共查询到17条相似文献，搜索用时 468 毫秒
1.
2.
提出一种结合Beltrami流滤波和域转换递归滤波的高光谱图像分类算法(BFRF-SVM)。分别利用Beltrami流对主成分分析(PCA)降维后的高光谱图像滤波方法和域转换递归滤波方法对全光谱波段进行滤波,两种空间信息进行线性融合后交由支持向量机(SVM)完成分类。实验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法,以及边缘保持滤波和递归滤波以及形态学滤波特征方法,本文提出的BFRF-SVM方法对高光谱图像的分类精度有较大提高,验证了该方法的有效性。 相似文献
3.
面向空间自相关信息的高光谱图像分类方法 总被引：1，自引：0，他引：1
空间滤波器在提取高光谱图像纹理信息过程中容易丢失空间自相关信息,导致植被分类精度不高。针对当前方法的不足,提出一种空间自相关信息的高光谱图像分类算法(Classification of hyperspectral image based on spatial autocorrelation information,CHISCI)。该方法先用域转换线性插值卷积滤波(Domain transform filter of interpolated convolution,DTFOIC)对高光谱全波段图像提取空间自相关信息,然后对高光谱数据进行主成分分析(Principal component analysis,PCA)降维后的前部分主成分提取空间自相关信息,两种空间自相关信息线性融合后交由支持向量机(Support vector machine,SVM)完成分类。试验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法和边缘保持滤波以及递归滤波的方法,所提出的CHISCI方法对高光谱图像的植被分类精度有较大提高,在训练样本仅为6%和1%的情况下,对印第安农林和萨里斯山谷数据集分类的总体分类精度分别达到96.16%和98.67%,比其他算法高出2~16个百分点,验证了该方法的有效性。 相似文献
4.
基于光谱解混的城市地物分类研究 总被引：1，自引：0，他引：1
高光谱遥感信息提取面临的突出问题是混合像元的广泛存在,如何有效地解译混合像元是高光谱遥感应用的关键问题。混合像元不仅影响地物的识别和分类精度,而且是遥感技术向定量化发展的重要障碍,混合像元分解是解决混合像元问题最有效的方法,能够克服高光谱图像空间分辨率的限制。针对传统混合像元分解算法的缺点,基于优化的候选端元判断方法及端元提取的并行设计方法,提出了一种优化的混合像元分解方法,实现了光谱特征信息和空间特征信息的有机融合。通过模拟高光谱数据和真实遥感图像进行仿真研究,实验结果表明,该方法能得到精确的端元和对应的丰度,获得较好的解混效果,为城市地物分类提供了有力支持。 相似文献
5.
[目的/意义]油菜菌核病是一种全球性的植物病害,可严重影响油菜的产量和品质,造成巨大的经济损失。为解决传统化学检测方法存在的操作复杂、污染环境、破坏样品及检测效率低等问题,构建了一种基于空-谱信息融合的双向门控循环网络(Bi-directional Gate Recurrent Unit,Bi-GRU)模型,实现油菜菌核病侵染区域的高光谱图像分割。[方法]首先提取7×7像素邻域作为目标像素的空间特征,同时考虑全波段光谱特征,实现空间信息和光谱信息的有效融合。在此基础上结合Bi-GRU架构,实现序列数据中任意位置上特征的同时提取,避免了空-谱数据融合顺序对模型结果的影响。[结果和讨论]与卷积神经网络模型和长短时记忆网络模型相比,基于空-谱信息融合的Bi-GRU模型在平均精度、平均交并比、Kappa系数和Dice系数等评价指标上均获得显著提升。该模型的油菜菌核病检测平均精度达到93.7%,同时可以有效提取早期感染阶段的病斑区域。[结论]本研究可为油菜菌核病的高通量无损检测奠定基础,也为油菜菌核病的早期感染检测提供参考依据。 相似文献
6.
