精华内容
下载资源
问答
  • 由于不同场合遥感图像的应用对遥感图像处理提出了不同的要求,所以图像处理中重要的环节——图像分类也就显得尤为重要,经过多年的努力,形成了许多经典的分类方法和算法。
  • 遥感图像场景分类方法

    千次阅读 2018-11-14 10:16:51
    底层视觉特征:直接提取遥感图像的光谱,纹理,结构信息 SIFT,LBP,CH,GIST,HOG 中层视觉表达:对提取的底层场景特征进行编码,进一步提取更具判别能力的特征表达 BOVW,SPM, LLC, PLSA, LDA, FV,VL...

    遥感图像场景分类一般假定相同类别的场景应该共享相似的特征信息,基于此,遥感图像场景分类方法可以分为三大类:基于底层视觉特征,基于中层视觉表达,基于高层视觉信息。

    底层视觉特征:直接提取遥感图像的光谱,纹理,结构信息

    SIFT,LBP,CH,GIST,HOG

    中层视觉表达:对提取的底层场景特征进行编码,进一步提取更具判别能力的特征表达

    BOVW,SPM, LLC, PLSA, LDA, FV,VLAD,VLAT

    高层视觉信息:深度网络模型提取图像的抽象语义信息

    CaffeNet , VGG-VD-16, GoogLeNet


    作者:flopf
    来源:CSDN
    原文:https://blog.csdn.net/flopf1016821/article/details/79052721
    版权声明:本文为博主原创文章,转载请附上博文链接!

    展开全文
  • 遥感图像非监督计算机分类方法的研究-遥感图像非监督计算机分类方法的研究.pdf 遥感图像非监督计算机分类方法的研究
  • 一种基于光谱与纹理特征多光谱遥感图像地物分类方法
  • 遥感图像场景分类方法总结

    千次阅读 2018-01-13 17:46:57
    底层视觉特征:直接提取遥感图像的光谱,纹理,结构信息SIFT,LBP,CH,GIST,HOG中层视觉表达:对提取的底层场景特征进行编码,进一步提取更具判别能力的特征表达BOVW,SPM, LLC, PLSA, LDA, FV,VLAD,V...

    遥感图像场景分类一般假定相同类别的场景应该共享相似的特征信息,基于此,遥感图像场景分类方法可以分为三大类:基于底层视觉特征,基于中层视觉表达,基于高层视觉信息。


    底层视觉特征:直接提取遥感图像的光谱,纹理,结构信息

    SIFT,LBP,CH,GIST,HOG


    中层视觉表达:对提取的底层场景特征进行编码,进一步提取更具判别能力的特征表达

    BOVW,SPM, LLC, PLSA, LDA,  FV,VLAD,VLAT


    高层视觉信息:深度网络模型提取图像的抽象语义信息

    CaffeNet , VGG-VD-16,  GoogLeNet 



    展开全文
  • 基于目标特征的遥感图像分类方法进展,王珂,周坚华,本文根据遥感图像分类识别的一般步骤,综合分析了遥感图像的目标特征(光谱特征、纹理特征和空间特征)提取算法。接着描述了基于
  • 从遥感图像分类方法的基本原理入手, 介绍了传统遥感图像的分类一些方法, 以及它们近年来的发展, 此外还对遥感图像分类研究的新方向作了一些介绍, 并对发展趋势作了展望。
  • 遥感图像的分类

    2014-06-01 09:33:34
    遥感图像监督分类与非监督分类,遥感数字图像进行分类的方法。在具体图像分类的过程中,深刻体会解译标志选择,使用,判读全过程。
  • 一种基于光谱与纹理特征多光谱遥感图像地物分类方法,胡蕾,侯鹏洋,基于光谱特征对高分辨率多光谱遥感图像进行地物分类易形成噪声,提出一种光谱特征与纹理特征相结合地物分类方法。首先利用四叉
  • 在高光谱遥感图像的原始光谱空间根据波段之间的相似性信息对光谱波段进行分类,从每类中随机抽取一个波段形成新的光谱组,并依靠限制不同光谱组中相同波段的数目增加不同光谱组之间的差异程度,将新的光谱组作为训练...
  • 遥感影像非监督分类方法-K均值算法实现遥感图像的非监督分类.pdf 遥感影像非监督分类方法
  • 影响遥感图像分类效果主要因素之一是空间分辨率。通过融合多分辨率遥感图像,引入面向对象思想,有效地克服了多光谱图像空间分辨率低问题。该方法由图像分割和分类等一系列技术组成,首先用基于区域分割法则对...
  • 基于支持向量机的遥感图像分类方法,为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了 一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照...
  • 遥感图像分类方法有很多种,在这里介绍主要用集中方法。
  • 遥感图像分类

    万次阅读 多人点赞 2019-01-28 21:36:02
    遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析,选择特征,将图像中各个像元按照某种规则或算法划分不同的类别,然后获得遥感图像中与实际地物的对应信息,从而实现图像的分类。...

