共查询到19条相似文献,搜索用时 109 毫秒
1.
提出了一种基于局部自动搜索和光谱匹配技术的监督分类训练样本的纯化方法。该方法首先利用遥感影像中像元的灰度信息在图像上局部范围内自动搜索和选择最佳样区位置,然后利用光谱匹配的思想对寻找到的最佳样区在光谱空间上进一步纯化。实验结果证明,通过手工选择样区的辅助,该算法能够自动有效地搜寻到最佳样区的位置,并对最佳样区进行纯化处理。原始遥感图像经过本文的样区纯化算法处理后,无论是目视判读效果,还是分类后混淆矩阵的统计及分类精度,均优于纯化处理前的分类结果,具有一定的实用价值。 相似文献
2.
遥感数据监督分类中训练样本的纯化 总被引:12,自引:0,他引:12
本文分析了训练样本对遥感数据监督分类结果的影响,提出了训练样本纯化的理论与方法,即根据样本像元的光谱和空间信息来剔除训练样本中不合要求的样本像元。一个例子的试验研究表明,训练样本纯化后,各类型间的发散度、样本像元的概率密度函数与高斯分布的拟合度以及分类结果的精度都得到不同程度提高。 相似文献
3.
4.
基于Q型因子分析的训练样本的选择 总被引:2,自引:1,他引:2
提出基于Q型因子分析的训练样本的选择方法。它可自动地选择训练样本,而且被选择的训练样本具有代表性,使其在自动分类中充分利用所采集的样本信息,以便得到满意的分类结果。通过实验与分析证明,该方法是可行的,它优于基于人工随机地选择训练样本的方式,而且可获得更高的分类精度。 相似文献
5.
基于对应分析的训练样本的选择 总被引:1,自引:0,他引:1
本文提出一种基于对应分析的训练样本的选择方法。它从训练样本中自动地选择有代表性的典型训练样本,使得在自动分类中充分利用所采集的样本信息,以便得到满意的分类结果。通过实验与分析证明,该方法是可行的,它明显优于人工随机选择训练样本的方式。与基于Q型因子分析的训练样本选择方法相比,可以更快地得到较少的典型样本,满意的分类精度。 相似文献
6.
7.
基于对应分析的训练样本的选择 总被引:1,自引:0,他引:1
本文提出一种基于对应分析的训练样本的选择方法。它从训练样本中自动地选择有代表性的典型训练样本,使得在自动分类中充分利用所采集的样本信息,以便得到满意的分类结果。通过实验与分析证明,该方法是可行的,它明显优于人工随机选择训练样本的方式。与基于Q型因子分析的训练样本选择方法相比,可以更快地得到较少的典型样本,满意的分类精度。 相似文献
8.
训练样本对TM尺度小麦种植面积测量精度影响研究(Ⅰ)——训练样本与分类方法间分类精度响应关系研究 总被引:6,自引:1,他引:6
准确的遥感农作物类型识别和种植面积统计,不仅仅取决于不同分类方法的选择,同时还要看输入分类器用以学习的训练样本数据,训练样本对分类精度的影响比分类技术本身对测量精度的影响还要大。训练样本对测量精度的影响包含样本的质量和数量两个方面。为了探讨训练样本对农作物种植面积测量精度的影响,本文以小麦为例,选择典型试验区,利用较常用的TM遥感影像,结合高分辨率SPOT数据和野外GPS数据,在构建标准训练样本和检验样本数据集的基础上,在不同训练样本量下,分别对光谱角制图、平行六面体、马氏距离、最小距离、最大似然和支持向量机6种方法进行了多次试验,并对测量结果进行了对比分析。研究结果表明:①不同样本量下6种方法10次测量的结果存在不同程度的波动,而且地块越破碎的地区波动越大,但这种波动随样本量的增加会减少,说明目前在小麦面积测量中,用单次分类的结果作为最终的提取结果的做法存在一定的随机误差,在实际的工作中,应尽可能多的获取训练样本,以提高小麦面积测量的稳定性,同时利用多次测量结果求均值的方式,来消减或者抵消测量的随机误差;②相同样本量下,各种方法测量出的全区和破碎区的小麦像元个数(总量)不一致,种植结构复杂且破碎的地区,各种方法测量出的小麦面积总量差异会更大,说明不同方法对同一地区小麦的识别能力是不同的,同种方法对于不同地区小麦的识别能力也是不一样的,但是通过分析小麦识别的产品精度和用户精度,可以判断出哪个结果最接近于真实总量。 相似文献
9.
