分形纹理特征与光谱特征融合的遥感影像BP神经网络分类
56 浏览量
更新于2024-09-05
1
收藏 711KB PDF 举报
"融合光谱和分形纹理特征的遥感影像分类研究"
本文主要探讨了在遥感影像分类中的一个问题,即传统方法提取的纹理特征与光谱特征融合后的分类效果不佳。针对这一问题,作者武栋和吴伶提出了一个新的解决方案,利用分形理论中的毯模型来提取遥感影像的纹理特征,并结合光谱特征,运用BP神经网络算法进行影像分类。
遥感影像分类是遥感领域中的一个重要任务,它有助于我们理解和分析地表覆盖情况,对于环境监测、城市规划、灾害预警等具有重要意义。传统的分类方法主要依赖于光谱信息,即遥感图像的不同波段反射率或辐射强度。然而,光谱信息在某些情况下可能不足以区分复杂地表覆盖物,例如植被类型、建筑物等,因为它们可能具有相似的光谱响应。
分形理论是一种描述复杂自相似几何结构的数学工具,毯模型是分形理论中的一种,它可以有效地捕捉到图像中的纹理和结构信息。在遥感影像中,这种纹理信息能够反映地表物体的微观结构和组织特性,对于改善分类效果尤为关键。通过毯模型提取纹理特征,可以更精确地描述地表物体的形态和空间分布,从而增强分类的区分度。
将分形纹理特征与光谱特征相结合,可以形成更全面的特征表示,这有助于提高遥感影像分类的准确性。实验部分,作者选取了北京市五环内的landsat8 ETM数据作为研究对象,通过BP神经网络算法进行分类。BP神经网络是一种反向传播学习算法,能适应非线性问题,适用于处理多输入多输出的复杂关系。
实验结果显示,使用毯模型提取的纹理特征确实提升了分类精度,与仅使用光谱信息相比,分类效果有显著改善。这表明,将分形纹理特征引入遥感影像分类能够有效地弥补光谱特征的不足,对于复杂地表覆盖的识别具有优势。
这篇论文提出了一种新的融合方法,将分形纹理特征与光谱特征有效地整合,利用BP神经网络进行遥感影像分类,提高了分类的准确性和可靠性。这种方法对于遥感信息处理领域有着重要的理论价值和实际应用前景,特别是在城市环境监测、土地资源管理等领域。
2019-08-21 上传
2021-07-03 上传
2021-09-25 上传
2009-12-06 上传
点击了解资源详情
点击了解资源详情
点击了解资源详情
点击了解资源详情
weixin_38667835
- 粉丝: 6
- 资源: 937
最新资源
- 火炬连体网络在MNIST的2D嵌入实现示例
- Angular插件增强Application Insights JavaScript SDK功能
- 实时三维重建:InfiniTAM的ros驱动应用
- Spring与Mybatis整合的配置与实践
- Vozy前端技术测试深入体验与模板参考
- React应用实现语音转文字功能介绍
- PHPMailer-6.6.4: PHP邮件收发类库的详细介绍
- Felineboard:为猫主人设计的交互式仪表板
- PGRFileManager:功能强大的开源Ajax文件管理器
- Pytest-Html定制测试报告与源代码封装教程
- Angular开发与部署指南:从创建到测试
- BASIC-BINARY-IPC系统:进程间通信的非阻塞接口
- LTK3D: Common Lisp中的基础3D图形实现
- Timer-Counter-Lister:官方源代码及更新发布
- Galaxia REST API:面向地球问题的解决方案
- Node.js模块:随机动物实例教程与源码解析