共查询到20条相似文献,搜索用时 343 毫秒
1.
遥感图像中的地物自动识别一直是图像处理中的研究热点,本文在彩红外航空图像中计算机自动识别提取城市道路上做了一些尝试,将形状指数作为光谱分类后的后处理,并通过人机交互修正分类结果.提取后的道路信息将通过自动制图功能形成矢量格式的地理底图.系统采用VC++6.0语言设计完成. 相似文献
2.
3.
《国土资源遥感》2020,(2)
为充分提取极化合成孔径雷达(synthetic aperture Radar,SAR)图像中的信息,提高图像分类精度,提出结合视觉特征的极化SAR图像分类方法。首先,通过极化目标分解方法提取极化参数组成极化特征向量;然后,通过灰度共生矩阵和假彩色合成图像提取极化SAR图像中的纹理和颜色特征参数构成视觉特征向量;最后,将视觉特征向量与极化特征向量组合成新的特征向量,并利用支持向量机(support vector machine,SVM)方法进行分类。对RADARSAT-2的全极化SLC数据进行分类实验,结果表明,与仅使用极化特征向量相比,视觉特征的加入能有效提高极化SAR图像的分类精度。 相似文献
4.
《国土资源遥感》2021,(2)
深度学习技术因其在深度挖掘地物特征方面的独特优势为高光谱图像分类提供了技术手段。但是在高光谱图像的像素级地物分类中,由于样本输入尺寸的影响导致深度学习的层数受限,不能充分挖掘高光谱图像中的深度特征,为此提出基于残差网络特征融合的高光谱图像分类方法。首先通过主成分分析(principal component analysis,PCA)方法提取原始高光谱图像中的第一主成分,利用残差网络有效提取地物空谱特征;再通过反卷积算法实现特征图的扩充,将反卷积后不同维度的特征进行多尺度特征融合,充分挖掘高光谱图像中的深度特征信息,进一步提升高光谱图像分类精度。对"珠海一号"卫星拍摄的江苏太湖和安徽巢湖两个区域进行地物分类实验,结果表明,与其他方法相比,该方法有效解决了高光谱图像分类中深度特征提取不足的问题,获得了更好的分类性能。 相似文献
5.
6.
基于灰度共生矩阵提取纹理特征图像的研究 总被引:7,自引:0,他引:7
在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特征对于遥感影像分类精度的提高也有很重要的作用。本文主要研究了通过灰度共生矩阵提取纹理特征图像的方法,对该方法提取纹理特征图像进行了相关的实验分析。并将其在分类中的应用进行实验,证明了灰度共生矩阵提取的纹理特征对图像分类精度提高起到一定的作用。 相似文献
7.
本文通过图像辐射恢复处理消除了大范围航空短波红外分光谱扫描图像的辐射畸变。以土壤吸附烃的光谱特性为依据,通过对训练区图像的因子分析,在主因子空间上,确定出土壤吸附烃异常的特征方向。通过确定方向因子分析的处理,实现了大范围的油气异常信息的识别、提取与分类。 相似文献
8.
数字图像处理在道路交通数据采集中的应用研究 总被引:1,自引:0,他引:1
主要研究数字图像处理技术在MDCS中对于交通标志信息自动识别的应用,通过多级图像提取和多种特征识别和匹配算法,提高交通标志识别的准确率,从而大大提高交通标志数据的采集和更新周期。 相似文献
9.
提出了一种基于多点地统计学理论的遥感影像分类后处理方法。此方法从训练图像中提取先验的空间结构信息,推断类别的空间分布模式和相关关系,训练图像中能够建立包含空间关系的模型,比传统变异函数模型所表达的点对之间的关系更为丰富。将此方法应用于从Landsat TM影像中提取湿地类别,与空间平滑法和基于马尔科夫随机场的分类方法相比,其总体分类精度有所提高,且对曲线分布的地物类别的处理具有明显优势。 相似文献
10.
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
11.
《国土资源遥感》2021,(3)
针对无人机获取的高分辨率遥感图像分类需求,提出一种K-means聚类引导的阈值分类方法。首先计算出无人机遥感图像数据集的Average Silhouette值,作为K-means的最优聚类数目;然后对原始图像进行Kmeans聚类初分割,对初分割结果中的非目标区域进行手工剔除;再对处理之后的新对象进行阈值分割和图像优化,完成对象的提取;最后对所有处理得到的地物标签进行合并,实现遥感图像的识别与分类。基于MATLAB/GUI平台,对提出的分类方法处理步骤进行集成,开发了无人机遥感图像分类处理系统,可对无人机遥感图像进行快速处理,实现半自动解译。对分类结果进行精度验证,其总体精度为91.09%,Kappa系数为0.88,表明该方法用于无人机遥感图像分类处理,能够实现地物的精确分类与信息提取。 相似文献
12.
