面向对象的多尺度无人机影像土地利用信息提取

选取面向对象的方法,对无人机影像进行土地利用信息提取.通过对获取的原始无人机影像进行预处理,选取合适的分割参数对实验区进行多尺度分割,找出不同地物最优分割尺度,建立多尺度分割分类的层次结构体系,然后依据地物分类特征差异,在各自最优分割尺度层建立地物特征提取规则,实现土地利用信息的提取.研究结果表明,针对无人机高分辨率影像,运用面向对象的多尺度分割影像信息提取技术,可充分利用影像中包含的纹理、形状、大小及其相互空间信息,快速、准确地进行土地利用信息提取.     

面向对象的高分辨率影像土地利用信息提取

运用面向对象的分类方法对实验区高分辨率影像进行最优分割尺度的影像分割。首先利用ESP算法确定影像的最佳分割尺度,再运用CART决策树分类对土地利用信息进行提取,并对分类结果进行后处理,进一步提高分类精度。最终分类结果精度达到80.38%。     

基于国产高分卫星面向对象城市地物最优尺度选择及评价研究

针对面向对象分类中的分割尺度问题,本文以国产高分一号卫星(GF-1)、高分二号卫星(GF-2)影像为数据源,选取沈阳市两处城区影像作为实验数据,以典型城市地物为分割对象,选择分割质量函数法、均值方差法、RMAS指数法进行尺度分割,并利用欧几里得2指数(ED2)评价其最优尺度,从而确定不同影像不同地物对应的最优尺度分割方法与尺度。     

基于RMNE方法的多尺度分割最优分割尺度选取

多尺度分割是面向对象地物信息提取技术中的重要方法之一。最优分割尺度的选取是该方法的研究热点。针对现有最优分割尺度选取方法大多仅利用对象光谱特征的局限,本文提出RMNE(the ratio of mean difference to neighbors (Abs) to entropy)方法,利用纹理特征的信息熵和光谱特征与邻域均值差分绝对值进行对象内部同质性和对象之间异质性的衡量,构建评价函数,通过绘制函数曲线选取最优分割尺度。以北京市城市边缘地区6 m空间分辨率的SPOT6多光谱影像为例进行多尺度分割,获得最优分割尺度组合为30,60和80,并与最大面积法和优度函数法选取的最优分割尺度对应的分割结果进行对比。结果表明,RMNE方法的分割结果最好,验证了该方法的有效性和对高空间分辨率影像的适用性;通过与Google Earth影像对比,发现RMNE方法分割得到的影像对象大小与地物实际大小最为相符。     

面向对象的遥感影像最优分割尺度监督评价

面向对象的遥感影像分类质量和精度,不仅取决于分类算法的好坏,而且取决于遥感影像的分割质量。以定量方法确定最优分割尺度,排除主观因素干扰,已成为影像分割质量评价的重点。以往的分割质量评价方法往往忽视了对象识别在影像分割质量评价中的重要性,因此,在分析地表真实地物和影像分割对象之间空间关系的基础上,构造出一种基于面积和位置的影像分割最优尺度评价指数;并对World View2多光谱影像进行分割实验,确定了不同地物的最优分割尺度。研究结果表明,该方法在影像分割结果评价和参数优化方面具有更大的优势,不仅可以评价遥感影像分割质量、进行分割尺度参数优化,而且在分割质量评价过程中减少了人为干预,提高了方法的客观性。     

基于最优尺度和规则的高分辨率影像分类研究

高分辨率影像的广泛应用推进面向对象影像分析(OBIA)的发展,而分割作为面向对象分类的关键步骤,其尺度的选择直接关系到地物信息的提取。空间尺度是地物的固有属性,在合适的分割尺度下可以更好地挖掘地物信息。本文结合最大面积法和分割质量评价模型对张山营镇影像进行分割实验,先通过分析对象最大面积初步得到最优尺度范围,后结合分割质量评价模型以确定最优分割尺度层次。在此基础上,综合样本提取的光谱、纹理等特征进行规则训练,最终完成面向对象的土地覆被分类研究。结果显示:基于多层次最优尺度的规则分类方法获得更好的分类结果,其总体精度为88.8%,Kappa系数为0.861,而基于单一尺度的最邻近法总体精度81.4%,Kappa系数0.773,基于单一尺度的规则分类法总体精度为83.2%,Kappa系数为0.85。     

