【摘 要】
：
以闽北复杂山区典型岩茶种植区为研究对象,选用研究区域合适时间窗口的高分2号遥感卫星高分辨率数据,在对影像进行全色和多光谱影像融合的基础上,基于ENVI5.3软件采用了最小距离、最大似然、支持向量机以及面向对象等4种遥感影像分类方法,对影像地物进行了分类和茶园提取,并对实验结果进行了对比分析.结果显示4种分类方法中,基于规则的面向对象分类方法分类精度最高,总体精度和Kappa系数分别达到了97.66％和0.95,说明融合光谱和纹理等空间信息在复杂山区茶园提取应用中能有效提高分类精度,研究表明高空间分辨率遥感
【机 构】
：
武夷学院数学与计算机学院,武夷山 354300;认知计算与智能信息处理福建省高校重点实验室,武夷山 354300;武夷学院数学与计算机学院,武夷山 354300
论文部分内容阅读
以闽北复杂山区典型岩茶种植区为研究对象,选用研究区域合适时间窗口的高分2号遥感卫星高分辨率数据,在对影像进行全色和多光谱影像融合的基础上,基于ENVI5.3软件采用了最小距离、最大似然、支持向量机以及面向对象等4种遥感影像分类方法,对影像地物进行了分类和茶园提取,并对实验结果进行了对比分析.结果显示4种分类方法中,基于规则的面向对象分类方法分类精度最高,总体精度和Kappa系数分别达到了97.66％和0.95,说明融合光谱和纹理等空间信息在复杂山区茶园提取应用中能有效提高分类精度,研究表明高空间分辨率遥感影像在茶园等典型农业植被提取方面较好的应用前景.
其他文献
对五环炉煤气化装置黑水处理系统在运行中存在的问题进行分析研究,并提出了可行的改进方法,解决了影响黑水系统稳定的关键问题.
深度伪造因极具“欺诈性”,已经成为网络空间中新的安全威胁,针对深度伪造威胁,基于现场愈近真相愈明的思考,构建了时空网众包的防御体系.该防御从技术层面、社科层面和管理层面予以构建,以社科层面贯穿始终.时空网众包因具有天然的时、空、网属性,具有明显的地域性和可追溯性,可信度高.同时,时空网众包的用户隐私保护问题也将凸显,防御中以“黑匣子”将使用和监管分离来保障.以时空网众包的人群智能应对云机智能,对于实践的深度伪造威胁防御具有借鉴意义.
针对经处理合格后的污水,手动分析总氮含量合格,但终端在线分析总氮含量超标的问题进行原因分析及排查,确定采样管长期使用后,内壁沉积水中的杂质,影响分析准确度.经更换采样管后,解决了在线分析数据异常升高的问题.
选取多幅源图像为样本进行训练,建立包含颜色与纹理信息的多类标决策树,得出类标集;然后在类标一致的多个样本中,进行区域匹配,筛选最合适的内容整体映射进破损区域;最后对新填补场景的色彩信息进行修正,使其与周围环境协调.实验结果表明,基于多源图像的多类标决策树能较好地学习源图像的风格特征,无论是修复效率还是修复效果都令人满意.
为高职学校招生就业及人才培养方案的优化提供依据,提高高职学生就业率.利用决策树算法对高职学生的就业和成绩数据建立就业预测模型,挖掘影响学生就业的关键因素.利用决策树算法构建的就业预测模型的F值为0.9026,说明该模型对高职学生就业的预测效果较好.本模型能够较为准确地预测学生的就业状况,挖掘出高职学生就业的影响因素包括学生性别、民族、毕业时间和成绩等.
针对汽车电子车载雷达开发,提出了一种基于数字波束形成(DBF)原理进行波达方向估计(DOA)的方法.基于DBF的DOA估计方法,相对于经典的MUSIC算法,在车载多输入多输出(MIMO)雷达系统中具有算法复杂度低,能够在更短的时间里进行DOA估计的优势.角度分辨率相比于MUSIC算法也并没有明显损失,而且可以灵活调整.通过与MUSIC算法的对比,来说明基于DBF的DOA估计在实际应用中的优势.为相关的开发人员,提供了一种解决车载雷达测角的新思路.
遥感图像的融合是现在卫星影像处理的一项关键工作,由于卫星传感器的限制,通常生成两种图像,一种是具有多个光谱通道的低分辨率图像,另一种是单一通道的高分辨率灰度图像.为了能够得到多光谱的高分辨率的遥感图像,图像融合工作就变得尤为重要.随着深度学习的迅速发展,GAN(generative adver?sarial networks)逐渐被用于遥感图像融合.本文提出了基于GAN的遥感图像的融合模型,通过添加残差模块来提取更细致的上下文特征,从而得到更高质量的高分辨率遥感图像.实验结果表明,在两个常用数据集上与现有
ORB-SLAM是现代SLAM算法中最精确的算法之一,但该算法在相机剧烈运动或纹理缺失的场景中面临精度下降问题.对此,本文在ORB-SLAM基础上,提出一种基于地图融合的Mapfusion-SLAM算法,通过一种求绝对旋转的封闭解(closed-form solution of absolute orientation,CSAO)的方式,先计算出关键帧位姿之间的转换关系,再依据该转换关系实现地图融合,提高在困难场景中算法的建图精度和性能.最后,在公开数据集上进行试验,实验结果表明:该算法对建图精度有至少3
针对传统3D车道线检测算法在道路远处检测精度不佳的问题,提出了一种基于Transformer框架和卷积神经网络结合的3D车道线检测算法.该算法首先利用车载前景摄像头获取车辆视角的道路正视图,然后通过投影变换将正视图投影到俯视图视角,之后将不同视角和不同分辨率特征图融合之后作为Transformer网络输入.在Transformer网络中包含两个用于提取不同分辨率特征图的Transformer框架,用于实现对道路远处车道线的语义识别和精确定位,实现车道线的精准检测.实验结果表明,该方法在复杂道路场景下的3D
使用卷积神经网络在对视频流进行连续目标检测时,因光照和角度等环境的不确定因素会出现某一帧漏检、错检或多帧连续漏检的问题.针对这一问题,基于视频流中的时间相关性,提出一种基于时间相关性的置信度矫正算法,以显著降低目标漏检和错检率.该算法能够针对异常检测数据,使用指数平滑法对置信度较低的漏检目标进行预测矫正;对错检数据的置信度进行抑制.通过多个真实数据集的验证,结果表明,通过置信度矫正后的目标检测性能得到显著的提高,MAP平均提高了7.7％.