精华内容
下载资源
问答
  • 多光谱遥感影像特征提取是保证图像分类结果精度的关键,文中介绍了多光谱遥感影像特征提取的两种主要方法。通过实验证明:KPCA较PCA具有更好的数据压缩和降维效果,影像特征提取效果优势明显。
  • 针对目前遥感影像分类应用中常用的浅层机器学习算法无法满足当前海量遥感影像数据环境下分类精度的问题, 提出了一种将全卷积神经网络应用于遥感影像分类方法;为了减少影像特征图在池化过程中自身特征的丢失, 增加...
  • 在对高空间分辨率遥感影像进行分类时,为解决不同地物其空间尺度不同的问题,采用多尺度分割的面向对象分类技术,提出采用"对象完整面积个数最多法"的分割方法,研究得出道路、农田、居民地、裸地、水域的最优分割尺度...
  • 遥感影像监督分类与非监督分类 摘 要遥感影像分类方法按照是否有先验类别可分为监督分类和非监督分类这两种分类方法有着本质的区别但也有存在一定的联系本文从分类原理和分类方法等不同角度分别介绍了监督分类和非...
  • 采用 AVIRIS高光谱遥感数据,与融合光谱和扩展形态剖面(EMP)的方法进行对比实验,结果表明,在描述高光谱遥感影像的形态特征上,P-EDMP与EDMP相当,但是P-EDMP的时间复杂度要小;在分类精度上,所提方法要优于融合...
  • 文中提出一种利用高分辨率遥感影像提取城市区域范围绿地信息的方法,结合K-T变换和ICA变换,根据地物的遥感影像特征、光谱特征信息和基于阀值的分类技术进行有效波段最优组合及地物分类,从而大幅提高了绿地专题信息...
  • 基于深度学习的资源三号遥感影像云检测方法。摘要 针对资源三号卫星影像波段少、光谱范围受限的特点,本文提出了基于深度学习的资源三号遥感影像云检测方法。首先,采用主成分分析非监督预训练网络结构,获得待测...
  • 针对资源三号卫星影像波段少、光谱范围受限的特点, 提出了基于深度学习的资源三号卫星遥感影像的云检测方法。首先, 采用主成分分析非监督预训练网络结构, 获得了待测遥感影像特征; 其次, 为减少在池化过程中影像特征...
  • 在利用高分影像半自动化构建单木树种遥感影像样本集过程中,采用了影像冠层切片(CSI)圈定、人工标注、数据增强等方法;同时为了训练单木树种遥感影像样本集,对5个CNN模型进行针对性改写。通过对比分析发现:LeNet5_relu...
  • 通过对多幅遥感影像进行实验对比分析,结果表明本文方法不仅适用于不同分类方法提取的建筑物结果的轮廓优化,有效提高建筑物轮廓的边缘表达精度,而且相比于轮廓优化参照方法,逐级优化能更准确地适应复杂建筑物轮廓的...
  • 针对传统泛概念树在进行正态云综合时出现雾化现象以及使用极大判定法进行遥感图像分类...对TM遥感影像进行分类实验,并与常用的最大似然、最小距离、马式距离等方法进行遥感图像分类对比试验,验证了本方法的有效性。
  • 针对传统浅层机器学习方法应用于高分辨影像分类时存在的问题, 提出了结合最小噪声分离变换和卷积神经网络的高分辨率影像分类方法。采用最小噪声分离分析非监督训练初始化卷积神经网络, 为提高训练速度, 使用线性修正...
  • 以徐州市1987年9月的Landsat TM影像为信息源,利用3种方法对徐州市的土地利用进行了分类,并对分类结果进行了分析对比,最后提出用综合阈值法对城市土地利用进行分类,此方法能很好地区分城镇用地和裸地等不容易区分的地...
  • 以ETM 影像数据为例,采用基于支持向量...结果表明:基于支持向量机方法的提取精度高达9357%,Kappa系数也超过了09,比单纯的最大似然分类方法或者面向对象的方法提取精度高得多,而且该方法操作性和实用性也很强。
  • 对多幅遥感影像进行实验,并与其他提取方法进行对比,结果表明:所提方法的总体精度均不同程度地优于参照方法,建筑物边缘的准确性、规整程度及最终精度均得到了有效改善,更真实、准确地反映了建筑物的真实形状。
  • 再利用主成分分析方法对图像数据进行降维处理,然后根据主成分影像块内所有像元的第一主成分与中心像元间的差距对邻域信息进行排序、删除、重组和堆栈,最后将得到的空-谱信息输入到与SoftMax分类器相结合的堆栈稀疏...
  • 针对该问题,本次对应遥感图像与显著图建立了遥感数据分类标准,分割遥感影像中的重要信息。针对遥感影像水体信息提取的需求,改良了PCNN神经网络,建立了快速响应的PCNN神经网络模型,并实现了基于Matlab的验证平台...
  • 通过对比两个时相的填海区域遥感影像,可以分析填海施工变化以及已填区域建设变化等情况。根据处理过程来分,遥感变化检测方法可分为三类: 1)图像直接比较法 图像直接比较法是最为常见的方法,它是对经过配准的...

