基于光谱特征的湿地湿生植物信息提取研究

基于湿生植物光谱特征分析,采用面向对象分类方法提取湿地典型植被信息。在大量的野外实地调查基础上,确定提取的典型植物类型为芦苇(Phragmites australis)、长芒稗(Echinochloa crusgallii)和睡莲(Nymphaeatetragona);采集湿地优势植物光谱数据,将优势植物与提取对象芦苇、长芒稗和睡莲的光谱特征进行相关性分析,获取物种间区分性好的波段及波段组合,参与影像分割权重的设置;根据典型植被的分布特征,确定面向对象分割尺度(其中芦苇的分割尺度为50,长芒稗的分割尺度为20,睡莲的分割尺度为100)。通过研究发现:基于光谱特征分析的面向对象的分类精度为96%,而未利用光谱特征的面向对象的分类精度为87.3%,传统监督分类精度仅为82.3%。证明在面向对象提取前对植物光谱特征分析得到区分性好的波段及波段组合参与分割,对提高分类精度起关键作用。     

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。     

面向对象矿区复垦植被分类最优分割尺度研究

针对面向对象分类中直接影响最终分类精度的分割尺度问题,该文通过基于对象的精度评价,定量对比分析eCognition软件自带的ESP工具、欧几里得距离二指数(ED2)和分割误差(SE)3种分割尺度选择方法,研究不同尺度在矿区复垦植被面向对象分类的精度差异,为高分遥感数据分割尺度的选择提供定量的标准。得出结论:分割尺度的微小变化会导致分类结果的显著差异;ESP工具分类精度最低,SE和ED2全面考虑参照样本与分割对象之间的特征和几何差异,可显著提高面向对象分类精度;将SE和ED2作为最优分割尺度选择算法嵌入面向对象分类体系中,可以快速获取最优分割尺度。     

国产高分辨率遥感数据城市绿地提取研究

针对国产高分辨率遥感数据在城市绿地信息提取中分割尺度选择问题,选取国产高分一号(GF-1)和中巴地球资源卫星04星(CBERS-04)遥感数据,在数据融合的基础上,采用控制变量法选取影像分割与合并尺度进行绿地信息提取,通过信息提取精度评价确定最优分割尺度。实验结果表明,对于GF-1和CBERS-04国产遥感数据,面向对象的方法均优于基于像元的方法,其中5m分辨率CBERS-04数据,面向对象方法绿地提取精度为90.53%,基于像元方法绿地提取精度为86.54%,推荐分割尺度与合并尺度为(25,70);2m分辨率GF-1数据,面向对象方法绿地提取精度为97.09%,基于像元方法绿地提取精度为83.49%,推荐分割尺度与合并尺度为(45,80)。研究结果能够为国产高分遥感数据城区绿地信息提取和地物分类过程中尺度选择提供借鉴和支持。     

多尺度下的半自动面向对象SAR影像分类

给出了一种评估不同分割尺度的总分类精度,搜寻最高精度分类结果的半自动面向对象SAR影像分类方法.首先训练像素样本;然后利用分水岭分割SAR数据的幅度影像,基于极化散射特征合并初始分割区域,得到不同尺度下的影像分割结果,利用样本坐标确定分割区域,计算各区域内强度、散射角、熵、反熵以及相干矩阵的最大特征值(λ1)等特征的平均值.将上述平均值作为分类特征以训练对象样本;再利用SSVM执行分类,通过评估不同分割尺度下的分类结果,搜寻最高总分类精度.该方法在减少人为干预的条件下,半自动搜寻到了适合分类的分割尺度,解决了尺度选择问题,实现了面向对象的SAR影像分类.采用该方法对荷兰Flevoland地区的SAR影像进行了实验.结果表明,本文方法的总分类精度达到了93.32％,与基于像素的分类精度(76.52％)相比,精度得到了提高.     

基于面向对象算法的道路信息提取研究

道路作为重要的基础设施,其信息的快速提取对于地面空间数据库的更新具有重要的理论与现实意义。本文将面向对象的思想引入影像道路分析提取中,按照局部区域与相邻区域的"异质"特征对高分辨率影像进行多尺度分割,产生"同质"像素集,得到最优尺度参数;然后通过探究最优特征组合及最邻近分类提取,面向对象道路提取用户精度可以达到96.5%。通过多次实验对比分析,旨在探索基于面向对象算法道路信息提取的最佳方法。     

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。     

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。     

影像与激光雷达数据的城市地物信息提取

针对城市地物信息提取中地物边界难以确定、分类精度不高的问题,该文提出一套综合利用影像及激光雷达点云高程信息的面向对象分类方法。在分割中,各类地物的最佳分割尺度由监督法分割精度评价确定,最终分割结果利用粒度理论下的分割尺度综合方法进行合成,能兼顾不同地物最优分割尺度,获得准确地物边界;在分类中,采用ReliefF特征选择算法度量从影像及点云数据提取的对象特征重要度,选择最佳特征组合,并采用多分类器组合方法进行分类,以消除Hughes现象,提高分类精度。选择德国斯图加特市两块实验区进行分类实验,结果表明:该方法有利于提高大范围城市地物精细信息提取的精度和效率,具有较高的应用价值。     

