共查询到20条相似文献,搜索用时 46 毫秒
1.
2.
3.
为了提高建筑物震害信息提取的效率与准确度,针对震后高分辨率遥感影像,根据震害建筑物在遥感影像上的特征,以2010年海地MS7.0地震为例,通过尺度参数估计算法自动选择最优分割尺度对影像进行多尺度分割,并采用面向对象方法对海地高分辨率遥感影像进行建筑物震害信息提取,同时与基于像元的支持向量机、反向传播神经网络、基于分类回归算法的决策树分类方法进行比较。试验结果表明,面向对象的分类方法具有更好的目视效果和更高的分类精度,有利于地震后震害信息的准确提取和快速评估。 相似文献
4.
5.
6.
7.
随着遥感信息源的不断增加,多种遥感数据被用于详细判读建筑物的震害情况.为准确判读震害等级与建立震害自动识别模式,本文收集整理了汶川地震震区的震害遥感图像,通过目视判读、图像处理、统计分析,重点分析了各类震害建筑物在光学影像中的特征表现、在合成孔径雷达图像中的成像机理特征以及在激光雷达图像中的三维特征.在此基础上构建了建筑物简化模型,并联合光学影像和雷达图像对震害建筑物的影像特征剖面予以分析.结果显示:光学遥感图像色彩信息符合人眼色觉原理,具有较好的直观判读效果;合成孔径雷达图像能够记录地物侧面、表面的粗糙程度和角反射特点,信息量丰富但不直观;激光雷达图像能获取建筑物的三维信息,因此震害评估工作中需有效地综合利用多源遥感数据,才能实现最佳的判识效果. 相似文献
8.
9.
遥感影像识别方法是破坏性地震震后地质灾害快速、准确获取的重要方法之一,传统的遥感影像识别方法主要以人工目视识别方法和半自动识别方法为主,需投入大量的人力和时间。针对破坏性地震震后地质灾害解译时间长、投入人力多等问题,以2017年8月8日四川九寨沟7.0级地震震后高分辨率无人机遥感影像为研究样本,提出基于深度学习网络的地震地质灾害识别方法。首先结合震后遥感影像解译资料和现场调查资料,提取九寨沟地震地质灾害无人机遥感影像特征,并构建研究区地震地质灾害解译指标和分类数据集;然后采用DeepLabv3+网络结构及softmax损失函数,建立基于深度学习网络的地震地质灾害遥感影像图像语义分割模型方法;最后采用半监督学习方法进行结果验证。研究结果表明,基于深度学习网络的地震地质灾害识别方法可有效识别九寨沟地震地质灾害分布信息,整体分类识别准确率为94.22%,F1分数值为0.77,结果具有较好的一致性和准确性,可提升地震现场灾情获取和重点地震隐患识别等工作效率及服务能力。 相似文献
10.
高光谱遥感技术在建 (构) 筑物震害识别中的应用 总被引:1,自引:1,他引:0
高光谱遥感作为20世纪空间对地观测技术重大进步的产物,通过其较高的光谱分辨率,为人们提供了丰富的地球表面信息,在各个研究领域得到了快速发展和广泛应用,并取得了卓越的成果。尽管高光谱遥感具有独特的优势,但是针对其在震害评估领域中应用的相关研究较少。本文在总结高光谱遥感的特征、优势及不同领域应用现状的基础上,开展了其在震害评估领域的应用研究。基于ASD地物波谱仪获取的建(构)筑物光谱曲线构建可用于震害分析所需的光谱特征库,对比光谱库中地物曲线之间的差异后,发现高光谱遥感在震害评估领域中的应用是可行的,因不同震害地物之间的光谱特征曲线存在差异,依据这种差异可区分不同的震害信息,从而对震害遥感图像进行精细分类。 相似文献
11.
为克服传统生态环境监测周期长,可靠性差,精度低的局限性,提出利用多种对地观测技术及Google Earth 技术进行土地利用/覆被变化监测方法.即利用新近获取的遥感影像为信息源,以原有的遥感影像解译数据为基础,对新遥感影像进行土地利用/覆被变化解译,修改旧遥感解译数据库;利用Google Earth上具有的高分辨率遥感影像,在室内对解译过程中的不确定地物进行补判;利用手持GPS接收机在野外对解译结果进行核查,并更新数据库;利用GIS空间分析功能,提取出高精度土地利用/覆被变化信息.实验选取近年旱涝灾害严重的四川作为研究对象,研究结果表明利用多种对地观测技术及Google Earth技术可以有效的对土地利用/覆被变化进行动态监测,并对下一步研究方向进行了探讨. 相似文献
12.
