和5%,高于TSP-SVM方法4.18%和4.15%。尤其对于部分湿地植被的分类精度明显高于SP-SVM和TSP-SVM方法。研究表明,卷积神经网络为湿地识别的精细划分提供了有利的手段。 相似文献
16.
基于区域合并影像分割技术的多尺度地表景观分析 总被引：6，自引：1，他引：5
分割是面向对象影像分析的前提,景观空间异质性特征给遥感信息获取提出了多尺度的要求。影像分割的多尺度分析以尺度效应与对象异质性最小原则为前提,描述多尺度效应分析的必要性与可行性。基于区域合并的分割原理与方法,为多尺度影像分析提供理论与技术支持,在两个样区进行多尺度影像分割技术的应用实践,分析基于区域合并的多尺度分割数据的几何丰富度与语义丰富度。 相似文献
17.
介绍地质统计学的原理与方法,论述了地质统计学应用于遥感影像描述及纹理提取的有效性,并将地质统计学变差函数得到的遥感影像纹理信息与其光谱信息相结合进行遥感影像分类试验,结果表明,辅以地质统计学纹理特征的遥感影像分类方法能够明显提高分类精度. 相似文献
18.
蚁群算法作为一种新型的智能优化算法,已经成功应用在许多领域,然而应用蚁群优化算法进行遥感数据处理则是一个新的研究热点。蚁群规则挖掘算法是基于分类规则挖掘进行分类,能够处理多特征的数据。因此,论文将蚁群规则挖掘算法应用到多特征遥感数据分类处理中,并采用北京地区的Landsat TM和 Envisat ASAR数据作为实验数据,对选择的遥感数据进行了多特征分类实验。实验结果分别与最大似然分类法、C4.5方法进行对比,分析表明:1)蚁群规则挖掘算法是一种无参数分类的智能方法,具有很好的鲁棒性,2)能够挖掘较简单的分类规则;3)能够充分利用多源遥感数据等。它可以充分利用多特征数据进行土地覆盖分类,从而能够提高分类的效率。 相似文献
19.
遥感影像居民地信息自动提取方法研究进展 总被引：2，自引：0，他引：2
快速掌握居民地的时空分布和变化特征对于区域可持续发展具有重要意义。遥感技术的发展，为居民地的快速提取提供了新的途径。传统的人工目视解译费时费力，基于遥感影像的居民地信息自动提取势在必行。主要探讨了居民地信息自动提取的5种方法，即基于统计的分类法、谱间结构阀值法、归一化指数法、纹理分析法、地学专家知识分类法，讨论了各种方法的优缺点，总结了目前的研究进展。最后提出了居民地信息自动提取方法的发展趋势．认为多种分类方法相结合，建立居民地信息提取的专家系统将是今后研究的重点。 相似文献