以德國(guó)Vaihingen城區(qū)的高分辨率遙感影像為數(shù)據(jù)源,提出一種結(jié)合多尺度引導(dǎo)濾波特征與核主成分分析特征的提取方法,利用多尺度引導(dǎo)濾波提取不同尺度的綠地特征,通過具有非線性映射能力的核主成分分析算法,對(duì)多尺度特征進(jìn)行降維,最后將降維后的特征輸入支持向量機(jī)分類器,得到城市綠地的分類結(jié)果,并與現(xiàn)有的綠地提取方法進(jìn)行對(duì)比分析。結(jié)果表明:該方法能充分利用空間鄰域信息,獲得比現(xiàn)有單尺度分析方法更高的分類精度,且明顯減少傳統(tǒng)像素級(jí)分類方法產(chǎn)生的結(jié)果細(xì)碎問題。 

【文章來(lái)源】：西南林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)). 2020,40(04)北大核心

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

實(shí)驗(yàn)中數(shù)據(jù)集示例

式中：Mεr(Bi)表示以原圖為引導(dǎo)影像，用半徑r和正則化懲罰項(xiàng)ε對(duì)B i波段進(jìn)行濾波，獲得濾波特征。以高分辨率數(shù)據(jù)Vaihingen的正射影像的測(cè)試影像1的3個(gè)波段分別作為輸入影像，原始影像為引導(dǎo)影像，根據(jù)He等[18]的引導(dǎo)濾波參數(shù)進(jìn)行實(shí)驗(yàn)，正則化懲罰項(xiàng)的取值范圍為0.14～0.13，窗口半徑分別為4、6、8、10，對(duì)3個(gè)彩色波段分別進(jìn)行引導(dǎo)濾波。

多尺度引導(dǎo)濾波特征對(duì)比見圖3。由圖3可以看出，不同參數(shù)的組合得到的特征提取結(jié)果也不同。由圖3b、3f、3j或圖3c、3g、3k等列的對(duì)比，可知在窗口半徑不變、正則化系數(shù)由小變大的情況下，平坦區(qū)域的像素平滑效果較強(qiáng)，處于邊界線兩側(cè)的像素位置平滑效果較弱。當(dāng)像素i,j位于邊界線同一側(cè)時(shí)Ii Pi與異號(hào)，異號(hào)時(shí)的權(quán)重值將遠(yuǎn)小于同號(hào)的權(quán)重值，平坦區(qū)域的像素則會(huì)加以較大的權(quán)重，平滑效果增加。反之，IiPi與同號(hào)，對(duì)處于邊界線兩側(cè)的像素則加以較小的權(quán)重，平滑效果減弱，達(dá)到保持邊界的效果。上述參數(shù)較好的實(shí)現(xiàn)了不同尺度的影像濾波，故隨后的實(shí)驗(yàn)中，多尺度引導(dǎo)濾波的參數(shù)設(shè)置為窗口半徑分為4、6、8、10，正則化懲罰項(xiàng)為0.14、0.44、0.13。2.3.3 特征降維

【參考文獻(xiàn)】：
期刊論文
[1]機(jī)載多光譜LiDAR的隨機(jī)森林地物分類[J]. 曹爽,潘鎖艷,管海燕.  測(cè)繪通報(bào). 2019(11)
[2]高光譜影像的引導(dǎo)濾波多尺度特征提取[J]. 王雷光,曹小汪,鄭雅蘭,代沁伶.  遙感學(xué)報(bào). 2018(02)
[3]采用快速導(dǎo)向?yàn)V波的暗通道先驗(yàn)去霧算法的研究與實(shí)現(xiàn)[J]. 王浩然.  數(shù)字技術(shù)與應(yīng)用. 2015(11)
[4]基于PCA和多尺度紋理特征提取的高分辨率遙感影像分類[J]. 劉友山,呂成文,祝鳳霞,高超.  遙感技術(shù)與應(yīng)用. 2012(05)
[5]城市地區(qū)高分辨率遙感影像綠地提取研究[J]. 孫小芳,盧健,孫小丹.  遙感技術(shù)與應(yīng)用. 2006(02)
[6]基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J]. 陳云浩,馮通,史培軍,王今飛.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2006(04)
[7]地物提取的多尺度特征遙感應(yīng)用分析[J]. 黃慧萍,吳炳方.  遙感技術(shù)與應(yīng)用. 2003(05)

博士論文
[1]面向?qū)ο笥跋穹治鲋械某叨葐栴}研究[D]. 黃慧萍.中國(guó)科學(xué)院研究生院（遙感應(yīng)用研究所） 2003



本文編號(hào)：3304620