共查询到18条相似文献，搜索用时 359 毫秒
1.
面向对象的成都平原多源遥感影像分割尺度研究 总被引：1，自引：0，他引：1
要对高分辨率遥感影像进行分类,采用面向对象的遥感影像分析技术比传统的面向像元的遥感影像分析技术优越。要使用面向对象的遥感影像分析技术,关键的第一步是要对遥感影像进行分割,以便得到一系列与地物有密切联系的影像对象。分割的准确性与分割的尺度选择有关。本文针对成都平原高分辨率卫星影像分割尺度选择进行试验和研究,采用不同尺度对试验区不同分辨率遥感影像进行影像分割,并比较分割结果,得出成都平原高分辨率遥感影像数据分割最佳尺度与影像对象亮度均值标准差最大值所对应的分割尺度一致;并且遥感影像空间分辨率越高,最佳分割尺度越大,反之亦然。 相似文献
2.
基于多尺度特征融合和支持向量机的高分辨率遥感影像分类 总被引：10，自引：1，他引：10
相对传统的中低分辨率遥感数据而言,高空间分辨率遥感影像同一地物内部丰富的细节得到表征,空间信息更加丰富,地物的尺寸、形状以及相邻地物的关系得到更好的反映,但其光谱统计特性不如中低分辨率影像稳定,类内光谱差异较大,而传统分类方法仅依据像元的光谱值,因此在高分辨率影像分类中,传统方法往往不能获得好的结果。在此背景下,提出了一种多尺度空间特征融合的分类方法,旨在利用不同尺度的空间邻域特征弥补传统方法的不足。其基本过程是：首先针对不同尺度特点,用小波变换压缩空间邻域特征,并结合支持向量机得到不同尺度下的分类结果,然后根据尺度选择因子为每个像元选择最佳的类别。文中QuickBird和IKONOS影像实验证明该算法能有效提高高分辨率影像解译的精度。 相似文献
3.
基于尺度下降理论,利用高时间分辨率的MODIS遥感影像数据,结合同时间段高空间分辨率的ETM+遥感影像及其分类数据,应用混合像元分解技术,获得了不同时间段的MODIS子像元类别反射率数据。通过类别反射率与像元反射率间的关系模型,以原有的ETM+影像的像元反射率和时间序列的类别反射率,模拟出具有高时间分辨率与高空间分辨率特征不同时间段的模拟影像,实现了遥感影像地物类别反射率在时间上和空间上的细化。通过计算模拟影像与真实影像的相关系数,以及比较模拟影像与真实影像生成的NDVI影像,验证了该方法的有效性。 相似文献
4.
针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。 相似文献
5.
成都平原高分辨率遥感影像分割尺度研究 总被引：2，自引：0，他引：2
对高分辨率遥感影像进行分类,面向对象的影像分析技术优于传统的面向像元的影像分析技术。要使用面向对象的影像分析技术,关键是分割遥感影像,以得到一系列与地物有密切联系的影像对象。分割的准确性与分割的尺度选择有关。针对成都平原高分辨率卫星影像,采用不同尺度对试验区影像进行分割,并比较分割结果,确定成都平原高分辨率遥感影像数据分割最佳尺度为30,该尺度分割的影像对象亮度均值标准差最大。 相似文献
6.
多尺度分割是遥感影像分析的关键步骤,影像分割过程中的尺度参数选择直接关系到面向对象影像分析的质量和精度。首先,总结了面向对象影像分析中尺度概念的内涵,分析遥感影像空间和属性两大基本特征,依据空间统计和光谱统计获得理论上最优的空间尺度分割参数、属性尺度分割参数。其次,运用了基于谱空间统计的高分辨率影像分割尺度估计方法,分析了分形网络演化多尺度分割与影像谱空间统计特征的关系,进而将基于谱空间统计的面向对象影像分析尺度参数应用于分形网络演化多尺度分割算法中,最后,对其参数的合理性进行验证。研究采用高空间分辨率IKONOS和SPOT 5影像数据,选择建筑实验区和农田实验区进行空间和光谱特征统计,以进一步估计分割中的最佳尺度参数。使用分形网络演化方法对图像进行分割,利用监督分类对本文提出的尺度估计方法进行验证,验证结果表明尺度估计方法可以一定程度上保证后续的面向对象影像分类的精度。不同于以往分割后评价的尺度选择方法会需要大量的运算量,本文方法不需要先验知识的参与,且在分割前就可以自适应地估计出相对较为合适的尺度参数,提高了面向对象信息提取的自动化程度。 相似文献
7.
