面向对象方法支持下的土地利用分类

面向对象的影像分析技术在高分辨率影像地物信息的提取中有着重要应用.利用Sentinel-2高分辨率多光谱影像数据,以合肥市包河区作为研究区域,应用多尺度分割技术将影像分割成对象,并对特征空间进行选择和优化,基于面向对象分类方法提取出研究区域最近邻的六种典型地物,分类结果与面向像元的最大似然分类、支持向量机、神经网络的结果进行比较.结果表明:利用面向对象方法进行土地利用分类的总体精度88.90％,Kappa系数为0.8579,优于三种传统的监督分类方法.证明了面向对象的影像分析技术在土地利用分类中的实用性.     

优化BP神经网络的多特征融合遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值和单一影像特征缺乏有效地物判别信息的问题,该文提出了一种遗传算法(GA)结合指数粒子群算法(ExpPSO)优化BP神经网络的多特征融合遥感影像分类方法(GA-ExpPSO-BP).该方法将设计的基于指数函数的ExpPSO与GA结合构建GA-ExpPSO算法,利用GA-ExpPSO算法对BP神经网络的权阈值进行初始寻优从而构建GA-ExpPSO-BP模型.以高分二号、资源三号遥感影像为实验数据,通过制作多特征融合数据集训练及实验验证.结果 表明:该方法的类别精度、总体精度和Kappa系数均最高,且训练耗时和误差最小,能有效改善影像的分类效果,提高分类效率和精度.     

面向对象分类的决策树方法探讨——以Landsat-8OLI为例

针对目前遥感影像分类中面向对象和决策树相结合的研究较少的情况,该文提出基于C5.0决策树的面向对象分类方法,并以广州市从化区进行实证研究。基于Landsat-8OLI影像数据,采用面向对象分类对影像进行多尺度分割,提取出影像对象的光谱、纹理特征以及影像对象相对应的DEM信息;然后利用C5.0决策树根据特征信息来挖掘分类规则;最后根据规则对分割后影像进行分类。结果表明,基于C5.0决策树的面向对象影像分类精度高、效果好,总体精度和Kappa系数分别为89.75%和87.5%。该方法可准确、快速地提取土地利用/覆被信息。     

基于BP神经网络高光谱图像分类研究

遥感影像常常存在"异物同谱"现象,影响了遥感影像的分类精度。为了提高分类精度,本文提出了基于BP神经网络的分类算法。采用环境一号卫星HJ-1A星上搭载的超光谱成像仪(HSI)获取的高光谱数据,利用BP神经网络对黄岛区进行遥感图像分类,根据得到的分类结果对原图像进行"异物同谱"现象纠正后重新选取训练样本,然后利用BP神经网络再分类,从而有效解决了"异物同谱"现象。实验结果表明,经处理后的高光谱影像的分类精度得到显著提高,分类总体精度为92.386 5%,比异物同谱纠正前提高了7.83%,Kappa系数也从0.768 2提升到了0.885 8。     

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。     

高精度地表覆盖数据优化分割的土地利用分类

针对土地利用类型多样、特征易混淆和高分辨率遥感影像信息海量、人工提取费时费力等问题,该文以北京二号卫星影像为数据源,采用高精度地表覆盖数据优化分割的面向对象分析方法、无地表覆盖数据辅助分类的面向对象分析方法,运用朴素贝叶斯、CART决策树、随机森林和K最邻近分类器,开展武功县土地利用分类,并对分类结果进行精度评估.结果 表明:①与无地表覆盖数据辅助分类方法相比,高精度地表覆盖数据优化分割的面向对象分类方法,在精度方面有较大的提升,其分类总体精度提高18.73％,Kappa系数提高0.21;②随机森林对于土地类型多样的影像对象具有较好的识别能力,获得较高的总体精度(95.3％)和Kappa系数(0.94).研究表明一种利用高精度地表覆盖数据优化影像分割的土地利用分类方法具有更好的可行性和鲁棒性.     

