排序方式： 共有7条查询结果，搜索用时 15 毫秒
1
1.
2.
基于相关矩阵特征向量的目标分解将地物回波复杂的散射过程分解成相互独立的三种单一散射分量:单向散射、双向散射和交叉散射,分别对应各自的目标相关矩阵。目标分解技术降低了散射回波之间的相关性,有利于分析地物散射机理,有助于提高分类精度。对荷兰F levoland地区全极化数据进行分解,经过试验和相关性分析,选用7种数据形成多参数数据组合,对其进行最大似然监督分类,同时进行常规三种极化加相位差的分类和基于复W ishart分布的最大似然分类,逐像元计算混淆矩阵,分析对比三种分类结果的精度,试验表明:相对于常规数据组合分类,基于复W ishart分布的监督分类可以小幅度提高分类精度,而利用目标分解得到多参数组合数据进行分类则有大幅度的提高。 相似文献
3.
提出了一种探测多通道SAR影像中道路的新方案。首先阐述了从边缘探测器中建构线状探测器。然后,介绍了应用到SAR影像中的多参数统计假设检验方法。利用传统的亮线提取过程对初期结果进行了矢量化。实验表明:该方法应用到全极化SAR影像中的道路的提取中效果较好。 相似文献
4.
土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。 相似文献
5.
合成孔径雷达影像几何处理方法对比实验研究 总被引：1，自引：0，他引：1
合成孔径雷达(SAR)由于其全天候、全天时的工作能力,成为近几年来摄影测量与遥感领域的研究热点。概述了合成孔径雷达影像的三种几何处理方法:多项式法、多项式正射纠正法及距离-多普勒方法,对以上三种方法的算法进行了描述;并基于C 程序进行了计算机实现。利用ERS-2数据和RADARSAT数据进行了实验,并对实验结果进行了比较,结果表明:多项式正射纠正方法和距离-多普勒方法纠图精度较高,且纠图精度相差不大;而多项式法在山区纠图精度相对较差。 相似文献
6.
7.
1