共查询到10条相似文献,搜索用时 587 毫秒
1.
随着高分辨率对地观测技术的快速发展,我国已具备获取高空间分辨率和较高光谱分辨率遥感图像的能力.在高分辨率对地观测条件下,能够进行检测的目标最小尺度在不断提升,使得复杂场景中的目标检测成为可能.针对机载高分成像获取的高光谱图像中目标检测问题,本文提出了一种基于张量表示的目标检测新框架及稀疏目标检测新方法.首先,利用张量模型对输入高光谱图像数据进行低秩分解和表示,所得到的投影分量能够表示高光谱图像的空间-光谱整体信息;其次,将稀疏表示方法同传统目标匹配检测方法相结合,构成稀疏匹配目标检测算子,对低秩张量分解的投影数据进行检测.本文所提出稀疏张量目标检测新方法能够有效地挖掘和利用局部区域目标的空间-光谱联合信息,提高高分条件下复杂场景目标检测的性能、降低虚警率.本文利用两组真实的航空系统高光谱图像进行仿真试验,试验结果表明所提出的方法检测性能明显优于当前国际主流遥感图像目标检测方法. 相似文献
2.
3.
4.
多源信息融合中小波变换的应用研究 总被引:12,自引:1,他引:12
研究了小波变换在多源信息融合中的应用,主要涉及高分辨率全色影像与低分辨率多光谱影像融合问题及合成孔径雷达与光学影像的融合问题.主要方法是基于地物光谱信息特征的彩色融合与基于几何特征的融合.利用小波技术对整个融合过程加以改进.获得的融合结果表明基于光谱特征信息的融合方法,可以有效地提高多光谱影像的空间分辨率,而基于几何特征的融合方法,可以提高对遥感影像的目视解译效果.视觉效果上就是将高分辨率影像的细节加入到了低分辨率多光谱影像中,并同时保持原始影像的光谱特征. 相似文献
5.
利用OpenStreetMap数据进行高空间分辨率遥感影像分类 总被引:1,自引:0,他引:1
针对高分辨率遥感影像分类样本标注困难的问题,提出了一种利用OpenStreetMap (OSM)数据自动获取标注样本的方法。与现有的利用OSM数据进行分类的方法不同,该方法加入了空间特征以弥补单独使用光谱特征分类的不足。首先,基于OSM数据提供的地物类别和位置信息进行样本标注,为了降低OSM数据中少量错误信息对分类结果的影响,采用聚类分析的方法对样本进行提纯;其次,使用形态学轮廓来提取影像的结构特征,挖掘高分辨率遥感影像丰富的空间信息,与光谱特征相叠加并输入分类器进行分类。试验证明,本文提出的方法能够有效避免人工样本标注所需要的人力物力;同时,联合影像的光谱空间特征能够更好地描述地物特性,得到较高的分类精度。 相似文献
6.
高分辨率遥感影像建筑区域局部几何特征提取 总被引:1,自引:0,他引:1
及时准确地获取城市建筑区域的空间分布及其变化信息对于城市规划、空间地理数据库建设及区域社会经济分析具有重要意义。本文提出一种基于多尺度Gabor变换和感知聚类方法即张量投票TV (Tensor Voting)相结合的自适应局部几何不变特征检测方法,并将其应用于高空间分辨率遥感影像建筑区域提取。首先,考虑到高分辨率遥感影像复杂的几何结构特征,使用Gabor滤波器组对影像进行多尺度多方向变换检测奇异性特征。然后,在感知聚类框架下,根据张量投票理论将不同方向子带系数位置编码为相应的二阶对称方向张量,为了突出影像几何特征,对不同尺度、不同方向子带中任意像素位置方向张量使用滤波器响应系数加权并求和完成多尺度特征融合。再次,对张量特征分解得到点结构与线结构显著性图并使用非极大抑制提取相应角点和曲线等局部几何特征,同时生成约束准则筛选角点以确定建筑物坐标。最后,利用概率密度估计结合局部角点特征生成全局概率密度场描述影像中像素从属于建筑目标的概率,并使用最大类间方差法(Otsu)阈值分割自动提取居民地多边形区域。使用分辨率分别为0.49 m、0.98 m的Google Earth及0.8 m的高分二号等影像数据集进行实验,实验结果表明本文方法相对于已有的Harris和HSCD点检测算法,在建筑区域提取质量上(Quality)上分别提高了4.79%,5.96%;1.47%,3.76%和1.91%,4.08%。 相似文献
7.
8.
利用面向对象的分类方法从IKONOS全色影像中提取河流和道路 总被引:24,自引:0,他引:24
传统的基于像素的统计特征的分类方法在处理高分辨率影像的分类问题上遇到了很大的困难。本研究利用面向对象的影像分析方法对IKONOS全色影像进行了河流与道路的分类,包括利用影像对象的光谱特征的初次分类和利用子目标对象的线特征的二次分类两个过程;其中初次分类由于仅依据光谱信息,不能很好地将河流或道路与其他光谱特征相似的地物区分开,而通过引入子目标的形状特征进行二次分类,就可以准确地将河流与道路提取出来。试验结果表明,面向对象的分类方法能够满足高分辨率或纹理影像的分类需要,具有很大的应用潜力。 相似文献
9.
火星车(即巡视探测器)是对火星表面探测和科学研究的重要手段。针对火星车采集到的日益增长的遥感数据,亟需一种能够智能化地从海量影像中探测出有科学价值的新颖目标的方法。传统的新颖探测多采用基于距离测度和基于影像重建的方法,其中基于距离测度的方法逐像素计算新颖分数,未考虑空间上下文信息;基于影像重建的方法侧重对典型地貌背景进行重建,新颖性表现为影像重建误差,对小型新颖目标如钻孔、除尘点等提取效果不佳。提出一种改进的火星车多光谱影像深度新颖目标探测方法(convolution auto-encoder combined Mahalanobis distance method, CAE-M),利用全卷积自编码神经网络提取深层特征进行典型地貌重建,并联合马氏距离将新颖目标与典型地貌背景分离,充分挖掘空间维与光谱维特征,提高火星车新颖目标探测结果的准确性。实验采用好奇号火星车多光谱影像数据集,在盖尔撞击坑地表采用Reed-Xiaoli探测器、主成分分析、卷积自编码神经网络、生成对抗网络与CAE-M进行对比实验,结果表明,CAE-M在探测精度和可视化解释上均优于对比方法,在不同类别的新颖目标探测上都有着均衡稳定的表现。 相似文献
10.
针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法。该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保证在嵌入空间上尽可能不同地物特征分离、相同地物特征紧聚,确保相同地物光谱、纹理特征的相似性,完成光谱、纹理鉴别特征的有效提取,以充分挖掘影像特征,有效提高影像的分类精度。在GF-2遥感数据集上进行试验,结果表明本文算法可实现多特征的有效融合,分类精度均优于传统方法,可达93.41%。 相似文献