    遥感图像分类

    一、背景简介

    遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析,选择特征,将图像中各个像元按照某种规则或算法划分不同的类别,然后获得遥感图像中与实际地物的对应信息,从而实现图像的分类。遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离和相关系数来衡量相似度。常见的分类方法有:监督分类、非监督分类法。

    二、监督分类与非监督分类的区别及优缺点简要探讨:

    案例:数据源为ENVI自带的Landsat tm5数据Can-tmr.img,类别为:林地、草地/灌木、耕地、裸地、沙地、其它六类。 下面就分别用监督分类与非监督分类法次此案例进行简单分析。
    首先我们来了解一下什么是监督分类?
    监督分类是用于在数据集中根据用户定义的训练样本类别聚集像元。训练样本类别是像元的集合或单一波谱。在分类过程中,可以选择它们作为代表区域或分类素材。
    监督分类的大致步骤有:类别定义、样本选择、分类器选择、影像分类、分类后处理、结果验证。
    监督分类对本案例处理的简要流程:

    1、类别定义

    根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统;对影像进行特征判断,评价图像质量,决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程,为后面样本的选择打下基础。本例是以ENVI自带Landsat tm5数据Can-tmr.img为数据源,类别分为:林地、草地/灌木、耕地、裸地、沙地、其他六类。

    2、样本选择

    为了建立分类函数,需要对每一类别选取一定数目的样本,在ENVI,中是通过感兴趣区来确定,也可以将矢量文件转化为ROIs文件来获得,或者利用终端像元收集器来获得。本例中使用ROIs方法,打开分类图像,在Display->Overlay->Region of Interest,默认ROIs为多边形,按照默认设置在影像上定义训练样本。如图1-1示,设置好颜色和类别名称。
    在这里插入图片描述
    如图1-1 训练样本的选择

    3、分类器选择

    根据分类的复杂度,精度需求等确定哪一种分类器。目前监督分类可分为基于传统统计分析学的,包括平行六面体、最小距离、马氏距离、最大似然,基于神经网络的,基于模式识别,包括支持向量机、模糊分类等,针对高光谱有光谱角,光谱信息散度,二进制编码。

    4、影像分类

    选择支持向量机分类方法。主菜单下选择Classification>Supervised>Support Vector Machine。按照默认设置参数输出分类结果。如图1-2:
    在这里插入图片描述
    图1-2支持向量机分类器参数设置
    在这里插入图片描述
    图1-3支持向量机分类结果

    5、分类后处理

    分类后处理包括的很多过程都是可选项,包括更改类别颜色、分类后统计,小斑块处理等。如更给类别颜色:在主图像窗口中的显示菜单里,选择Display > Color Mapping > Class Color Mapping,分别选取颜色。
    在这里插入图片描述
    图1-4类别颜色更改后的效果
    在这里插入图片描述
    图1-5自动颜色更改的效果

    6、结果验证

    结果验证主要是对分类结果进行评价,确定分类的精度和可靠性。有两种方法:一是混淆矩阵,二是ROC曲线。在此不作具体介绍。
    让我们来了解一下什么是非监督分类?
    非监督分类:也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自 然相似光谱集群的过程。它不必对影像地物获取先验知识,仅依靠影像上不同类地物光谱(或纹理)信息进行特征提取,再统计特征的差别来达到分类的目的,最后对已分出的各个类别的实际属性进行确认。
    目前非监督分类器比较常用的是ISODATA、K-MEAN 等链状方法。
    非监督分类处理本案例的流程简要:

    1、影像分析

    大体上判断主要地物的类别数量。一般监督分类设置分类数目比最终分类数量要多2-3倍为宜,这样有助于提高分类精度。本案例的数据源为ENVI自带的 Landsat tm5 数据Can-tmr.img, 类别分为:林地、草地/灌木、耕地、裸地、沙 地、其它六类。