13.
吴从晖 《解放军测绘研究所学报》2001,21(3):36-38
近年来,雷达遥感图像特别是SAR图像在农业、林业、军事、测绘和灾害监测等方面的应用越来越广。对于连续成像的SAR图像,数据量大,处理时很难满足实际应用的需要。本文通过利用网络共享内存(DSMs)软件JIAJIA的并行处理环境,进行了机械SAR图像几何纠正和重要地物分类提取等串、并行实验,证明了在这种软件技术支持下,开发图像处理系统,特别是针对SAR图像等遥感图像的处理具有一定的实用价值。 相似文献
14.
分层分区分景相结合的区域土地利用/覆盖分类方法——以浙江钱塘江流域分类为例 总被引:2,自引:0,他引:2
在土地利用/覆盖研究中,对于范围广、地域差别大的地区,仅用同一标准对遥感图像进行分类往往难以得到理想的效果。
本文以浙江省钱塘江流域为例,通过对Landsat TM数据各波段组合,首先提取水层和山层信息,然后采用掩模法提取平原丘陵层信
息,并根据地形地貌和土地利用现状的差异,将平原丘陵层划分为6个区,当所划分区域内各景的影像时相不一致时,再对该区进
行分景处理。最后,分别对每层、每区和每景图像进行训练样本的选择和监督分类。试验结果表明,结合分层、分区和分景的监督
分类方法是一种适合于较大区域土地利用/土地覆盖分类的有效方法。 相似文献
15.
16.
地图模式识别是实现扫描方式地图自动数字化的核心技术,它对建立地图数据库,以及GIS的数据快速采集具有非常重要的意义。本文从地图模式信息的获取、预处理,分类特征的提取,定位分割和自动识别等方面论述了地图模式识别的主要研究内容。 相似文献
17.
针对传统的遥感图像道路提取算法存在错漏率较高的问题,提出一种基于时频特征提取和域自适应学习分类器的高分辨率航空遥感图像道路提取新算法。首先利用地统计学抽取道路的时域纹理特征和三维小波变换抽取道路的频域光谱特征,构成高分辨率航空图像中的道路特征。然后使用抽取的道路特征训练由迁移支持向量机模型构建的域自适应分类器,并对高分辨率航空遥感图像进行道路粗提取。最后,结合道路形态特征,用数学形态学方法处理粗分类后的道路,获得提取后的完整道路。仿真实验表明,所提方法能有效降低高分辨率航空遥感图像道路提取中非道路目标的干扰,提高道路提取的精确性。 相似文献
18.
遥感图像分类与后处理综合技术研究—基于约束满足神经网络方法 总被引:3,自引:0,他引:3
遥感图像计算机分类的精度问题是阻碍计算机遥感信息处理系统实用化的一个关键问题。将分类后处理中的分类结果平滑过程模型化为约束优化问题,采用神经网络方法把分类结果平滑过程与遥感图像分类过程结合起来,提出了基于约束满足神经网络的遥感信息分类与后处理综合技术。实验表明该方法可明显提高森林类型划分、土地利用调查等遥感应用专题的分类精度。 相似文献
19.
通过图像显示系统,实现了铀资源多种地学信息数字图像的综合处理,其内容包括资料的输入处理、资料配准和插值处理以及地学信息的增强、分解、提取、分类、叠合、复合等处理。以盛源盆地为样区进行了试验性研究。利用图像的信息增强、叠合技术,研究了试验区的地质构造环境;利用图像信息的分解、叠合技术、分析了铀、钍、钾的分布格局及其地质意义;通过矿床找矿判据的复合、提取,进行了找矿靶区的初选;采用信息的分类技术,进行了盛源盆地地区铀资源的总体评价。通过上述计算机信息处理技术,对这个研究程度较高的老矿区,在某些重要地质问题上,取得了一些新认识,并经野外检验,预测了六片成远景地段。在上述研究基础上,初步建立了铀资料多种地学信息数字图像综合技术系统。 相似文献
20.
卷积神经网络CNN(Convolutional Neural Networks)具有强大的特征提取能力,应用于高光谱图像特征提取取得了良好的效果,双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征,并实现了特征的决策级融合。局部二值模式LBP(Local Binary Patterns)是一种简单但有效的空间特征描述算子,能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力,提出一种双通道CNN和LBP相结合的高光谱图像分类方法,首先,采用1维CNN(1D-CNN)模型处理原始高光谱数据提取深层光谱特征,同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征,然后,将两个CNN模型的全连接层进行连接,实现深层光谱特征和空间特征的融合,并将融合特征输入到分类层中完成分类。实验结果表明,该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度,甚至在有限数量的训练样本条件下也能取得较好的分类效果。 相似文献