遥感影像地物分类是指根据影像中的地物的光谱、纹理、形状等特征，对地物目标进行识别的过程。遥感影像地物分类过程主要有两个部分组成，一是遥感影像的特征提取，二是选择合适的分类器进行地物分类。特征参数的提取是遥感影像地物分类中非常关键的一步，对遥感影像的信息进行抽象，可以得到一组描述遥感影像的特征向量，早期的传统遥感影像分类方法一般是基于像素值来进行的，忽略了遥感影像其他重要的特征，它很难适应较高层次的
转载
2023-12-12 11:46:23
164阅读
文章目录数据介绍经验1. 准确率92.55%：SENet、PyTorch（1）数据预处理：加权采样（2）数据增强：采用随机裁剪，随机旋转，随机翻转，随机擦除（3）模型选择：Senet154（4）模型优化：标签平滑、学习率热身（5）模型集成经验2. 准确率93.12%：DenseNet，Keras（1）预处理-最大最小缩放中心化（2）模型选择方面-预训练DenseNet（3）数据增强-Flip，R
转载
2023-12-29 19:02:13
538阅读
本发明属于图像处理技术领域：，特别涉及一种地物分类方法，可用于土地利用分析、环境保护以及城市规划。背景技术：：遥感图像地物分类，旨在取代繁琐的人工作业，利用地物分类方法，得到输入遥感图像的地物和背景的分类结果图。通过地物分类结果，可以进行土地利用分析、环境保护以及城市规划等多种应用。目前的地物分类方法大致可以分为两类：第一类是基于传统机器学习的方法，通常采用由特征提取器和分类器组成的双层结构。特征
转载
2023-10-31 17:00:52
127阅读
高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。随着小卫星星座的普及，对地观测已具备3次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估中。最近
转载
2023-11-30 17:15:26
2阅读
1、前言OpenCV的全称是Open Source Computer Vision Library，是一个跨平台的计算机视觉库。OpenCV是由英特尔公司发起并参与开发，以BSD许可证授权发行，可以在商业和研究领域中免费使用。OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序。该程序库也可以使用英特尔公司的IPP进行加速处理。OpenCV用C++语言编写，它的主要接口也是C++语言，
转载
2024-09-24 09:10:40
124阅读
目录一、遥感的分类 1. 按搭载传感器的遥感平台分类（1）地面遥感（2）航空遥感（3）临近空间遥感（4）航天遥感2.按遥感对象分类（1）宇宙遥感（2）地球遥感3.按电磁波段分类（1）紫外遥感（2）可见光/反射红外遥感（3）热红外遥感（4）微波遥感4.按应用空间尺度分类（1）全球遥感（2）区域遥感（3）城市遥感5.按接收电磁波辐射性质分类（1）主动式遥感（2）被动
转载
2023-12-12 16:17:45
353阅读
我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。随着小星座的普及，对地观测已具备3次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘
转载
2023-11-06 16:07:35
83阅读
0.前言近50年来，Landsat系列卫星为我们提供了非常长时间序列的地球表面观测信息，现阶段Landsat卫星仍然在服役，为全球治理和科学研究提供了非常宝贵的数据。图源：USGS现在是大数据时代，作为地球科学领域来说，遥感资料是不折不扣的宝贵的一手实测资料，且数据量非常的庞大。现阶段来说，可能大部分遥感资料生产的速度远远大于我们去利用它的速度，所以大部分遥感资料还是处于沉睡状态，在等待着技术的继
转载
2023-08-29 21:20:54
309阅读
植被是陆地生态系统中最重要的组分之一，也是对气候变化最敏感的组分，其在全球变化过程中起着重要作用，能够指示自然环境中的大气、水、土壤等成分的变化，其年际和季节性变化可以作为地球气候变化的重要指标。此外，由于生态工程保护建设和植被自然生长等因素，中国陆地生态系统发挥了重要的碳汇作用。因此，定量评估植被时空动态变化是制定生态系统可持续发展目标和衡量生态系统固碳潜力的重要前提，卫星遥感数据衍生的生态参量
转载
2024-08-20 22:06:23
36阅读
本文介绍基于Python语言，针对一个文件夹下的大量栅格遥感影像文件，基于其各自的文件名，分别创建指定名称的新文件夹，并将对应的栅格遥感影像文件复制到不同的新文件夹下的方法。 首先，我们来看一下本文需要实现的需求。现有一个文件夹，其中有大量.tif格式的栅格遥感影像文件，以及.xml、ovr等格式的遥感影像辅助信息文件，如下图所示。 其中，如上图中紫色框所示，每一景遥感影像文件的文件名称中
转载
2023-12-16 20:48:15
158阅读
