首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 140 毫秒
1.
齐银凤  舒阳  唐宏 《遥感信息》2015,(1):26-32,50
通过引入文本检索算法中的无限潜Dirichlet分配(infinite Latent Dirichlet Allocation,即iLDA)模型,对遥感影像进行建模以获取地物的统计分布及其共生关系,从而实现遥感影像非监督分类。首先,将遥感影像有重叠地划分成一组大小相等的影像块(文集)。其次,以iLDA为基础,构建"像元"(视觉词)、"影像块"(文档)和"地物类"(主题)之间的条件概率关系,并采用Block-Gibbs抽样的方法来估计模型参数,从而构建基于BlockGibbs抽样的iLDA遥感影像非监督分类模型(Block-Gibbs based iLDA,即BG-iLDA)。最后,通过对BG-iLDA模型的逼近求解实现高分辨率遥感影像的非监督分类。实验结果表明,本文提出的基于BG-iLDA的面向对象非监督分类方法相对传统的K-means等算法精度更高,更能有效区分"同谱异物"的地物。  相似文献   

2.
程晶  霍宏  方涛 《计算机工程》2012,38(15):204-207
提出一种基于主题模型的高分辨率遥感影像变化检测方法。将前后两期遥感影像对应的像素点对作为基本单位,提取其邻域亮度相关度、均值、标准差以及邻域回归直线的斜率、截距等低层次特征,在此基础上映射得到像素点对的高层次视觉单词特征,并通过潜在狄利克雷分配模型进行分析,挖掘其潜在的主题信息,即变化与不变,从而实现变化检测。实验结果表明,该方法能够有效检测高分辨率遥感影像的变化。  相似文献   

3.
高分辨率遥感影像有精确的几何结构和空间布局,但是光谱信息有限,增大了对光谱特征相似地物的分类难度。针对高分辨率遥感影像分类的问题,采用深度学习U-Net模型分类方法。基于黑河下游额济纳绿洲高分二号遥感影像,通过U-Net模型提取胡杨、柽柳、耕地、草地和裸地五种地物覆被类型,分类总体精度和Kappa系数分别为85.024%和0.795 6,并与传统的支持向量机(SVM, Support Vector Machine)和面向对象的分类方法比较,结果表明:相对于SVM和面向对象,基于U-Net模型的高分辨率卫星影像地物覆被分类,能够更好地对地物本质特征进行提取,分类效果较好,满足精度要求。  相似文献   

4.
基于高分辨率遥感影像的土地覆盖信息提取   总被引:9,自引:3,他引:9  
高空间分辨率遥感影像使得土地覆盖和土地利用信息的提取成为可能。以高分辨率遥感影像数据IKONOS为主要数据源,以多尺度分割与基于模糊逻辑分类的面向对象影像分析方法为主要技术,自动提取株洲市城乡结合部的土地覆盖和土地利用信息。达到了提取郊区丘陵地带林地信息和城市建筑、道路等土地覆盖信息的目的,而且精度高,速度快。结果表明利用该方法对复杂的城乡结合部信息获取是可行的。  相似文献   

5.
面向对象高分辨遥感影像分类研究   总被引:1,自引:0,他引:1  
黎新亮  赵书河  芮一康  谢士杰 《遥感信息》2007,(6):58-61,93,I0006
高空间分辨率遥感影像采用传统基于像元分类方法精度较低,本文通过分析高分辨遥感影像特征,采用面向对象的最近邻监督分类方法对QuickBird影像进行分类研究,首先对影像进行对象分割,然后将分割对象信息、形状特征与及上下文联系等特征构成特征空间进行最近邻监督分类,并与传统的基于像元最近邻分类方法分类进行比较分析,结果表明,本方法能够较好的识别高分辨率地物类型,总精度为92.19%,Kappa系数为0.8835,较好地改善分类效果,适合高分辨遥感影像分类。  相似文献   

6.
为了实现高分辨率遥感影像自动分类及进一步提高非监督分类的精度和效率,提出了一种训练样本自动选取的面向对象自动分类方法。首先利用均值漂移算法对遥感影像进行分割,获取同质性分割单元;然后对分割对象进行多特征(光谱特征、纹理特征和形状特征)提取,基于特征向量的几何距离进行训练样本自动选择,进而利用支持向量机分类器得到分类结果。实验研究表明,提出的面向对象自动分类算法不但可以利用影像对象丰富的特征信息,而且较好地避免了"椒盐现象",使自动分类的精度和效率得到较大提升。  相似文献   

