结果表明:所提方法有效提取了植被间的光谱特征波段,分别为1111～1132nm、1466～1522nm和1577～1750nm ,三个波段全部位于红外区域;在光谱特征波段范围内,利用马氏距离 -光谱角法可对不同植被类型进行有效识别,其中南荻的光谱分类精度最高,灰化薹草的光谱分类精度最低,为84% ,总体分类精度为91% ,分类效果较好。关键...
a、直接源自初始波段的光谱特征; b、植被纹理特征; c、通过不同波段(对植被相关的参数比较敏感的波段)的混合计算得到的光谱指标。 2.1.1、Spatial texture features ① Grey Level Co‐occurrence Matrix (GLCM ) is one of the most common approaches to spatial and texture feature analy ‐ sis for images ...
结合灰度共生矩阵和局域指示空间分析两类纹理特征,并有针对性地加入了对植被叶绿素,胡萝卜素,花青素和氮素叶面积指数等理化参量敏感的光谱指数特征,构建了完备的植被特征库,以提高植被类别间的可分性;进而对植被特征库进行光谱维优化,提出了基于类对可分性的光谱维优化算法,选择对各类对具有最高识别能力的特征波段,通过...
经Fisher比率法和方差分析发现芦苇,柽柳,翅碱蓬类内和类间特征均分别位于350～700nm和 350～550nm之间.通过波段综合,获得TM相应波段的野外光谱数据,对其分析发现利用(TM2-(TM3+TM1)/2)和(TM4-TM3)组合 可以很好地区分出这3种植被,并利用2006年10月的TM数据进行判别试验,经同年野外植被调查数据验证,该方法判别...
(QGA-KNN-SAM),获取适用于湿地植被高光谱精细分类的特征波长,同时采用k中心点聚类算法确定特征波段区间.该算法与基于传统遗传k近邻光谱角分类算法(GA-KNN-SAM)进行对比实验发现,QGA-KNN-SAM的平均分类精度为95%左右,明显高于GA-KNN-SAM的平均分类精度90%;且基于QGA-KNN-SAM算法的特征波长点及波段相对聚焦,其跨度...
3.2退化指示植被群落光谱特征分析 本节将重点分析退化指示植被群落的反射率光谱曲线,以进行建群种(短花针茅)、退化指示种(冷蒿)和优势种(无芒隐子草)群落的阈值分类研究。 在处理无人机高光谱遥感系统采集的植被纯样方影像数据时,研究采取了一种综合的样方选择策略,以避免单一样方数据代表性不足、误差影响大和空间...
1、基于空间变换。使用简单的线性变换将原始高维数据从光谱空间变换到彩色空间,然后在这个彩色空间内显示,从而获得高对比度图像。 2、基于固定线性光谱加权封装方法。人类彩色视觉系统可以这样建模,将全光谱图像依概率投影到3个光谱滤波器,它们分别对应3种类型的视锥细胞。每一组的3类视锥细胞综合接收的光子数,取决于...
纹理特征植被指数支持向量机目前,高光谱植被精细分类存在三个问题:单纯利用光谱信息得到的分类精度较低;光谱数据存在噪声影响了最终的分类结果;缺少针对具体应用场景而设计的分类方法.为此,提出了一种基于高光谱影像多维特征的植被精细分类方法,通过光谱数据降维,纹理特征提取以及植被指数选择三个方面对高光谱影像数据进行...
植被高光谱数据进行降维除噪,获得较平滑的光谱曲线,减少了数据的冗余程度并缩短了分类时间.不同季相山地草甸植被的"绿峰","红谷"及"红边"等参数差异较大,在植被生长旺盛期(4月-5月)的光谱曲线特征比黄枯期的光谱曲线特征更容易区分,这个时期分类精度较高.SVM分类模型在返青期(4月)和分蘖(枝)期(5月)总体分类...
植被类型分类特征选取GNDO高光谱遥感技术已广泛应用于植被类型制图.然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性.广义正态分布优化算法(Generalized Normal Distribution Optimization,GNDO)的特征优选结果在质量和稳定性方面相较...