高分辨率遥感影像多尺度分割中最优尺度选取方法综述

目前,对高分辨遥感影像进行地物获取一般采用面向对象的理念,而影像分割是面向对象理念中至关重要的初始环节,分割结果的好坏将直接影响后续的分类工作,分割尺度的选取已经成为了当前研究的一个热点。本文详细总结了前人对高分辨遥感影像多尺度分割中最优尺度的获取方法,指出了各方法的不足之处,并提出了尺度评定的研究前景。     

无人机高空间分辨率影像分类研究

本文利用无人机影像进行土地利用类型研究,面向对象方法对影像分割,获取了最佳分割尺度;根据各土地类别的特征信息建立分类定义,提出了快速、准确获取土地利用类型的方法。研究结果表明,运用面向对象方法能很好地解决无人机高分辨率影像分类问题,其中关键是影像分割尺度的选择和影像对象特征信息的提取。     

Landsat 8多光谱数据辅助下的高分影像多尺度分割

为解决高分影像分割的边缘锯齿性明显等问题，本文以黑龙江省伊春市桦皮羌子林场为研究区开展了有无多光谱数据辅助的高分影像分割对比试验。首先，本文设计了多尺度分割算法的相同尺度参数下分割试验，确定了该算法分割GF-2影像时应采用的最佳同质性准则组合参数；然后，基于影像分割对象同质性局部方差变化率反映最优分割尺度的思想，利用ESP2工具找出固定尺度范围内的最优分割尺度范围；最后执行最佳同质性准则组合参数配合下的最优分割尺度范围内各个尺度下的多尺度分割，并采用矢量距离指数、紧密度指数、形状指数对2种分割试验结果进行了评价。结果表明，与GF-2影像独立分割相比，Landsat 8多光谱数据辅助下的GF-2影像分割在矢量距离指数、紧密度指数、形状指数的质量上均有提升，平均提升率分别为8.05%、28.40%、11.76%。     

面向对象影像多尺度分割最大异质性参数估计

多尺度分割是遥感影像分析的关键步骤,影像分割过程中的尺度参数选择直接关系到面向对象影像分析的质量和精度。首先,总结了面向对象影像分析中尺度概念的内涵,分析遥感影像空间和属性两大基本特征,依据空间统计和光谱统计获得理论上最优的空间尺度分割参数、属性尺度分割参数。其次,运用了基于谱空间统计的高分辨率影像分割尺度估计方法,分析了分形网络演化多尺度分割与影像谱空间统计特征的关系,进而将基于谱空间统计的面向对象影像分析尺度参数应用于分形网络演化多尺度分割算法中,最后,对其参数的合理性进行验证。研究采用高空间分辨率IKONOS和SPOT 5影像数据,选择建筑实验区和农田实验区进行空间和光谱特征统计,以进一步估计分割中的最佳尺度参数。使用分形网络演化方法对图像进行分割,利用监督分类对本文提出的尺度估计方法进行验证,验证结果表明尺度估计方法可以一定程度上保证后续的面向对象影像分类的精度。不同于以往分割后评价的尺度选择方法会需要大量的运算量,本文方法不需要先验知识的参与,且在分割前就可以自适应地估计出相对较为合适的尺度参数,提高了面向对象信息提取的自动化程度。     