    2、分类器选择

    ISODATA重复自组织数据分析技术,计算数据空间中均匀分布的类均值,然后用最小距离技术将剩余像元进行迭代聚合,每次迭代都重新计算均值,且根据所得的新均值,对像元进行再分类。
    K-MEAN使用了聚类分析方法,随机地查找聚类簇的聚类相似度相近,即中心位置,是利用各聚类中心对象的均值所获得一个中心对象来进行计算的,然后迭代地重新配置它们,完成分类过程。

    3、影像分类

    打开ENVI,选择主菜单->Classificatio->Unsupervised->IsoData或者K-mean。如选择IsoData,在选择文件时,可以设置空间或光谱裁剪区。如选择Can-tmr.ing,按默认设置,之后跳出参数设置,如图1-6:ISODATA非监督分类结果。
    在这里插入图片描述
    1-6分类结果

    4、 类别定义

    在display中显示原始影像,在display->overlay->classification,选择ISODATA分类结果,如图所示,在Interactive Class Tool面板中,可以选择 各个分类结果显示。如图1-7:
    在这里插入图片描述
    图1-7影像与分类结果的叠加
    Interactive Class Tool面板中,选择Option->Edit class colors/names。 通过目视或者其他方式识别分类结果,填写相应的类型名称和颜色。如图1-8所 示为最终结果。
    在这里插入图片描述
    图1-8类别定义结果

    5、分类后处理

    对颜色的分类,统计分析等参考监督分类。

    6、 结果验证

    参照监督分类

    三、小结

    由此案例可得监督分类与非监督分类:
    区别:非监督分类的关键部分是类别定义。此过程需要数据的支持,甚至需要组织野外实地调查。
    监督分类中的样本选择和分类器的选择较关键。在样本选择时,为了更加清楚的查看地物类型,可以适当的对图像做一些增强处理。
    两者的根本区别是在于是否利用训练场地来获取先验的类别知识。

    优缺点:

    优点:可充分利用分类地区的先验知识,预先确定分类的类别;可控制训练样本的选择;可避免非监督分类中对光谱集群组的重新归类等。
    缺点:人为主观因素较强;训练样本的选取和评估需花费较多的人力,时间等。

    非监督分类:

    优点:无需对分类区域有广泛的了解,仅需一定的知识来解释分类出集群组;人为误差小;独特的,覆盖量小的类别均能被识别;简单,速度快等。
    缺点:对其结果进行大量处理后,才能得到可靠分类结果;不能精确控制分类的类别数等。

    扫码关注公众号,了解更多文章

    三山半落,一水中分。地纵经纬,理入乾坤。
    ~兰州交通大学地理信息科学爱好者集散地,欢迎你的加入~

    在这里插入图片描述

    展开全文
  • 为了实现大数据量遥感图像的分类,提出了一种Spark平台下高光谱遥感图像稀疏表示分类并行化方法PSCSRC, 首先设计五元组形式的中间数据存储结构,其次在每次迭代中只是将稀疏矩阵中与中间矩阵各分块对应的子矩阵分发...
  • 模糊识别分类方法遥感图像混和像元分类中应用,赵晶晶,郭重阳,本文介绍了模糊分类方法及特性,以及遥感图象中混合像元特性;试探性用模糊分类方法应用于遥感图像中混合像元分类,然后与线
  • 针对这种情 况,提出了一种将 BP神经网络与决策融合理论相结合的高光谱遥感图像分类方法,该方法将多个结构相同、初 始权值不同的 BP神经网络的分类结果进行融合,最后把融合结果作为原图像的最终分类结果,以实际的高光...
  • 基于云模型的高光谱遥感图像的分类研究,李万臣,郭逢丽,现有的分类方法都没有考虑或者没有彻底考虑高光谱遥感图像数据的不确定性,因此提出了一种基于云模型的高光谱遥感图像分类方法。
  • 文章尝试利用深度神经网络进行遥感图像分类。经过比较后选择了AlexNet网络模型,为了缩短训练时间和提升分类准确率,对网络模型进行了改进,同时进一步尝试了权值迁移训练方法。利用公开遥感影像分类数据集UCM,...

