检索结果-维普期刊中文期刊服务平台

改进的简单非迭代聚类的遥感影像分割研究被引量：9: 1; 作者孙玮婕杨军《计算机工程与应用》 CSCD 北大核心 2021年第13期185-192,共8页; 简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)超像素算法依赖超像素设置数目的大小,容易产生欠分割或者过分割的现象,且运行速度不高。提出一种改进的简单非迭代聚类(Simple Non-Iterative Clustering,SNIC)超像素算法... 展开更多; 关键词遥感影像图像分割简单非迭代聚类动态阈值; 在线阅读下载PDF 职称材料

基于GEE云平台和Sentinel数据的滇池湿地制图: 2; 作者罗蓉蓉董燕《安徽农业科学》 2025年第4期205-208,242,共5页; 基于Google Earth Engine(GEE)和Sentinel数据,结合地形数据,提取影像的光谱指数、红边指数、纹理特征、雷达特征和地形特征,通过RF-RFE方法筛选特征得到最优特征数据集,使用基于像元的方法(随机森林)和面向对象的方法(简单非迭代聚类+... 展开更多; 关键词滇池湿地随机森林简单非迭代聚类 Google Earth Engine SENTINEL; 在线阅读下载PDF 职称材料

基于多时相Sentinel-2影像和SNIC分割算法的优势树种识别被引量：5: 3; 作者岳巍李世明 +3 位作者李增元刘清旺庞勇斯林《林业科学》 EI CAS CSCD 北大核心 2022年第9期60-69,共10页; 【目的】探究将简单非迭代聚类超像素分割算法(SNIC)融合到基于多时相数据的树种分类问题中,并对比分析不同时相数据组合对分类结果的影响,实现更高效、更精准的优势树种识别。【方法】以内蒙古旺业甸林场为研究区,在Google Earth Engin... 展开更多; 关键词多时相简单非迭代聚类超像素分割算法树种识别时间序列; 在线阅读下载PDF 职称材料

GEE平台下利用物候特征进行面向对象的水稻种植分布提取被引量：26: 4; 作者刘通任鸿瑞《农业工程学报》 EI CAS CSCD 北大核心 2022年第12期189-196,共8页; 为高效提取高精度水稻种植分布及其面积,该研究基于谷歌地球引擎(Google Earth Engine,GEE)平台,以辽宁省盘锦市为研究区,利用2020年Sentinel-2影像提取水稻生命周期内4个水稻物候期相应的光谱指数,利用简单非迭代聚类(Simple Non-Itera... 展开更多; 关键词遥感物候学面向对象法简单非迭代聚类灰度共生矩阵 Google Earth Engine(GEE); 在线阅读下载PDF 职称材料

基于SNIC的双时相SAR图像超像素协同分割算法被引量：3: 5; 作者马倩邹焕新 +2 位作者李美霖成飞贺诗甜《系统工程与电子技术》 EI CSCD 北大核心 2021年第5期1198-1209,共12页; 针对面向区域的合成孔径雷达(synthetic aperture radar,SAR)图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题,提出了一种基于简单非迭代聚类(simple non-iterative clustering,SNIC)的双时相SAR图像超像素协同分割... 展开更多; 关键词双时相合成孔径雷达图像超像素协同分割简单非迭代聚类变化检测; 在线阅读下载PDF 职称材料

