共查询到20条相似文献，搜索用时 47 毫秒
1.
高分辨率遥感图像具有丰富的纹理信息,而像素级变化检测方法主要分析图像的光谱信息,导致将像素级变化检测方法用于高分辨率遥感图像具有一定的局限性。因此,本文提出了一种像素级与对象级相结合的高分辨率遥感图像变化检测方法,解决了像素级与对象级变化检测方法中存在的椒盐现象、误检等问题。首先,结合高分辨率遥感图像的多维特征,构建遥感图像变化检测模型;其次,利用随机森林分类器对图像进行分类,得到像素级变化检测结果;最后,将像素级变化检测结果与图像对象分割结果进行融合,得到图像变化区域和不变区域。试验结果表明,该算法具有较高的准确率和检测精度。 相似文献
2.
《武汉大学学报(信息科学版)》2016,(7)
为了进一步提高遥感图像分类的精度,提出了一种基于Log-Gabor小波和Krawtchouk矩的遥感图像分类算法。首先利用Log-Gabor小波对遥感图像进行多方向、多分辨率滤波,提取遥感图像的纹理特征;同时计算遥感图像的Krawtchouk矩不变量,作为遥感图像的边缘形状特征,并与基于Log-Gabor小波提取的纹理特征构成完整的特征向量;最后依据所提取的特征向量利用支持向量机(support vector machine,SVM)分类器对待分类图像进行分类,得到最终的遥感图像分类结果。实验结果表明,与近年来提出的基于Gabor小波、基于Log-Gabor小波、基于Krawtchouk矩等3种遥感图像分类算法相比,本文算法在主观视觉效果和分类精度等客观定量评价指标上都有了明显的改善,是一种行之有效的遥感图像分类算法。 相似文献
3.
面向对象的高分辨率遥感影像土地覆盖信息提取 总被引：3，自引：0，他引：3
利用高分辨率影象提取土地覆盖信息的关键技术在于如何利用丰富的纹理信息来弥补光谱信息的不足。面向对象的图像分类技术改变了传统的面向像素的分类技术:(1)用来解译图像的信息并不在单个像元中,而是在图像对象和其相互关系中;采用多分辨率对象分割方法生成图像对象,提高了分类信息的信噪比;基于对象的分类技术不同于纯粹的光谱信息分类,图像对象还包含了许多的可用于分类的一些其他特征:形状、纹理、相互关系、上下关系等信息。面向对象的土地覆盖分类结果与传统分类方法相比,其特征提取算子更加地适合于几何信息和结构信息丰富的高分辨率图像的自动识别分类。 相似文献
4.
提出了基于修正后的直方图不变矩对符号图像进行变化检测的算法。该算法的主要思想是首先计算图像直方图不变矩，然后用两幅符号图像之间的相关系数来修正，利用修正后的不变矩来检测符号图像变化。该方法解决了Hu不变矩在检测符号图像变化时难以克服的灰度变化问题。结果表明．该算法对符号图像的对比度和灰度有较强的抵抗能力，能够提高符号图像变化的检测率和控制误测率。 相似文献
5.
6.
一种从SAR图像中提取城市道路网络的方法 总被引：6，自引：0，他引：6
提出一种从高分辨率SAR图像中提取城市道路网络的算法.在高分辨率SAR图像中,道路在空间结构上表现为一细长的且宽度基本恒定不变的均匀区域.利用模糊C均值聚类方法对高分辨率SAR图像进行聚类分析,将道路类像素从原始图像中分离出来.为突出道路形状特征,减少冗余信息,对聚类结果进行细化,同时利用跟踪算子消除短线段;以提取道路中心线二值图的像素值作为图像能量,应用Snakes模型检测道路网络.通过实际SAR图像验证,该算法可以准确提取复杂的城市道路网络. 相似文献
7.
8.
为了进一步提高遥感图像建筑物区域的识别精度,提出了一种基于中值稳健扩展局部二值模式(median robust extended local binary pattern,MRELBP)、Franklin矩和布谷鸟优化支持向量机(support vector machine,SVM)的分类方法。首先,通过MRELBP特征算子计算图像块的纹理特征向量,并根据Franklin矩得到形状特征向量,组合图像块的纹理特征向量和形状特征向量得到综合特征向量;然后,利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化;最后,通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明,与基于三原色(red green blue,RGB)和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比,本文提出的方法所识别的遥感图像建筑物区域准确度更高。 相似文献
9.
10.
基于PCA与不变矩的车标定位与识别 总被引：7，自引：0，他引：7
在车牌位置确定的情况下,利用车标边缘特点在车牌上方一定范围内检测车标.提出车标似真度的概念,将检测到的车标图像映入PCA生成的特征车标空间,得到的重构图像与原图像进行车标真实性检测,减少车标的误定位;然后利用不变矩的旋转、尺度及平移均不变的特性,定义不变矩的最小矩距离进行车标识别.通过实测车标图像的定位和识别实验表明,该方法是有效和可行的. 相似文献
11.
