共查询到17条相似文献，搜索用时 468 毫秒
1.
随着遥感影像分辨率的不断提高,基于高分辨率影像采用图像分割技术获取单木树冠成为一种重要方法。为了获取单木树冠,选取林区高分辨率的无人机影像为数据源,采用迭代式阈值法、最大类间方差法和分水岭分割法三种常见的阈值分割方法进行分割对比研究,并从图像处理时间和单个树冠匹配率两个方面进行精度评价,结果表明:分水岭分割法在处理时间上优于迭代式阈值分割法,在单个树冠匹配率上也显著高于其他两种方法;综合两个方面的评价指标表明分水岭的分割效果更好。 相似文献
2.
面向对象的退耕还林造林效果遥感特征提取技术研究 总被引：3，自引：0，他引：3
以河北省张家口市2002年的退耕还林地为研究对象,以高空间分辨率(以下简称高分辨率)遥感(Quick-bird-快鸟,分辨率0.6m)为信息载体。运用严格的传感器物理模型对快鸟预正射影像进行正射处理,采用Median滤波、Gaussian滤波和均值滤波三种滤波技术对图像进行增强处理。采用面向对象的图像信息提取技术,提取退耕还林地树冠特征值,进而计算退耕还林造林保存率。研究结果表明:由遥感数据自动提取的树冠尺寸(直径)在1.2m以上,平均保存率为85.11%,精度达到了89.837%。 相似文献
3.
面向对象分类方法在森林采伐遥感监测中的应用 总被引：1，自引：0，他引：1
《中南林业科技大学学报(自然科学版)》2010,(11)
利用多尺度分割技术和面向对象分类方法对SPOT5遥感数据进行土地的分类及森林采伐信息提取。在面向对象的图像分析中,采用图像分割——基于规则的分类——基于分类的分割的多尺度分割方法,在综合最优分割尺度下,用最邻近分类器对SPOT5影像进行分类;采用两期图像特征比较,提取森林采伐区信息,并结合二类调查成果和伐区设计资料,使用交互式补充判读和修正。结果显示:研究区各地类的分类精度都在85%以上,对森林采伐图斑判读的加权综合正判率达到90.8%,其中皆伐图斑个数正判率92.8%,非皆伐图斑个数正判率83.3%。利用多期高分辨率遥感图像可以进行森林采伐监测,研究结果为提高森林采伐限额监测效率、采伐区识别准确度和面积估算精度提供了有效途径。 相似文献
4.
面向对象的SPOT5图像森林分类 总被引：1，自引：1，他引：0
为改善SPOTS图像森林分类精度,采用面向对象的图像分析方法,对图像分割、对象特征提取与筛选、多分类器分类与结合进行探索,采用大尺度分割-基于规则的分类-基于分类的分割-分区控制-底层分类-逐层向上合并的技术路线,试验了最小距离、马氏距离、Bayes、模糊分类和支持向量机5个分类器.结果表明:在森林分布破碎、类型和种类多样、结构复杂的南方人工林区,总体分类精度最高的Bayes分类器,对以龄组为基础包含22个类型的第3级分类的总体精度达到了79.38%,以树种为基础包含15个类型的第2级分类的总体精度达到了81.82%,以森林类型为基础包含9个类型的第1级分类的总体精度达到了86.33%.在景观复杂地区的森林分层分类中,由底层分类开始、逐层向上合并的方法,效果比由顶层分类开始、逐层往下分类的方法更好.ETM+作为辅助数据,较大程度地提高了SPOT5图像的分类精度,但ETM+图像不能实质性参与分割过程,只能用于提取对象特征,否则会导致对象同质性差、特征变异,降低分类精度. 相似文献
5.