选取平顶山平煤矿区附近区域作为研究区,使用无人机进行拍摄,以获悉矿区周边地物种类,补充辅助决策中的居民地、道路等信息,重点研究遥感影像的分析处理.为实现遥感影像分类并增强可视化效果,以无人机影像为源图像,分别采用无人机正射影像的主流处理软件Photoscan和Pix4d,完成图像的预处理及拼接,发现利用Pix4d软件进... 相似文献
13.
14.
基于面向对象的无监督分类的遥感影像自动分类方法 总被引:3,自引:0,他引:3
为了实现无任何先验知识的高分辨率遥感数据的自动分类,并进一步提高自动分类精度和效率,提出了一种基于面向对象的无监督分类方法(Object Oriented Unsupervised Classification).具体步骤如下:首先对遥感影像进行分割,得到一系列空间上相邻、同质性较好的分割单元,然后对分割单元进行特征提取,得到分割单元的对象特征(光谱特征、纹理特征等多特征信息),进而对分割单元进行基于对象特征马氏距离聚类.最后,通过分类后处理(类别合并、错分类别调整等)得到最终的分类结果.通过实验表明:本文提出的方法不仅能够利用影像中更多的特征信息进行聚类而且还可以有效地减少聚类对象的个数,从而使自动分类的精度和效率都得到较大的提升. 相似文献
15.
本文基于不同计算窗口大小的改进局部方差方法, 判定地震后遥感影像上的目标物, 如损毁建筑物、 完好建筑物的最佳空间尺度。 对航片、 QuickBird影像进行了系列实验分析, 得到了在QuickBird影像中城区完好建筑物最佳空间分辨率在2~3 m, 损毁建筑物最佳空间分辨率2~4 m, 航片中城区完好建筑物最佳空间分辨率为3~4 m。 最佳空间分辨率与目标地物的尺度紧密相关, 不同尺度大小的地物具有不同的最优空间尺度。 最佳空间尺度的选择在处理海量高空间分辨率影像时通过重采样选取最佳空间分辨率, 可以有效减少图像运算时间, 在地震灾害快速评估中具有一定的应用意义。 相似文献
16.
17.
基于传统面向对象方法, 提出了一种基于最优特征空间的损毁建筑物信息提取方法。 采用ESP(Estimate of Scale Parameter)工具对图像进行最优尺度分割, 之后通过选取样本, 计算各类地物距离矩阵和最小分离距离寻求最优特征空间, 最后运用最优特征空间对震后损毁建筑物影像进行提取实验, 在QuickBird影像中提取总体精度达到了83.1%, Kappa系数达到了0.813, 在无人机影像中提取总体精度为92.9%, Kappa系数达到了0.940。 本文建立的提取方法与传统分类决策树方法相比, 其提取精度和效率都有较大提高, 在损毁建筑物信息提取方面具有较好的推广价值。 相似文献
18.
19.
层位追踪是地震资料解释中基础且重要的工作.传统的层位追踪主要依靠人的主观性判断,是一项既要求专业知识经验,同时又费时费力的环节,为此本文提出了一种基于图像语义分割技术的层位自动追踪方法.图像语义分割是像素级别的分类技术,我们将地震剖面中的层位看作图像中的一个语义类别,借助分割网络进行层位的分类与追踪.本文选择了改进的Dense-UNet神经网络作为分割算法,该网络强调对特征的传递和复用,同时避免了梯度消失的问题,能够很好适应地震数据的分割任务.首先以实际地震数据制作实验所用数据集,应用数据扩充方法增大训练样本数量,再借助改进的Dense-UNet神经网络训练出最优的追踪模型,通过测试集在最优模型上的表现来评价追踪的效果.实验结果表明,改进的Dense-UNet网络能够准确且快速的自动完成层位追踪任务,验证了该方法的可行性和有效性. 相似文献