    遥感变化检测大多是针对两个时相的遥感影像进行分析。通过对比两个时相的填海区域遥感影像,可以分析填海施工变化以及已填区域建设变化等情况。根据处理过程来分,遥感变化检测方法可分为三类:

    1)图像直接比较法

    图像直接比较法是最为常见的方法,它是对经过配准的两个时相遥感影像中像元值直接进行运算和变换处理,找出变化的区域。目前常用的光谱数据直接比较法包括图像差值法、图像比值法、植被指数比较法、主成分分析法、光谱特征变异法、假彩色合成法、波段替换法、变化矢量分析法、波段交叉相关分析以及混合检测法等。

    2)分类后比较法

    分类后结果比较法是将经过配准的两个时相遥感影像分别进行分类,然后比较分类结果得到变化检测信息。虽然该方法的精度依赖于分别分类时的精度和分类标准的一致性,但在实际应用中仍然非常有效。

    3)直接分类法

    结合了图像直接比较法和分类后结果比较法的思想,常见的方法有:多时相主成分分析后分类法、多时相组合后分类法等。

    1、ENVI遥感影像变化检测介绍

    ENVI软件集成了部分变化检测方法,包括图像直接比较法、分类后比较法、PCA变换、Two-Color Multiview、MNF变换法、ICA变换法、波谱角检测方法等。主要包括4个工具,分别是直接比较法(Change Detection Difference Map)、分类后比较法(Change Detection Statistics)、直接比较法流程化工具(Image Change Workflow)和分类后比较法流程化工具(Thematic Change Workflow)。

    1)Change Detection Difference

    使用图像直接比较法对两时相影像做差值或者比值运算,对差值或者比值结果划分为若干类。整合了一些预处理功能,如数据值归一化和单位的统一。

    2)Change Detection Statistics

    使用分类后比较法比较两时相影像分类结果,获得变化类型、面积、百分比等变化矩阵信息,同时可得到一个多波段的变化图像,每个波段表示一种土地类型的变化情况。

    3)Image Change Workflow

    包括很多的变化监测方法和预处理功能。主要有波段差值、特征差值、波谱角、PCA /MNF/ICA。

    4)Thematic Change Workflow

    使用分类后比较法比较两时相影像分类结果,获得变化类型、面积、百分比等变化矩阵信息,同时可得到一个单波段的变化分类图像和变化矢量结果。

                                                                               图1 ENVI变化监测流程工具

    2、遥感影像批量变化检测

     本研究使用ENVI提供的直接比较法变化检测方法进行填海范围遥感影像批量变化检测分析。

                                                                             表1 遥感影像变化检测调用的ENVI函数或接口

                                                                             图2 遥感影像批量变化检测工具

    3、填海区域遥感变化检测结果

    采用上述“遥感影像批量变化检测工具”对研究区域选取的9期遥感影像按照时间相邻两两进行变化检测,并将变化矢量范围与批复填海范围、海岸线和变化后期的遥感影像叠加出图。本文选取其中的5期检测结果进行分析。

