排序方式： 共有9条查询结果，搜索用时 31 毫秒
1
1.
高光谱遥感影像分类研究进展 总被引：4，自引：0，他引：4
随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。 相似文献
2.
基于卷积神经网络的高光谱图像分类是当前的研究热点,先后发展了空洞卷积、可形变卷积等先进模型。然而,现有可形变卷积只在空间维偏移,忽略了高光谱图像光谱之间的差异信息。为此,本文将可形变卷积从空间维扩展到光谱维,设计了光谱可形变卷积,提出了光谱可形变卷积网络SDCNN（Spectral Deformable Convolutional Neural Network）。首先,利用全连接层学习光谱可形变卷积的偏移量,采用线性差值对图像光谱维进行特征校准;其次,采用多层1×1卷积进行光谱维特征聚合;最后,使用三维卷积层提取光谱?空间联合特征。不同于空间可形变卷积,光谱可形变卷积只在光谱维上进行偏移,可以为不同类别选择更合适的特征波段,提升模型的判别性。在国际通用测试数据Indian Pines、University of Pavia以及University of Houston上进行了实验,结果表明：本文提出的SDCNN方法优于其他深度学习方法,在相同样本条件下取得了更高的分类精度,总体精度达到了98.86%（Indian Pines,10%/类）、99.81%（University of Pavia,5%/类）以及97.41%（University of Houston,50个/类）,验证了该方法的有效性。 相似文献
3.
高光谱遥感可同步获取地表覆盖空间影像和连续且精细的光谱数据,能够实现对地物的精细分类与识别。然而,高光谱图像的高维特性对分类带来巨大挑战。为此,本文探讨了一种基于卷积核哈希学习的高光谱图像分类方法。哈希学习可以将高维信息表达为低维哈希编码,通过计算哈希编码内积并借助最小汉明距离实现分类。为了有效表达非线性数据,又发展了核哈希学习方法。然而,直接应用核哈希学习进行高光谱图像分类存在运行速度慢和未考虑空间邻域信息的不足。为此,本文在核哈希学习中引入径向基函数RBF（Radial Basis Function）作为损失函数以提高运行效率;同时,借助四维卷积操作充分表达空间邻域信息,提出了基于卷积核哈希学习的高光谱图像分类方法CKSH（Supervised Hashing with RBF Kernel and Convolution）,同时探讨了该方法在仅利用光谱特征和光谱—空间联合特征上的分类效果。在国际通用测试数据Indian Pines和University of Pavia上进行了实验,结果表明：本文提出的CKSH方法优于传统分类方法（支持向量机、随机子空间）和其他哈希学习方法（如谱哈希、球哈希、监督离散哈希、潜在因子哈希等）,同时在不同训练样本数量条件下均取得了较高的分类精度,达到96.12%（Indian Pines,10%的训练样本）和98.00%（University of Pavia,5%的训练样本）,从而验证了该方法的有效性。 相似文献
4.
常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。 相似文献
5.
在喀斯特分布区,基岩、植被、裸地等多种地表覆盖交错分布,地物覆盖高度异质,并且呈现出短周期规律性变化和长期动态趋势变化,单一时相的影像进行土地覆盖分类精度非常有限。针对这一问题,本文提出一种顾及物候特征的多时相遥感影像分类策略,利用具有高时间分辨率的MODIS NDVI时间序列产品作为数据源,选择BFAST(Breaks For Additive Seasonal and Trend)方法进行NDVI时间序列的物候分解,采用动态阈值法对时序分解的物候轨迹进行标记,最后将物候标记特征与原始光谱时序综合特征进行组合,选择支持向量机(SVM)分类器进行土地利用覆盖分类,并且对比了不同特征空间下的分类结果。以云南省壮族苗族自治州丘北县和砚山县为研究区进行分类实验,结果表明,BFAST模型可以有效地分解出NDVI时序中的关键物候特征,相比基于单纯光谱特征的分类,物候驱动的喀斯特断陷盆地区土地覆盖分类精度有明显的提升,在NDVI、光谱和物候组合特征空间下,土地覆盖分类精度最高,总体精度和Kappa系数分别为88.94%和0.8693,尤其在灌木林、有林地、石旮旯地与稀疏植被的区分中,SOS、POS和GSG等物候特征具有较强的可分性,表明物候特征在地物识别中的有效性。 相似文献
6.
