面向对象和规则的高分辨率影像分类研究

随着航天遥感技术的发展,遥感数据的空间分辨率、光谱分辨率和时间分辨率极大提高,高效解译并处理海量的、具有空间几何信息和纹理信息的地物高分辨率遥感影像数据已成为遥感领域研究的重点与难点。对此,本文提出一种面向对象和规则的遥感影像数据的分类提取方法,即通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识,建立影像对象多层次网络分割分类结构,实现对遥感影像准确快速的地物分类和精度评价。以藏南地区WorldView-2影像数据为试验研究对象,采用面向对象和规则的影像分类方法进行验证试验,即综合采用均值方差法、最大面积法、精度比较法进行分析,选择3种最佳分割尺度建立多层次影像对象网络层次结构进行影像分类试验。结果表明,采用面向对象规则分类方法对高分辨率影像进行分类,能使高分辨率影像分类结果近似于目视判读的结果,分类精度更高。面向对象规则分类法的综合精度和Kappa系数分别为97.38%、0.967 3;与面向对象SVM法相比,分别高出6.23%、0.078;与面向对象KNN法相比,分别高出7.96%、0.099 6。建筑物的提取精度、用户精度分别比面向对象SVM法高出18.39%、3.98%,比面向对象KNN法高出21.27%、14.97%。     

基于对象级的ADS40遥感影像分类研究

针对ADS40影像的空间分辨率高而光谱分辨率相对不足的特点,提出了一种基于多尺度分割的对象级遥感分类方法.首先通过多尺度分割获得影像对象,然后利用对象所包含的光谱特征、几何特征、拓扑特征来确定地物识别中可能要用到的各种特征参数,并建立对象间的分类层次结构图,最后利用模糊分类器逐级分层分类来提取地物信息.研究结果表明,面向对象的分类方法与传统方法相比,可显著提高分类精度,有效抑制"椒盐现象"的产生,更加适合于几何信息和结构信息丰富的ADS40影像的自动识别分类.通过对太原市ADS40影像进行分类验证了此方法的有效性.     

面向对象的成都平原多源遥感影像分割尺度研究

要对高分辨率遥感影像进行分类,采用面向对象的遥感影像分析技术比传统的面向像元的遥感影像分析技术优越。要使用面向对象的遥感影像分析技术,关键的第一步是要对遥感影像进行分割,以便得到一系列与地物有密切联系的影像对象。分割的准确性与分割的尺度选择有关。本文针对成都平原高分辨率卫星影像分割尺度选择进行试验和研究,采用不同尺度对试验区不同分辨率遥感影像进行影像分割,并比较分割结果,得出成都平原高分辨率遥感影像数据分割最佳尺度与影像对象亮度均值标准差最大值所对应的分割尺度一致;并且遥感影像空间分辨率越高,最佳分割尺度越大,反之亦然。     

面向对象的高光谱遥感影像稀疏表示分类

稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的。文中提出一种面向对象的高光谱遥感影像稀疏表示分类方法。首先从高光谱影像中提取4个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,并选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类。实验结果表明,该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑。     

高分辨率遥感影像信息提取方法综述

感知地物信息最直接的载体就是遥感影像,从遥感影像中提取地形地物等专题信息是当前遥感技术面临的一个迫在眉睫的问题。遥感影像的空间分辨率伴随着遥感技术的飞速发展从公里级发展到厘米级,同时遥感影像所包含的信息正越来越丰富化。高空间分辨率遥感影像具有数据量极大、数据复杂以及尺度依赖的特点,使得高空间分辨率的遥感影像的数据处理以及影像信息提取具有一定的难度,面临一些急需解决的问题。文中介绍了高分辨率遥感影像信息提取的国内外研究现状和趋势,分析了几种遥感影像的分类方法,指出了面向对象的遥感影像信息提取的技术及高分辨率遥感影像的多尺度分割,并指出了国内外在遥感影像信息提取技术方面的不足和迫切需要解决的问题。     

结合空间分析的面向对象无人机影像土地利用分类

利用高分辨遥感影像进行土地利用分类,为农村土地利用动态监测及土地综合整治快速地提供基础地理空间数据。以高分辨无人机影像为数据源,研究利用面向对象多尺度分割技术结合GIS空间分析对影像进行土地利用分类。根据对象内同质性高、对象间异质性高的准则,引入加权局部方差与空间自相关指数构建全局最优分割非监督评价指数,然后利用最邻近分类器对影像进行分类。实验结果表明,该方法减少人工目视确定最优分割尺度的主观性,能够避免某些地物不能被有效归类的现象,在单一尺度下获得较高的分类精度。     

