共查询到17条相似文献，搜索用时 125 毫秒
1.
基于影像多种特征的CART决策树分类方法及其应用 总被引：13，自引：2，他引：11
以扬州市宝应县为研究区,采用主成分分析法对研究区影像进行数据压缩和单波段数据增强,利用灰度共生矩阵分析第一主成分的纹理信息。运用基于CART算法的决策树分类方法,选用影像的光谱特征值、NDVI值以及纹理统计量值为测试变量,并通过计算确定决策树的节点规则,提取影像中主要地物信息。将分类结果与单纯依靠光谱特征的监督分类法结果相比较,表明基于影像多种特征的CART决策树分类方法分类精度较高,尤其较好地提取了围网养殖区和建设用地。 相似文献
2.
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
3.
以洪湖为研究对象,采用分类与回归树(classification and regression trees,CART)方法,根据训练样本数据集中挖掘分类规则,集成遥感影像的光谱特征、植被指数、水体指数、纹理特征等特征变量,建立研究区湿地信息提取的决策树模型;在此基础上,探究水体透明度对水生植物遥感信息提取的影响,依据特征变量有、无水体透明度,分别建立两类决策树,即有水体透明度参与的决策树(CART 14)和无透明度参与的决策树(CART 13);在训练样本和验证数据相同的情况下,对比采用CART 14、CART 13、支持向量机(support vector machine,SVM)和最大似然分类(maximum likelihood classification,MLC)4种方法的分类结果的精度。研究结果表明,洪湖中水生植物覆盖面积约占洪湖湿地总面积的47%,洪湖中的水生植物以沉水植物为主;采用有水体透明度参与的决策树分类结果的总体精度比采用支持向量机和最大似然分类方法的分别提高了7.78%和16.36%,Kappa系数则分别增大了0.12和0.20,无水体透明度参与的仅比有透明度参与的决策树分类结果的总体精度降低了2.77%,Kappa系数减小了0.04。水体透明度的参与能提高分类精度,而无水体透明度参与的决策树分类结果的总体精度也高于其它传统方法的分类精度。因此,在实际湿地分类中,若无水体透明度数据,但决策树的辅助分类变量足够多时,无水体透明度参与的决策树也能较好地进行分类,提取水生植物信息。 相似文献
4.
以位于中国科学院内蒙古草原生态研究定位站灌丛化样地实验平台为研究区，基于低空无人机遥感影像，结合实地调查，开展草原灌丛遥感辨识方法研究。通过对灌丛、草地和裸地归一化植被指数（NDVI）的方差统计分析，确定了裸地与植被的分割阈值为-0.08，并使用该阈值提取植被覆盖区，然后分别利用面向对象的决策树（DT）、贝叶斯（Bayes）、K最邻近（KNN）、支持向量机（SVM）机器学习分类器进行灌丛辨识。研究表明：借助Estimation of Scale Parameter（ESP）最优分割尺度评价工具可以快速确定分割参数，获取灌丛、草地影像对象；利用特征空间优化工具选取了18个的对象特征，可以有效避免盲目选择而导致的计算量增大；通过对不同分类器分类结果的对比和样本数量敏感性实验得出：Bayes分类器精度稳定、无需设置参数，灌丛分类精度最高，总体精度和Kappa系数分别达到92%和0.83，结果与影像地物嵌合最好，能够精确识别单株灌丛；根据Bayes分类器分类结果统计得研究区灌丛盖度为14.74%，平均冠幅为0.6 m2，与样方调查结果基本一致。由于4种分类器的算法特征以及对训练样本数量的敏感性各不相同，因此选择合适的分类器还需根据具体影像的地物特征、空间分辨率和研究区范围来确定。 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.
基于Sentinel-2A时序数据和面向对象决策树方法的植被识别 总被引：2，自引：0，他引：2
《地理与地理信息科学》2017,(5)
Sentinel-2A数据具有较高的空间分辨率和时间分辨率,克服了以往时序数据难以获取或空间分辨率低的问题。该文以山西省吕梁市陈家湾流域为研究区,基于Sentinel-2A时序数据,根据归一化植被指数(NDVI)时序曲线特征和光谱特征,构建基于面向对象决策树方法的分层分类模型,成功提取了陈家湾流域的植被信息,分类总体精度达到89.7%,Kappa系数为0.87。基于面向对象决策树方法的多时相分类结果与单时相分类结果相比,可以有效改善波谱特征相近和受地形影响较大地物的区分,减少混分现象;基于Sentinel-2A时序数据和面向对象决策树分类方法能够有效提高植被分类的精度。 相似文献
7.
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
8.
像元信息分解和决策树相结合的影像分类方法 总被引：7，自引：1，他引：6
该文提出了一种基于像元信息分解和决策树相结合的遥感自动分类方法。选择广州市番禺区作为研究区。用像元信息分解和多变量决策树法把TM影像分为水体、植被、水泥地、土壤4种基本组分,分离成4类树枝;分别以4种基本地物组分作为分类掩膜,采用BP神经网络分类、形状指数提取、光谱特征提取等复合方法进行分枝,并开展野外遥感调查,以提高和验证分类精度。结果表明：该方法保证了分枝时地物的纯洁度,有效地避免了地物提取时多余信息的干扰和影响,提高了分类精度。结合实地调查数据与最大似然分类算法进行对比实验,表明该模型比最大似然总体分类精度高16％。 相似文献
9.
