1) Remote sensing image analysis
遥感影像分析
2) classification of remote sensing image
遥感影像分类
1.
The spatial information of the image and evidence theory is applied to classification of remote sensing image based on neural networks.
把影像的空间信息融入分类决策 ,提出了一种基于证据理论与神经网络的遥感影像分类方法。
2.
Auto-classification of remote sensing image is the concrete application of patternrecognition technique in remote sensing technique territory.
网络训练和遥感影像分类结果表明改进后的网络易收敛且性能稳定,分类精度较高,有实际应用价值。
3.
This paper describes the problem in the BP neural network approach and the approach of BP neural network based on vector information to the classification of remote sensing images.
由于传统遥感影像分类方法存在不足,因而采用神经网络算法进行遥感影像分类研究。
3) remote sensing image classification
遥感影像分类
1.
Application of a classification method based on counter propagation neural network in remote sensing image classification;
一种建立在CPN基础上的分类方法在遥感影像分类中的应用研究
2.
To improve the accuracy of remote sensing image classification,chaos immune glgorithm is proposed.
为提高遥感影像分类精度,采用基于混沌免疫算法(Chaos Immune Algorithm)的分类方法。
3.
The advantages and disadvantages in remote sensing image classification methods at present are analyzed,in cluding maximum likelihood classification((MLC);) Artificial neural networks((ANN)) classification;Logic reasoning classification based on symbol and rules.
以G IS为平台,构建了多源空间数据库,将数据挖掘的思想和方法引入遥感影像分类中,提出了面向分类规则挖掘的遥感影像分类框架。
4) Remotely sensed imagery
遥感分类影像
6) high resolution remote sensing image
高分辨遥感影像
1.
Traditional pixel-level approaches merely utilize the spectral characteristic,but the high resolution remote sensing image such as QuickBird and IKONOS have a lot of characteristics such as spectral, shape, texture and context and so on , compared .
传统的基于像素的信息提取方法仅利用了像素的光谱信息作为信息提取的依据,而IKONOS和QuickBird等高分辨遥感影像表现出地物更多的信息,诸如光谱、形状、纹理以及上下文等,利用单一传统的方法进行高分辨率影像信息提取不仅会降低提取准确度,而且也会造成空间数据大量冗余、资源浪费。
2.
The Road Extraction and Representation Model Based on High Resolution Remote Sensing Image;
主要成果有; (1)分析了高分辨率遥感影像特征特别是高分辨遥感影像上道路特征,为高分辨率遥感影像道路提取建立理论依据。
补充资料：遥感图像分析
用模式识别方法对遥感图像数据进行分类的技术。遥感图像分析的主要目的是根据图像所包含的光谱信息、空间信息、多时相信息和辅助数据确定地面物景中对应的物体类别、性质及其变化，例如农作物类别、林区林种、农林虫害、泛区面积、矿山岩性、土壤成分和城镇变迁等。利用地面多光谱特性直接对单个像素进行分类的方法有：监督学习的平行多面体法，最小距离法和计算复杂但识别正确率较高的最大似然法。在缺乏地面实况样本数据情况下，可以采用按像素光谱特性相似程度进行分类的聚类分析方法。图像纹理、局部结构和形状（见纹理分析、形状分析）等空间信息，能够提供比单个像素更多的区域和相邻像素间的关系信息，因此应用空间信息进行分类，有利于克服噪声的影响和提高识别正确率。
不同时间获取的同一地面物景图像的多时相信息，能反映一种植被或农作物的生长过程，或一块土地、一片水域、一座城镇的变化情况。此外，从多时相信息中还可选择出类别最易分开的时相。例如，玉米和大豆的光谱特性在生长初期很接近，但到30～70天后两者差异加大而易于区分。
辅助数据是指图像以外的有关数据，如地形图、等高线和土壤条件等，这些数据为分类增添了有用的信息。在其他信息相似的情况下，辅助数据能在很大程度上帮助正确地区分类别。
图像分析专家系统、地理信息系统和环境监测系统，正在成为遥感图像分析的重要手段。这些系系统将在水力、森林、草场、土地等资源调查、开发和利用中成为有效的工具。
不同时间获取的同一地面物景图像的多时相信息，能反映一种植被或农作物的生长过程，或一块土地、一片水域、一座城镇的变化情况。此外，从多时相信息中还可选择出类别最易分开的时相。例如，玉米和大豆的光谱特性在生长初期很接近，但到30～70天后两者差异加大而易于区分。
辅助数据是指图像以外的有关数据，如地形图、等高线和土壤条件等，这些数据为分类增添了有用的信息。在其他信息相似的情况下，辅助数据能在很大程度上帮助正确地区分类别。
图像分析专家系统、地理信息系统和环境监测系统，正在成为遥感图像分析的重要手段。这些系系统将在水力、森林、草场、土地等资源调查、开发和利用中成为有效的工具。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条