多尺度同质区域提取的高分辨率遥感影像分类研究 总被引：1，自引：0，他引：1
提出了一种监督的多尺度同质区域的提取、融合和分类方法(ECHO),该方法同时考虑了地物的光谱。和空间信息。利用空间分辨率为5 m的华盛顿商业街数据和空间分辨率为0.7 m的北京地区QuickBird数据,证明该方法能有效提高高分辨率遥感影像的解译精度。 相似文献
8.
高分辨率遥感影像信息提取方法综述 总被引：1，自引：0，他引：1
感知地物信息最直接的载体就是遥感影像,从遥感影像中提取地形地物等专题信息是当前遥感技术面临的一个迫在眉睫的问题。遥感影像的空间分辨率伴随着遥感技术的飞速发展从公里级发展到厘米级,同时遥感影像所包含的信息正越来越丰富化。高空间分辨率遥感影像具有数据量极大、数据复杂以及尺度依赖的特点,使得高空间分辨率的遥感影像的数据处理以及影像信息提取具有一定的难度,面临一些急需解决的问题。文中介绍了高分辨率遥感影像信息提取的国内外研究现状和趋势,分析了几种遥感影像的分类方法,指出了面向对象的遥感影像信息提取的技术及高分辨率遥感影像的多尺度分割,并指出了国内外在遥感影像信息提取技术方面的不足和迫切需要解决的问题。 相似文献
9.
GF-2影像面向对象典型城区地物提取方法 总被引：5，自引：3，他引：2
国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。 相似文献
10.
纹理频谱分析的高分辨率遥感影像最佳尺度选择 总被引：2，自引：0，他引：2
基于对纹理频谱的分析提出了一种高分辨率遥感影像最佳尺度的选择方法。首先,分析四种典型地物在傅里
叶变换频域的频谱响应特性。然后,采用点扩散函数对原始影像进行尺度扩展,进而根据地物纹理的径向与角向曲线
随尺度扩展的变化选择最佳尺度。最后,通过分析四种地物在6个尺度下的纹理特征可分性,说明本文方法能客观反映
出地物的尺度效应,具备最佳尺度选择的可行性。利用支持向量机对QuickBird全色影像进行面向对象的分类,实验结
果表明在最佳尺度下可取得较高精度。 相似文献
11.
12.
13.
合理尺度纹理分析遥感影像分类方法研究 总被引：1，自引：0，他引：1
纹理分析是提高遥感影像分类精度的重要手段之一。纹理特征与地物类别尺度密切相关,应用纹理特征进行遥感影像分类,
关键在于纹理尺度的确定。对于灰度共生矩阵纹理分析来说,就是选择大小合适的纹理窗口。根据样本半变异值在较小范围内有较
大变化的特性,研究遥感影像相邻像素之间的空间关系,将半变异值开始趋于恒值时所对应的步长作为纹理分析的窗口大小,并在
纹理特征提取过程中针对每一个像素,在最大似然分类结果的约束下,适时改变其窗口大小,提取纹理特征,提出一种合理尺度纹
理分析的遥感影像分类方法。最后,选择北京市昌平区2006年SPOT 5遥感影像,利用TitanImage二次开发环境实现了该方法。实践
证明,该方法能有效提高遥感影像的分类精度。 相似文献
14.
如何用一种向上的尺度转换方法使得一幅高分辨率的遥感图像经向上尺度转换后可以生成一幅低分辨率的遥感图像,并且使这幅新生成的图像所描述的地物空间关系、空间格局及破碎程度等信息与实际情况下该尺度下的信息保持一致,损失的信息量最少。如何找到这样一种尺度转换的方法是尺度问题中的核心部分,也是遥感中最终要解决的问题。本文一方面结合景观生态学中有关空间分析和尺度转换的方法及最近提出的基于直方变差图的尺度转换方法,对这些方法加以对比并分析了它们各自的优缺点;另一方面在直方变差图的基础上结合分形理论引入了尺度转折点这一概念。通过各个尺度转折点可以确定各个尺度域。。如何找到不同尺度域之间的尺度转换方法将是本研究的重点。本文拟采用的数据为互联网上的IKONOS天安门地区图像。 相似文献
15.
