排序方式： 共有6条查询结果，搜索用时 31 毫秒
1
1.
高分辨率遥感图像处理经常面临程序执行时间过长和内存空间不足的问题,虽然并行计算技术可以提高遥感图像的处理速度,但是无法降低算法占用的巨大内存空间。为了解决这一问题,本文提出了一种利用CUDA和内存映射文件的高分辨率遥感图像快速处理方法,并以K-Means算法为例进行了实现。其中,CUDA技术可以有效利用GPU强大的并行计算能力,而内存映射文件技术降低了磁盘I/O速度较慢对算法性能的影响。实验结果表明,本文方法比传统K-Means聚类算法计算速度提高了30倍左右,内存使用量降低了90%以上。 相似文献
2.
端元提取是混合像元分解的基础,也是高光谱遥感的研究热点。对于特定区域的高光谱图像应该使用哪种端元提取算法,需要对各种端元提取算法进行客观地评价。作者针对黄河口湿地CHRIS高光谱图像,使用了重建图像与原图像的均方根误差、有效端元数量两个指数对PPI、N-FINDR、VCA、OSP、IEA和SISAL六种典型的端元提取算法进行了评价。结果表明,SISAL算法重建误差最小,仅有其他算法误差的10%~28%;OSP算法识别了具有物理意义的6种有效端元,多于其他算法识别的地物类型,而SISAL算法识别的端元缺乏物理意义。 相似文献
3.
高分辨率图像辅助提取高光谱图像端元 总被引：1，自引：0，他引：1
现有的端元提取算法大多是基于凸面单形体假设,对于非单一地物类型,利用这些端元进行丰度反演将会影响混合像元分解精度。本文提出一种利用高分辨率图像判断高光谱像元内是否为同一类型地物的方法。首先,利用图像分割程序对高分辨率图像进行分割,得到光谱均一的斑块矢量图,并叠加到高光谱图像上;然后,通过空间关系分析找出斑块内的高光谱像元,称其为准端元;最后,利用端元提取算法在这些准端元中进行端元提取。实验结果表明,该方法将端元提取结果的误差降低了20%左右。 相似文献
4.
高光谱图像类内光谱变化较大,"同物异谱"现象普遍存在。利用原始地物光谱特征进行分类精度较低而且分类结果图中存在"椒盐现象"。为了获得好的分类结果,必须充分利用高光谱图像的光谱信息和空间信息,减少类内的光谱变化,并扩大类别间的光谱差异。为此,提出一种滚动引导递归滤波的高光谱图像光谱—空间分类方法。首先,利用主成分分析对高光谱图像进行降维;然后,利用高斯滤波对输入图像进行模糊化,消除图像中的噪声和小尺度结构;接下来,将模糊化后的图像作为引导图像,对输入图像进行边缘保持递归滤波,输出结果作为新的引导图像,重复迭代这个过程直至大尺度边缘被恢复;最后,利用提取的特征波段和支持向量机对高光谱图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其他的高光谱图像分类方法。在训练样本极少的情况下,本文方法也能获得较高的分类精度。 相似文献
5.
遥感技术以其独特的技术优势可为海洋调查、保护、开发、管理提供重要的技术支撑。但遥感数据存在多源、异构、海量的特点,传统的基于文件的和基于数据库的集中式存储管理已经面临存储容量、工作效率等方面的问题。另外,由于缺乏有效的共享机制,大多数数据得不到充分利用,形成了一个个信息孤岛,造成了资源浪费。因此本文提出基于WSRF的分布式海洋遥感数据集成与共享机制,通过数据层、服务层、服务管理层、应用层和表示层5层架构使用户能够透明地共享、一体化地处理已有的遥感数据,文中还进行了核心服务功能的设计和接口设计,并搭建了一个部门级的应用平台,为海洋管理及相关工作的深入推进提供有效支撑。 相似文献
6.
小样本的高光谱图像降噪与分类 总被引：1，自引：0，他引：1
在样本数目稀少情况下实现高光谱图像精细分类是个挑战性的问题。高光谱图像信噪比提高比较困难,噪声大小对分类结果有最直接的影响。利用高光谱图像相邻波段之间的相关性和相邻像素之间的相关性,提出多级降噪滤波的高光谱图像分类方法,通过改进的两阶段稀疏与低秩矩阵分解方法,去除高光谱图像中能量较高的噪声,利用主成分分析方法去除高光谱图像中能量较低的噪声,引导滤波方法去除分类结果图中的"椒盐噪声"。选取两幅真实高光谱图像进行实验,结果表明,两阶段稀疏与低秩矩阵分解法和主成分分析法两种降噪方法具有较强的互补性;引导滤波方法使得分类图更加平滑且分类精度更高。与其他光谱空间分类方法相比,本文方法分类精度更高,且在样本极少时能获得很高的分类精度。 相似文献
1