共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
针对遥感图像数据量大、类别归属复杂的特点,提出了一种用于遥感图像分割的原型提取谱聚类算法。该算法首先采用广义模糊c-均值聚类算法对遥感图像进行过分割,将得到的聚类中心作为每个分割区域的代表点;然后,通过构造代表点之间的相似性矩阵,利用谱图划分方法对代表点进行聚类;最后,根据代表点的聚类结果对图像像素点进行重新归类来获得遥感图像的最终分割结果。此算法涉及到3个参数,为了克服算法对于参数的敏感性和内在的随机性,进一步引入集成策略,给出了原型提取谱聚类的集成算法。 相似文献
3.
4.
高光谱遥感图像联合加权随机分类器的设计与应用 总被引:2,自引:0,他引:2
应用随机过程理论,提出一种针对决策融合的高光谱遥感图像自适应最小距离和K-means聚类的加权联合随机分类器设计方法.在ENVI/IDL平台上对上海市某地区的OMIS图像进行分类处理,与经典的聚类法相比,从目视判断还是从定量评价分析,它可提高约10%的总体分类精度. 相似文献
5.
6.
一种融合PSO和Isodata的遥感图像分割新方法 总被引:1,自引:0,他引:1
针对当前遥感图像分割方法存在的缺点,将人工智能领域的粒子群优化方法应用到遥感图像分割方面,提出了一种融合PSO和Isodata的遥感图像分割新方法。对不同分辨率遥感图像的分割实验结果表明,融合PSO和Isodata的遥感图像分割新方法能够自适应确定聚类数目,避免了聚类过程的随机性,使分割结果更加接近实际情况。 相似文献
7.
8.
9.
利用改进的FCM方法分割高分辨率遥感影像 总被引:1,自引:0,他引:1
传统的模糊C均值聚类算法进行图像分割时只考虑了图像的灰度特征,而忽略了图像中丰富的空间邻域信息,从而导致该算法对噪声很敏感,并得到错误的分割结果。提出两种利用空间信息改进的模糊C均值聚类算法分割高分辨率遥感影像,并通过大量试验验证其有效性,该算法可减少错误分类像素的数目,降低噪声的影响,提高分割结果的精度。 相似文献
10.
11.
《国土资源遥感》2017,(2)
遥感影像的变化检测从基于像素到面向对象,从阈值分割到相似性度量已有众多的研究成果;但在对面向对象遥感图像变化检测中,存在分割参数的选择、变化阈值的确定、对象变化程度的表达等问题。为此,提出一种基于相似度测度的面向对象遥感影像变化检测方法,并打破了以往仅以有/无变化的检测结果所呈现的表现形式。首先计算了图像对象分割的最优参数,得到了2个时相的图斑对象,并进行了空间叠加处理;然后利用KL相似度计算方法计算了图斑对象的相似度系数,利用直方图统计了该系数的自然聚类特征;再运用不同的自然聚类特征值,分级得到了图斑对象的变化程度;最后,分析了不同参数分割结果、不同分级方法对图像变化程度检测的影响,同时通过对比有/无变化的检测结果,验证了本研究所提方法的科学性和有效性。 相似文献
12.
13.
14.
针对传统的迭代条件模式(iterated conditional model,ICM)算法应用于遥感影像分割时容易出现离散斑块和孤立点的问题,提出了一种基于马尔科夫随机场(Markov random field,MRF)的改进ICM遥感影像分割算法。首先,在获取初始标记之前加入保边去噪效果良好的双边滤波器(bilateral filter,BF),用于遥感影像的预处理;并用多阈值最大类间方差法(Otsu)获取初始标记,以克服传统的初始标记获取算法中K-means聚类算法类别数不确定和算法复杂度不易控制以及错分现象明显等问题;然后,利用MRF描述像元的空间相关性,形成顾及上下文信息的ICM遥感影像分割算法。通过遥感影像数据分割实例验证,所提方法的分割精度优于传统的ICM算法。 相似文献
15.
16.
针对基于像元的非监督分类方法对高空间遥感影像分类时易形成“椒盐”噪声和产生大量错分、漏分的问题,提出了一种结合L0平滑和超像素的非监督分类方法.首先采用L0算法对高空间遥感影像进行平滑操作,减少大量图像噪声及冗余信息;然后采用简单的线性迭代聚类(SLIC)超像素方法处理平滑后图像,进一步抑制椒盐现象的同时降低处理复杂度,得到初始聚类图;最后采用K-means非监督分类方法得到最终分类结果图.为验证本文提出的方法,选取3景高空间遥感影像作为实验数据.试验结果表明,采用提出的方法能准确对地物分类,且总体精度分别达到了72.46%、77.55%和78.44%,Kappa系数分别达到0.788、0.779和0.779.提出方法能有效解决分类中存在的“椒盐”现象,可提高分类精度,对高空间遥感影像分类具有一定的参考价值. 相似文献
17.
无人机遥感影像林地单株立木信息提取 总被引:2,自引:1,他引:1
针对无人机遥感技术在提取单株立木信息的限制性问题,提出一种新的自动单株立木信息提取方法。对原始无人机影像进行光谱信息增强处理以突出局部细节特征;通过引入DBI指数自动化确定K-means聚类方法的最优聚类数目,进而对影像像素进行标记;通过利用高斯马尔可夫随机场模型进一步对影像进行分割;使用数学形态学算子等方法对分割结果进行后处理得到单株立木树冠信息,通过图像几何矩原理计算得到单株立木位置以作为其识别的依据。结果表明,应用该提取方法,油松林区和樟子松林区单株立木识别总体精度分别为89.52%和95.65%、单木树冠提取精度分别为81.90%和95.65%,均具有较好地适用性。该方法不需要大量的人工干预和先验知识的输入,大大提高提取方法的自动化程度。 相似文献
18.
19.
将遗传算法和蚁群算法组合对模糊聚类进行优化,巧妙地对图像的像素特征和空间特征进行提取,利用这些特征作为聚类依据,将图像的多个特征结合到智能计算中,充分利用了遗传算法和蚁群算法各自的优势和特点,既提高了图像分割的准确性,又加快了分割过程的速度。实验结果表明,遗传算法和蚁群组合算法优化的模糊聚类是一种性能良好的遥感图像分割方法。 相似文献
20.
为解决遥感影像分割中存在的不确定性问题和传统层次聚类算法中存在的时间复杂度高、缺乏可再分性等缺陷,基于云模型和期望最大聚类提出了一种新的遥感影像分割算法。该算法首先使用峰值法云变换从影像中抽取底层概念,然后通过EM算法对底层概念进行聚类,最后通过极大判别法完成遥感影像分割。实验证明,EM算法进行概念聚类能够快速地将概念分类为指定个数,并估计出高阶云概念的数学特征,相比于传统的基于云模型的遥感影像分割算法具有更好的分割效果。 相似文献