排序方式： 共有3条查询结果，搜索用时 93 毫秒
1
1.
针对遥感专题类别信息的机理问题,从土地覆盖参考数据的偏差程度对分类精度的影响角度,提出了一种基于判别空间条件熵加权的土地覆盖分类方法。引入判别空间模型概念,基于此模型生成土地覆盖数据类别,并分析了土地覆盖信息类别与数据类别的语义偏差出现的深层次原因;计算信息类别与数据类别的对应关系矩阵,据此得到二者的条件熵,实现对土地覆盖信息类别与数据类别的语义偏差的量化;根据信息类别与数据类别的条件熵计算修正判别变量的权重因子,实现基于判别空间条件熵加权的土地覆盖分类。采用一景SPOT-5影像进行分类实验,并利用同一地区的Landsat 5TM影像进行方法验证。实验表明,条件熵加权修正方法使土地覆盖分类精度有了显著提高,并对不同分辨率的遥感影像具有适用性。 相似文献
2.
深度学习在高分辨率遥感影像冬油菜提取中的应用 总被引：2，自引：0，他引：2
近年来，深度学习在基于高分辨率遥感影像的农作物种植信息提取领域应用广泛。本文充分利用油菜在盛花期的光谱特征，提出了基于深度学习理论的单时相高分辨率遥感影像油菜分布提取方法。以2016年湖北省沙洋县作为研究区域，获取油菜盛花时期高分一号（GF-1）影像，并以沙洋县为基础影像，通过手工标记制作油菜训练样本。设计两种深度学习框架模型，一种以卷积神经网络（CNN）为框架，构建一维卷积神经网络（1D-CNN）模型，第二种以循环神经网络（RNN）为框架，组合门控循环单元（GRU）模型，训练标准样本模型，完成油菜分类提取。最后，与传统支持向量机（SVM）、随机森林（RF）方法进行了结果对比。试验结果表明，本文设计的基于深度学习CNN和RNN模型提取的冬油菜空间分布精度和面积精度皆优于其他两种方法，为进一步实现冬油菜提取自动化提供试验基础。 相似文献
3.
土地覆盖信息尺度转换的判别空间方法 总被引：1，自引：0，他引：1
提出了土地覆盖信息尺度转换的判别空间方法,选取判别向量并对其进行尺度转换,以不同尺度的判别向量构建多尺度判别空间模型,通过在判别空间中进行土地覆盖分类,实现不同分辨率土地覆盖信息的尺度转换。将此方法与常规的优势法和中心点法做尺度效应对比分析,并对各尺度上两种不同分类方法在判别空间中的土地覆盖分类结果进行比较。实验结果表明,该方法进行升尺度转换的结果比常规方法更加稳健,信息缺损更小,从而验证了其在土地覆盖信息尺度转换方面的有效性和适用性。 相似文献
1