Ramesh Kestur Akanksha Angural Bazila Bashir S. N. Omkar Gautham Anand M. B. Meenavathi 《Journal of the Indian Society of Remote Sensing》2018,46(6):991-1004
UAVs are fast emerging as a remote sensing platform to complement satellite based remote sensing. Agriculture and ecology is one of the important applications of UAV remote sensing, also known as low altitude remote sensing (LARS). This work demonstrates the use and potential of LARS in agriculture, particularly small holder open field agriculture. Two UAVs are used for remote sensing. The first UAV is a fixed wing aircraft with a high spatial resolution visible spectrum also known as RGB camera as a payload. The second UAV is a quadrotor UAV with an RGB camera interfaced to an on-board single board computer as the payload. LARS was carried out to acquire aerial high spatial resolution RGB images of different farms. Spectral–spatial classification of high spatial resolution RGB images for detection, delineation and counting of tree crowns in the image is presented. Supervised classification is carried out using extreme learning machine (ELM), a single hidden layer feed forward network neural network classifier. ELM was modelled for RGB values as input feature vectors and binary (tree and non-tree pixels) output class. Due to similarities in spectral intensities, some of the non-tree pixels were classified as tree pixels and in order to remove them, spatial classification was performed on the image. Spatial classification was carried out using thresholded geometrical property filtering techniques. Threshold values chosen for carrying out spatial classification were analysed to obtain optimal values. Finally in the delineation and counting, the connected tree crowns were segmented using Watershed algorithm performed on the image after marking individual tree crowns using Distance Transform method. Five representative UAV images captured at different altitudes with different crowns of banana plant, mango trees and coconut trees were used to demonstrate the performance of the proposed method. The performance was compared with the traditional KMeans spectral–spatial method of clustering. Results and comparison of performance parameters of KMeans spectral–spatial and ELM spectral–spatial classification methods are presented. Results indicate that ELM performed better than KMeans. 相似文献
16.
多源遥感数据综合应用是遥感发展的必然趋势,统一的遥感数据空间尺度分级模型是多源数据集成与综合应用的基础。虽然已有多种空间尺度分级模型,但很多主流模型并非出于分尺度综合应用目的,缺乏客观的比较和评价。国家基本比例尺系统作为经过论证、中国应用面最广泛、接受度最高的一种尺度分级系统,是以应用为导向的遥感数据空间尺度分级模型的最优参照系。从不同视觉精度下国家基本比例尺对图像空间分辨率的需求出发,比较各空间尺度分级模型的层级分辨率与需求分辨率的匹配情况,包括OGC Well Known Scale Set的Global CRS84Pixel和Google Maps Compatible,以及NASA World Wind、Google Map、百度地图、天地图等软件平台采用的层级格网系统,以及"五层十五级"遥感数据组织模型,通过对数据信息冗余度的分析,对各个模型进行了评价。结果表明,在高视觉精度应用需求下,"五层十五级"模型与基本比例尺精度要求具有较明显的匹配优势,其次为OGC Google Maps Compatible模型和天地图模型,其余模型平均数据冗余倍数在2倍左右;在低视觉精度应用需求下,"五层十五级"模型平均数据冗余度仍为最低,其次为Google Map模型,其余模型平均数据冗余倍数都在2倍以上。 相似文献
17.
针对基于像元的非监督分类方法对高空间遥感影像分类时易形成“椒盐”噪声和产生大量错分、漏分的问题,提出了一种结合L0平滑和超像素的非监督分类方法．首先采用L0算法对高空间遥感影像进行平滑操作,减少大量图像噪声及冗余信息;然后采用简单的线性迭代聚类（SLIC）超像素方法处理平滑后图像,进一步抑制椒盐现象的同时降低处理复杂度,得到初始聚类图;最后采用K-means非监督分类方法得到最终分类结果图．为验证本文提出的方法,选取3景高空间遥感影像作为实验数据．试验结果表明,采用提出的方法能准确对地物分类,且总体精度分别达到了72.46％、77.55％和78.44％,Kappa系数分别达到0.788、0.779和0.779．提出方法能有效解决分类中存在的“椒盐”现象,可提高分类精度,对高空间遥感影像分类具有一定的参考价值． 相似文献
18.
为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法.首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各... 相似文献