共查询到10条相似文献,搜索用时 187 毫秒
1.
2.
高分辨率影像分类的最优分割尺度计算 总被引:2,自引:0,他引:2
针对高分辨率遥感影像分类与信息提取中存在的难点,基于不同目标地物在高分辨率影像上具有对应最优分割尺度的基本思想,该文在分析现有最优分割尺度确定方法的基础上,提出了加权均值法结合最大面积的最优分割尺度的确定方法;利用该方法,进行了高分辨率影像分割实验,获取了对应典型地物的最优分割尺度数值范围,实现了典型地物的信息提取;并运用样本点检验的方法,计算并分析了分类的精度结果。结果表明:基于加权均值与最大面积相结合的最优分割尺度计算方法,应用于面向对象高分辨率影像信息的提取具有较为理想的精度。 相似文献
3.
成都平原高分辨率遥感影像分割尺度研究 总被引:2,自引:0,他引:2
对高分辨率遥感影像进行分类,面向对象的影像分析技术优于传统的面向像元的影像分析技术。要使用面向对象的影像分析技术,关键是分割遥感影像,以得到一系列与地物有密切联系的影像对象。分割的准确性与分割的尺度选择有关。针对成都平原高分辨率卫星影像,采用不同尺度对试验区影像进行分割,并比较分割结果,确定成都平原高分辨率遥感影像数据分割最佳尺度为30,该尺度分割的影像对象亮度均值标准差最大。 相似文献
4.
5.
6.
7.
8.
融入超像素分割的高分辨率影像面向对象分类 总被引:2,自引:0,他引:2
针对高分辨率遥感影像面向对象分类中容易受分割参数的影响、分类精度不稳定的问题,本文提出了一种融入超像素分割的高分辨率影像面向对象分类方法。该方法通过简单线性迭代聚类(SLIC)算法对原始影像进行聚类生成超像素影像,并在此基础上采用分形网络演化方法(FNEA)进行多尺度分割生成同质性对象,最后利用最邻近分类方法进行地物分类。试验结果表明,该方法不易受多尺度分割参数的影响,分类效果稳定,而且分类精度明显高于传统的面向对象分类方法,对于高分辨率遥感影像的广泛应用具有重要意义。 相似文献
9.
城市绿地是生态文明建设的重要组成部分,绿地信息提取是城市绿地规划和建设的基础和前提。遥感影像分割是绿地信息分类提取的关键步骤,选择合适的影像分割方法能有效提高城市绿地提取精度。传统的遥感分割方法分割结果中边缘锯齿现象严重,与绿地实地边界相差较大,不符合绿地信息提取的要求。本文以高分辨率的WorldView影像为数据源,使用深度学习网络DeepLab-v3+对城市绿地进行分割研究,在分割基础上进行城市绿地信息提取。同时,本研究将该网络模型的分割和分类结果与基于Ostu、MeanShift、FNEA分割算法的分类精度进行比较。研究表明:DeepLab-v3+的分割性能最好,其分割边缘光滑,与绿地实地边界吻合度高,有效解决了传统分割算法的边缘锯齿问题;在各种分割分类算法中,DeepLab-v3+的分类精度最高,达到98.01%。 相似文献