7.
《计算机科学与探索》2019,(7):1217-1226
随着信息技术和对地观测技术的飞速发展,遥感技术在社会生活和经济建设中发挥着越来越重要的作用。分类模型的准确性和抗干扰能力对精确绘制复杂的土地覆盖和土地利用分类至关重要。针对大规模遥感数据难以获取大量标记数据的问题,基于低秩表示模型和图的半监督学习方法,提出了基于分块低秩图的大规模遥感图像半监督分类应用。为了解决低秩表示计算复杂度高的问题,将预处理后的图像按像素进行分块处理,并在每个块上实现低秩表示。在WorldView-2影像上的分类结果表明,在少量标记样本下,该方法利用简单的最近邻分类器即可实现对城市地物的精确分类。因此,该方法有效地提高了土地覆盖的分类精度,在遥感图像分类中具有较高的效率。  相似文献   

8.
为提高高光谱遥感影像在训练样本不足时的分类精度,提出一种基于线性邻域传播的改进加权K近邻算法.采用线性邻域传播(LNP)算法获取无标签数据属于各类别的概率,将其作为类别信息,以增加训练样本数量,提高K近邻算法的分类效果,并降低错误分类带来的风险.实验结果表明,对于高光谱遥感影像,该算法具有较好的分类效果,优于传统的KNN算法、距离加权KNN算法以及LNP等半监督分类算法.  相似文献   

9.
伴随着"数字地球"概念的提出,遥感影像在民用场合的使用越来越多,其中包括空气质量预防,土地资源调查,灾害检测、天气预报.由于在不同环境下需要的遥感影像的要求不同,所以影像分类就显得特别重要,经过多年的努力,形成了许多经典的分类方法和算法,本文基于idl和gis在c#2015下进行二次开发实现了在win form下的栅格影像的读取和遥感影像的常用的一些监督和非监督分类,为遥感影像分类研究作出了参考  相似文献   

10.
基于多尺度分割的遥感影像滨海湿地分类   总被引:2,自引:0,他引:2  
基于多尺度的高分辨率遥感影像分类方法研究,可以为滨海湿地动态监测、规划保护提供更详尽的湿地分类信息和更快速的数据获取方法,对湿地保护具有重要意义。选取连云港青口河入海口处湿地为研究区,以高分辨率遥感影像WV-Ⅱ和航空遥感影像为数据源,利用多尺度分割方法将影像分割成不同层次的实体对象;在不同层次,以实体对象为单元,结合光谱、形状、纹理等不同影像特征,进行滨海湿地分类研究,结果表明:利用该方法分类后,研究区各种湿地类型都达到较高精度。基于多尺度分割的影像分类方法能充分利用各种影像特征完成湿地分类,有效地减少了遥感影像中的"椒盐"现象,提高了分类精度;选择适宜的分割尺度和分割参数是基于多尺度分割的遥感影像分类方法提高精度的前提。  相似文献   

11.
High-resolution remote sensing images have precise geometric structure and spatial layout, but the spectral information is limited, which increases the difficulty of classifying similar features of spectral features. Aiming at the problem of high resolution remote sensing image classification, a U-Net convolutional neural network classification method based on deep learning is proposed. Based on the remote sensing image of the Ejina Oasis GF-2 in the lower reaches of the Heihe River, the U-Net model was used to extract the five types of land cover types of Populus euphratica, Tamarix chinensis, cultivated land, grassland and bare land. The overall classification accuracy and Kappa coefficient were 85.024% and 0.795 6 respectively. Compared with the traditional Support Vector Machine(SVM) and object-oriented method, the results show that compared with SVM and object-oriented method, the U-Net model is used to classify the high-resolution remote sensing, and the classification effect is better. The ground extracts the essential features of the features to meet the accuracy requirements.  相似文献   