在有限标记样本下,为了有效协同空谱信息提高高光谱图像的分类性能,提出了一种基于自适应字典的小样本高光谱图像分类方法。首先,对高光谱图像进行熵率超像素分割,分析标记样本的超像素区域和光谱近邻,将鉴别力高的样本扩展至标记样本集;然后,在扩展的标记样本集上分析测试样本的空谱信息,对不同的测试样本精简标记样本集,形成自适应字典;最后,在自适应字典上,协同空谱信息重构测试样本,在协同表示中同时考虑重构字典中空谱信息的竞争性。实验结果表明,对比传统的基于光谱的方法和固定窗口尺寸下融合空谱特征的高光谱图像分类方法,在印地安农林数据集上,当训练样本数目仅为样本集数目2%时,本文方法总体分类精度为91.45%,比其他方法高3.48~39.52个百分点;在训练样本数为1%的帕维亚大学数据集上,该方法的总体分类精度达到95.54%,比其他方法高2.45~21.63个百分点,验证了本文方法的有效性。 相似文献
7.
基于随机森林算法的农耕区土地利用分类研究 总被引：15，自引：0，他引：15
基于随机森林算法,采用多季节、多时相光谱信息、纹理信息和地形信息进行分类研究,选出最佳分类方案对农耕区土地利用信息进行提取,并利用随机森林算法对所有特征变量进行降维,将降维后的变量分别用于随机森林、支持向量机和最大似然分类法,分析不同分类方法对农耕区土地利用类型提取的适用性。研究结果表明:基于随机森林算法的多源信息综合分类方案进行土地利用信息提取效果最佳,总体精度85.54%,Kappa系数0.835 9;利用随机森林算法进行特征选择可以在有效降低数据维度的同时保证分类精度;3种分类方法中,随机森林算法总体分类精度81.08%,分别较支持向量机和最大似然法高9.46%和5.27%。利用随机森林分类法结合多源信息能够有效对农耕区土地利用类型进行分类,为土地类型的划分提供了快捷可行的方法。 相似文献
8.
基于邻域粗糙集和高光谱散射图像的苹果粉质化检测 总被引：1，自引：0，他引：1
研究了基于邻域粗糙集理论的高光谱散射图像苹果粉质化无损检测方法。以576幅波长范围为600~1000nm的苹果高光谱数据为研究对象,利用邻域粗糙集模型对81个原始波段进行选择,从中选择出最优波长子集;利用支持向量机建立分类模型,随机选择526个样本作为训练集,其余50个样本作为测试集,重复仿真10次验证分类能力。仿真结果表明邻域粗糙集能够得到充分表述粉质化程度的14个最优波长,测试模型的平均精度为75%,高于全波长模型的71%和采用主成分分析法的74%。 相似文献
9.
针对任意放置姿态下的轻微绿皮马铃薯难以检测的问题,进行了半透射与反射高光谱成像方式的不同检测方法比较研究,最终确定较优高光谱成像方式的检测方法。分别以半透射与反射高光谱成像方式对图像维提取RGB、HSV和Lab空间颜色信息,并采用等距映射、最大方差展开、拉普拉斯特征映射进行图像信息降维;分别以半透射与反射高光谱成像方式对光谱维提取感兴趣区域的平均光谱数据,并采用局部保持投影、局部切空间排列、局部线性协调进行光谱信息降维;然后分别建立不同高光谱成像方式下的图像与光谱信息的深度信念网络模型;对识别率良好的模型采用多源信息融合技术进一步优化,并建立基于图像和光谱融合或不同成像方式融合的模型。结果表明,基于半透射和反射高光谱的光谱信息融合模型最优,校正集和测试集识别率均达到100%,可实现轻微绿皮马铃薯的无损检测。 相似文献
10.
基于资源一号02C高分辨率数据的农业区土地利用分类 总被引：3，自引：0，他引：3
利用最小二乘支持向量机良好的非线性划分能力,基于资源一号02C高分辨率遥感数据,结合图像形状、纹理特征等信息,对农业区土地利用类型进行快速分类提取,结果表明:资源一号02C高分辨率数据可以快速有效地实现土地类型划分,加入特征信息后的图像分类精度大幅度提高,而最小二乘支持向量机的分类结果也十分理想,总体分类精度达到82.53%,Kappa系数达到0.807 1,高于传统图像分类方法,为利用国产高分辨率卫星进行土地类型划分提供了快速可行的方法。 相似文献
11.
