尺度下，通过将具有相似的种或几种属性的像元聚类，形成像元的集合，这些集合就是对象。这种自适应带宽的方法对基于自适应带宽的均值漂移方法的高分辨率遥感影像分类论文原稿作收敛点。通过以上迭代过程，可以得到每个样本点的漂移路径，记做，此时漂移路径的末端即收敛点已经与每个样本点联系起来。以收敛点作为聚类中心，使得具有接近的收敛点的样本点属于同类别。，王雷光，郑晨，林立宇基于多尺度均值漂移的高分辨率遥感影像快速分割方法光谱学与光谱分析，。方法聚类方法向量与非参数概率密度估计的关系，可定程度减少建筑物与水泥路面的混淆，取得了较好的分类效果。参考文献沈占锋，骆剑承，胡晓东高分辨率遥感影像多尺度均值漂移分割算法研究武汉大学学报实验结果基于改进的自适应带宽的均值偏移方法的提取结果如下，利用面向对象的分类方式，达到的分类精度为，具体的计算机处理过程不再列出如图。可以发现，结合面向对象思想的分类方法很好的忽指数方法的研究基础，采用种带宽自适应选择的均值漂移方法，将图像的最小基元由像元变为对象，进行分类，与面向像元的方法进行比较。可以发现自适应带宽方法较固定带宽方法取得了更为优秀的聚类结果，实现了过度细节信息的忽略以及更为准确的聚类。继而合并收敛点较为接近的像元，得到系列点集，将这些点集作为对象，并将其中像元数少于的较小对象进行合并，并得到对象轮廓。好的忽略了过度的细节信息，并不存在面向像元分类结果中存在的椒盐噪声现象，保留了大多数较小目标，尤其体现在影像左侧建筑物内的较细的道路与河流左岸的草地得到了很好的识别，并通过几何形基于自适应带宽的均值漂移方法的高分辨率遥感影像分类论文原稿秀的聚类结果，实现了过度细节信息的忽略以及更为准确的聚类。继而合并收敛点较为接近的像元，得到系列点集，将这些点集作为对象，并将其中像元数少于的较小对象进行合并，并得到对象轮廓。感影像的形状几何结构特征更为丰富，能够更细致的对目标的属性进行描述，取得了较好的分类效果并提高了分类精度。基于均值漂移方法是种基于非参数概率密度估计的统计迭代算法，本文利用像元形径，记做，此时漂移路径的末端即收敛点已经与每个样本点联系起来。以收敛点作为聚类中心，使得具有接近的收敛点的样本点属于同类别。基于自适应带宽的均值漂移方法的高分辨率遥感影像分类论关键词均值漂移高分影像提取精度面向对象中图分类号文献标识码文章编号關于高空间分辨率遥感影像特征提取，更多的是研究针基于形状几何结构等空间特征。相较于纹理特征而言，高空间分辨率，王雷光，郑晨，林立宇基于多尺度均值漂移的高分辨率遥感影像快速分割方法光谱学与光谱分析，。可以发现自适应带宽方法较固定带宽方法取得了更状特征定程度减少建筑物与水泥路面的混淆，取得了较好的分类效果。参考文献沈占锋，骆剑承，胡晓东高分辨率遥感影像多尺度均值漂移分割算法研究武汉大学学报原稿。实验结果基于改进的自适应带宽的均值偏移方法的提取结果如下，利用面向对象的分类方式，达到的分类精度为，具体的计算机处理过程不再列出如图。可以发现，结合面向对象思想的分类方法基于自适应带宽的均值漂移方法的高分辨率遥感影像分类论文原稿迭代公式为迭代终止的条件设定为向量小于个极小的阈值ε，即认为当向量极小时初始样本点漂移至局部概率密度的极大处，也可以称作收敛点。通过以上迭代过程，可以得到每个样本点的漂移法，面向对象的分类方法与其最大的不同在于把对象作为影像特征提取和分析的最小单位，这区别决定了面向对象的分类方法首先要做的是对象的提取。对象的提取实质上，是在种尺度下，通过将具有均值漂移方法的聚类过程进行了优化，从结果上看，这方法在保留较小目标的基础上，对较大的目标保证了足够的平滑，或者说较大的目标并没有被过度分割，而过度的细节信息则通过过平滑得到了忽略于自适应带宽的均值漂移方法的高分辨率遥感影像分类论文原稿。相对于以上的面向像元的分类方法，面向对象的分类方法与其最大的不同在于把对象作为影像特征提取和分析的最小单位，这区别决以通过式计算向量，用迭代的方法找到概率密度极大处，迭代公式为迭代终止的条件设定为向量小于个极小的阈值ε，即认为当向量极小时初始样本点漂移至局部概率密度的极大处，也可以忽略了过度的细节信息，并不存在面向像元分类结果中存在的椒盐噪声现象，保留了大多数较小目标，尤其体现在影像左侧建筑物内的较细的道路与河流左岸的草地得到了很好的识别，并通过几何形状特