共查询到20条相似文献，搜索用时 140 毫秒
1.
高光谱影像具有丰富的光谱和空间结构信息,传统的基于光谱特征的分割方法易使分割区域过于细碎,从而降低了居民地信息提取的精度。尝试将纹理信息引入到特征空间,以提高信息识别、提取的精度。纹理信息采用多尺度3D-Gabor滤波器对经过特征选择后的高光谱影像进行滤波,进一步计算纹理能量和纹理特征,然后利用多特征聚类实现图像的初步分割,最终通过形态学方法获取影像中的居民地信息。实验表明,基于3D-Gabor滤波的方法能有效地识别、提取高光谱影像中的居民地信息。 相似文献
2.
以Quickbird影像为研究对象,探讨了利用多种特征信息识别地物目标的技术方法.首先采用区域生长法将影像分割为若干个具有语义信息的对象,然后在此基础上提取对象的光谱、形状和纹理特征并进行描述,最后根据提取的特征参数,采用最近邻方法将影像分为建筑物、公路、铁路、水塘、耕地、林地和荒地7类地物目标,综合分类精度达到91.03%.研究表明,多种特征信息的综合利用,在目标分类与识别方面明显优于传统的基于单一光谱特征的方法,在一定程度内提升了遥感信息的智能化水平. 相似文献
3.
为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度;边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度;结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景Orb View3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。 相似文献
4.
5.
6.
《现代测绘》2020,(2)
高分辨率遥感影像的道路提取能够广泛应用于自动驾驶及地图导航的研究,现有道路自动提取方法精度较低。随着人工智能技术的发展,人工神经网络算法得到推广,将其应用于高分辨率遥感影像的道路提取也在探索研究之中。提出一种基于图像分割及神经网络的高分辨率遥感影像道路提取方法,以减少大量的人工预处理工作,提高道路识别提取效率。针对传统方法用于复杂影像分析的参数难以确定的问题,首先采用影像分割技术获得影像对象,然后对影像对象进行纹理特征、形状特征、光谱特征的计算,并使用BP神经网络进行训练,形成分类模型。基于得到的分类模型进行道路的自动提取,在仿真实验中获得了较好的精度,识别准确率达到87.6%。 相似文献
7.
8.
影响遥感图像分类效果的主要因素之一是影像的空间分辨率。本文将Quickbird多光谱影像与高分辨率全色影像相融合,在保留了光谱信息的同时提高了影像分辨率。然后对融合后的影像进行多尺度分割,并运用地物的光谱统计特征、形状、纹理、类间关系等因素进行相关信息的提取。采用面向对象的模糊分类方法对试验区影像进行分类,最后对结果进行了精度评价。试验表明这种方法具有较高的精度。 相似文献
9.
基于光谱特征的湿地湿生植物信息提取研究 总被引：1，自引：0，他引：1
基于湿生植物光谱特征分析,采用面向对象分类方法提取湿地典型植被信息。在大量的野外实地调查基础上,确定提取的典型植物类型为芦苇(Phragmites australis)、长芒稗(Echinochloa crusgallii)和睡莲(Nymphaeatetragona);采集湿地优势植物光谱数据,将优势植物与提取对象芦苇、长芒稗和睡莲的光谱特征进行相关性分析,获取物种间区分性好的波段及波段组合,参与影像分割权重的设置;根据典型植被的分布特征,确定面向对象分割尺度(其中芦苇的分割尺度为50,长芒稗的分割尺度为20,睡莲的分割尺度为100)。通过研究发现:基于光谱特征分析的面向对象的分类精度为96%,而未利用光谱特征的面向对象的分类精度为87.3%,传统监督分类精度仅为82.3%。证明在面向对象提取前对植物光谱特征分析得到区分性好的波段及波段组合参与分割,对提高分类精度起关键作用。 相似文献
10.
多特征多尺度相结合的高分辨率遥感影像建筑物提取 总被引：3，自引：0，他引：3
在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。 相似文献
11.
