共查询到19条相似文献，搜索用时 109 毫秒
1.
一种基于支撑向量机的遥感影像不完全监督分类新方法 总被引：9，自引：1，他引：9
不完全监督分类是研究在只有目标类训练样本的情况下如何准确地将目标类从数据集中提取出来。在许多遥感应用问题中,往往只需要从遥感影像中提取某一类地物。如果分类过程中只要选取目标类训练样本,将节省在训练样本选取过程中的大量人力物力。因此不完全监督分类是一个值得研究的遥感分类问题。提出了一种基于加权无标识样本支撑向量机(WUS-SVM),并在其基础发展出一种不完全监督分类方法。该方法分3个步骤:(1)在影像中随机选取一定量的无标识样本,将它们作为具有不同权重的非目标类训练样本;(2)用目标类的训练样本和加权无标识训练样本一起训练WUS-SVM,得到初步的分类器;(3)利用初步的分类器确定无标识样本的类别,并与原目标类训练样本一起再次训练SVM得到最终的分类器。通过对模拟数据和遥感影像的分类试验初步证明了该分类方法的有效性。 相似文献
2.
为了提高高光谱影像分类精度，提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成，其中生成器用于模拟高光谱样本的数据分布，生成特定类别的样本；判别器是一个二值分类器，用于判断输入的样本是否为真实数据；分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小，从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器，因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验，试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。 相似文献
3.
基于FLAASH和ATCOR2模型的Landsat ETM+影像大气校正比较 总被引：3，自引：0，他引：3
利用FLAASH和ATCOR2模型对漓江流域的Landsat ETM+数据进行大气校正,以GLS(Global Land Survey)获得的同步高质量地表反射率影像作为参考数据,从目视效果、典型地物光谱特征和波谱一致性三方面对两种模型的校正结果进行对比分析。研究表明,两种模型均可以对ETM+影像进行有效的大气校正,FLAASH模型的校正精度优于ATCOR2模型。 相似文献
4.
张婷婷 《测绘与空间地理信息》2021,44(6):135-137
通过对遥感影像的分类方法及原理的分析,以多光谱遥感影像为依据,采集农田、菜地、居民地等三类地物样本.利用Matlab软件,分别使用最短距离分类器、贝叶斯分类器及BP神经网络分类器三种分类器将遥感影像进行分类实验.通过投票法,融合不同分类器最终的输出结果,将多种分类器的遥感影像分类进行整合,提高了影像的分类精度. 相似文献
5.
基于FLAASH与QUAC模型的SPOT 5影像大气校正比较 总被引：1，自引：0，他引：1
卫星遥感影像的大气校正是定量遥感研究的前提与难点之一,大气校正有多种方法和模型。采用FLAASH与QUAC模型对覆盖长株潭地区的SPOT 5遥感影像进行大气校正,进而对校正前后的影像进行视觉、地物光谱曲线对比分析。结果表明,两种模型有其特定的适用范围,均能基本消除大气的影响,能较好地恢复各类地物光谱的典型特征;采用FLAASH模型的精度较QUAC模型的精度高;应用QUAC模型较FLAASH简便,它对输入参数和仪器标定精度的依赖性小。 相似文献
6.
在国土资源监测、森林资源调查等多个领域中,基于遥感影像的分类技术受到了广泛应用。在利用传统分类器对地表覆盖分类提取中,地形效应是制约分类精度提升的一种因素,其影响可通过适当的校正模型减弱,且已证明地形校正能够对分类精度的提升起到积极作用。相比于传统分类器,基于深度学习理论的深度神经网络分类器具有深层特征学习和表达的优势,在图像分类领域兴起并逐渐用于土地覆盖分类且取得了不错的精度提升。本文初步探究了地形校正在利用深度神经网络分类器U-Net进行地表覆盖分类时对分类精度的影响情况。以Landsat 8 OLI 30 m影像为数据源,结合GDEM_V2 30 m地形数据,在GlobeLand 30和全国30 m森林分类结果的基础上,利用U-Net深度神经网络分类器实现了山区地表覆盖分类提取,并就不同训练样本获取方式及不同精细程度分类体系下地形校正前后的分类精度做了对比分析。分类结果表明：（1）规则网格裁切和坡向辅助裁切这两种训练样本获取方式下,地形校正后的分类精度较校正前不变或有极小幅度的降低,降低范围在0.9%—1.39%;（2）在对更精细的森林类型分类中,地形校正后的分类精度较校正前下降了1.66%。本文初步探究得到：在规则网格裁切和坡向辅助裁切这两种训练样本获取方式及不同精细程度的分类体系下,地形校正均未能提高U-Net深度神经网络分类器的分类精度。 相似文献
7.