                                                                             图3 2011年12月-2012年11月填海变化分析图

    从2011年12月到2012年11月,该项目填海尚未开展,但岛体在2011年12月时植被完整,到2012年11月时已进行大面积开挖和平整。

                                                                             图4 2013年11月-2014年10月填海变化分析图

    从2013年11月到2014年10月,该项目在岛体南面和北面进行了更大面积的填海施工,由于岛体北侧填海采用的围堰施工方式,填海过程中悬浮泥沙较多,因此变化检测结果出现了较大错误,将围堰内侧以及周边悬浮泥沙较多的区域都识别为新增填海。另外,2014年10月影像上岛体西南侧出现了施工临时住房。

                                                                             图5 2015年10月-2016年11月填海变化分析图

    从2015年10月到2016年11月,岛体南侧围堰区域填海已完成,岛体以及北侧已填区域已大范围施工建设,包括修建道路、厂房、安装码头吊机等。

                                                                             图6 2017年3月-2018年10月填海变化分析图

    从2017年3月到2018年10月,北侧岛体填海西北角增加了连岛公路,岛体南侧和北侧部分超批复范围填海进行了挖除,岛体和北侧已填区域施工变化明显,增加了两座厂房,另外也增加了部分植被绿化。

                                                                             图7 2018年10月-2019年6月填海变化分析图

    从2018年10月岛2019年6月,影像无明显变化,仅有部分区域植被有新增和恢复。

    从上述填海变化分析图可知,采用ENVI直接比较法进行变化检测可以较大程度上反映相邻两期遥感影像的变化,但这些变化需要人工进行标识,具体包括新增填海、新增开发(岛体及已填区域开发及建设)、新增植被、施工船只和填海开挖等,但受影像质量及周边环境影响,部分检测结果存在误判。

    了解更多信息请关注微信公众号“海洋GISer成长记”。

     

    展开全文
  • 【方法思路】:本文选取张掖地区两期影像(Landsat 1999-07-07,2010-09-07),用监督分类方法获取各期土地利用类型,与已有的土地利用现状矢量图(landuse2000)相叠加,通过对比分析,进而得出张掖市1999-2010年间...

    【方法思路】:本文选取张掖地区两期影像(Landsat 1999-07-07,2010-09-07),用监督分类方法获取各期土地利用类型,与已有的土地利用现状矢量图(landuse2000)相叠加,通过对比分析,进而得出张掖市1999-2010年间土地利用变化情况。

    一、实验数据

    采用Landsat Tm影像,原始数据经过几何校正、大气校正等预处理操作,并进行标准假彩色合成,方面监督分类。

    二、实验步骤


    1. 感兴趣区的获取

    感兴趣区的获取通常有两种方法:从二维散点图获取和从标准假彩色图像上获取,下面从标准假彩色图像上获取。由于本例中使用两期不同时期的影像,所以根据时间建立两个ROI模板。打开Envi 5.1,在工具条上点击(或者点击File→New→Region of Interest)打开Region of Interest Tool工具面板,如图2所示。按需分别新建Forest(林地)、Farm(耕地)、Build(建设用地)、Water(水域)和Not(未利用地)5种感兴趣区,并分别在标准假彩色图像上新建足够数量的多边形。下图为ROI控制面板。

    感兴趣建完以后需要将其保存,以便下次使用或者修改。点击ROI工具面板上的File→Save as→路径→确定。需要注意的是,Envi 5.1保存的ROI不再是.roi格式,而是.xml格式,同其他格式(Envi标准格式,.shp格式)一样,可以直接打开。

    2. 监督分类

    监督分类常用的方法有平行六面体,最大似然法等12中方法,本例中使用监督分类中的最大似然法(Maximum Likelihood Parameters),打开分类面板(图3最大似然法分类面板),分别选择两个时期的影像和ROI进行监督分类。分类结果分别如图4、图5所示。

         

    图4 1999年土地利用图                      图5 2010年土地利用图

    3. 精度检验

    通过混淆矩阵(Confusion Matrix)来实现。点击ToolBox-> Classification-> PostClassification-> Confusion Matrix-> Using Ground Truth ROIs,可以得到如下的分类精度验证的混淆矩阵。

    图6 混淆矩阵

    从图6中可以看出:

    (1)总体分类精度(Overall Accuracy)

    等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布,总像元数等于所有真实参考源的像元总数,如本次精度分类精度表中的Overall Accuracy = (269243/289340) 93.0542%。

    (2)Kappa系数(KappaCoefficient)

