简介:Curvelet变换用于影像融合能有效保持影像的光谱信息,利于提取影像不同尺度、不同方向的细节特征。为检测Curvelet变换对影像分类的影响,文章首先采用PCA方法、Curvelet变换方法对IKONOS影像进行融合;然后对原多光谱影像和融合影像进行监督分类,分类时采用相同的训练样本;最后运用多种参数对结果进行目视、定量评价。总体结果显示:基于Curvelet变换的融合影像各波段的信息熵以及与原影像的平均结构相似性程度均高于基于PCA的融合影像,原多光谱影像、基于PCA的融合影像和基于Curvelet变换的融合影像的总体分类精度分别为:77.27%、70.00%和80.09%,其中基于Curvelet变换的分类影像的地物边缘光滑度最高。
简介:摘要:本文针对遥感影像的图像分类与地物识别问题展开研究,提出了一种基于深度学习算法的新型解决方案。首先,采用卷积神经网络(CNN)对遥感影像进行特征提取与学习,提高了图像分类的准确性和效率。其次,引入了多尺度和多模态数据融合技术,进一步提升了地物识别的精度和鲁棒性。实验结果表明,所提出的算法在遥感影像分类与地物识别任务上取得了优异的性能,具有较强的实用性与推广价值。
简介:摘要:本研究旨在探索在测绘工程领域中应用深度学习技术进行遥感影像分类的方法。通过收集大量的遥感影像数据,结合深度学习算法,构建了一个高效的分类模型。首先,采用卷积神经网络(CNN)对遥感影像进行特征提取和学习,然后利用池化和全连接层进行分类识别。实验结果表明,该方法在不同地区和不同场景的遥感影像分类中表现出良好的准确性和泛化能力,为测绘工程领域的遥感应用提供了一种有效的分类方法。
简介:摘要:土地是人类赖以生存和发展的物质基础,是社会生产的劳动资料,是农业生产的基本生产资料,是一切生产和一切存在的源泉。科学地进行土地利用分类,不仅有助于提高土地利用调查研究与制图的质量,而且有利于因地制宜、合理地组织土地利用和布局生产。随着深度学习的不断成熟,深度学习已成功的运用于遥感影像自动分类。本文将介绍两种深度学习网络,分别是卷积神经网络和胶囊神经网络,并通过分析其工作原理,进行优点缺点的相互比较。
简介:传统遥感影像分割处理方法的适应性受到限制,要求分类数据服从正态分布,同时地理辅助数据也难以加入检测.逆向传播(BP)神经网络算法灵活性好,具有综合分析的能力,能够很好地拟合遥感影像中存在的非线性数据.融合遥感影像光谱数据和地理信息系统(GIS)产生的地理辅助数据进行森林病虫害等级分类,快速、准确地识别和提取森林信息,利用逆向传播网络-可扩展的delta-bar-delta(BPN-EDBD)算法分类器把预处理后的遥感影像加入不同地理辅助信息〔数字高程模型(DEM)、近红外光谱(NIR)与归一化差值植被指数(NDVI)〕作为输入参数进行分类,提取不同健康状况的林分光谱特征值并与森林健康因子阈值相比较,输出林分病虫害等级分类结果,提高算法的收敛速度和分类精度.