共查询到16条相似文献,搜索用时 117 毫秒
1.
2.
3.
4.
提出了一种融合监督分类与非监督分类结果的高光谱遥感影像分类新方法——众数赋值分类法。采用ISODATA非监督分类方法对高光谱遥感影像进行分类,并对非监督分类结果的图斑进行标记,同时用最大似然法(ML)和支持向量机(SVM)法进行监督分类,然后以监督分类结果对非监督分类后各斑块进行类别赋值。方法是:统计每个非监督分类斑块中由监督分类所获得的各类别像元数及所占比例,将非监督分类斑块的类别赋予所占比例最高的监督分类结果的类别,最终获得高光谱图像分类结果。研究表明:(1)非监督分类类别数量大于10时,其与ML分类结果融合的总体分类精度和Kappa系数均较监督分类法的分类结果好;(2)ML和20个类别的ISODATA分类结果融合的总体精度最高,为87.35%,比单独ML的总体精度高约2个百分点;(3)SVM和10个类别的ISODATA分类结果融合的总体精度提高最大,较SVM的总体精度提高近3个百分点;(4)随着非监督分类类别数量的增多,分类结果的总体精度呈现由低到高再到低的变化过程。 相似文献
5.
在光谱规则分类算法(Spectral Rule-based Classifier, SRC)基础上考虑大气校正对遥感影像光谱反射率的影响,提出了一种改进光谱规则的分类算法(Modified Spectral Rule-based Classifier, MSRC),从地物光谱响应曲线和光谱指数两个方面来修正光谱规则集,通过规则细化和补充、阈值改正优化光谱类别。以珠江三角洲海岛(佳蓬、淇澳)和海岸带(荃湾、惠东)的Landsat 8影像作为实验数据,对比了大气校正前后波段反射率和地物光谱响应曲线,分析了改进后MSRC算法的地物分类结果和精度,并与原SRC算法、最小距离分类(MDC)算法、最大似然分类(MLC)算法、支持向量机分类(SVM)算法、神经网络分类(NNC)算法以及基于光谱指数的算法等多种地物分类算法进行比较。结果表明,4组实验数据的MSRC算法分类结果总体精度分别为87.66%、82.38%、77.67%和80.05%,高于SRC、MDC、MLC和基于光谱指数的分类算法,在无需人工标注训练数据集的前提下接近SVM和NNC算法的分类精度。MSRC算法适用于海岛和海岸带的Landsat 8多光谱遥感影像。 相似文献
6.
近年来,面向黄河口的监测需求日益增大,如黄河入海流路改道至清水沟路以来,在新老河道的交汇处存在着丰富的地物类别,对于这些地物类别的检测识别研究有助于掌握生态环境状态,对于黄河口的湿地保护以及国家改善环境的战略支持具有重要意义。因此,本文提出一种新的湿地高光谱图像分类方法,分双路分别提取图像的空谱特征并融合分类。光谱维采用分组预处理的双向长短期记忆网络(Bi-LSTM)有效学习光谱特征;空间维采用注意力加强的多尺度卷积网络有效增强所提取的空谱特征,使得分类结果更具准确性。本文实验应用覆盖黄河入海口新老河道交界处的成像光谱仪(Compact High Resolution Imaging Spectrometer,CHRIS)所采集的数据和黄河三角洲自然保护区滨海湿地高分5号传感器(GF-5)所采集的高光谱图像开展。结果表明:分组与双向长短期记忆网络(Bi-LSTM)的有效结合显著提升了网络性能,同其他监督分类方法相比提升约3%~8%,此外注意力机制的加入同比增加约3%,在使用1%的极少训练集下数据集CHRIS和GF-5的总体分类精度分别达到92.3%和86.11%。 相似文献
7.