12.
基于朴素贝叶斯的半监督学习遥感影像分类   总被引:1,自引:0,他引:1       下载免费PDF全文
杨伟  方涛  许刚 《计算机工程》2010,36(20):167-169
为提高分类器识别率,减少标注样本使用数量,提出一种基于朴素贝叶斯的半监督学习方法。研究基于该方法的分类器分类效果,采用遥感影像数据作为训练和测试集,与基于朴素贝叶斯的全监督学习分类器分类效果作比较。实验结果表明,当标注样本与非标注样本比例在1:2~1:9时,半监督学习可以利用比全监督学习更少的标注样本,达到更高的分类精度。  相似文献   

13.
王鑫  李可  徐明君  宁晨 《计算机应用》2019,39(2):382-387
针对传统的基于深度学习的遥感图像分类算法未能有效融合多种深度学习特征,且分类器性能欠佳的问题,提出一种改进的基于深度学习的高分辨率遥感图像分类算法。首先,设计并搭建一个七层卷积神经网络;其次,将高分辨率遥感图像样本输入到该网络中进行网络训练,得到最后两个全连接层输出作为遥感图像两种不同的高层特征;再次,针对该网络第五层池化层输出,采用主成分分析(PCA)进行降维,作为遥感图像的第三种高层特征;然后,将上述三种高层特征通过串联的形式进行融合,得到一种有效的基于深度学习的遥感图像特征;最后,设计了一种基于逻辑回归的遥感图像分类器,可以对遥感图像进行有效分类。与传统基于深度学习的遥感图像分类算法相比,所提算法分类准确率有较高提升。实验结果表明,该算法在分类准确率、误分类率和Kappa系数上表现优异,能实现良好的分类效果。  相似文献   

14.
遥感影像数据因其固有的不确定性与复杂性,导致传统的无监督分类算法难以对其准确建模。基于模糊集理论的模式识别方法可以有效地表达数据的模糊性,其中二型模糊集能更好地刻画类间多重不确定性,而半监督法可以利用少量先验知识来解决算法对数据的泛化性问题,因此提出一种基于半监督的自适应区间二型模糊C均值遥感影像分类方法(SS-AIT2FCM)。首先,结合半监督和进化论思想,提出一种新的模糊权重指数选取方法,以提升自适应区间二型模糊C均值聚类算法的鲁棒性与泛化性,使算法更适用于光谱混叠严重、覆盖面积大、地物丰富的遥感数据分类;然后,通过对少量标记样本的软约束监督,对区间二型模糊算法迭代过程进行优化指导,来挖掘数据的最优表达。实验选用了北京颐和园区域的SPOT5多光谱遥感影像数据和广东横琴岛区域的Landsat TM多光谱遥感影像数据,对现有流行的模糊分类算法和SS-AIT2FCM的分类结果进行了比较。结果表明,SS-AIT2FCM获得了更高的分类精度与更清晰的类别边界,且有较好数据泛化能力。  相似文献   

15.
目的 为进一步提高遥感影像的分类精度,将卷积神经网络(CNN)与条件随机场(CRF)两个模型结合,提出一种新的分类方法。方法 首先采用CNN对遥感图像进行预分类,并将其类成员概率定义为CRF模型的一阶势函数;然后利用高斯核函数的线性组合定义CRF模型的二阶势函数,用全连接的邻域结构代替常见的4邻域或8邻域;接着加入区域约束,使用Mean-shift分割方法得到超像素,通过计算超像素的后验概率均值修正各像素的分类结果,鼓励连通区域结果的一致性;最后采用平均场近似算法实现整个模型的推断。结果 选用3组高分辨率遥感图像进行地物分类实验。本文方法不仅能抑制更多的分类噪声,同时还可以改善过平滑现象,保护各类地物的边缘信息。实验采用类精度、总体分类精度OA、平均分类精度AA,以及Kappa系数4个指标进行定量分析,与支持向量机(SVM)、CNN和全连接CRF相比,最终获得的各项精度均得到显著提升,其中,AA提高3.28个百分点,OA提高3.22个百分点,Kappa提高5.07个百分点。结论 将CNN与CRF两种模型融合,不仅可以获得像元本质化的特征,而且同时还考虑了图像的空间上下文信息,使分类更加准确,后加入的约束条件还能进一步保留地物目标的局部信息。本文方法适用于遥感图像分类领域,是一种精确有效的分类方法。  相似文献   