    文章尝试利用深度神经网络进行遥感图像分类。经过比较后选择了AlexNet网络模型,为了缩短训练时间和提升分类准确率,对网络模型进行了改进,同时进一步尝试了权值迁移的训练方法。利用公开的遥感影像分类数据集UCM,在改进的网络模型上采用权值迁移的方法进行了试验,试验结果表明,改进后的网络模型具有很好的准确率和效率。
    利用深度神经网络模型进行分类时,都是从零开始训练网络,让深层网络通过训练学习到数据集的特定特征,这一方式称之为全训练,将数据集输入网络后,随机初始化权重,当数据集足够大时,此过程应该非常有用,使得网络收敛,通过特定的滤波器可以倾向于生成更精确的特征。同时,从零开始全训练需要大量的计算资源,在很多时候要受到条件的限制。
    改进的思路为利用其它数据集训练好的网络模型,将训练好的模型中的权重赋予训练开始时网络模型中的权重变量,而非随机初始化,这一过程称为权值迁移。在训练时不随机初始化网络中的权值,而是利用已有数据集训练好的权值来初始化网络。可以认为,网络中的前几层或者说早期的学习学习到了边缘等浅层特征,后面的层学习到了更高级更本质的细节,这样,权重迁移时也可以让前边的部分层获得已经训练过的参数,后边的层仍然随机初始化,即只微调前边的某些层而非整个网络模型。这样做既可以显著提高训练效率,同时使得相对于庞大网络而显得体重不足的数据集可以在大网络上训练,提取到更加本质的特征,提升分类效果。由于权值迁移用到了经过原始数据集训练好的网络模型中的最终权重值,因此原始数据集的选择肯定会对最终的分类准确率造成影响。
    文章使用ImageNet数据集作为原始数据集是一个很自然的选择,经它训练过的网络更加容易学习到图像的底层和本质特征,将训练好的模型参数迁移进网络再训练各自领域的数据集应该有很好的效果。
    :文章选自《基于改进的AlexNet网络模型的遥感图像分类方法研究》周天顺等

    展开全文
  • 在主动学习基础上,提出一种基于SLIC高光谱遥感图像主动分类方法。首先提取图像纹理特征并与光谱特征融合,使用PCA对新数据进行降维,取前三个主成分构成假彩色图像,然后使用SLIC处理该图像获得超像素;接着...
  • 遥感图像分类方法通常采用监督的学习算法,它需要人工选取训练样本,比较繁琐,而且有时很难得到;而非监督学习算法的分类精度通常很难令人满意。针对这些缺陷,提出一种基于Kmeans与支持向量机(SVM)结合的遥感图像...
  • 遥感图像分类方法通常采用监督的学习算法,它需要人工选取训练样本,比较繁琐,而且有时很难得到;而非监督学习算法的分类精度通常很难令人满意。针对这些缺陷,提出一种基于K-means与支持向量机(SVM)结合的遥感...
  • 提出一种基于卷积神经网络中残差网络的遥感图像场景分类方法。本文方法在原网络模型中嵌入了跳跃连接和协方差池化两个模块,用于连接多分辨率特征...与已有的分类方法相比,本文方法在场景分类问题上拥有更高的分类精度。
  • 利用遥感的K均值分类方法进行bmp图像的分类.
  • 图像分类的目的是将图像中每个像元根据其在不同波段光谱亮度、空间结构特征或者其他信息, 按照某种规则或算法划分为不同类别(赵英时.遥感应用分析原理与方法)。
  • 高光谱遥感图像分类是遥感图像处理一项重要内容.高光谱遥感图像具有非线性属性.图像中不同方位光谱特征变化...本文提出了一种加入空间关系分类方法,利用遥感图像空间相关性,在GP分类方法中通过构造新核函
  • 针对遥感图像中高光谱数据的分类问题,提出一种基于堆叠稀疏自动编码器(SSAE)深度学习特征表示的高光谱遥感 图 像 分 类 方 法;首 先,将光谱数据样本进行预处理和归一化;然 后,将 其 输 入 到SSAE中...
  • 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,并与常用最大似然、最小距离、马式距离等方法进行遥感图像分类的对比试验,验证了本方法的有效性。
  • 文章针对现有的神经网络收敛速度慢、识别准确率不高的缺点,提出了一种基于卷积神经网络的遥感图像农田分类及识别方法。该算法使用较大的卷积核,有效地提取梯度信息;设计深度为6层的卷积神经网络,提高了网络...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 463
精华内容 185
关键字:

遥感图像的分类方法