基于Landsat OLI影像的盐城滨海湿地分类方法对比研究 总被引：1，自引：0，他引：1
《湿地科学》2017,(5)
采用何种方法对滨海湿地信息进行有效提取和分类是值得关注的问题。利用Landsat OLI影像数据,在ENVI 5.1软件平台上,采用监督分类、决策树分类和面向对象方法,对盐城滨海湿地进行了分类研究。研究结果表明,在分类精度和效果上,面向对象方法的分类结果最好,其它依次为决策树分类方法、监督分类方法的分类结果;3种方法对光滩和芦苇(Phragmites australias)滩涂信息的提取效果相对较好,对道路和碱蓬(Suaeda glauca)滩涂信息的提取效果相对较差;面向对象方法能够克服传统基于像元分类方法中的"椒盐效应"问题,并能取得较高的分类精度,该方法适用于利用中分辨率遥感影像的滨海湿地分类研究。 相似文献
10.
基于决策树模型的海岸带分类方法研究 总被引：4，自引：1，他引：3
海岸带地物分布复杂,地物混淆常造成海岸带提取困难。该文以江苏省粉砂淤泥质海岸为研究对象,运用图像光谱特征、纹理特征并引入地学知识,构建研究区遥感图像分类决策树模型,并利用ETM 图像进行海岸地物分类研究。结果表明:采用的决策树模型可以较好地结合纹理信息和地学知识,解决遥感图像中复杂地物分类过程中的混淆现象,分类精度达89.26%,比最大似然法分类精度提高了15.19%。 相似文献
11.
基于水稻特征波段的决策树分类研究 总被引：1，自引：0，他引：1
针对种植结构复杂、地形复杂的水稻种植面积遥感提取精度不高现象,结合多时相遥感影像中反映水稻物候规律的特征波段,以南京江宁丘陵山区为例,选择典型水稻物候期时相的TM数据,基于多特征波段构建决策树分类提取水稻种植面积。结果表明:纹理、植被指数、湿度因子、坡度因子等多特征参与决策树分类能够提高总体精度;在具有两期物候数据时提取精度和效率较好,而加入了地形特征的水稻抽穗期数据比水稻灌浆期数据获取效果略好。因此,利用合理的作物物候期数据和该遥感影像的特征波段可有效提高分类精度,为地块破碎区作物种植面积提取提供有效手段。 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.
Nearest neighbor classifiers have not been widely used by remote sensing practitioners. The lack of acceptance of these classifiers may be partially due to their notoriously slow speed of execution which makes them impractical for the classification of mega-pixel images. However, training data reduction, distance measure optimization, and neighbor searching algorithms based on the modified k-d tree can speed nearest neighbor classification substantially. 相似文献
14.
分区控制和分层提取下的OMIS-I影像土地利用/覆盖分类方法研究 总被引：1，自引：0，他引：1
针对宜兴试验区128波段OMIS—Ⅰ机载成像光谱数据,在平原区、山区分区基础上建立多级分层决策树综合分类方法。通过该方法可实现对土地利用／覆盖一级类（林地、园地、水域、耕地）自动分类,精度达88．15％,Kappa指数为0．82,园地漏分率最高（20．23％）,耕地漏分率最低（2．24％）;耕地、林地、园地、水域的错分率分别为21．87％、21．98％、0．66％、0。土地利用／覆盖二级分类也可采用分层自动分类,其总体精度达86．16％,Kappa指数为0．81。采用土地利用矢量数据辅助和人工目视解译对部分二级类别进行细分,可获得更加可靠的分类结果。研究表明,分区控制下的多级分层决策树综合分类方法应用于OMIS—Ⅰ高光谱影像土地利用／覆盖分类,具有可操作性和较高的精度。 相似文献
15.
结合多尺度纹理的高分辨率遥感影像决策树分类 总被引：9，自引：2，他引：9
地物具有多尺度特点,遥感影像包含的地物纹理信息很难用单一尺度来描述。通过选择最佳纹理尺度组合,利用光谱数据结合多尺度纹理对高分辨率影像进行决策树分类。研究结果表明:结合多尺度纹理的高分辨遥感影像决策树分类,能够更好地描述地物并有效解决光谱数据分类中存在的地物破碎问题,其分类精度为81.7%,kap-pa系数为0.78;与光谱数据分类和结合单尺度纹理数据分类结果比较,分类精度分别提高了11.2%和6%,该方法有助于提高高分辨率影像的分类精度。 相似文献
16.
基于指数计算的多层次遥感信息提取模型 总被引：2，自引：0，他引：2
指数计算是描述地物波谱特征简单而有效的方法.但单纯依靠指数方法进行遥感专题信息提取,错分、漏分现象严重.该文提出一种"全域一局部"的遥感信息提取思路:对整幅图像进行全域分割、全域分类,实现目标地物与背景地物的初始分离;在目标地物周围建立一定尺度的缓冲区,作为局部分割一局部分类的作用区域,并在局部作用域内选择不同的阈值,通过迭代过程实现目标地物与背景信息的最优分离.选取鄱阳湖地区Landsat 7/ETM+影像,应用该方法进行水体提取试验,精度达95.751%,优于常规的最大似然法. 相似文献
17.
基于GF-1卫星数据的面向对象的民勤绿洲植被分类研究 总被引：1，自引：0，他引：1
以民勤绿洲为研究区,以GF-1遥感影像为数据源,采用面向对象的分类方法,结合分层技术,对影像逐级进行分类,以获取植被信息。根据归一化植被指数（NDVI）阈值区分植被与非植被,分割尺度为10;使用归一化水体指数（NDWI）阈值提取非植被中的水体,分割尺度为35;利用野外采样点获取的训练样本,将植被进一步分为耕地、林地和草地,分割尺度为25。总体分类精度达到83.02%,Kappa系数为0.745 1,比较基于象元的监督分类,其总体分类精度为69.37%,Kappa系数为0.497 0,表明面向对象的分类方法在干旱区绿洲植被信息的提取上较传统的基于象元的分类方法更有优势,分类精度更高。 相似文献