为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。 相似文献
12.
植被分类是高光谱影像分类中的特定应用问题，光谱特征和空间特征是植被分类中常用的两类特征，比较这两类特征的性能，对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（PCA）提取光谱特征时，常选择前几个主成分（PCs）作为光谱特征，虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率，针对这一问题本研究提出了一种混合特征提取方法，对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像，从分类精度的角度，首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析（ICA）及线性判别分析（LDA）3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率，分别为82.7%和86.5%。与原始PCA相比，本研究提出的混合特征提取方法的总体分类正确率，在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中，总体上空间特征获得的分类正确率比光谱特征高，特别是Gabor特征，在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。 相似文献
13.
为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于Quick Bird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法。该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别。研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99%和96.16%,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点。在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高。最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98%。 相似文献
14.
探讨了基于多端元混合像元分解(Multiple endmember spectral mixture analysis,MESMA)和随机森林(Random forest,RF)相结合的土地利用信息分类提取方法。以Landsat-8 OLI卫星遥感影像为主要数据,基于植被-不透水面-裸土(Vegetation-impervious surface-soil,VIS)模型,利用MESMA将影像分解为植被、不透水面和裸土3类组分,将生成的3类组分变量和基于光谱、纹理信息计算选取的20个特征变量组合后开展RF分类实验,将分类结果与相同特征变量下的支持向量机(Support vector machine,SVM)、最大似然(Maximum likelihood classification,MLC)分类结果进行比较分析。结果表明:MESMA可以获得较为精确的组分丰度信息;RF分类结果优于相同特征变量下的SVM和MLC分类结果;在MESMA生成的组分信息变量参与分类后,3种方法的分类精度均有所改善,分别达90.50%、88.85%、86.35%,其中RF的分类精度改善最为显著;MESMA与线性混合分解(Linear spectral mixture analysis,LSMA)生成的组分信息变量相比,前者对于改善分类精度效果更为明显。MESMA对于提高影像分类精度起到一定积极作用,基于MESMA和RF的方法对中等空间分辨率影像山丘区土地利用信息分类提取精度较高,利用该方法开展遥感影像解译可为大尺度的土地利用监测和管理工作提供技术支持和理论参考。 相似文献
15.
在离散小波变换特征提取算法基础上,结合有机物近红外谱区倍频中心近似位置,提出一种分段离散小波变换特征提取的方法。以4类农药残留水平(重度超标、中度超标、轻微超标、低于国标)生菜为研究对象,通过透射电镜对生菜叶片微观结构进行检测,并利用近红外高光谱成像仪采集生菜样本的高光谱图像。在生菜高光谱图像中选取感兴趣区域并提取该区域的平均光谱,依据常见基团主要中心近似位置对平均光谱进行有效分段,以sym5为小波基函数,依次对每段光谱数据进行小波变换分解。通过每段不同层次高频小波系数曲线的奇异值分析,来获取光谱特征波段。为了便于判断特征提取波段的优劣,提出初步评估参数契合度,并结合支持向量机分类准确率进一步评估提取特征波段。试验结果表明:随着农药残留浓度的增加,生菜叶片内部嗜锇颗粒数量变多,而淀粉颗粒变少,细胞间隙逐渐变大。不同浓度农药残留的生菜叶片内部细胞排列结构方式和组织结构存在差异,从而使不同浓度农药残留的生菜近红外光谱具有一定的差异性。与离散小波变换特征提取算法相比,分段离散小波变换具有较高的预测分类准确率。分段数取值为4时,取得最佳的契合度、校正集、交叉验证集与预测集准确率分别为75%、95%、92.86%和90.63%。分段离散小波变换结合契合度参数评估,能有效提高光谱特征提取波段可靠性,为快速、准确地无损检测生菜农药残留提供了一种新方法。 相似文献
16.
为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练... 相似文献
17.
基于低秩自动编码器及高光谱图像的茶叶品种鉴别 总被引：3，自引：0，他引：3
提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。 相似文献