高光谱影像小目标谐波分析探测模型 总被引：4，自引：0，他引：4
针对高光谱影像小目标探测问题,结合白化处理(WP)与约束能量最小化(CEM)算法,提出一种基于谐波分析(HA)的小目标探测新模型,即HA-WP-CEM模型.该模型首先对原始影像进行3次谐波分析,提取出最适合小目标探测的高光谱影像谐波分析余项、振幅和相位等7个能量谱特征成分.其次通过对谐波分析特征成分的白化处理,实现各特征成分的背景抑制,突出低概率的小目标信息.在采集白化数据的探测目标参考像元光谱之后,将参考光谱矢量和白化数据协方差矩阵输入CEM算子,得到小目标的探测结果.最后利用高分辨率影像进行定性评价,并选取3个重点区域,通过计算模型探测结果的信噪比、探测率、漏检率和虚警率进行定量评价.研究结果表明,HA-WP-CEM探测模型在运行简易性、可靠性、实用性和准确性等方面均明显优于直接采用CEM、WP-CEM等方法.同时该模型在数据变换、抑制背景、降噪等方面也达到了很好的效果. 相似文献
7.
利用我国近500年旱涝等级资料和公元1500年以来的El Nino事件的记录，用合成分析方法，讨论El Nino事件的有关年份，中国东部夏季降水的空间分析特征。对1500—1990年间101例El Nino事件所作的El Nino当年的旱涝等级合成图表明:多雨地带在东北、黄淮地区和广东沿海，而干旱少雨地带在内蒙—甘肃和长江中下游地区；这101例El Nino事件结束后的第一个非El Nino年的合成图，则表明其旱涝分布型几乎正好与El Nino当年的相反。1951—1990年间的9例El Nino事件当年 相似文献
8.
科学准确地监测红树林是保护海陆过渡性生态系统的基础和前提,但红树林分布于潮间带,难以进行大规模人工监测。遥感技术能够对红树林进行长时间、大面积监测,但已有研究尚存不足。一方面,红树林分布于热带、亚热带区域,受到天气条件限制难以获得长时间覆盖的有效光学遥感数据;另一方面,红树林极易与其他陆生植被混淆,仅利用多波段数据的光谱信息难以精确识别。本文以恒河三角洲孙德尔本斯地区为例,基于谷歌地球引擎GEE（Google Earth Engine）获取2016年全年的Landsat 8 OLI和Sentinel-2 MSI数据,利用物候信息进行红树林提取研究。首先,基于最小二乘回归构建两个传感器在相同指数之间的关系,重建时间序列数据,之后根据可分性判据选取增强型植被指数EVI（Enhanced Vegetation Index）和陆地表面水分指数LSWI（Land Surface Water Index）。其次,对两个指数的时间序列数据进行Savitzky-Golay滤波处理,并分别提取生长期始期等13种物候信息。最后,将两个指数的物候信息进行特征级联,采用随机森林RF（Random Forest）方法进行分类,提取研究区红树林范围。实验结果表明：Landsat 8 OLI和Sentinel-2 MSI数据融合可有效提升时间序列质量,与基于单一传感器数据的分类结果相比,总体精度提高1.58%;物候信息可以显著增强红树林与其他植被的可分性,与直接使用时间序列数据的分类结果相比,总体精度提高1.92%;同时考虑EVI和LSWI指数可极大地提升分类效果,与采用单一指数相比,总体精度分别提高14.11%和9.69%。因此,本文通过数据融合、物候信息提取和指数特征级联可以更好地提取红树林,总体精度达到91.02%,Kappa系数为0.892。研究验证了物候信息在红树林遥感监测中的应用潜力,提出的方法对科学准确地监测全球或区域红树林具有一定参考价值。 相似文献
1