1 东华理工大学测绘工程学院, 江西 南昌 330013
2 东华理工大学江西生态文明建设制度研究中心, 江西 南昌 330013
3 西安市勘察测绘院, 陕西 西安 710054
建筑物是一种极其重要的人工地物目标,通过提取建筑物可为城市规划、人口估算和景观分析等提供技术支撑。面向对象分类方法作为目前提取地物的有效手段之一,已广泛应用在建筑物信息的提取中。面向对象的形态学建筑物指数法具有较好的实用性,但提取稀疏建筑物的效果仍有待提高。为了解决这一问题,将中值绝对偏差应用于面向对象的建筑物提取,分别对建筑物密集和稀疏两种情况进行分析,采用查准率、查全率和F1分数等指标对提取结果进行评价。实验结果表明,面向对象的中值绝对偏差法提取稀疏建筑物的效果明显优于面向对象分类方法和面向对象的形态学建筑物指数法。
测量 遥感图像 光谱信息 形态学建筑物指数 中值绝对偏差 训练样本 激光与光电子学进展
2021, 58(12): 1212005
1 东华理工大学放射性地质与勘探技术国防重点学科实验室, 江西 南昌 330013
2 东华理工大学测绘工程学院, 江西 南昌 330013
遥感图像的监督分类技术在信息提取和变化检测领域中具有广泛的应用,其中训练样本的选择至关重要,训练样本的好坏直接决定分类精度的高低。然而,受到条件的限制和人为的错误均可能导致一些不纯或错选的异常训练样本被选取,从而造成分类精度的降低。为了解决这个问题,采用中位数绝对偏差法,根据图像的光谱信息探测和剔除遥感图像监督分类任务中不纯和错选的训练样本。选取由Landsat-8获取南昌市部分地区的光学遥感图像数据,使用支持向量机对含有异常训练样本和剔除异常训练样本的两种情况进行监督分类,并对分类结果进行比较。实验结果表明,剔除异常训练样本的分类精度明显优于含异常训练样本。
测量 遥感图像 光谱信息 监督分类 中位数绝对偏差 异常训练样本探测 激光与光电子学进展
2020, 57(23): 231202
1 中国科学院遥感与数字地球研究所数字地球重点实验室, 北京 100094
2 中国科学院大学, 北京 100049
为了解决目前主流的显著性检测算法在复杂多目标遥感图像中检测能力不足的问题, 提出一种基于超像素区域相似性度量的显著目标提取算法。该算法利用简单线性迭代聚类方法对原始图像进行超像素分割, 通过基于图论的视觉显著性方法检测出显著超像素, 并对其修正得到显著目标提取的训练样本, 进一步逐层计算全体超像素区域与显著超像素区域的相似性并转化为超像素区域的隶属度值, 最后实现对整幅超像素图像的显著目标提取。实验结果表明, 该算法具有较高的准确率和召回率, 能更加有效地检测出遥感图像中的显著目标, 提取效果优于主流的显著性检测算法, 还可以有效应用于复杂多目标的遥感图像显著目标信息提取中。
图像处理 遥感信息提取 简单线性迭代聚类超像素分割 图论的视觉显著性检测 训练样本 区域相似性度量 激光与光电子学进展
2017, 54(8): 081004
复制的多光谱数据获取要求图像数据具有设备无关、 场景无关特性, 能够真实客观表征物体颜色信息。 针对获取系统扰动、 噪声误差以及光谱重建中训练样本典型代表性与相关性要求, 提出了基于正交回归的光谱重建算法, 并通过子空间跟踪的训练样本选择算法, 选择重建样本与训练样本集中相关性与代表性最好的样本参与光谱重建。 实验通过改造后的仙娜宽带多通道成像系统进行验证, 数据表明本文提出的方法, 所选训练样本能较好的表征样本空间并具有较好的正交性, 在宽带多光谱成像方面, 重建光谱平均色度误差为3.6, 其光谱精度与色度精度较其他方法具有明显提高。
子空间追踪 训练样本 光谱重建 Subspace tracking Training samples Spectral reconstruction 光谱学与光谱分析
2013, 33(4): 1076