基于Landsat的多分类器集成遥感影像分类 总被引：1，自引：0，他引：1
针对传统的单分类器分类精度低,难以满足遥感影像分类精度要求高的问题,该文提出了一种多分类器集成分类方法。该方法有效地将支持向量机算法、C4.5决策树算法和人工神经网络算法进行了组合,实现了多种分类器集成的优势互补,在提高单个类别分类精度的基础上实现了整体精度的提高。该文基于Landsat遥感影像,利用多分类器集成分类技术,获取广州市自1987年以来的土地利用/地表覆盖数据,以平均3年为一个时段,共制作11期数据。实验结果表明,产品分类的平均精度达到88.12%,Kappa系数平均值达到0.868,高于3种基分类器的分类精度,对各种地物的分类精度也明显提高。 相似文献
8.
通过训练样本采样处理改善小宗作物遥感识别精度 总被引：1，自引：0，他引：1
训练样本质量是决定农作物遥感识别精度的关键因素,虽然高空间分辨率卫星的发展有效地解决了农作物遥感识别过程中的混合像元问题,但是当区域内不同作物种植面积差异较大时,训练集中不同类别样本数量往往相差较大,这样的不均衡数据集影响分类器的训练,导致少数类别的识别精度不理想。为研究作物遥感识别过程中的不均衡样本问题,本文基于GF-2号卫星数据,首先挖掘了地物的光谱信息、纹理信息,用特征递归消除RFE (Recursive Feature Elimination)方法进行特征优选,然后从数据处理的角度采用了5种采样算法对不均衡训练集进行处理,最后使用采样后的均衡数据集训练分类器,对比数据采样前后决策树与Adaboost(Adaptive Boosting)两种分类器的识别结果,发现:(1)经过采样处理后两种分类算法明显提升了小宗作物的分类精度;(2)经过ADASYS (Adaptive synthetic sampling)采样处理后,分类器性能提升最多,决策树的Kappa系数提高了14.32%,Adaboost的Kappa系数提高了10.23%,达到最高值0.9336;(3)过采样的处理效果优于欠采样,过采样对分类器的性能提升更多。综上所述,选择合适的采样方法和分类方法是提高不均衡数据集遥感分类精度的有效途径。 相似文献
9.
10.
土地覆盖制图：基于最优化遥感数据的支撑向量机分类 总被引：1，自引：0，他引：1
遥感数据具有在不同空间、光谱和时间尺度上获取地表测量信息的能力,使其成为获取土地覆盖信息的一个主要数据源。影像分类即把卫星影像上的相关像元划分给某类已知的土地覆盖类型的过程。支撑向量机（SVMs）是一种土地覆盖分类的新技术。三种常用的SVMs是：基于线性和多项式的SVM以及具有高斯核函数的SVM分类器,分类能否成功地应用有赖于其各自选择的最佳参数。但是海量的遥感数据使得这些参数的确定速度十分缓慢。本文研究了一种新的基于最优化遥感数据压缩技术的SVM分类方法。研究显示用于获取SVM参数的数据量能够在不影响土地覆盖的分类精度的前提下进行压缩。数据压缩成功的应用于多项式和高斯核函数的SVM分类,而线性SVM的分类精度却非常低。 相似文献
11.
时间序列遥感影像常用于地表覆盖监测及其变化监测。然而,利用时序遥感数据—尤其是中分辨率遥感数据监测地表覆盖变化,其方法基本是先对多期影像分别进行监督分类然后对比分类结果。由于这种方法需要对每期遥感影像单独选择分类训练样本,而对于历史影像,常常难以获得可靠的样本数据。本文基于遥感数据定量化处理,尝试利用光谱特征扩展方法对时间序列Landsat数据进行分类:首先,结合一种新的大气校正方法和相对辐射归一化方法,对时间序列Landsat数据进行定量化处理,以消除各期影像之间的辐射差异,获得地表反射率数据。然后,论文选择一期易于获得分类训练样本的反射率数据作为"参考影像",并结合样本数据提取不同地表覆盖类型的光谱特征。最后,将"参考影像"中提取的地物光谱特征,扩展到所有时间序列反射率数据进行分类。论文利用青藏高原玛多地区的5景Landsat数据对本文的方法进行了验证,结果显示:基于光谱特征扩展的分类方法,可有效对定量化处理后的Landsat数据进行分类,分类总体精度为88.35%—94.25%,分类结果和传统的单景监督分类结果具有较好的一致性。此外,研究也发现,"参考影像"和待分类图像获取时间的季相差异会影响其分类的精度。 相似文献
12.