《林业科学》2017,(2)
【目的】针对森林资源遥感监测效果往往受森林类型识别分类方法的影响,提出一种基于元胞自动机的遥感影像森林类型分类方法,以提高Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。【方法】以小兴安岭带岭林业经营管理局为研究区,基于2010年Landsat5-TM影像数据和2012年森林资源二类调查数据,采用窗口法获取TM第5波段各待分类别的像元均值作为聚类中心,以元胞自动机的Moore模型为框架,以元胞为基本单位,以像元均值为对象,利用最小距离法求取进化规则(判断准则是中心元胞周围的8个元胞距每类聚类中心的距离最近且像元数量最多,则中心元胞属于该类别),充分考虑影像及地物之间的空间特征,采用元胞自动机分类方法进行森林类型的识别分类。同时,以相同的样本数,采用3层BP神经网络模型对TM遥感影像进行分类试验,并比较2种方法的分类效果。【结果】基于元胞自动机的分类方法总体分类精度为88.712 1%,Kappa系数为0.829 1,针叶林、阔叶林和针阔混交林的用户精度分别为73.60%,92.94%和94.13%,达到了区分针叶林、阔叶林和针阔混交林的分类目的。BP神经网络算法的总体分类精度为86.671 3%,Kappa系数为0.798 4,针叶林、阔叶林和针阔混交林的用户精度分别为69.22%,93.37%和90.76%。2种分类方法均可有效识别森林类型信息。【结论】元胞自动机模型应用于遥感影像森林类型识别分类可弥补因TM影像空间分辨率较低造成的遥感影像分类精度过低的问题,提高分类精度。在森林分布破碎、种类类型多样且结构复杂的带岭林区,该研究结果有助于森林资源监测与管理,可为大区域尺度的森林动态信息监测提供更好的数据及技术支持。 相似文献
6.
7.
基于高光谱数据(Hyperion)混合像元分解的研究 总被引：1，自引：0，他引：1
本文以高光谱(Hyperion)数据为数据源,借助遥感手段对数据进行坏线修复、大气校正和几何校正等处理,通过有约束条件和无约束条件线性混合模型对像元对研究区域进行分类研究.研究结果表明:无约束条件和有约束条件进行混合像元的分类精度分别为90.1%和90.4%,两者的分类精度相差不是太大;就裸地而言,有约束条件的线性像元混合分解的精度要远高于无约束条件;从冗余的数据中提取有用信息和如何利用高光谱遥感的今后遥感图像分类研究的难点和热点. 相似文献
8.
《林业科学》2016,(9)
【目的】提出一种基于Relief F特征优选的面向对象分类方法,为解决面向对象森林资源遥感分类提供参考。【方法】以SPOT5高分辨率遥感影像为数据源,以浙江省安吉县山川乡为研究区,通过影像分割,选取8个地物类别的370个对象样本,并设置SPOT5影像每个波段的8个灰度共生矩阵纹理、每个波段及NDVI的平均值和标准差等42个对象特征。利用Relief F算法对设置的42个对象特征进行优选,采用面向对象的最近邻方法提取研究区毛竹林分布信息。为了比较基于最优特征的面向对象的分类结果,另采用CART决策树方法在相同的分割参数和训练样本前提下,通过样本构建决策树分类规则,对研究区进行分类并提取竹林信息。【结果】1)通过Relief F特征优选方法对分类特征进行优选,大幅提高了毛竹林样本的分类精度,与特征优选前相比,毛竹林样本分类精度由68%提高到88%,优选的红波段均值、绿波段均值、红波段均质纹理、红波段熵纹理和NDVI植被指数均值5个特征能够精确地提取研究区毛竹林分布信息,其用户精度和生产者精度分别达到97%和95%;2)基于CART决策树面向对象的研究区毛竹林用户精度和生产者精度均低于基于最优特征的最近邻分类结果,主要原因是CART决策树中毛竹林、针叶林和阔叶林之间的误分相对较高。【结论】Relief F算法特征优选时注重特征的分类能力,筛选的特征参与面向对象分割提取的毛竹林分布信息高于同类研究,可为面向对象多尺度分割森林资源遥感分类时特征的选取提供一个更为科学合理的方法。 相似文献
9.
10.
