排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
传统高光谱遥感影像逐像素分类方法未考虑像元之间的空间关联性且泛化性能较低。形态学属性剖面是表征影像空间结构的有效方法,同时集成学习可显著提升分类算法的泛化能力。为了在高光谱影像分类中充分利用影像的空间信息并提高分类的稳定性,提出一种基于形态学属性剖面高光谱遥感影像集成学习分类方法。首先,用主成分分析和最小噪声变换进行特征提取,并借助形态学属性剖面获取影像的多重空间特征;然后用极限学习和支持向量机的方法进行分类;最后将多个分类结果以多数投票的方式集成。区别于已有集成学习方法,综合考虑了不同特征提取和不同分类方法的联合集成,并将形态学属性剖面引入其中以充分利用影像的空间信息。采用AVIRIS和ROSIS两组高光谱数据检验该方法的分类性能,实验结果表明该方法可获得高精度和高稳定性的分类结果,总体精度分别达到83.41%和95.14%。 相似文献
2.
3.
提出用基于Nystrm算法的简化核主成分分析方法(SKPCA)实现高光谱遥感影像的快速降维。首先随机选取部分样本构成子核矩阵并计算其特征向量,然后进行矩阵外推迭代得到近似核矩阵,并分解近似核矩阵不断更新特征向量,最后实现高光谱影像的降维处理。利用OMIS与ROSIS遥感影像进行试验,从运算速度、提取特征信息量以及分类后效果对SKPCA和KPCA(未简化的核主成分分析法)进行比较,结果表明,SKPCA和KPCA提取的特征信息量相当,提取特征与分类效果相近,但SKPCA的运算速度至少要高于KPCA数百倍。 相似文献
4.
基于改进型统计区域增长的遥感图像分割 总被引:1,自引:0,他引:1
随着遥感技术的发展,高分辨率遥感图像内容变得越来越复杂,信息表现更加精细,将某些中、低分辨率图像的图像分割、 分类算法直接应用到这类图像上时,其效果往往不理想。在传统区域增长算法的基础上,进行了四重优化,采用四邻域策略组合成像素对,严格化合并准则,在不同尺度下将像素对进行合并,得到较好的分割影像。实验证明,该算法较大程度上实现了目标的提取,减少了传统区域合并算法的计算量,与原算法相比较更多地考虑了像素的空间特性,具有很好的抗噪能力,能够适应于大数据量高分辨率遥感影像的多尺度分割。 相似文献
5.
利用Landsat TM数据,以徐州市为研究区,采用单窗算法反演地表温度,通过混合像元分解和V-I-S(植被—不透水面层—土壤)模型将土地覆盖类型分解为对城市热环境具有重要影响的植被、土壤、不透水面层3个分量,最后利用得到的3种地物比例、直接分类后的土地覆盖类型和地表温度对研究区城市热岛的空间分布特征、地表温度与土地覆盖类型以及各种影响因子之间的关系进行定量研究。研究成果能够有效地应用于城市人居环境研究和生态环境过程分析中。 相似文献
6.
针对多光谱卫星遥感数据监测城市生态环境的限制和高光谱遥感数据的优越性,以徐州市城区为例,选择2004和2006年地球观测卫星一1(EO一1)Hyperion高光谱遥感数据,在波段选择、大气校正等预处理的基础上,利用线性光谱混合模型,通过混合像元分解在亚像元尺度上提取两个时相徐州市中心城区的不透水层比例.以高分辨率遥感影像分类结果作为参考,通过与LandsatTM多光谱数据提取结果的比较,表明了高光谱遥感影像提取不透水层的优势.利用两个时相高光谱遥感影像提取的不透水层信息进行变化分析,结果表明:徐州市不透水层比例在持续增加,尤其在城市边缘区更是显著增加,其主要驱动因素是城市扩展和土地利用变化. 相似文献
7.
1