    它是通过把所有真实参考的像元总数(N)乘以混淆矩阵对角线(XKK)的和,再减去某一类中真实参考像元数与该类中被分类像元总数之积之后,再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果,为0.3091。

    (3)错分误差(Commission)

    指被分为用户感兴趣的类,而实际属于另一类的像元,它显示在混淆矩阵里面。如本例中,总共划分为林地有7411个像元,其中正确分类7340,71个是其他类别错分为林地(混淆矩阵中林地一行其他类的总和),那么其错分误差为99.04%。

    (4)漏分误差(Omission)

    指本身属于地表真实分类,当没有被分类器分到相应类别中的像元数。如在本例中的林地类,有真实参考像元91个,其中20个正确分类,其余71个被错分为其余类(混淆矩阵中耕地类中一列里其他类的总和),漏分误差21.98%

    (5)制图精度(Prod.Acc)

    是指分类器将整个影像的像元正确分为A类的像元数(对角线值)与A类真实参考总数(混淆矩阵中A类列的总和)的比率。如本例中林地有91个真实参考像元,其中71个正确分类,因此林地的制图精度是78.02%。

    (6)用户精度(User.Acc)

    是指正确分到A类的像元总数(对角线值)与分类器将整个影像的像元分为A类的像元总数(混淆矩阵中A类行的总和)比率。如本例中林地有7411个正确分类,总共划分为林地的有71,所以林地的用户精度是0.96%

    4. 转换矩阵

    (1)在Toolbox中点击Change DetectionStatistics。

    (2)分别在Initial State对话框和Final state对话框中选择前一时相和后一时相的监督分类结果(图5)。

    (3)在Define Equivalent Classes对话框中(图7),如果两个土地利用分类名称一致,系统自动将Initial State Class和Final State Class对应,否则手动选择,单击Add Pair按钮选择。

    (4)选择对应的地物类型之后,单击OK按钮,出现图8对话框。选择生成图表表示单位(Report Type):像素(Pixels)、百分比(Percent)和面积(Area)。选择Output Classification Mask Images?为YES,输出掩膜图像,选择输入路径及文件名。

    (5)单击OK,执行土地利用类型转换矩阵计算过程。

    图7 选取两个时期的监督分类结果

     

    图8 选取对应ROI名称                     图9 选取生成的文件类型

    图10 转换矩阵

    5. 土地利用变化分析

    图10转换矩阵中有像元个数(Pixel Count)、百分比(Percentage)、面积(Area)和参照(Reference)四个标签,切换到面积标签,从中可以看出不同地类的变化情况,其中横的Initial State表示经监督分类的1999年土地利用情况,竖的Final State表示经监督分类后2010年的土地利用情况。如有2270238.75的水域变成了林地等等。

    刘一哥GIS:专注测绘地理信息教育,探索地理奥秘,分享GIS价值!

    展开全文
  • 该文以包含平坝地及丘陵区的德阳地区为研究区,利用该区水稻拔节(7月10日)和乳熟(8月25日)两景双极化(HH/HV)ALOS_PALSAR雷达数据,参照2009年6月3日TM(129/038,130...该文采用了监督分类和决策树分类两种方法
  • 针对遥感影像分类过程中混合像元难判别的问题,提出一种基于Gustafson-Kessel模糊聚类算法的支持向量机(SVM)分类模型.以Gustafson-Kessel算法优选训练样本方式提高支持向量机的分类性能.为验证其有效性,将该模型应用...
  • 为获取水体污染监测信息及其变化规律,以TM/ETM+影像为实验数据,研究利用遥感影像提取水体及水污染信息的方法.根据影像数据及提取物的特点,采用谱间关系法与阈值法综合的方法进行水体提取,依据清洁水体视反射率信息,...
  • 可参考该论文中浅层特征的介绍以及其中特征复用的手段或者自己去扩展方法。 不同层级的特征对比研究标明,浅层特征具备更高的分辨率,可以保留更多的空间,细节信息。通过浅层特征能更好的兼顾到数据在空间之间的...