High spatial resolution hyperspectral images not only contain abundant radiant and spectral information, but also display rich spatial information. In this paper, we propose a multi-feature high spatial resolution hyperspectral image classification approach based on the combination of spectral information and spatial information. Three features are derived from the original high spatial resolution hyperspectral image: the spectral features that are acquired from the auto subspace partition technique and the band index technique; the texture features that are obtained from GLCM analysis of the first principal component after principal component analysis is performed on the original image; and the spatial autocorrelation features that contain spatial band X and spatial band Y, with the grey level of spatial band X changing along columns and the grey level of spatial band Y changing along rows. The three features are subsequently combined together in Support Vector Machine to classify the high spatial resolution hyperspectral image. The experiments with a high spatial resolution hyperspectral image prove that the proposed multi-feature classification approach significantly increases classification accuracies. 相似文献
12.
In this study, a multi-scale approach was used for classifying land cover in a high resolution image of an urban area. Pixels and image segments were assigned the spectral, texture, size, and shape information of their super-objects (i.e. the segments that they are located within) from coarser segmentations of the same scene, and this set of super-object information was used as additional input data for image classification. The accuracies of classifications that included super-object variables were compared with the classification accuracies of image segmentations that did not include super-object information. The highest overall accuracy and kappa coefficient achieved without super-object information was 78.11% and 0.727%, respectively. When single pixels or fine-scale image segments were assigned the statistics of their super-objects prior to classification, overall accuracy increased to 84.42% and the kappa coefficient increased to 0.804. 相似文献
13.
融合像素—多尺度区域特征的高分辨率遥感影像分类算法 总被引：1，自引：0，他引：1
针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。 相似文献
14.
15.
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
16.
一种基于对象和多种特征整合的分类识别方法研究 总被引：8，自引：0，他引：8
遥感图像空间分辨率的提高，为目标物的纹理特征和形状特征的提取提供了客观基础，同时也使得传统的基于像元的分类识别方法受到了严重的挑战。因此，需要对传统的方法进行改进或发展新的方法。本文采用面向对象的分析思想，通过图像分割和分割对象的矢量化等一系列的预处理，并在此基础上实现了目标形状信息的提取，最后综合利用光谱特征和形状特征应用模糊分类器实现两种典型的人造目标的分类提取实验。识别的精度评价主要通过目视解译完成。分析表明，形状信息的提取大大丰富了目标识别的特征库，尤其在感兴趣目标与背景物具有相近的光谱反应而形状特征有明显差异的条件下，这种利用光谱与形状特征整合的提取方法能够大大提高目标的识别精度。 相似文献
17.
18.
利用面向对象的分类方法从IKONOS全色影像中提取河流和道路 总被引：24，自引：0，他引：24
传统的基于像素的统计特征的分类方法在处理高分辨率影像的分类问题上遇到了很大的困难。本研究利用面向对象的影像分析方法对IKONOS全色影像进行了河流与道路的分类,包括利用影像对象的光谱特征的初次分类和利用子目标对象的线特征的二次分类两个过程;其中初次分类由于仅依据光谱信息,不能很好地将河流或道路与其他光谱特征相似的地物区分开,而通过引入子目标的形状特征进行二次分类,就可以准确地将河流与道路提取出来。试验结果表明,面向对象的分类方法能够满足高分辨率或纹理影像的分类需要,具有很大的应用潜力。 相似文献
19.
基于深度卷积神经网络的高分辨率遥感影像场景分类 总被引：2，自引：0，他引：2
场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别，但是针对高分影像涵盖的细节多、类别复杂等特点，中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取，然后利用池化层对重要特征进行筛选，最后将提取到的特征进行组合，形成高阶语义特征，利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题，使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率，相比于传统方法，有效地提高了分类精度，同时证明了深度卷积神经网络在遥感影像分类领域优越性。 相似文献
20.
针对高分辨率影像上日光温室的信息提取问题,该文提出了利用支持向量机、最近邻算法结合纹理特征在不同层上分别提取连片日光温室和独栋日光温室的方法。实验表明:纹理特征能提高分类精度,在大尺度的层上,分类精度提升幅度较大,但在小尺度的层上,分类精度提升幅度会比较小;并不是参与运算特征数越多,分类精度越高,多数情况下光谱+纹理组合的分类精度最高;提取连片日光温室的最优方案是支持向量机和光谱+形状+纹理(7像素×7像素),总精度为92.86%,Kappa系数为0.90,而提取独栋日光温室最优方案为SVM和光谱+纹理(11像素×11像素),总精度为88.39%,Kappa系数为0.86。 相似文献