针对高光谱数据中内在的非线性流行结构,分析了LLE低维嵌入算法的基本原理,给出了该算法的计算步骤。介绍了模糊ISODATA分类算法的基本思想,在计算目标函数中,利用测地距离代替欧氏距离,对模糊ISODATA分类算法进行改进。利用两套PHI高光谱影像数据,在LLE低维嵌入结果上实现了ISODATA分类实验。结果表明:LLE低维嵌入后的数据能够降低ISODATA影像分类的迭代次数与计算时间,提高分类的效率;与原始ISODATA分类算法相比,改进的ISODATA分类算法能够更好地挖掘类别之间的自组织关系,提高分类的可靠性。 相似文献
8.
9.
10.
黄河三角洲湿地地物精确分类对湿地资源的保护、开发和利用具有重要意义。目前的湿地分类算法大多存在着全局信息利用不足,地物类型边界不易区分等问题,导致分类精度不高。针对此问题,本文提出了基于双路图卷积的黄河三角洲湿地地物分类算法,包括图结构数据构建模块、特征提取与融合模块两部分。图结构数据构建模块,设计欧式图表示光谱值之间的绝对差异,衡量不同地物类型,设计余弦图表达不同像素光谱波形之间的差异,用以区分不同的地物边界;特征提取与融合模块,利用图卷积聚合全局信息,对欧式图利用双层图卷积进行特征提取,对余弦图使用图U-Net网络进行特征提取,之后将两个特征融合,得到同时具有光谱值绝对差异和光谱波形差异的融合特征,最后进行分类。在CHRIS和GF5两个数据集的实验结果表明,本文所提算法在黄河三角洲湿地地物分类中取得了具有竞争力的分类结果。 相似文献
11.
12.
为提高遥感影像融合质量,提升资源一号(ZY-1 02D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-1 02D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-1 02D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。 相似文献
13.
Seafloor sediment classification based on echo characteristics obtained from single-beam echosounder is very useful in remote
and instant sediment classification. Results of different classification techniques using such data provide robust results
when the acoustic beam has a normal incidence with the seabottom. This may not always be true and show poor classification,
with the data acquired during rough sea periods corresponding to both oblique and normal incidence of the acoustic pulse,
due to roll and pitch motion of the ship. In the present study, an attempt is made to exploit the artificial neural network
(ANN) techniques for better classification with such data. Learning Vector Quantisation (LVQ) is a supervised learning algorithm
of ANN that is found to be an effective tool and show good performance. The input data to the network include the roughness
index (E1) and hardness index (E2) derived from echo characteristics. The network utilizes the competitive learning, a distance
function in the first layer and a linear function in the second layer. The network was tried with a different size of hidden
neurons and training data size to see the influence on classification. It is found that with ten neurons in the first layer
and four neurons in the second layer good performance in classification for the data was achieved. 相似文献
14.
15.
联合光谱和纹理特征的滨海湿地高光谱深度学习分类—以黄河三角洲湿地为例 总被引:2,自引:0,他引:2
本文基于CHRIS高光谱遥感影像,发展了一种结合地物光谱特征和多纹理空间特征信息,采用双全链接的8层深度卷积神经网络分类算法对滨海湿地高光谱影像进行遥感地物分类,并在黄河口滨海湿地进行了应用。结果表明:1)基于测试样本数据,联合光谱特征和K-L变换的纹理特征信息,采用DCNN模型方法展现了高的分类精度,精度高达99%;2)利用光谱特征和全纹理特征的精度比仅使用光谱特征和光谱特征联合K-L变换后纹理特征的分类精度低。利用K-L变换后的光谱特征和纹理特征的DCNN分类精度达到99.38%,相比于使用全纹理特征信息的精度提高了4.15%;3)基于验证图像,发展的DCNN分类方法精度优于其他算法,DCNN方法总体分类精度为84.64%,Kappa系数为0.80;4)相比于浅层分类方法,本文发展的DCNN模型分类算法保证了所有地物类型的分类精度更加均衡,保持了主要地物类型的分类精度几乎不变,同时提高了滩涂和农田的精度。基于DCNN模型,潮滩和农田的分类精度分别达到79.26%和56.72%。比其它浅层分类方法提高了2.51%和10.6%。 相似文献