Zheng Wang Junshi Xia Lihui Wang Zhihua Mao Qun Zeng Liqiao Tian Liangliang Shi 《Journal of the Indian Society of Remote Sensing》2018,46(3):355-366
Increasing hazy weather in the eastern area of China limits the potential application of high-resolution satellite data and poses a huge challenge for the atmospheric correction of remote sensing images. Consequently, it is necessary to find the most suitable atmospheric correction method under hazy condition. In this study, five kinds of atmospheric correction models, including 6S, COST, FLAASH, QUAC, and ATCOR2, are applied to the GaoFen-1 Wild Field Camera (GF-1 WFV1) data in the eastern area of China, and examined by both quantitative and qualitative analyses using the measured spectrum data. Experimental results indicated that ATCOR2 achieves the best performance among the atmospheric correction methods qualitatively and quantitatively. Hence, specifically for the study area and GF-1 WFV1 dataset, ATCOR2 is the most suitable atmospheric correction approach under hazy in the eastern area of China. 相似文献
13.
针对不同的地物覆盖类型,分析和评价了适用于SPOT-7卫星数据的大气校正方法,为其遥感定量研究和应用提供思路和参考。在河南省嵩山地区进行了同步观测实验,获取了SPOT-7卫星影像并进行大气校正处理,地面同步测量了大气光学特性和典型地物样区光谱,计算了地物样区在影像上的反射率和植被指数,分析了不同地物覆盖类型下大气校正模型(fast line-of-sight atmospheric analysis of spectral hypercubes,FLAASH)和大气模型(second simulation of the satellite signal in the solar spectrum,6S)的大气校正效果。对自然植被、农作物中的高秆作物、硬地建议采用FLAASH进行大气校正,对农作物中的低矮作物,建议采用6S进行大气校正。 相似文献
14.
遥感影像相对辐射校正方法及适用性研究 总被引：2，自引：1，他引：1
遥感影像相对辐射校正是一项基础的数据预处理工作,用于去除影像整体的辐射不均匀性、条带噪声、坏线等辐射问题,经过30多年的发展,已形成几十种不同的相对辐射校正方法和算法。面对种类众多的相对辐射校正方法,它们之间的区别和关联是什么,每种方法的特点是什么,如何选择合适的校正方法,是3个亟需解决的问题。围绕这3个问题,第一,本文以相对辐射校正系数获取的不同方式为原则,将现有的相对辐射校正方法分为3大类:定标法、统计法和综合法,使该分类体系能够反映各类校正方法的区别和关联。第二,在新的分类体系下,给出了定标法、统计法、综合法的数学模型表达,详细介绍了3类方法包含的每种具体的校正方法和算法,比较分析了每种方法的基本思想、原理和优缺点。第三,从影像辐射不均匀特征、影像几何特征、传感器定标、影像综合特征4个方面,对各种校正方法的适用性进行综合分析,给出了科学合理地选择相对辐射校正方法的建议,同时结合具体应用实例进行了实验验证。最后,分析了相对辐射校正研究的发展趋势和存在的问题,有效信息和噪声的计算机判定准则、相对辐射校正效果的评价体系、相对辐射校正对于后续的绝对辐射校正结果的影响是下一步需要深入研究的问题。 相似文献
15.
小波变换在遥感图像相对辐射校正中的应用 总被引：1，自引：0，他引：1
邢宇 《测绘与空间地理信息》2015,(6)
采用小波分析将ASTER图像的低频分量和高频分量进行分离;对低频分量差值计算得到伪不变特征点,采用最小二乘法对低频分量进行线性变换;然后将原始待校正图像的高频分量与校正后的低频分量进行图像重构,实现多时相ASTER遥感图像的相对辐射校正。结果表明,该方法有效地保留了源图像中由于地物变化引起的辐射差异,相对辐射校正的整体效果较好。 相似文献
16.
