共查询到10条相似文献，搜索用时 15 毫秒
1.
基于光谱分析的MODIS云检测算法研究 总被引：11，自引：1，他引：11
总结了云、雪、植被、沙漠、水体等目标的光谱特性以及云和不同目标间的光谱差异，结合MODIS影像的波段范围，提出了一种对不同下垫面通用的多光谱云检测算法，试验证明了算法的有效性。 相似文献
2.
3.
为了去除厚云及其阴影对光学遥感图像的影响,以TM图像为实验数据提出一种基于光谱及几何信息的去厚云算法.在分析单图像云区多光谱特征及对比多时相图像光谱特征的基础上,首先检测光谱特征明显的厚云,依据云和云影成对出现的成像几何关系,按确定的方位和距离搜索云影;然后采用数学形态学的侵蚀与膨胀算法对云区边缘进行碎片去除及填补、合并处理,使其准确反映图像中受云影响的数据总量;最后利用光谱线性回归匹配后的参考图像替换目标图像中的云区,达到去云目的.实验结果表明,上述算法去厚云效果显著,能够有效排除水体及地形阴影对云影识别的影响,具有快速、简单、实用性强的特点. 相似文献
4.
针对现有LiDAR地面点滤波算法对复杂地形地物适应性不强的问题,本文提出了一种融合点云与地面影像分块滤波的方法。首先,将地面影像与点云匹配,使点云从影像中获取更多的光谱纹理信息。然后,分析地物光谱、林地相对密度、点云高程特征、地面DSM模型及其坡度,并基于决策级融合将原始点云切割成若干独立的区块。最后,根据每块区域不同的多元细节特征,对IPTD滤波算法进行改进并利用搜索法优化参数,得到最优且稳健的结果。利用滤波后的总地面点通过插值算法得到的DEM模型和相关试验验证了本文算法的优越性。 相似文献
5.
针对商用激光传感器Optech LiDAR Titan系统获取的多光谱激光点云数据进行地物分类试验的探索,该文提出一种基于卷积神经网络(CNN)模型的多光谱激光LiDAR点云数据地物分类方法.新数据源多光谱激光点云具有多通道和多次散射回波的典型特性,生成感兴趣的热力图,根据热力图特征值和nDSM辅助数据进行感兴趣地物分类.采用CNN模型学习结果与面向对象影像分析OBIA分类方法相结合对分类结果进行精化,并用随机采样参考点对地物分类结果进行精度评估,解决CNN模型分类的正确性和可靠性问题.实验表明,地物分类整体精度OA达到89.8％,Kappa值0.858,该方法在多光谱激光点云地物分类方面具有稳健性、有效性和通用性. 相似文献
6.
7.
目标探测是高光谱图像的重要应用之一.目前已经有了很多的目标探测算法,然而这些算法要求目标与背景是线性可分的.在实际的高光谱数据中,这一要求往往难以满足.本文提出了一种基于非线性主成分分析的高光谱图像目标探测算法.该方法先利用神经网络将高光谱图像进行非线性降维,从而使得在降维后的数据中目标与背景线性可分;然后使用约束能量最小化算法进行目标探测,为了取得较好的目标探测效果,保留了图像原始的特征.针对模拟数据和真实高光谱图像数据的试验表明,基于神经网络的非线性主成分分析可以将线性不可分的目标与背景分离.使用非线性特征和原始特征的组合可以获得更好的目标探测效果. 相似文献
8.
利用MODIS数据监测夜间雾 总被引：1，自引：0，他引：1
在分析雾、云、地表、水体等目标物红外辐射特性的基础上,针对MODIS数据提出了夜间雾监测算法.试验表明,该算法能够将低云大雾与中高云、水体和地表区分开. 相似文献
9.
10.
机载多光谱LiDAR数据的地物分类方法 总被引：2，自引：1，他引：1
机载多光谱LiDAR系统能够快速地获取大范围地表面上地物光谱和几何数据,并能够保证所获取的光谱与空间几何数据在空间和时间上相对完整和一致性。支持向量机（SVM）是一种基于小样本的学习方法,它避开了从归纳到演绎的传统分类过程。因此,本文提出了基于SVM多光谱LiDAR数据的地物目标分类方法。该方法首先将多个独立波段的LiDAR数据融合为单一的、包含多个波段信息的点云数据,然后将融合后的点云内插为距离影像和多光谱影像,最后利用SVM进行多光谱LiDAR数据的地物覆盖分类。通过对加拿大Optech公司的Titan机载多光谱LiDAR数据的试验证明：相对于传统的单波段LiDAR数据,多光谱LiDAR数据可以获得较好的地物分类精度;比较试验发现SVM分类方法适用于多光谱LiDAR数据的地物分类。 相似文献