共查询到19条相似文献，搜索用时 109 毫秒
1.
2.
3.
以湖南金童山国家级自然保护区内某条山区公路为例,利用无人机飞行获取高分辨率影像与高精度数字地形模型,使用基于面向对象的方法对滑坡信息进行提取,对无人机数据进行多尺度分割与光谱差异分割,选取了研究区内植被、道路、滑坡三类感兴趣地物的影像特征建立了规则集,充分利用了影像对象的光谱特征、几何特征、地形特征、空间关系,使用了阈值分类,隶属度函数与决策树分类方法.利用实地验证与基于无人机影像的目视解译对提取结果进行了精度评价,总体提取精度为94.75％,滑坡提取精度超过80％.该研究为快速监测山区内滑坡信息提供了借鉴. 相似文献
4.
5.
面向对象的多尺度无人机影像土地利用信息提取 总被引：3，自引：0，他引：3
选取面向对象的方法,对无人机影像进行土地利用信息提取.通过对获取的原始无人机影像进行预处理,选取合适的分割参数对实验区进行多尺度分割,找出不同地物最优分割尺度,建立多尺度分割分类的层次结构体系,然后依据地物分类特征差异,在各自最优分割尺度层建立地物特征提取规则,实现土地利用信息的提取.研究结果表明,针对无人机高分辨率影像,运用面向对象的多尺度分割影像信息提取技术,可充分利用影像中包含的纹理、形状、大小及其相互空间信息,快速、准确地进行土地利用信息提取. 相似文献
6.
无人机影像具有高空间分辨率的特性,在体现地物细节上有着多光谱数据所不具有的优势,同时也使得常规的多光谱影像的信息提取方法并不适用于无人机影像,针对这一问题,面向对象法被应用于高分辨率影像信息提取中;与常规方法相比,面向对象法不仅仅是利用影像的光谱信息,也考虑了影像的纹理、颜色、形状指数等多种要素,大大地提高了高分辨率影像的信息提取精度。但面向对象法涉及要素多,需要对研究区有一定的了解,同时需要建立相应的分类规则。该文分别利用基于光谱分析的阈值法及基于对象的面向对象法,对居民区、丘陵区、水体及混合区进行基础地类信息提取,并从时间及精度2个角度进行对比分析。 相似文献
7.
近年来红树林群落中物种结构简单、功能退化等环境问题日趋严重,为了及时准确掌握红树林群落的物种空间格局与分布,本文首先基于深圳福田红树林自然保护区无人机高光谱影像,利用归一化差值植被指数和归一化潮间红树林指数提取植被区域;然后在植被区域根据最佳指数法选取信息量大、波段相关性小的波段组合,分别采用基于像素支持向量机分类方法和面向对象影像分类方法对红树林物种进行分类。试验结果表明,基于像素支持向量机分类方法的总体精度为81.03%;利用面向对象影像分类方法的总体精度为85.58%。面向对象影像分类方法能有效去除椒盐噪声,充分利用对象光谱、形状及纹理信息,提供更准确的红树林分布信息。 相似文献
8.
针对目前遥感影像分类中面向对象和决策树相结合的研究较少的情况,该文提出基于C5.0决策树的面向对象分类方法,并以广州市从化区进行实证研究。基于Landsat-8OLI影像数据,采用面向对象分类对影像进行多尺度分割,提取出影像对象的光谱、纹理特征以及影像对象相对应的DEM信息;然后利用C5.0决策树根据特征信息来挖掘分类规则;最后根据规则对分割后影像进行分类。结果表明,基于C5.0决策树的面向对象影像分类精度高、效果好,总体精度和Kappa系数分别为89.75%和87.5%。该方法可准确、快速地提取土地利用/覆被信息。 相似文献
9.
城市绿地作为城市生态系统中不可缺少的一部分,也是城市建设中必须考虑的因素之一,如何更有效地得到城市绿地的分布状况对城市的建设有着深刻的意义.高分辨率遥感影像如今已经成为城市绿地调查的重要数据.为了探究最适用于高分影像中城市绿地自动提取的方法,以南京市某区域为例,以高分二号高分辨率影像为数据源,分别使用了监督分类、利用归一化植被指数(NDVI)分类和基于规则的面向对象分类这三种信息自动提取方法,并将得到的分类结果与精度评价进行了对比分析,结果表明,基于规则的面向对象分类方法的精度明显高于其他两种方法. 相似文献
10.
11.
基于小型无人机可见光遥感的蓝藻识别研究 总被引：1，自引：0，他引：1
以无人机航拍获取的可见光影像为数据源,研究小面积水域中蓝藻的提取方法。首先采用无人机获取可见光影像,运用4种可见光植被指数对图像进行运算,提出了用于蓝藻识别的可见光归一化差异植被指数与增强型红绿差值植被指数,以人工目视解译统计得到的蓝藻面积作为判别依据。结果表明:利用增强型红绿差值植被指数对湖泊中蓝藻的分类及提取,精度可达95.89%,Kappa系数为97.03,质量稳定,精度较高。 相似文献
12.
机载LiDAR数据能够准确提供对象的三维空间位置信息,无人机高分辨影像具备丰富的色彩信息与纹理信息,综合两种数据的优点,可进行数据集成融合。针对山区普遍存在的分布广泛的植被覆盖类型基质景观,本文通过构建可见光植被指数（VDVI）融合光谱信息点云数据,进行典型植被特征提取的研究。为了验证该方法提取信息的准确度,分别构建了3种数据源并依次进行山区地表植被提取试验。对试验结果定性定量分析表明,融合光谱点云数据的植被覆被率为56.8%,较另外两种数据类型的植被覆被率更加接近参考值（58.2%）,可信度相对较高,效果更好,植被图斑轮廓更加清晰,更适用于目标对象植被特征提取,使融合影像信息的点云数据分类优势得以体现,证实了该方法面向山区植被特征提取的可行性。 相似文献
13.