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。     

基于相似度验证的自动变化探测研究

变化检测技术越来越多地应用于城市遥感分析和应用领域,但目前城市变化检测的研究主要基于中低空间分辨率的遥感数据,使用的方法也主要是像元直接比较法或者是分类后比较法。提出一种基于变化向量分析和相似度验证相结合的变化检测方法,应用高空间分辨率影像来快速实现城市建筑物、街道等目标的自动变化检测。并详细阐述了变化目标的提取以及验证的方法和过程,其结果真实地反映了地面目标的实际变化程度和类型。     

Utilizing the Potential of World View −2 for Discriminating Urban and Vegetation Features Using Object Based Classification Techniques

With the availability of very high resolution multispectral imagery, it is possible to identify small features in urban environment. Because of the multiscale feature and diverse composition of land cover types found within the urban environment, the production of accurate urban land cover maps from high resolution satellite imagery is a difficult task. This paper demonstrates the potential of 8 bands capability of World View 2 satellite for better automated feature extraction and discrimination studies. Multiresolution segmentation and object based classification techniques were then applied for discrimination of urban and vegetation features in a part of Dehradun, Uttarakhand, India. The study demonstrates that scale, colour, shape, compactness and smoothness have a significant influence on the quality of image objects achieved, which in turn governs the classified result. The object oriented analysis is a valid approach for analyzing high spatial and spectral resolution images. World View 2 imagery with its rich spatial and spectral information content has very high potential for discrimination of the less varied varieties of vegetation.     

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。     

面向对象的高分辨率遥感影像建筑物震害信息提取

建筑物的倒损信息是震后灾害评估的一项重要指标。文中应用震后高分辨率遥感影像数据,采用面向对象分类方法,以最优分割参数对影像进行分割,构建多尺度影像对象层次结构。通过影像对象的光谱、形状、纹理等特征及空间拓扑关系建立分类规则库,提取基本完好、受损和完全倒塌三类破坏等级的建筑物震害信息。结果表明,面向对象分类方法能够实现提取三类等级的建筑物震害信息,从而满足地震灾害快速评估要求。     

Evaluation of diverse classification approaches for land use/cover mapping in a Mediterranean region utilizing Hyperion data

Information on Earth's land surface cover is commonly obtained through digital image analysis of data acquired from remote sensing sensors. In this study, we evaluated the use of diverse classification techniques in discriminating land use/cover types in a typical Mediterranean setting using Hyperion imagery. For this purpose, the spectral angle mapper (SAM), the object-based and the non-linear spectral unmixing based on artificial neural networks (ANNs) techniques were applied. A further objective had been to investigate the effect of two approaches for training sites selection in the SAM classification, namely of the pixel purity index (PPI) and of the direct selection of training points from the Hyperion imagery assisted by a QuickBird imagery and field-based training sites. Object-based classification outperformed the other techniques with an overall accuracy of 83%. Sub-pixel classification based on the ANN showed an overall accuracy of 52%, very close to that of SAM (48%). SAM applied using the training sites selected directly from the Hyperion imagery supported by the QuickBird image and the field visits returned an increase accuracy by 16%. Yet, all techniques appeared to suffer from the relatively low spatial resolution of the Hyperion imagery, which affected the spectral separation among the land use/cover classes.     

Land Cover/Land use Mapping Using Different Wavelet Packet Transforms for LISS IV Madurai Imagery

Texture in high resolution satellite images requires substantial improvement in the conventional segmentation algorithms. The use of wavelet packet transforms for texture analysis and image classification of high spatial resolution LISS IV imagery provide more details about the urban areas. This paper analyses the performance of a combination of Wavelet Packet Statistical Features (WPSFs) and Wavelet Packet Co-occurrence Features (WPCFs) for the classification of LISS IV images. The classification accuracy per pixel is improved in this paper by varying the window size. Four indices—user’s accuracy, producer’s accuracy, overall accuracy and kappa co-efficient are used to assess the accuracy of the classified data. Experimental results show that a multi-band and multi-level wavelet packet approach can be used to drastically increase the classification accuracy.