三凯高速路域ZY-3影像分类方法对比研究

以贵州省三凯高速路段资源三号遥感影像为例,对比分析支持向量机监督分类、ISODATA非监督分类以及SVM面向对象分类方法的成果与精度,研究这三种分类方法在资源三号影像分类上的适用性。研究结果表明,监督分类与面向对象分类效果良好,其总体分类精度、Kappa系数等指标,都要明显优于非监督分类。对于不同地物分布以及光谱信息的资源三号影像,监督分类与面向对象分类各有优势,可以视情况选择。     

加权变异粒子群BP神经网络在遥感影像分类中的应用

在经典的BP神经网络框架支撑下,利用加权变异粒子群算法使神经网络的训练更加科学,同时也更好地发挥了粒子群算法的优点,使其分类效果更加精准。实验后的分类结果表明,与改进之前的BP神经网络相比,总体精度和Kappa系数分别提高了0.108 3和0.138 3;与支持向量机、最大似然及最小距离等分类方法进行了对比,分类效果均优于以上方法。加权变异粒子群BP神经网络不仅可以实现遥感影像的高精度分类,对解决"同谱异物"和"异物同谱"现象也具有一定的作用。     

面向对象的资源三号卫星影像分类研究

资源三号卫星影像数据目前广泛用于地形测绘、资源监测、地理国情监测等领域。本文主要针对资源三号卫星影像数据,以南京市玄武区为例,研究了适合国产高分辨率卫星影像的分类技术方法。分别采用面向对象的KNN分类方法和SVM分类方法对影像进行分类,并对分类结果的精度进行了分析和评价。研究结果表明,在对遥感影像采用合适的分割尺度进行分割后,采用基于面向对象的SVM分类方法得到的结果,其总体分类精度为90.72%,Kappa系数为86.64%,远高于采用基于面向对象的KNN分类方法得到的结果。因此,面向对象的SVM分类方法更适合于资源三号卫星影像的分类。     

结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。     

基于决策树方法的遥感分类研究

利用监督分类和决策树分类2种方法对研究区域进行地表覆盖分类,将分类结果与Google Earth影像、地形图对比进行精度评定。结果表明,决策树分类总体精度和Kappa系数分别为86.462 9%和0.827 1,较监督分类的总体精度和Kappa系数分别提高了5.347%和0.067 1,对于地形复杂的地区,能有效提高分类精度。     

利用Sentinel-2A影像的面向对象特征湿地决策树分类方法

苏州市湿地众多、类型多样化、周围环境复杂,使用传统的遥感分类方法很难得到精度较高的湿地分类结果。研究了面向对象特征的湿地决策树分类方法,以苏州市澄湖地区为研究区域,使用欧空局的Sentinel-2A影像,先将研究区域分为湿地水体、植被和非植被3大类型,再分别构建鱼塘、河流、湖泊、农田和裸地等面向对象特征,据此实现湿地遥感分类。研究结果表明,该方法能够有效利用遥感影像提供的光谱特征、几何特征和纹理特征等多种丰富信息,产生较高的分类精度,总体分类精度可达80.67%,Kappa系数为77.80%。与传统的基于中低分辨率遥感影像的分类方法相比,该方法可以有效提取湿地不同地物对象的几何结构和纹理等特征,在提高湿地分类精度的同时实现对大面积湿地的快速动态监测。     

面向对象的天绘遥感影像分类

天绘一号是我国第一代传输型立体测绘卫星,主要用于科学研究、国土资源普查、地图测绘等领域的科学实验任务。以天绘影像为实验数据,利用面向对象的影像分割技术,通过选择合适的尺度参数对影像进行分割。结合SVM对得到的影像对象层进行分类实验。具体分析了SVM分类器核函数的选择以及参数的设置对分类精度的影响。最终分类实验结果的总体精度为90.857 1%,Kappa系数为0.858 1。将分类结果与传统基于像元的马氏距离分类法和最大似然值分类法的分类结果进行比较,总体精度分别提高了约29.29%、5.91%,Kappa系数分别提高了约0.35、0.06。实验结果表明,面向对象的SVM分类法不仅对影像分类的精度有大幅度的提高,同时,也很好地解决了传统基于像素分类法出现的"椒盐"现象,是一种很有优势的影像分类法。     

辅以纹理特征的高分辨率遥感影像分类

为了提高对高分辨率影像的分类精度,通过灰度差矢量法快速提取纹理特征,利用BP神经网络并辅以纹理特征,对一幅江西某地0.2m分辨率的航空影像进行分类。结果显示,对比度纹理特征能较好地反映该影像的纹理信息;对光谱特征不典型、纹理特征明显的人工树林,分类精度可达到90%以上;增加纹理特征后,影像分类的总精度也由55%提高到94%。表明这种结合纹理特征和BP神经网络的分类方法,能提高对高分辨率影像分类的精度。     