高分辨率影像分类的最优分割尺度计算

针对高分辨率遥感影像分类与信息提取中存在的难点,基于不同目标地物在高分辨率影像上具有对应最优分割尺度的基本思想,该文在分析现有最优分割尺度确定方法的基础上,提出了加权均值法结合最大面积的最优分割尺度的确定方法;利用该方法,进行了高分辨率影像分割实验,获取了对应典型地物的最优分割尺度数值范围,实现了典型地物的信息提取;并运用样本点检验的方法,计算并分析了分类的精度结果。结果表明:基于加权均值与最大面积相结合的最优分割尺度计算方法,应用于面向对象高分辨率影像信息的提取具有较为理想的精度。     

面向对象影像分类中基于最大化互信息的特征选择

高分辨率影像面向对象分割后产生了大量的光谱、形状以及纹理特征,如何抽取出最佳特征子集是遥感影像识别的重要问题.本文利用最大化互信息统计独立准则抽取最优特征子集,提高了面向对象遥感影像分类精度.基本过程包含以下3个方面:首先,利用eCoginition软件对高分辨遥感影像进行对象分割;然后,基于互信息最大关联、最小冗余准则(mRMR)获取优选的特征子集;最后,基于支持向量机分类器完成影像分类.以福建省漳州市QuickBird数据为例的实验表明,该方法能够有效提高遥感影像的分类精度,平均误分率降低了约4%.     

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.     

面向对象的三亚珊瑚礁底质信息提取

珊瑚礁对于海洋生态环境研究具有重要意义,通过分析珊瑚礁底栖物质的分布及健康状况,可以对珊瑚礁生态环境进行评估。本文提出了一种基于面向对象的图像分类方法,通过试验确定不同地貌的最优分割尺度,其中陆地和深海的最优分割尺度为150,各类底栖物质的最优分割尺度为30。以Sentinel-2A卫星遥感影像为例,提取海南三亚珊瑚礁自然保护区的珊瑚礁底栖物质,并使用混淆矩阵对提取结果进行精度评估。结果表明,底栖物质提取总体分类精度为87.91%,Kappa系数为0.83。面向对象分类方法可有效结合珊瑚礁底栖物质的纹理特征和光谱特征,并充分利用遥感影像不同波段的组合特性,可为三亚珊瑚礁保护管理提供方法支撑。     

航空影像农田类型分类在地理国情监测中的应用研究

航空影像的植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取农田类型。本文以江苏农田为主要覆盖的典型区域为研究对象,选择航空影像利用随机森林算法提取不同的农田信息。本研究采用多尺度的分割方法,面向对象实现特征信息提取。根据光谱、纹理以及几何形状特性筛选出较为合适的特征作为参数,利用随机森林算法实现植被二级分类,分类精度达到84.60%,KAPPA系数为0.753,可为地理国情生产提供一定的参考。     

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.     

面向对象的覆膜农田信息遥感表征方法

为解决复杂土地利用背景下覆膜农田信息遥感提取方法缺乏的问题,该文以河套灌区为研究区,以Sentinel-2A卫星数据为基础,结合面向对象影像分析和随机森林算法,开展了复杂土地利用背景下灌水与无灌水覆膜农田信息遥感同步提取研究。首先进行遥感影像尺度分割研究,优选出最佳分割尺度。在此基础上,提取光谱特征、纹理特征、几何特征,获取优化特征子集,并采用随机森林机器学习算法表征覆膜农田信息。研究表明,结合利用Sentinel-2A数据与OBIA方法能够有效表征覆膜农田信息,总体精度达93.03%,Kappa系数为0.91;其中,灌水覆膜农田用户精度为91.35%,制图精度为88.57%;无灌水覆膜农田用户精度为97.10%,制图精度为98.63%。研究证明了Sentinel-2A卫星数据和OBIA方法和机器学习算法在覆膜农田信息遥感表征中的应用潜力,能够为地物信息遥感表征研究中提供参考依据。     

面向对象方法的时间序列MODIS数据湿地信息提取——以洞庭湖流域为例

以洞庭湖流域为研究区,对大范围湿地信息遥感提取方法进行了研究。先基于时间序列MODIS EVI及物候特征参数,通过J-M(Jeffries-Matusita distance)距离分析,构建了MODIS(250 m)最佳时序组合分类数据;其次,通过Johnson指数确定了最佳分割尺度,采用面向对象的遥感分类方法(Random tree分类器)提取了洞庭湖流域的湿地信息,并验证该方法的适用性。研究结果表明,基于时序数据与面向对象的Random tree分类的总体精度和Kappa系数分别为78.84%和0.71,较之基于像元的相同算法的总体分类精度和Kappa系数分别提高了5.79%和0.04。同时,基于面向对象方法的湿地整体的用户精度与生产者精度较基于像元方法分别提高了4.56%和6.21%,可有效提高大区域湿地信息提取的精度。     

一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进行拼接,实现土地利用分类.结果表明,与传统的面向对象分类方法相比,该方法的分类精度更高.     

皖南低山丘陵破碎带植被信息提取方法

以芜湖市繁昌县为例,利用多尺度多变量的面向对象影像分析方法,结合HJ1-CCD、Landsat5 TM以及DEM数据,研究了低山丘陵复杂背景下植被信息遥感提取方法。针对不同植被类型,选用适宜分割尺度进行影像分割,构建面向对象的分类规则集进行研究区植被信息分类,植被提取总体精度达到了80.8%。