# 遥感图像分类入门指南
遥感图像分类是在遥感图像中识别和分类不同地物的一项任务。对于初学者来说，学习如何使用Python进行遥感图像分类可以帮助你掌握数据处理和机器学习的基本概念。本文将引导你完成这一过程，并提供相应的Python代码。
## 流程概述
以下是遥感图像分类的基本流程：
| 步骤 | 描述 |
| ---- | --
刚开始接触深度学习就是看的这个算法，想想当时连python语言都不会，虽然今天依旧咸鱼一条，但是也能用上网络做一点事情了，源码是北京邮电大学的道路识别比赛，采用的torch框架，也算是比较流行框架，网络结构还是端到端的下采样用resnet34，代码讲解想了解的可以看源码，本文主要介绍如何用自己的数据训练，以及训练自己数据中遇到的一些问题。torch中自带训练好的模型，调用也很简单，获取
转载
2024-04-04 19:14:28
257阅读
这几天一直在帮一个学妹做毕业设计，用深度学习的方法来做遥感图像分类。原来准备将图像分为：林地、道路、裸地、建筑、草地、水域这6个部分，这6部分对应的颜色分别为： 1. 林地：红色 (255, 0, 0) 0xFF0000 2. 道路：黄色 (255, 255, 0) 0xFFFF00 3. 裸地：紫红 (255, 0, 255) 0xFF00FF 4. 建筑：青色 (0, 255, 255
转载
2023-12-16 19:28:14
150阅读
复杂场景分类对于挖掘遥感图像中的价值信息具有重要意义。针对遥感图像中复杂场景分类，文章提出了一种基于卷积神经网络模型的分类方法，在该方法中构建了8层CNN网络结构，并对输入图像进行预处理操作以进一步增强模型的适应性，且在模型分类器的选择问题上提供了Softmax和支持向量机2种分类器，使其能够自动化提取特征，避免了前期繁琐的图像处理和人工提取特征等过程。 遥感图像场景分类的核心在于图像特征的有效提
转载
2024-01-31 01:22:07
43阅读
Author:HanDi 数据挖掘课上一个小实验，用matlab自带的kmeans函数实现遥感图像分类，代码总体简单整洁，注释详细，可轻松修改自用，但是我觉得自己选的分类结果颜色是丑了点，大家可以通过修改colormap自定义颜色，包括colorbar。从图中不难看出，最后效果图没有经过分类后处理，有很多细小和破碎斑块，使得分类结果的视觉效果不是那么好下面是完整代码，我的MATLAB版本是 202
转载
2024-07-18 16:41:01
215阅读
遥感图像通过亮度值或像元值的高低差异(反映地物的光谱信息)及空间变化(反映地物的空间信息)来表示不同地物的差异，这是区分不同图像地物的物理基础。遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感图像中与实际地物的对应信息，从而实现遥感图像的分类。图像分类可包括基于像素分类和基于对象分类。基于像素
转载
2023-11-02 11:28:05
0阅读
# 地物分类python代码实现流程
## 概述
在这篇文章中，我将教你如何使用Python实现地物分类代码。地物分类是指将地图上的不同地物进行分类，例如将森林、河流、建筑物等不同类型的地物分别标注出来。我们将通过使用遥感图像和机器学习算法来实现这个任务。
## 步骤概览
| 步骤 | 描述 |
| --- | --- |
| 1 | 数据收集 |
| 2 | 数据预处理 |
| 3 | 特
原创
2023-08-01 00:10:44
395阅读
目录①基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化实践技术应用②基于PyTorch深度学习无人机遥感影像目标检测、地物分类及语义分割实践技术应用③遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）实践技术④基于python深度学习遥感影像地物分类与目标识别、分割实践技术①基于PyTorch深度学习遥感影像地物分类与目标检
转载
2023-10-19 22:53:42
397阅读
一、三维遥感底图在大范围的三维地图建设中，采用卫星图像作为三维底图是最好的选择，而免费的遥感图像清晰度无法满足建设 **三维地图的需求，故以**范围为依据，购买取得最新的高空间分辨率卫星遥感图。卫星遥感图像分类大概有：① 卫星类型l 光学卫星：worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、ikonos
遥感影像分类之后需要进行分类精度评价，精度评价方法中最常见的就是混淆矩阵和kappa系数。现把指标列举如下: 混淆矩阵（confusion matrix） 误差矩阵（error matrix）又称混淆矩阵（confusion matrix），是一个用于表示分为某一类别的像元个数与地面检验为该类别数的比较阵列。通常，阵列中的列代表参考数据，行代表由遥感数据分类得到的类别数据。有像元数和百分比表示两
转载
2024-01-04 17:59:45
272阅读