基于航空正射影像的面向对象林隙识别 总被引：3，自引：0，他引：3
【目的】研究分割尺度及对象特征对航空正射影像面向对象林隙识别的影响,评价基于航空正射影像林隙识别适宜性。【方法】以真彩色航空正射影像为基础数据,采用面向对象分类方法,以东北典型天然次生林帽儿山实验林场东林施业区为试验区进行林隙识别。在面向对象分类过程中,对航空正射影像的3个分量(Blue、Green和Red)采用10种尺度(10～100,步长为10)进行分割,应用拓扑组合准确度(R_(A(or))和R_(A(os)))和位置准确度(D_(sr))评价分割结果。对每种尺度分割结果,应用航空正射影像的光谱及光谱+纹理结合特征,采用带有线性核的支持向量机(SVM)分类器进行林隙、非林隙和树冠分类,共获得20种分类结果。利用混淆矩阵计算的生产者精度、用户精度、分类总精度和Kappa系数4个评价指标对分类结果进行精度评价。【结果】对象特征(大小和形状)受尺度参数影响,小尺度分割产生小面积对象,大尺度分割产生大面积对象,但大尺度不能有效将明显的林隙从冠层中分离出来,存在明显分割不足的现象。拓扑组合准确度(R_(A(or))和R_(A(os)))和位置准确度(D_(sr))说明与参考对象最相似的分割对象结果是在尺度20时获得的分割结果(R_(A(or))和R_(A(os))较大且接近,D_(sr)较小)。光谱及光谱+纹理结合特征分类方案分类总精度具有相似的变化特征,即小尺度分类总精度较低,随着尺度增大,分类总精度也再提高并在某个尺度达到最大值,之后分类总精度随尺度增大而降低,并趋于平稳。光谱+纹理结合特征的分类总精度低于仅使用光谱特征的分类总精度,在中小尺度上尤其明显。在尺度参数为20时使用光谱+纹理结合特征分类总精度低19个百分点,在尺度参数为30时低13个百分点。基于航空正射影像分割最优尺度参数为20。【结论】基于航空正射影像进行林隙识别,最高精度仅为74%(Kappa=61%),林隙生产者和用户精度在60%以上,非林隙生产者和用户精度在90%左右。基于航空正射影像林隙识别纹理特征的加入还将继续降低识别精度。 相似文献
11.
12.
为了提高高分辨率遥感数据的应用价值,通过采用影像分割和多尺度分割最优尺度确定等方法,开展了从高分辨率遥感影像中提取地物信息技术的研究。结果表明:水体、植被、居住用地、道路和裸地最大面积分割尺度参数分别为200、180、80、120和100时,提取的地物信息比较准确,可以在生产实践中应用。 相似文献
13.
14.
【目的】针对现有图像处理方法分割立木精度低的问题,提出一种基于改进ResNet-UNet的立木图像分割方法,实现对图像中立木的精确分割。【方法】将拍摄得到的立木图像输入ResNet-UNet深度学习融合网络模型,初步得到较精确的立木分割图;结合自制的后期处理方法对该分割图进行优化处理,准确分割出立木形状。ResNet-UNet模型充分利用了像素之间的语义关联,以ResNet-34残差模块作为ResNet-UNet网络特征提取的基本单位;以U-Net网络的设计思路对图像进行上采样,以实现分辨率还原。去除ResNet-34网络的平均池化和全连接层,改变U-Net网络模型的特征通道数,形成ResNet-UNet网络模型。结合使用Adam一阶优化算法和dice bce loss损失函数实现了立木图像的初步分割。在后期处理阶段设定动态阈值得到前景和背景,避免了使用固定阈值对立木图像的高质量要求。运用强化学习中评分惩奖的思想,对前景和背景分配像素估计值,将该值和模型训练不同次数时的损失率输入惩罚-奖励机制,从而减轻分割结果对预测最终结果的过度依赖,降低网络过拟合对分割精确度的干扰。【结果】经验证,在自然环境、不同光照条件下分割不同品种的立木,平均误分率较传统的ResNet-UNet方法降低了3.5%,假阴率和假阳率较graph cut方法都降低了20%。【结论】使用ResNetUNet方法分割立木具有较高的精确度和较强的鲁棒性。 相似文献
15.
16.
17.
为了提高松材线虫病树的监测效率,减少其对林业生产造成的损失,利用在高分辨率遥感影像上提取松材线虫病树的光谱特征、空间特征等多特征,然后进行Relief特征选择算法,提取的合适特征为归一化植被指数NDVI(Normalized Vegetation Index)、差值植被指数DVI(Difference Vegetation Index)、OHTA颜色模型作为病树与非病树的光谱特征,对目标影像进行自动筛选,得到疑似病树像元。运用DBscan空间聚类算法对疑似病树像元进行聚类,并以周围一定范围内有一定数量的健康树像元为空间分布参考,对拍摄地点30°1′N/111°43′E附近、分辨率为0.1 m的3幅高分辨率遥感影像筛选病树。自动筛选耗时分别是人工筛选的43.99%、51.08%和46.62%,相对于人工筛选的数量准确度分别为79.37%、77.85%和82.56%。结果表明:采用光谱特征与空间特征相结合的方法在高分辨率遥感影像上识别松材线虫病树识别效率更高。 相似文献