10.
11.
12.
基于核Fisher判别分析的高光谱遥感影像分类 总被引:5,自引:2,他引:3
高光谱遥感技术,将反映目标辐射特性的光谱信息与反映目标空间位置关系的图像信息有机地结合在一起.高光谱影像具有丰富的光谱信息,较全色、多光谱影像能够更好的进行地面目标的分类识别.在介绍核Fisher判别分析算法的基础上,选用径向基核函数,使用一对一或一对余构造多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳定的多类核Fisher判别分析分类器.通过OMIS和AVIRIS影像的分类实验,表明了核Fisher判别分析与支持向量机的分类精度相当,但是所需的训练时间较短. 相似文献
13.
在遥感影像计算机自动识别与分类中,选取最佳的波段子集对地物进行分类对提高分类精度至关重要。根据统计学原理,遥感影像中属于某类别地物的特征向量服从正态分布,训练样本的正态性检验是关键,基于此理论,本文利用TM影像数据,通过检验所选取的训练区的正态性与否,让计算机自动的选取最优的波段组合,并对分类的精度进行评估。研究表明,计算机自动选取最佳波段组合后对分类精度的预先评估,较常规分类后再进行数据检验精度评估方法方便,快捷,省时,省力。 相似文献
14.
15.
高光谱遥感以其波段数目多、光谱分辨率高、带宽窄等特点受到了国内外研究者的广泛关注,它的发展可以说是遥感技术领域的巨大进步。本文主要介绍高光谱遥感的发展,以及针对高光谱影像独有的特点所要进行的数据处理方法。在此基础上,结合青藏高原独特的地理地质环境,探讨高光谱遥感在青藏高原的应用潜力。 相似文献
16.
17.
18.
随着对地观测技术的发展,海量遥感影像不断传输到地面。传统的遥感信息处理方法在处理效率、精度上的不足,限制了遥感信息的挖掘及利用,亟需发展智能化方法满足遥感影像处理的需求。受自然界中生物进化机制的启发,基于进化计算的遥感影像智能化处理方法具有以下特点:(1)拥有全局优化能力,对目标函数的优化能力更强;(2)具有自组织、自学习的特点,能够从遥感数据本身学习,不依赖数据分布等先验信息;(3)拥有处理多目标问题的能力,同时考虑多个目标函数而不需要人工确定它们之间的权重。因此,智能化遥感信息处理方法能够在海量遥感影像中有效地提取适用于不同应用目的的信息。本文主要介绍智能化遥感信息处理方法的典型应用包括遥感影像智能化分类(监督分类、聚类)、遥感影像亚像素信息提取(高光谱影像混合像元分解、亚像元制图),并讨论了遥感信息智能化处理方法的发展方向。 相似文献
19.
Behnaz Bigdeli Farhad Samadzadegan Peter Reinartz 《Journal of the Indian Society of Remote Sensing》2013,41(4):763-776
With recent technological advances in remote sensing sensors and systems, very high-dimensional hyperspectral data are available for a better discrimination among different complex land-cover classes. However, the large number of spectral bands, but limited availability of training samples creates the problem of Hughes phenomenon or ‘curse of dimensionality’ in hyperspectral data sets. Moreover, these high numbers of bands are usually highly correlated. Because of these complexities of hyperspectral data, traditional classification strategies have often limited performance in classification of hyperspectral imagery. Referring to the limitation of single classifier in these situations, Multiple Classifier Systems (MCS) may have better performance than single classifier. This paper presents a new method for classification of hyperspectral data based on a band clustering strategy through a multiple Support Vector Machine system. The proposed method uses the band grouping process based on a modified mutual information strategy to split data into few band groups. After the band grouping step, the proposed algorithm aims at benefiting from the capabilities of SVM as classification method. So, the proposed approach applies SVM on each band group that is produced in a previous step. Finally, Naive Bayes (NB) as a classifier fusion method combines decisions of SVM classifiers. Experimental results on two common hyperspectral data sets show that the proposed method improves the classification accuracy in comparison with the standard SVM on entire bands of data and feature selection methods. 相似文献