高分辨率遥感影像居民地自动提取:一种无监督特征分解方法
需积分: 10 9 浏览量
更新于2024-08-12
收藏 444KB PDF 举报
"高分辨率遥感影像上居民地自动提取方法 (2014年) - 武汉大学学报·信息科学版 Vol.39No.7 - 2014年7月"
高分辨率遥感影像上的居民地自动提取是一项关键的地理信息处理任务,尤其在现代遥感技术中,高分辨率影像提供了丰富的地表信息,使得对居民地等复杂地物的精细化分析成为可能。然而,这也带来了新的挑战,比如影像细节过多可能导致分类难度增大,居民地与背景的区分度降低。
传统的基于单像元光谱亮度值的分类方法在高分辨率环境下效率下降,因为高分辨率影像中的居民地和背景之间的统计特性发生变化,使得在单一尺度下难以准确区分。为了解决这个问题,文章提出了一个基于特征分解的无监督分割方法,利用小波分解来提取多尺度特征。
小波分解是一种强大的信号分析工具,它能够提供多尺度和多方向的信息,且具有正交性和可逆性,优于Gabor滤波器。在居民地提取中,小波分解能够捕捉居民地内部和外部结构的差异,以及不同尺度下的光谱辐射强度变化。这些特征被用于构建特征空间。
为了进一步优化特征空间的分割效果,文章采用了约束均值漂移(CMS)算法。这种算法能够在特征空间中自适应地寻找数据分布的重心,从而有效地将居民地区域与背景分离。CMS算法的优势在于它可以在一定程度上克服数据噪声和局部极值的影响,提高分割的准确性。
实验结果显示,这种方法有效地消除了高分辨率影像的高度细节化对居民地提取的干扰,实现了对居民地的准确自动提取。这种方法对于构建地理数据库,进行城市规划,灾后评估等应用具有重要意义,因为它提高了居民地信息提取的自动化程度和精度。
该研究为高分辨率遥感影像的处理提供了一个创新的解决方案,它结合了小波分析和无监督学习的策略,为复杂地物的自动提取开辟了新的路径。未来的工作可能涉及优化特征选择,进一步提高算法的鲁棒性和适应性,以及将这种方法扩展到其他类型的地物提取任务。
2020-05-02 上传
2022-06-15 上传
2014-04-10 上传
2023-02-23 上传
2021-08-16 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
weixin_38726193
- 粉丝: 12
- 资源: 936
最新资源
- 正整数数组验证库:确保值符合正整数规则
- 系统移植工具集:镜像、工具链及其他必备软件包
- 掌握JavaScript加密技术:客户端加密核心要点
- AWS环境下Java应用的构建与优化指南
- Grav插件动态调整上传图像大小提高性能
- InversifyJS示例应用:演示OOP与依赖注入
- Laravel与Workerman构建PHP WebSocket即时通讯解决方案
- 前端开发利器:SPRjs快速粘合JavaScript文件脚本
- Windows平台RNNoise演示及编译方法说明
- GitHub Action实现站点自动化部署到网格环境
- Delphi实现磁盘容量检测与柱状图展示
- 亲测可用的简易微信抽奖小程序源码分享
- 如何利用JD抢单助手提升秒杀成功率
- 快速部署WordPress:使用Docker和generator-docker-wordpress
- 探索多功能计算器:日志记录与数据转换能力
- WearableSensing: 使用Java连接Zephyr Bioharness数据到服务器