面向对象影像分类中基于最大化互信息的特征选择 总被引：1，自引：0，他引：1
高分辨率影像面向对象分割后产生了大量的光谱、形状以及纹理特征,如何抽取出最佳特征子集是遥感影像识别的重要问题.本文利用最大化互信息统计独立准则抽取最优特征子集,提高了面向对象遥感影像分类精度.基本过程包含以下3个方面:首先,利用eCoginition软件对高分辨遥感影像进行对象分割;然后,基于互信息最大关联、最小冗余准则(mRMR)获取优选的特征子集;最后,基于支持向量机分类器完成影像分类.以福建省漳州市QuickBird数据为例的实验表明,该方法能够有效提高遥感影像的分类精度,平均误分率降低了约4%. 相似文献
12.
地面成像光谱数据的田间杂草识别 总被引：5，自引：0，他引：5
地面成像光谱数据兼具高光谱分辨率与高空间分辨率,在田间杂草识别中具有很好的应用前景。目前基于机器视觉的杂草识别方法以形状特征为主,当作物杂草形态相似时识别的困难和利用高光谱特征以像元为单元识别时效率较低,不利于实时自动化除草,因此,本文提出一种综合面向对象与高光谱特征匹配的杂草识别方法,在对作物杂草对象样本的形状特征和光谱曲线提取分析的基础上,建立基于形状特征规则与光谱角匹配的植物对象识别决策树,用于识别实验田中的作物杂草对象。实验结果表明,当场景中某些不同种类植物对象的形态相似时,基于形状特征规则与光谱角匹配的杂草识别方法可借助高光谱特征精细区分植物对象的种类,且在形状特征规则约束下使用高光谱特征匹配法识别植物对象,可克服"同物异谱"和"同谱异物"现象带来的不确定性,该方法识别精度可优于仅使用光谱角匹配法的情况,并优于使用颜色和形状分析技术的情况。 相似文献
13.
14.
面向对象的多特征分级CVA遥感影像变化检测 总被引：1，自引：0，他引：1
变化矢量分析CVA方法在中低分辨率遥感影像变化检测中已得到广泛应用,但由于高分辨率遥感影像存在不同地物尺度差异大、不同类别地物光谱相互重叠的问题,因此对于高分影像的变化检测具有局限性。为提高高分影像变化检测精度,提出了一种面向对象的多特征分级CVA变化检测方法,首先,利用基于区域邻接图的影像分割方法分别对两时相遥感影像进行多尺度分割,提取分割图斑的光谱、纹理和形状特征;然后,在各级尺度下,分别运用随机森林方法进行特征选择,计算CVA变化强度图;最后,根据信息熵对多级变化强度图进行自适应融合,利用Otsu阈值法检测变化区域,并与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行比较分析。实验表明:与比较方法相比,本文方法的变化检测精度较高,误检率和漏检率较低。 相似文献
15.
针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法。该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保证在嵌入空间上尽可能不同地物特征分离、相同地物特征紧聚,确保相同地物光谱、纹理特征的相似性,完成光谱、纹理鉴别特征的有效提取,以充分挖掘影像特征,有效提高影像的分类精度。在GF-2遥感数据集上进行试验,结果表明本文算法可实现多特征的有效融合,分类精度均优于传统方法,可达93.41%。 相似文献
16.
单变量特征选择的苏北地区主要农作物遥感识别 总被引：2，自引：0，他引：2
遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。 相似文献
17.
18.
19.
20.
Khalid Biro Biswajeet Pradhan Hussein Sulieman Manfred Buchroithner 《Journal of the Indian Society of Remote Sensing》2013,41(3):539-553
Recently, object-oriented classification techniques based on image segmentation approaches are being studied using high-resolution satellite images to extract various thematic information. In this study different types of land use/land cover (LULC) types were analysed by employing object-oriented classification approach to dual TerraSAR-X images (HH and HV polarisation) at African Sahel. For that purpose, multi-resolution segmentation (MRS) of the Definiens software was used for creating the image objects. Using the feature space optimisation (FSO) tool the attributes of the TerraSAR-X image were optimised in order to obtain the best separability among classes for the LULC mapping. The backscattering coefficients (BSC) for some classes were observed to be different for HH and HV polarisations. The best separation distance of the tested spectral, shape and textural features showed different variations among the discriminated LULC classes. An overall accuracy of 84 % with a kappa value 0.82 was resulted from the classification scheme, while accuracy differences among the classes were kept minimal. Finally, the results highlighted the importance of a combine use of TerraSAR-X data and object-oriented classification approaches as a useful source of information and technique for LULC analysis in the African Sahel drylands. 相似文献