题名改进的简单非迭代聚类的遥感影像分割研究被引量：9: 1; 作者孙玮婕杨军; 机构兰州交通大学测绘与地理信息学院地理国情监测技术应用国家地方联合工程研究中心甘肃省地理国情监测工程实验室兰州交通大学电子与信息工程学院; 出处《计算机工程与应用》 CSCD 北大核心 2021年第13期185-192,共8页; 基金国家自然科学基金(61862039,61462059)。; 文摘简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)超像素算法依赖超像素设置数目的大小,容易产生欠分割或者过分割的现象,且运行速度不高。提出一种改进的简单非迭代聚类(Simple Non-Iterative Clustering,SNIC)超像素算法对遥感影像进行分割。采用SNIC超像素获取初始分割结果;利用动态阈值对原始影像进行分割;对影像进行两次作差,从而对SNIC分割结果进行修正;选取满足一定条件的分割线即为最终的分割结果。实验结果表明,该算法在分割精度、召回率和运行时间上都获得了令人满意的结果。; 关键词遥感影像图像分割简单非迭代聚类动态阈值; Keywords remote sensing images image segmentation Simple Non-Iterative Clustering(SNIC) dynamic threshold; 分类号 TP75 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名基于GEE云平台和Sentinel数据的滇池湿地制图: 2; 作者罗蓉蓉董燕; 机构昆明理工大学国土资源工程学院; 出处《安徽农业科学》 2025年第4期205-208,242,共5页; 文摘基于Google Earth Engine(GEE)和Sentinel数据,结合地形数据,提取影像的光谱指数、红边指数、纹理特征、雷达特征和地形特征,通过RF-RFE方法筛选特征得到最优特征数据集,使用基于像元的方法(随机森林)和面向对象的方法(简单非迭代聚类+随机森林)实现滇池湿地制图,探讨不同分类方法、特征变量对滇池湿地制图的影响。结果表明,面向对象方法优于基于像元方法,总体精度为90.86%,Kappa系数为0.887。面向对象方法可以有效减轻“椒盐现象”,以及湿地和非湿地错分现象,RF-RFE方法可以去除冗余特征,有效提高分类效率。基于GEE平台的面向对象方法适合于高原湖泊滇池湿地制图。; 关键词滇池湿地随机森林简单非迭代聚类 Google Earth Engine SENTINEL; Keywords Dianchi Lake Wetland Random forest Simple non-iterative clustering Google Earth engine Sentinel; 分类号 S127 [农业科学—农业基础科学]; 在线阅读下载PDF 职称材料

题名基于多时相Sentinel-2影像和SNIC分割算法的优势树种识别被引量：5: 3; 作者岳巍李世明李增元刘清旺庞勇斯林; 机构中国林业科学研究院资源信息研究所、国家林业和草原局林业遥感与信息技术重点实验室; 出处《林业科学》 EI CAS CSCD 北大核心 2022年第9期60-69,共10页; 基金中国林业科学研究院资源信息研究所结余资金项目(2019JYZJ05) 国家重点研发计划项目(2020YFE0200800)。; 文摘【目的】探究将简单非迭代聚类超像素分割算法(SNIC)融合到基于多时相数据的树种分类问题中,并对比分析不同时相数据组合对分类结果的影响,实现更高效、更精准的优势树种识别。【方法】以内蒙古旺业甸林场为研究区,在Google Earth Engine(GEE)云计算平台上利用多时相Sentinel-2多光谱数据提取波段反射率特征和光谱指数特征,采用SNIC和支持向量机(SVM)机器学习分类方法,实现面向对象的优势树种识别,并分析不同时相数据组合对优势树种识别精度的影响。【结果】多时相数据组合的分类精度明显高于各季节单时相数据。对比不同多时相数据组合分类结果,春、秋2个季节时间序列组合数据的分类精度与多季节组合数据结果相近,总体精度分别为94.5%、95.0%和95.8%。【结论】基于多时相Sentinel-2影像和SNIC分割算法的面向对象分类方法能够快速、准确识别优势树种,多季节组合数据的分类结果最优,春、秋2个季节时间序列数据也能获得较好分类结果,总体精度与最优结果差距较小。; 关键词多时相简单非迭代聚类超像素分割算法树种识别时间序列; Keywords multi-temporal simple non-iterative clustering(SNIC) tree species identification time series; 分类号 Q958.15 [生物学—动物学] S154.5 [农业科学—土壤学]; 在线阅读下载PDF 职称材料

