排序方式： 共有18条查询结果，搜索用时 31 毫秒
1.
针对SAR影像难以精确计算信噪比的问题,该文以滤波评价指标信噪比为依托,提出了一种基于牛顿插值迭代修正SAR影像近似信噪比的滤波质量评价方法:根据已知值通过牛顿插值得到更多的数据,再利用牛顿迭代法拟合非线性函数修正近似信噪比。以模拟影像和真实影像为数据源,选择目视效果较好的滤波结果作为真实影像的近似无噪声影像,人工对模拟影像和无噪影像进行降质,并使用5种滤波器对影像进行处理,分别利用基于牛顿插值迭代得到的修正近似信噪比、传统的峰值信噪比、等效视数和边缘保持指数评价滤波效果。结果表明:基于牛顿插值迭代修正的近似信噪比可作为衡量SAR影像滤波质量的评价指标,且无需参考原始无噪影像,对真实SAR影像的滤波质量评价有一定的可行性。 相似文献
3.
RADARSAT-2全极化SAR数据地表覆盖分类 总被引：1，自引：0，他引：1
全极化合成孔径雷达(SAR)能够测量每一观测目标的全散射矩阵,但地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征,因而增加了地物信息提取的难度。文中基于北京地区的RADARSAT-2全极化雷达数据,在图像处理的特征分解的基础上,利用PolSARPro软件提取包含地物散射机理信息的各种极化参数,按H-α、A-α、H-A对全极化SAR影像进行基于散射机理的分类,继而将分类结果作为Wishart H/A/α、Wishart H/α的初始类别划分。最后,采用决策树分类算法对基于Wishart分布的监督分类及以上两种分类算法进行融合处理,从而实现地物的分类,并将分类结果与经典的分类算法进行对比分析,验证了文中方法的有效性。 相似文献
4.
5.
6.
基于eCognition的遥感图像面向对象分类方法研究 总被引：1，自引：0，他引：1
随着高分辨率遥感图像越来越普及,传统的面向像元的图像分类方法不能满足对高分辨率遥感图像区域分类的需求,高分辨率遥感图像对图像处理的软件与硬件都有了更高的要求,因此,出现了相较于面向像元有着更高精度更为合理的面向对象分类方法,也更加适用于高分辨率遥感影像。本文通过采用面向对象分类的基本方法,运用eCognition软件,以山东省胶州市地区遥感影像为例,进行多尺度分割和面向对象分类。并用ENVI做监督分类,基于目视解译精度评定,对不同方法作出分析评价。结果表明:面向对象分类方法精度更高,更具有可靠性。 相似文献
7.
针对目前极化合成孔径雷达(PolSAR)影像分类单一特征无法获得令人满意的分类结果的问题,该文设计了综合运用纹理和多种极化目标分解特征,结合面向对象分析及CART决策树的分类方法。为验证该方法的有效性,以北京市某区域全极化RADARSAT-2影像为例,按照"影像预处理—目标极化分解—特征参数优化选择—面向对象影像分割—多特征CART决策树分类"的总体思路进行实验,并在特征参数选择时充分考虑各参数之间的相关性、地物的散射特性和分类效果。结果表明:影像特征参数是PolSAR影像分类的关键,恰当的特征参数组合有利于获取准确的分类结果。 相似文献
8.
针对现有路面裂缝自动化提取精度低和效率差的问题,该文提出一种结合条带池化改进U-Net网络的道路裂缝自动提取方法。该方法以U-Net网络为基础,将编码器与残差模块、空洞卷积相结合,增加网络深度扩大感受野,丰富裂缝提取信息、有效抑制噪声;使用注意力机制将编码与解码过程相连接,提升裂缝提取效率和准确率;以条带池化模块替换池化层,解决传统裂缝分割方法对条状特征提取精度差的问题。以CFD数据集为例,将该文方法与U-Net等其他4种提取方法进行对比分析。结果表明,结合条带池化改进U-Net网络的道路裂缝自动提取方法提取的裂缝完整,计算时间短,在指标F1上有明显提升。 相似文献
9.
设计了一种基于非线性编码和1αβ变换的SAR图像伪彩色增强算法.利用非线性编码建立SAR图像强度值与不同颜色之间的映射关系,得到SAR伪彩色图像;通过1αβ变换分离出伪彩色图像的颜色信息和SAR灰度图像的亮度信息;再将亮度信息和颜色信息通过1αβ逆交换生成SAR伪彩色增强图像.实验结果表明,利用该算法处理得到的SAR伪彩色增强图像与相应的灰度图像相比,具有更加丰富的信息,灰度图像上不易分辨的一些地物的轮廓和细节在伪彩色图像上能够得到较好分辨.从而验证了该算法的有效性. 相似文献
10.
木薯作为重要的非粮能源作物,因其种植分散、与易混淆作物缺乏生长时相差,从而导致其种植分布信息难以正确获取,一直是困扰木薯乙醇资源正确评估的技术问题。该研究以广西壮族自治区武鸣县为研究区,应用高分辨率RapidEye影像数据,探讨利用面向对象分类方法合理提取木薯种植面积及其空间分布信息。研究表明,将归一化植被指数(NDVI)和数字高程数据(DEM)应用于遥感影像的多尺度分割,并结合基于隶属度函数和阈值的面向对象分类方法,提取木薯种植面积的精度达85%,分类精度(以Kappa系数表示)为0.9。相比最大似然监督分类方法和未辅以NDVI/DEM的面向对象分类方法,该方法的总精度分别提高了5%和12%,Kappa系数分别提高了0.2和0.3。因此,NDVI和DEM数据参与影像分割的面向对象的信息提取方法,可以有效地提高遥感图像分类的精度,并为提取种植分散、与相关植被时相差异小的作物的空间分布提供了有效的技术借鉴。 相似文献