无人机多光谱影像土地利用信息提取方法研究

以无人机多光谱和倾斜影像为数据源,运用面向对象自动分类的方法,首先利用分型网络演化分割算法(Fractal Net Evolution Approach,FNEA)进行分割实验,确定研究区每个地类最优分割尺度,并结合多光谱影像的光谱特征、纹理特征、空间特征、语义关系以及通过倾斜摄影提取的数字表面模型(Digital Surface Model,DSM)和其衍生的坡度数据等,构建研究区分类规则集,并采用多尺度分割后的多层次信息提取方法,将地物分为3个尺度,在不同尺度下提取相应的地物,总体精度为88.03%,Kappa系数为86.12%,分类结果较好。同时设置对比实验,利用传统的决策树方法分类,其总体精度仅为77.78%,Kappa系数为74.23%。研究表明,针对无人机的高分辨率多光谱影像面向对象的多尺度信息提取方法在信息提取时要优于决策树分类方法,同时验证了该多光谱传感器在信息提取上应用的可行性。     

基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

西北旱区遥感影像分类的支持向量机法

针对较大范围、不同时相、不同气候和地貌类型的遥感影像的土地利用现状分类问题,提出了一种结合标准植被指数和纹理特征的支持向量机法。此方法改进了陕西延安、甘肃嘉峪关和青海果洛的遥感影像分类,有效地解决了最大似然法和BP神经网络法的缺陷造成的分类精度不高的问题。分类结果表明:与最大似然法和BP神经网络法相比,结合标准植被指数和纹理特征的支持向量机法的分类总精度最高(97.75%),Kappa系数为0.9691。该方法可为西北旱区遥感影像解译和土地资源可持续发展战略提供方法支撑。     

基于面向对象CART决策树的土地利用分类研究

面向对象的CART决策树分类方法可解决目前流行的监督分类、非监督分类以及模糊分类方法中“同物异谱、异物同谱”引发的漏分、错分问题。该方法融入了形状和纹理特征进行分类,同时运用二级分类体系解决了相似地物因光谱、纹理不同而导致的地物错分问题,分类效果较好。利用楚雄市鹿城镇2013年GF-1号遥感影像进行土地利用分类。结果表明：(1)基于光谱、形状和纹理信息选取的19个特征变量开展面向对象的CART决策树分类,总体精度可达90.22%,其中林地分类的效果最好;(2)二级分类体系解决了耕地、裸地因光谱、纹理特征多样而产生的地物错分问题,总体精度提高了7.06%,Kappa系数提高了8.17%。     

基于TM影像的面向对象地表覆被信息提取

为验证基于TM影像的面向对象分类方法对复杂地区地表覆被信息提取的可行性,以地处西南地区的渝北为例进行实验。利用样本数据对各个波段的光谱特征进行分析,取得对各波段覆被探测能力的初步认识;基于光谱特征的多尺度分割,运用面向对象分类方法对其分类。面向对象的分类方法总精度和Kappa系数分别为88.42%和0.854 7,将其与监督、非监督分类结果对比分析。结果表明,该方法有效抑制了"椒盐"现象,取得较好的分类结果。     

结合面向对象和深度特征的高分影像树种分类

针对传统手工提取特征方法需要专业领域知识，提取高质量特征困难的问题，将深度迁移学习技术引入到高分影像树种分类中，提出一种结合面向对象和深度特征的高分影像树种分类方法。为了获取树种的精确边界，该方法首先利用多尺度分割技术分割整幅遥感影像，并选择训练样本作为深度卷积神经网络的输入。为了避免样本数量少导致过拟合问题，采用迁移学习方法，使用ImageNet上训练的VGG16模型参数初始化深度卷积神经网络，并利用全局平局池化压缩参数，在网络最后添加1024个节点的全连接层和7个节点的Softmax分类器，利用反向传播和Adam优化算法训练网络。最后分类整幅遥感影像，生成树种专题地图。以安徽省滁州市的皇甫山国家森林公园为研究区，QuickBird高分影像作为数据源，采用本文方法进行树种分类。试验结果表明，本文方法树种分类总体精度和Kappa系数分别为78.98%和0.685 0，在保证树种精度的同时实现了端到端的树种分类。