大家谈谈高分辨率(5米以下)遥感图像的分类的好方法
来源:学生作业帮 编辑:大师作文网作业帮 分类:综合作业 时间:2024/11/16 09:06:58
大家谈谈高分辨率(5米以下)遥感图像的分类的好方法
主要是分类前的预处理和分类后的处理,散点的合并有什么好的方法?高分辨率的图像一般纹理信息比较多,怎样才能分类更精确.都是对彩色图像说的,不是单波段.
主要是分类前的预处理和分类后的处理,散点的合并有什么好的方法?高分辨率的图像一般纹理信息比较多,怎样才能分类更精确.都是对彩色图像说的,不是单波段.
对于五米以上高分辨率遥感图像分类,目前大致有两种思路.
一是采取一些非参数的分类方法:
因为传统的参数法,一是基于像元,二是基于概率统计.这两条在高分辨率中因为类内方差变大,类间方差变变小,没有明显的聚类中心,存在这明显的重叠.所以考虑一些非参数的方法进行监督分类.比如神经网络(ANN),支持向量机(SVM)等.可以取得比较好的效果,尤其SVM是比较稳健的分类方法.比如ENVI中监督分类就有这两类分类方法.不过ENVI中的神经网络似乎有点问题,不太容易收敛.
另一类方法则是一楼提到的面向对象的分类方法.首先将同质区域进行分割、合并.在合并的基础上进行监督分类.这样的分类精度比较高,而且几乎不会有散点.看起来比较漂亮.比如eCognition软件.
以上两种方法在应对高分辨率影像分类比较有效.
你若是要融合光谱和形状信息的话,则需要更多的知识了.国内外都有人提出一些算法.比如LWEA,PSI等.
欢迎探讨.
一是采取一些非参数的分类方法:
因为传统的参数法,一是基于像元,二是基于概率统计.这两条在高分辨率中因为类内方差变大,类间方差变变小,没有明显的聚类中心,存在这明显的重叠.所以考虑一些非参数的方法进行监督分类.比如神经网络(ANN),支持向量机(SVM)等.可以取得比较好的效果,尤其SVM是比较稳健的分类方法.比如ENVI中监督分类就有这两类分类方法.不过ENVI中的神经网络似乎有点问题,不太容易收敛.
另一类方法则是一楼提到的面向对象的分类方法.首先将同质区域进行分割、合并.在合并的基础上进行监督分类.这样的分类精度比较高,而且几乎不会有散点.看起来比较漂亮.比如eCognition软件.
以上两种方法在应对高分辨率影像分类比较有效.
你若是要融合光谱和形状信息的话,则需要更多的知识了.国内外都有人提出一些算法.比如LWEA,PSI等.
欢迎探讨.