研究山区地表水体信息OLI遥感数据去阴影自动提取方法,设计基于数字高程模型与指数提取的决策树分类方法,提高水体自动识别的精度。该方法选取改进的归一化水体指数、归一化植被指数、比值植被指数、主成分分析前3个分量以及波段之间的组合运算,并结合DEM构建决策树分类规则。综合采用单波段阈值、谱间关系、植被指数和水体指数阈值完成山体水体的去阴影识别研究,与计算机自动识别分类方法比较,其精度明显提高。结果表明,决策树分类方法在精度上明显高于常用的计算机自动分类方法,可以很好地被利用于OLI遥感数据水体信息的海量、大范围提取。 相似文献
14.
目前大部分植被指数主要针对绿色植被构建，缺乏针对其他颜色特别是红色植被的指数。此外，面向湿地或潮间带植被识别提取的植被指数也相对较少。为拓展针对红色植被指数构建的研究，结合翅碱蓬植被的红色特征，基于高分一号（GF-1）卫星宽覆盖影像（wide field of view，WFV），通过对比翅碱蓬及其周边地物在GF-1 WFV影像中的光谱反射率特征，构建了翅碱蓬植被指数（suaeda salsa vegetation index，SSVI）。为评估SSVI提取翅碱蓬的精度，以辽宁双台子河口湿地自然保护区为研究区，采用各种植被指数分别提取了不同年份的5景GF-1 WFV影像翅碱蓬信息，并对提取结果精度及错分像元数进行统计分析。结果表明，SSVI平均提取精度为88.6%，平均错分像元占研究区比例为5.1%，在5个指数中提取翅碱蓬精度最高、效果最好。此外，5期影像间较大的时间跨度也证明了SSVI的鲁棒性较强，具有较好的适用性，受时间影响较小。综上，构建的SSVI可有效用于翅碱蓬的识别与提取，并监测其时空变化。 相似文献
15.
选取了监督分类、植被指数法、支持向量机和面向对象4种方法对资源三号和高分一号影像提取建筑物信息。通过对不同方法的精度评价,探索一种最适合高分一号和资源三号影像的建筑物提取方法。 相似文献
16.
无人机遥感系统可以获取矿区高分辨率遥感影像,具有较强的灵活性和现势性,成图速度快,能广泛应用于各种调查任务。本文以江西省定南县稀土矿区为研究区,介绍了无人机遥感系统的组成、航拍流程和数据处理的方法,通过面向对象的多尺度分割技术,建立不同地物类别对应的分类层次,然后根据地物特征进行信息提取,最后总结出一套基于无人机遥感的矿产信息提取方法。 相似文献
17.
基于GF2号卫星影像的农业信息提取方法对比分析 总被引：1，自引：0，他引：1
以GF2卫星0.8 m全色/3.2 m多光谱分辨率遥感影像为基础数据源,对基于GF2号卫星影像的农业信息提取流程和方法进行了研究与对比分析。首先对GF2号卫星影像进行波谱分析;其次对GF2号影像进行融合,并对多种融合方法进行质量评价;最后选择阈值法、波谱间关系法、非监督分类法和面向对象法分别对GF2号影像数据进行农业信息提取试验,并对信息提取结果进行精度验证和结果分析。试验表明,面向农业信息提取的GF2号卫星影像融合方法中,Pansharp融合算法融合影像色彩正常,无虚影,清晰度高,地类对比度正常,纹理清晰,熵值及与原始多光谱影像的相关系数高。阈值法和谱间关系法适用于提取单要素农业信息,非监督分类法能够初步获取研究区土地利用情况,面向对象法提取研究区全要素信息精度高。总体来说,不同信息提取方法具有各自的优势,在具体实际应用中,可以根据目标地类的波谱特性,选择适宜的遥感影像处理和信息提取方法。 相似文献
18.
本文以雷州半岛为研究区,利用Sentinel-2A影像数据和真实植被样本数据,综合探讨了机器学习中随机森林与支持向量机的分类效果,并与传统的最大似然法进行比较。提取Sentinel-2A影像9个波段、7个植被指数、72个纹理特征,通过递归特征消除法挑选了10个特征组合,并将其应用于3种分类方法中,对其分类效果进行比较。结果表明:①有效使用多种特征变量是提高植被类型识别精度的关键,就不同特征对植被类型识别的重要性而言,光谱特征与纹理特征相当且大于植被指数,三者重要性相差不大;②随机森林分类效果最佳,不但能对特征进行有效选择,而且能保证植被类型提取精度,提高运行效率;③基于随机森林特征选择的递归特征消除法得到的特征组合不能对其他分类器性能进行优化,对随机森林模型本身的优化效果也有限。 相似文献
19.
针对南方复杂地区水稻遥感信息提取研究中机器自动学习分类研究较少、分类精度不高的问题,以福建省三明市建宁县溪口镇为研究区,基于GF-1号卫星影像,采用面向对象的随机森林遥感分类算法对研究区内水稻田信息进行提取。首先通过优化面向对象分割参数和随机森林分类模型参数,提取并调用了影像中的多种特征;再对光谱特征、植被指数特征、纹理特征、几何特征进行特征空间优选;最后通过设置4种特征优选试验进行对比,得到最优分类模型。实验结果显示,基于特征空间优选的面向对象随机森林分类算法的水稻提取精度高达90%,分类总体精度可达87%,Kappa系数为0.85;与其他试验结果相比,漏分和误分现象较少,实现了南方地区水稻信息高精度自动识别。该方法计算特征少、实现简便,对于国产高分卫星影像在南方复杂地区作物自动提取中的应用具有参考性。 相似文献