题名GEE平台下利用物候特征进行面向对象的水稻种植分布提取被引量：26: 4; 作者刘通任鸿瑞; 机构太原理工大学测绘科学与技术系; 出处《农业工程学报》 EI CAS CSCD 北大核心 2022年第12期189-196,共8页; 基金中国气象局沈阳大气环境研究所联合开放基金(2021SYIAEKFMS39) 山西省重点研发计划(国际科技合作)项目(201903D421089)。; 文摘为高效提取高精度水稻种植分布及其面积,该研究基于谷歌地球引擎(Google Earth Engine,GEE)平台,以辽宁省盘锦市为研究区,利用2020年Sentinel-2影像提取水稻生命周期内4个水稻物候期相应的光谱指数,利用简单非迭代聚类(Simple Non-Iterative Clustering,SNIC)算法来分割影像,灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)来计算纹理特征,结合支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF)算法构建6种不同的模型进行水稻种植分布提取,并基于目视解译及实地调查数据,对比6种模型提取水稻的验证精度和实测精度,确定最优模型。结果表明:在水稻种植分布提取中,面向对象方法有助于提高水稻种植分布提取精度,且RF算法优于SVM算法。其中SNIC图像分割结合RF模型具有最高提取精度,总体精度和Kappa系数分别为96.83%、0.934,经实测数据验证,水稻实测精度为95.43%,可满足区域水稻种植分布和面积监测需求。; 关键词遥感物候学面向对象法简单非迭代聚类灰度共生矩阵 Google Earth Engine(GEE); Keywords remote sensing phenology object-oriented method simple non-iterative clustering gray level co-occurrence matrix Google Earth Engine; 分类号 TP79 [自动化与计算机技术—检测技术与自动化装置] S127 [农业科学—农业基础科学]; 在线阅读下载PDF 职称材料

题名基于SNIC的双时相SAR图像超像素协同分割算法被引量：3: 5; 作者马倩邹焕新李美霖成飞贺诗甜; 机构国防科技大学电子科学学院; 出处《系统工程与电子技术》 EI CSCD 北大核心 2021年第5期1198-1209,共12页; 基金国家自然科学基金(62071474)资助课题。; 文摘针对面向区域的合成孔径雷达(synthetic aperture radar,SAR)图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题,提出了一种基于简单非迭代聚类(simple non-iterative clustering,SNIC)的双时相SAR图像超像素协同分割算法。首先,构造一幅包含双时相SAR图像特征的融合图像,计算待处理像素点到聚类中心的像素强度相似度和空间距离相似度。其次,采用一种高效的多尺度弱边缘检测算法,对双时相SAR图像分别进行边缘检测并融合边缘检测结果。最后,将像素强度相似度、空间距离相似度和边缘信息进行加权以替代原始SNIC算法中的距离测度,实现对SAR融合图像的超像素分割,得到与双时相SAR图像中真实地物边缘均贴合的协同分割结果。基于一组仿真和一组实测双时相SAR图像的超像素协同分割实验结果表明,该算法的边缘贴合率、欠分割误差和可达分割准确率均优于其他7种经典方法。; 关键词双时相合成孔径雷达图像超像素协同分割简单非迭代聚类变化检测; Keywords bi-temporal synthetic aperture radar(SAR)image superpixel copperative segmentation simple non-iterative clustering change detection; 分类号 TN957 [电子电信—信号与信息处理]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	改进的简单非迭代聚类的遥感影像分割研究	孙玮婕杨军	《计算机工程与应用》 CSCD 北大核心	2021	9	在线阅读下载PDF 职称材料
2	基于GEE云平台和Sentinel数据的滇池湿地制图	罗蓉蓉董燕	《安徽农业科学》	2025	0	在线阅读下载PDF 职称材料
3	基于多时相Sentinel-2影像和SNIC分割算法的优势树种识别	岳巍李世明李增元刘清旺庞勇斯林	《林业科学》 EI CAS CSCD 北大核心	2022	5	在线阅读下载PDF 职称材料
4	GEE平台下利用物候特征进行面向对象的水稻种植分布提取	刘通任鸿瑞	《农业工程学报》 EI CAS CSCD 北大核心	2022	26	在线阅读下载PDF 职称材料
5	基于SNIC的双时相SAR图像超像素协同分割算法	马倩邹焕新李美霖成飞贺诗甜	《系统工程与电子技术》 EI CSCD 北大核心	2021	3	在线阅读下载PDF 职称材料