面向对象的遥感分类方法在输电线路地表信息提取中的应用

面向对象的遥感分类方法是影像分辨率越来越高的背景下的产物。本文以某特高压输电线路工程为研究对象,选取宁夏、陕西、山西、河南、安徽境内五个典型地区样本,通过影像特征分析、多尺度分割和地物分类建立了水体、建筑、林地、道路等四种典型地物的分类规则集,并对工程全线进行信息提取和精度分析。结果表明:利用面向对象的方法提取高分辨率航空影像地表信息能够为输电线路智能选线快速提供基础地理空间数据。     

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。     

融入超像素分割的高分辨率影像面向对象分类

针对高分辨率遥感影像面向对象分类中容易受分割参数的影响、分类精度不稳定的问题,本文提出了一种融入超像素分割的高分辨率影像面向对象分类方法。该方法通过简单线性迭代聚类（SLIC）算法对原始影像进行聚类生成超像素影像,并在此基础上采用分形网络演化方法（FNEA）进行多尺度分割生成同质性对象,最后利用最邻近分类方法进行地物分类。试验结果表明,该方法不易受多尺度分割参数的影响,分类效果稳定,而且分类精度明显高于传统的面向对象分类方法,对于高分辨率遥感影像的广泛应用具有重要意义。     

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。     

Object-based image analysis through nonlinear scale-space filtering

In this research, an object-oriented image classification framework was developed which incorporates nonlinear scale-space filtering into the multi-scale segmentation and classification procedures. Morphological levelings, which possess a number of desired spatial and spectral properties, were associated with anisotropically diffused markers towards the construction of nonlinear scale spaces. Image objects were computed at various scales and were connected to a kernel-based learning machine for the classification of various earth-observation data from both active and passive remote sensing sensors. Unlike previous object-based image analysis approaches, the scale hierarchy is implicitly derived from scale-space representation properties. The developed approach does not require the tuning of any parameter—of those which control the multi-scale segmentation and object extraction procedure, like shape, color, texture, etc. The developed object-oriented image classification framework was applied on a number of remote sensing data from different airborne and spaceborne sensors including SAR images, high and very high resolution panchromatic and multispectral aerial and satellite datasets. The very promising experimental results along with the performed qualitative and quantitative evaluation demonstrate the potential of the proposed approach.     

遥感模式分类中的空间统计学应用——以面向对象的遥感影像农田提取为例

如何有效地从遥感图像中提取所需信息,是遥感图像处理和应用的关键,而尺度选择问题一直是影响遥感信息提取精度的关键问题之一。本文论述了利用空间统计学方法解决遥感影像模式分类中的尺度问题的理论基础。针对面向对象影像分析问题,将影响遥感影像多尺度分割的尺度分割参数概括为空间属性分割参数、光谱属性分割参数和影像对象面积阈值参数,并分别提出了基于统计学的尺度参数估计方法。以SPOT-5影像面向对象农田提取为例,基于变异函数方法进行了尺度优选试验,系列尺度分类试验结果表明基于空间统计学尺度估计得到的尺度分割结果进行分类能得到最高的精度,进而证明了基于空间统计学方法进行面向对象信息提取尺度估计的有效性。该方法是完全数据驱动的方法,基本不需要先验知识参与。不同于以往分割后评价的尺度选择方法会占用大量计算资源且耗费大量时间,本文提出的方法不仅能在一定程度上保证面向对象信息提取的精度,而且在一定程度上也提高了面向对象信息提取的效率和自动化程度。     

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。     

面向对象的遥感影像模糊分类方法研究

传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。本文采用面向对象的影像分类方法，考虑了对象的不同特征值，例如光谱值，形状和纹理，结合上下文关系和语义的信息，这种分类技术不仅能够使用影像属性，而且能够利用不同影像对象之间的空间关系。在对诸多对象进行分类后，再进行精度分析。在此研究提出了一种面向对象的方法结合模糊理论把许多的对象块分成不同的类别。这一过程主要有两个步骤：第一个步骤是分割。图像分割将整个图像分割成若干个对象，在这个过程中，分割尺度的选择会影响到后续的分类结果和精度。第二个步骤是分类。在这个步骤中，特征值的选择和隶属度函数的选择都对分类结果有着至关重要的影响。     

使用多尺度模糊融合的高分影像变化检测

为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法.首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各...