目前普遍采用的分类器通常都是针对单一或小量任务而设计的,在小数据量的处理中能取得比较满意的结果。但对于海量遥感数据的处理,其在处理时效和分类精度方面还有待研究。本文以遥感图像场景分类任务为例,着重对遥感数据分类问题中几种典型分类方法的适用性进行比较研究,包括K近邻(KNN)、随机森林(RF),支持向量机(SVM)和稀疏表达分类器(SRC)等。分别从参数敏感性,训练样本数据量,待分类样本数据量和样本特征维数对分类器性能的影响等几个方面进行比较分析。实验结果表明:(1)KNN,RF和L0-SRC方法相比RBF-SVM,Linear-SVM和L1-SRC,受参数影响的程度更弱;(2)待分类样本固定的情况下,随着训练样本数目的增加,SRC类型分类方法的分类性能最佳,SVM类型方法次之,然后是RF和KNN,在总体分类时间上呈现出L0-SRCL1-SRCRFRBF-SVM/Linear-SVMKNN/L0-SRC-Batch的趋势;(3)训练样本固定的情况下,所有分类方法的分类精度几乎都不受待分类样本数目变化的影响,RBF-SVM方法性能最佳,其次是L1-SRC,然后是Linear-SVM,最后是RF和L0-SRC/L0-SRC-Batch,在总体分类时间上,L1-SRC和L0-SRC相比其他分类方法最为耗时;(4)样本特征维数的变化不仅影响分类器的运行效率,同时也影响其分类精度,其中SRC和KNN分类器器无需较高的特征维数即可获得较好的分类结果,SVM对高维特征具有较强的包容性和学习能力,RF分类器对特征维数增加则表现得并不敏感,特征维数的增加并不能对其分类精度的提升带来更多的贡献。总的来说,在大数据量的遥感数据分类任务中,现有分类方法具有良好的适用性,但是对于分类器的选择应当基于各自的特点和优势,结合实际应用的特点进行权衡和选择,选择参数敏感性较小,分类总体时间消耗低但分类精度相对较高的分类方法。 相似文献
17.
Xiaojun Qiao Deshuai Yuan Hui Li 《Journal of the Indian Society of Remote Sensing》2017,45(6):945-952
Shadow is an inevitable problem in high-resolution remote sensing images. There are need and significance in extracting information from shadow-covered areas, such as in land-cover mapping. Although the illumination energy of shadow pixels is low, hyperspectral image can provides rich enough band information to differentiate various urban targets/materials and to classify them. This study firstly analyzes the spectra difference between shadow and non-shadow classes so as to detect shadow-pixel. To classify the shadow pixels, Spectral Angle Mapper (SAM) method was adopted to classify urban land-cover mapping, because it can reduce the influence resulted from different illumination intensity. Then, training samples were collected among different classes from the shadow pixels, and their Jeffries–Matusita (J–M) distance were computed to validate the spectral separability among classes, with the square distances of J–M among classes all bigger than 1.9. Finally, Maximum Likelihood Classifier (MLC) and Support Vector Machine (SVM) classifier were used to classify all the shadow pixels as different land-cover types. The results showed MLC and SVM outperform the SAM in classifying similar classes. The classification result in SVM was validated to find having conformity with ground truth. 相似文献
18.
Automatic land cover update was an effective means to obtain objective and timely land cover maps without human disturbance. This study investigated the efficacy of multi-temporal remote sensing data and advanced non-parametric classifier on improving the classification accuracy of the automatic land cover update approach integrating iterative training sample selection and Markov Random Fields model when the historical remote sensing data were unavailable. The results indicated that two-temporal remote sensing data acquired in one crop growth season could significantly improve the classification accuracy of the automatic land cover update approach by approximately 3–4%. However, the support vector machine (SVM) classifier was not suitable to be integrated in the automatic land cover update approach, because the huge initially selected training samples made the training of the SVM classifier unrealizable. 相似文献
19.
由于受到大气的影响,传感器接收到的辐射信息不能真实地反映地表反射光谱信息,因此,从遥感影像中去除大气的影响,即进行大气校正,是高光谱遥感数据处理中极为重要的环节。文章介绍了EO-1hyperion高光谱数据的特点,以及用FLAASH（Fast Line of Sight Atmospheric Analysis of ... 相似文献