排序方式: 共有6条查询结果,搜索用时 171 毫秒
1
1.
高空间分辨率遥感影像为地表变化监测提供了大量细节信息,这使得基于高分辨率影像的变化检测技术成为当前遥感领域的研究热点之一。本文提出了一种历史解译知识引导下组合遥感图谱特征的变化检测方法。首先,通过分割前后时相的组合影像构建空间位置一致的对象,并在提取对象光谱和纹理特征后,引入前期土地覆盖专题图指导2类图谱特征相似度的DS证据融合;然后,利用其历史存档图斑所属区域的优势地类标签指示不同特征相似度的证据差异融合;最后,基于GMM(Gaussian Mixture Mode)模型的二值化方法提取最终的变化区域。实验结果表明,该方法能充分利用历史解译知识指导不同时相高分辨率影像对象特征相似度组合,一定程度上提高了变化检测正确率。 相似文献
2.
3.
遥感影像配准误差传递模型及模拟分析 总被引:3,自引:0,他引:3
在遥感影像配准过程中,通常假设控制点是“完美的”。然而,在实际情况中,由于控制点本身不可避免的带有一定的误差导致这种假设在一定情况下并不成立,并且将会影响遥感影像几何校正的精度。普通最小二乘方法OLS(O rd inary Least Square)是遥感影像配准常用的校正估计模型,令人遗憾的是,在控制点存在误差的情况下,它的估计是有偏的,并且不能够正确传递和估计校正影像的误差大小。引入一致校正最小二乘方法CALS(ConsistentAd justed Least Squares),在此基础上提出的一个改进的方法,称之为松弛一致校正最小二乘方法RCALS(Relaxed ConsistentAd justed Least Squares)。这类回归模型具有改正控制点(解释变量)中的误差和跟踪回归模型中的误差传递的能力。为了验证CALS和RCALS模型的有效性,本文利用模拟影像进行分析。这里着重分析OLS,CALS和RCALS模型在几何校正过程中的比较。结果表明,RCALS和CALS的结果优于OLS估计结果。 相似文献
4.
遥感图像最大似然分类方法的EM改进算法 总被引:35,自引:1,他引:35
基于参数化密度分布模型的最大似然方法(MLC)是遥感影像分类最常用手段之一,与其他非参数方法(如神经网络)相比较,它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点。但是由于遥感信息的统计分布具有高度的复杂性和随机性,当特征空间中类别的分布比较离散而导致不能服从预先假设的分布,或者样本的选取不具有代表性,往往得到的分类结果会偏离实际情况。首先介绍了用基于有限混合密度理论的期望最大(EM)算法来作为最大似然函数(MLC)参数估计的方法-EM-MLC。该模型首先假设总体混合密度分布可被分解为有限个参数化的高斯密度分布,然后把具有先验知识的样本与随机选取的未知样本混合在一起,通过EM迭代计算来估计出各密度分布的最大似然函数的参数集,从而一定程度上避免了参数估计可能出现的偏离。最后,本文提出了基于EM-MLC遥感影像分类的具体实施流程和应用示范,并与一般最大似然方法(MLC)得到的分类结果进行了定性和定量的综合比较,认为EM-MLC在精度上得到了提高。 相似文献
5.
6.
土地执法监察是国土资源管理业务体系的重要内容之一。当前土地执法监察工作多以传统手工作业为主,工作效率需要提升。随着高空间分辨率遥感技术的发展,借助高分辨率遥感影像实施准确、快速的土地执法监察成为可能。本文在分析实际应用需求和最新技术发展的基础上,以国产高分辨率影像提取违法建设用地为出发点,选取浙江省台州市黄岩区为研究区,开展县区级土地执法监察应用研究。借助面向对象变化检测与建设用地提取等技术获取了疑似的违法新增建设用地,取得了较好的应用效果,为挖掘国产高分辨率卫星影像在土地执法监察应用方面的潜力提供了参考。 相似文献
1