    可参考该论文中浅层特征的介绍以及其中特征复用的手段或者自己去扩展方法。

    不同层级的特征对比研究标明,浅层特征具备更高的分辨率,可以保留更多的空间,细节信息。通过浅层特征能更好的兼顾到数据在空间之间的关联性,更好的从整体去描述数据,浅层特征提取网络结构如下:

    但是由于其只经过极少的卷积处理,所以语义性更低,而且常常伴有大量的噪声。随着多次卷积,深层特征变动性越来越大,噪声逐渐减少,语义性越来越强,越来越注重影像之间的区分度描述。但是不可避免的是,其分辨率越来越低,对细节的感知能力更低,无法注意到数据的关联性。

    考虑到浅层特征和深层特征的特点,本文使用卷积特征融合网络对浅层特征和深层特征进行融合处理,目的是通过特征复用获得全新的特征 ,提高特征的利用率,增强网络的特征表达能力。参考文献{沈明玉, 俞鹏飞, 汪荣贵, 等 . 多阶段融合网络的影像超分辨率重建[J]. 中国图象图形学报, 2019, 24(8): 1258-1269.}

    卷积特征融合网络使用特征融合单元+过度单元的结构,如下图所示:

    特征融合单元负责提取特征并实现单元内的特征融合,过度单元负责降低特征图的大小(即分辨率),并且控制特征图的数量。

    过度单元的结构流程图:

    论文整体结构图:

    总体思路:利用特征复用(多个手段,浅层细节保留,特征融合等)来提高分类性能。其中过渡单元实际上等同于池化。

     

    展开全文
  • 为探寻训练样本数量对湿地遥感影像分类精度的影响规律,基于统计学理论提出面向对象的分类方法,以GF-2影像为数据源,在构建标准训练样本集的基础上,研究KNN算法和SVM算法的线性函数、多项式函数、径向基函数在湿地分类...
  • 图像分割技术为遥感图像解译和分类的一种重要方法,目前主要应用在中分辨率影像中,由于高分辨率影像的信噪比低,直接进行图像分割,效果不佳.对2010年3月湖北省襄阳市高分辨率的快鸟影像,进行降噪处理及改进阈值策略来...
  • 为了分析研究不同地表发射率反演算法的精度和适用性,文中选取西安市的遥感影像Landsat 8为基础数据,运用ENVI,ArcGIS等软件,首先对Landsat 8数据进行预处理,提取西安市的NDVI影像;然后,建立决策树模型得到西安市地表...
  • 针对由噪声引起的遥感影像质量下降,选用7种典型的滤波算子分别对遥感影像进行处理,并结合支持向量机(SVM)的分类方法,分析滤波后影像亮度值的变化,与未经过滤波处理的影像进行分类后精度的对比。结果表明:相对于未经...
  • 6月3日汇报笔记

    2020-06-03 16:47:52
    2、机器学习在遥感影像分类中的对比效果;云掩膜。了解熟悉GEE平台优势。 3、分割后邻通域分析。 4、构建基于地学指数的裸地提取指数,与FROM-GLC比较。如何采集样本点。如何采集样本进行精度验证:混淆矩阵、Kappa...

    1、地铁沿线地表沉降(会有抬升)时间序列分析(Sar数据Insar数据);
    2、机器学习在遥感影像分类中的对比效果;云掩膜。了解熟悉GEE平台优势。
    3、分割后邻通域分析。
    4、构建基于地学指数的裸地提取指数,与FROM-GLC比较。如何采集样本点。如何采集样本进行精度验证:混淆矩阵、Kappa等。阈值分割?!了解石漠化指数。
    5、哨兵1号农作物分类的优势。VV VH极化。GEE基本使用方法还是要学的。
    6、基于机器学习的土地利用。
    7、OSM。osmtools!

    汇报总结:趁年轻,还是要学点新东西搞创新!

    展开全文
  • 针对遥感影像中植被信息的波谱特征,提出了整体—局部植被信息多尺度迭代转换提取模型。首先在基于植被指数的基础上对影像进行分割,并通过样本的自动选择,对影像进行大尺度分类;然后对分类结果进行缓冲区分析,...
  • 文章目录前言基于权重映射的影像分类方法实验结果对比Reference 前言 权重映射(weight mapping)最早于2015年Ronneberger提出,即UWM(U-Net weight mapping),主要用于解决紧密相邻难以分割开的问题。在遥感影像中...

空空如也

空空如也

1 2
收藏数 33
精华内容 13
关键字:

遥感影像分类方法对比