排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
在利用近地表遥感探测方法对地表信息进行反演时,地表状态的不同会导致电磁波传播方式不同,进而决定了所采取的遥感探测方式、探测波长及探测手段的不同。因此,地表状态的识别是进行近地表遥感反演的前提和基础,其识别的准确率也决定了反演结果的准确度。本文提供了一种改进LBP(local binary pattern)和HSV颜色直方图相结合的地表状态识别算法,通过改进阈值的LBP算法和HSV颜色直方图提取特征向量并建立判别条件,最后利用K邻近算法对测试样本与训练样本进行特征匹配,得到识别结果。将野外采集的411张图片多粗随机分组为训练样本和测试样本,结果表明206张测试样本的分类正确率都达98.7%以上,证明了本文算法的有效性。 相似文献
2.
基于对象直方图G统计量的遥感影像道路提取 总被引:1,自引:0,他引:1
提出了一种基于对象直方图G统计量的遥感影像道路提取方法。首先基于标记分水岭算法分割高分辨率遥感影像获取对象像斑,提取对象光谱特征并利用SVM从影像中分离出光谱相似的建成区(道路、建筑物等);然后从建成区选择合适的对象作为训练样本,采用G统计量度量测试样本与训练样本的LBP纹理直方图距离,以表达对象纹理特征的异质性,并利用最小距离分类器完成建成区内道路与建筑物等的分离;最后结合几何形状特征和数学形态学处理对提取的道路进行优化,获得最终的道路提取结果。试验结果表明:该方法能较好地提取出道路信息。 相似文献
3.
卷积神经网络CNN(Convolutional Neural Networks)具有强大的特征提取能力,应用于高光谱图像特征提取取得了良好的效果,双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征,并实现了特征的决策级融合。局部二值模式LBP(Local Binary Patterns)是一种简单但有效的空间特征描述算子,能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力,提出一种双通道CNN和LBP相结合的高光谱图像分类方法,首先,采用1维CNN(1D-CNN)模型处理原始高光谱数据提取深层光谱特征,同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征,然后,将两个CNN模型的全连接层进行连接,实现深层光谱特征和空间特征的融合,并将融合特征输入到分类层中完成分类。实验结果表明,该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度,甚至在有限数量的训练样本条件下也能取得较好的分类效果。 相似文献
4.
一种改进顶帽变换与LBP高程纹理的城区建筑物提取算法 总被引:1,自引:1,他引:0
利用LiDAR数据的建筑物提取存在植被点与建筑物点难以区分的问题,利用航空影像进行城区建筑物提取则无法有效剔除阴影区域植被。本文融合LiDAR和航空影像两种数据源,提出了改进顶帽变换及局部二进制模式(LBP)高程纹理分析的建筑物提取算法。首先将LiDAR数据进行规则格网化,通过改进顶帽变换提取地面数据点,然后根据航空影像计算归一化差值植被指数(NDVI)值进行植被粗提取,计算LBP高程纹理,精细区分植被点与建筑物点,最后利用形态学操作填充建筑物孔洞,以检测出的建筑物点为种子点进行区域生长,得到完整的建筑物点集合。试验基于ISPRS提供的Vaihingen数据集中复杂多植被城区场景,试验结果表明,本文算法能够有效区分植被与建筑物,实现建筑物准确提取。 相似文献
5.
1