共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
5.
决策树分类方法是一种基于空间数据挖掘来获得分类规则的方法,能够融入影像以外的各种知识,有效地将各种用于植被、水体和土地的分类知识以及空间纹理信息结合起来[1],本文尝试基于决策树分类方法之上,结合光谱特征提取值和纹理信息特征提取值对Landsat5 TM影像进行分类,寻找提高土地分类的精度和准确性的方法。 相似文献
6.
森林类型识别是森林资源遥感监测的基础工作,低分辨率遥感影像缺少纹理细节信息,高分辨率遥感影像不仅具有光谱信息,而且提供丰富的空间、纹理特征信息,因此基于高分辨率遥感影像的纹理特征进行森林内部信息的提取成为近年研究的热点及难点,传统基于单个象元纯光谱及面向对象建立规则集的方法难以有效区分天然林与人工林植被覆盖信息.本文利用面向对象多尺度分割算法、Sobel算子边缘检测及骨架线提取等方法,提取天然林与人工林的纹理线特征,构建了一种新的特征指数——纹理线条密度指数(TLDI).研究表明:与常用的NDVI、SAVI、EVI等植被特征及VAR、HOMO、CON等GLCM纹理特征指数相比,TLDI指数的离散度更好、分类效果更佳;当TLDI>0.1时,为天然林植被覆盖区;当0<TLDI<0.1时,为人工林植被覆盖区.典型区域的实验表明,除极少数稀疏天然林对象斑块错分人工林,总体分类精度较高,人工林错分率小于0.83%,面向对象的TLDI指数可以有效地提取森林内部天然林与人工林植被覆盖信息. 相似文献
7.
积雪面积是融雪径流模型中变量数据输入之一,准确的获取雪盖范围是进行流域尺度融雪水文过程研究的关键,在水资源管理及洪水预报中具有重要意义.本文以天山山区中段为例,利用MODIS数据,提出了结合混合光谱分解的积雪分量及灰度共生矩阵提取的纹理特征的SVM分类方法,对研究区积雪面积信息提取进行了研究.结果表明:通过利用混合光谱分解的积雪分量作为SVM的特征输入,总体分类精度比传统SVM分类结果有了一些提高.同时考虑结合基于灰度共生矩阵提取的纹理特征用于分类中,总体精度比传统SVM方法提高了1.081%,制图精度达到了99.01%.本文提出的分类方法能够适应特征组合之间的非线性关系,从而能提供更多的区域地物空间分布信息,能够调整无样本地表类型地区的积雪面积反演,对今后的融雪水文过程研究有重要意义. 相似文献
8.
基于Sentinel-2A影像特征优选的随机森林土地覆盖分类 总被引:10,自引:0,他引:10
《资源科学》2019,(5)
中南半岛地处热带、亚热带地区,由于水热条件适宜,植被生长旺盛,土地利用强度高,地表覆盖类型的光谱特征时空变异复杂,使用传统的基于光谱特征的遥感分类精度难以保证。Sentinel-2A卫星遥感数据具有较丰富的光谱波段和较高的空间分辨率,为土地覆盖遥感分类提供了多维特征空间。但多维特征参与分类容易造成信息冗余,从而导致分类速度和精度降低。因此,如何充分利用Sentinel-2A数据丰富的光谱和空间信息,并通过高维特征空间降维进行特征优选对于提高分类精度具有重要意义。本文以中南半岛典型地区土地覆盖分类为例,利用Sentinel-2A多波段光谱特征,归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)、归一化水体指数(NDWI)等指数特征以及对比度、相关性、能量、均值、熵等纹理特征,在随机森林模型框架下,采用平均不纯度减少方法对不同特征在土地覆盖分类中的重要程度进行识别;利用袋外(OOB)误差方法,对重要特征组合进行了优选;利用优选特征进行随机森林土地覆盖分类,并与原始随机森林分类结果进行对比。结果表明:Sentinel-2A影像的光谱特征和纹理特征在土地覆盖分类中具有较为重要的作用,光谱特征中短波红外、可见光、植被红边波段重要性较大,纹理特征中均值、能量法重要性较高。选择重要性列前9位的特征参与分类时,OOB精度达到最高;继续增加特征会使模型复杂度过高,容易发生过拟合而使得分类精度不增反降。通过特征优选高效利用了Sentinel-2A丰富的光谱和纹理信息,其总体分类精度达87.53%,Kappa系数达0.8461,优于原始随机森林方法,一定程度上提高了热带亚热带地区复杂土地覆盖分类精度。 相似文献
9.
《黑龙江科技信息》2019,(33)
针对利用传统方法高分辨率影像中冬小麦空间分布的提取精度较低的问题,本研究利用CNN-Bayesian(卷积-贝叶斯)模型逐像素分类模型,在高分2号影像上进行了训练和测试。以章丘县为研究区域,首先对下载的32景遥感影像进行预处理,然后根据实地调查获取的样点,进行人工标注制作样本数据,得到训练数据集。并对CNN-Bayesian模型进行构建,定义好初始函数,创建权重和偏置,输入训练集进行模型训练。然后输入测试集,通过CNN-Bayesian模型得到冬小麦的空间分布信息。最后选择经典的图像语义分割模型进行对比实验,以及通过准确度、精确度、查全率、Kappa系数四个指标进行精度定量评价。实验结果表明,与其他模型相比,CNN-Bayesian模型具有较好的识别率,其整体精度为0.946。因此,利用CNN-Bayesia模型可以获得较高的提取精度。 相似文献