16.
In recent years, object-based segmentation methods and shallow-model classification algorithms have been widely integrated for remote sensing image supervised classification. However, as the image resolution increases, remote sensing images contain increasingly complex characteristics, leading to higher intraclass heterogeneity and interclass homogeneity and thus posing substantial challenges for the application of segmentation methods and shallow-model classification algorithms. As important methods of deep learning technology, convolutional neural networks (CNNs) can hierarchically extract higher-level spatial features from images, providing CNNs with a more powerful recognition ability for target detection and scene classification in high-resolution remote sensing images. However, the input of the traditional CNN is an image patch, the shape of which is scarcely consistent with a given segment. This inconsistency may lead to errors when directly using CNNs in object-based remote sensing classification: jagged errors may appear along the land cover boundaries, and some land cover areas may overexpand or shrink, leading to many obvious classification errors in the resulting image. To address the above problem, this paper proposes an object-based and heterogeneous segment filter convolutional neural network (OHSF-CNN) for high-resolution remote sensing image classi?cation. Before the CNN processes an image patch, the OHSF-CNN includes a heterogeneous segment filter (HSF) to process the input image. For the segments in the image patch that are obviously different from the segment to be classified, the HSF can differentiate them and reduce their negative influence on the CNN training and decision-making processes. Experimental results show that the OHSF-CNN not only can take full advantage of the recognition capabilities of deep learning methods but also can effectively avoid the jagged errors along land cover boundaries and the expansion/shrinkage of land cover areas originating from traditional CNN structures. Moreover, compared with the traditional methods, the proposed OHSF-CNN can achieve higher classification accuracy. Furthermore, the OHSF-CNN algorithm can serve as a bridge between deep learning technology and object-based segmentation algorithms thereby enabling the application of object-based segmentation methods to more complex high-resolution remote sensing images.  相似文献   

17.
深度学习在遥感影像分类中的研究进展   总被引:1,自引:0,他引:1  
随着遥感技术和计算机技术的不断发展,传统的遥感影像分类方法已不能满足如今遥感影像分类的需求。近年来,随着深度学习方面研究成果的不断涌现,它给遥感影像的分类提供了一种新的思路和方法。首先概述了遥感影像分类的发展和深度学习的基本概念,然后重点介绍了基于深度置信网、卷积神经网络和栈式自动编码器等深度学习模型在遥感影像分类中的研究进展,最后提出了目前研究中存在的问题及遥感影像分类的发展趋势。  相似文献   

18.
基于深度学习算法的卫星影像变化监测   总被引:1,自引:0,他引:1  
遥感影像的变化检测是遥感应用研究的热点之一,在城市变化、环境监测、土地利用以及基础地理数据库更新等领域中有着广泛的应用.变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征和过程,具体工作是对同一地区不同时相的两幅或多幅图像进行分析,检测出其中的变化部分与未变化部分.本文提出了基于堆栈降噪自动编码器网络的变化检测方法,将应用于SAR (Synthetic Aperture Radar,合成孔径雷达)卫星图像变化检测的深度学习算法改进,使之适用于高分光学卫星图像,然后在孪生网络的结构上进行改进,提出了基于分支卷积神经网络的变化检测方法,最后设计算法去除了阴影干扰和噪声等伪变化,并在高分二号卫星中宁夏地区的实际生产数据影像上进行了测试,取得了不错的效果.  相似文献   

19.
针对传统的流形学习算法不能对位于黎曼流形上的协方差描述子进行有效降维这一问题,本文提出一种推广的流形学习算法,即基于Log-Euclidean黎曼核的自适应半监督正交局部保持投影(Log-Euclidean Riemannian kernel-based adaptive semi-supervised orthogonal locality preserving projection,LRK-ASOLPP),并将其成功用于高分辨率遥感影像目标分类问题.首先,提取图像每个像素点处的几何结构特征,计算图像特征的协方差描述子;其次,通过采用Log-Euclidean黎曼核将协方差描述子投影到再生核Hilbert空间;然后,基于流形学习理论,建立黎曼流形上半监督正交局部保持投影算法模型,利用交替迭代更新算法对目标函数进行优化求解,同时获得相似性权矩阵和低维投影矩阵;最后,利用求得的低维投影矩阵计算测试样本的低维投影,并用K—近邻、支持向量机(Support victor machine,SVM)等分类器对其进行分类.三个高分辨率遥感影像数据集上的实验结果说明了该算法的有效性与可行性.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号