特征优选下的遥感影像面向对象分类规则构建

针对分类规则及其阈值的确定主要依赖人工经验、通用性差问题,该文提出了特征优选支持的面向对象分类规则构建方法。该方法利用面向对象技术,首先使用Boruta算法对先验样本数据集进行特征选择,然后根据隶属度函数构建分类规则集,最后引入置信区间概念,确定分类规则的阈值。以德国波兹坦地区的航空影像、数字表面模型(DSM)以及地面真实参考影像为实验数据,构建城市建筑、城市绿地(包括草地和树木)这两种地类的分类规则,利用不同数量的训练样本,开展面向对象分类实验,与支持向量机(SVM)监督分类方法进行对比分析。实验结果表明,在相同的优选特征下,利用置信区间确定阈值得到的分类规则,提取效果及分类精度更好,尤其在训练样本量少的情况下,该方法得到的分类精度比SVM高30%～40%。     

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。     

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%。     

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。     

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。     

基于面向对象特征提取的BP神经网络分类——以武陵源地区为例

采用面向对象影像分类与BP神经网络分类相结合的方法,对高分辨率无人机影像进行土地利用分类。利用光谱、形状、纹理、对象间关系等影像特征,通过基于面向对象的方法对影像提取特征进行初步分类,再将初步分类结果应用于BP神经网络,结合原影像数据进行进一步分类,提高分类精度、纠正分类错误。结果表明,该方法最终分类结果达到了88.9%的总体分类精度和0.863的Kappa系数,影像分类结果对比传统影像分类方法的总体精度与Kappa系数均有所提高。     

基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类

针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络（LDCNN）深层次特征进行多核SVM分类的场景分类方法。首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核函数加权融合成为一个新的合成核;最后进行多核SVM分类。试验表明,本文方法不仅特征维度低,且通过多核SVM能够充分结合各层特征的优点,在两个标准数据集上均取得了99%以上的分类精度。此外,该试验还证明了本文方法具有较强的迁移学习能力。     

人工蜂群算法优化的SVM遥感影像分类

SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。     

GF-2影像面向对象典型城区地物提取方法

国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。     

基于不同分辨率遥感影像的分类方法对比研究

基于4种不同分辨率的遥感影像数据,分别为30 m分辨率的Landsat-8数据,融合Landsat-8多光谱波段和全色波段的15 m分辨率数据,5.8 m分辨率的资源3号卫星数据以及融合后2.1 m分辨率的资源3号卫星数据。采用ISO-DATA、最大似然分类法和面向对象分类法对影像进行分类,对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。结果显示在低分辨率影像中,面向对象方法受到限制,分类效果相比传统方法没有太大改善;而在高分辨率影像中,面向对象方法分类效果很好,并且随着分辨率提高分类精度也相应的提高。     

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CART决策树的高分二号洞庭湖区湿地分类方法

高分卫星遥感湿地分类的关键在于解决“同物异谱、异物同谱”难题。本文将当前应用前景广泛的亚米级国产高分二号（GF-2）影像和CART决策树面向对象分类算法相结合,以湖南沅江为例进行洞庭湖区典型湿地的分类提取工作,选取包括光谱信息、几何特征、地形特征和纹理特征等多维对象特征对分类器进行训练,构建了多维特征湿地分类方法。试验区总体分类精度优于传统方法,可为基于GF-2影像的洞庭湖湿地分类提供技术参考。     

Fusion of HJ1B and ALOS PALSAR data for land cover classification using machine learning methods

Image classification from remote sensing is becoming increasingly urgent for monitoring environmental changes. Exploring effective algorithms to increase classification accuracy is critical. This paper explores the use of multispectral HJ1B and ALOS (Advanced Land Observing Satellite) PALSAR L-band (Phased Array type L-band Synthetic Aperture Radar) for land cover classification using learning-based algorithms. Pixel-based and object-based image analysis approaches for classifying HJ1B data and the HJ1B and ALOS/PALSAR fused-images were compared using two machine learning algorithms, support vector machine (SVM) and random forest (RF), to test which algorithm can achieve the best classification accuracy in arid and semiarid regions. The overall accuracies of the pixel-based (Fused data: 79.0%; HJ1B data: 81.46%) and object-based classifications (Fused data: 80.0%; HJ1B data: 76.9%) were relatively close when using the SVM classifier. The pixel-based classification achieved a high overall accuracy (85.5%) using the RF algorithm for classifying the fused data, whereas the RF classifier using the object-based image analysis produced a lower overall accuracy (70.2%). The study demonstrates that the pixel-based classification utilized fewer variables and performed relatively better than the object-based classification using HJ1B imagery and the fused data. Generally, the integration of the HJ1B and ALOS/PALSAR imagery can improve the overall accuracy of 5.7% using the pixel-based image analysis and RF classifier.     

A comparative assessment between object and pixel-based classification approaches for land use/land cover mapping using SPOT 5 imagery

Abstract

Land use/land cover (LULC) classification with high accuracy is necessary, especially in eco-environment research, urban planning, vegetation condition study and soil management. Over the last decade a number of classification algorithms have been developed for the analysis of remotely sensed data. The most notable algorithms are the object-oriented K-Nearest Neighbour (K-NN), Support Vector Machines (SVMs) and the Decision Trees (DTs) amongst many others. In this study, LULC types of Selangor area were analyzed on the basis of the classification results acquired using the pixel-based and object-based image analysis approaches. SPOT 5 satellite images with four spectral bands from 2003 and 2010 were used to carry out the image classification and ground truth data were collected from Google Earth and field trips. In pixel-based image analysis, a supervised classification was performed using the DT classifier. On the other hand, object-oriented (K-NN) image analysis was evaluated using standard nearest neighbour as classifier. Subsequently SVM object-based classification was performed. Five LULC categories were extracted and the results were compared between them. The overall classification accuracies for 2003 and 2010 showed that the object-oriented (K-NN) (90.5% and 91%) performed better results than the pixel-based DT (68.6% and 68.4%) and object-based SVM (80.6% and 78.15%). In general, the object-oriented (K-NN) performed better than both DTs and SVMs. The obtained LULC classification maps can be used to improve various applications such as change detection, urban design, environmental management and zooning.     

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。     

高分辨率多光谱影像城区建筑物提取研究

城区高空间分辨率遥感数据由于存在大量同物异谱和异物同谱现象,应用传统的基于像元光谱分类的方法进行建筑物分类提取难以取得满意的效果。本文发展了一种从高分辨率Ikonos卫星影像上基于知识规则的面向对象分类提取城区建筑物方法,包括如下步骤：(1)融合1m全色和4m多光谱波段影像,生成1m分辨率的多光谱融合影像;（2）分割融合影像;（3）执行基于对象光谱的最近邻监督分类;（4）应用模糊逻辑分类器结合光谱、空间、纹理和上下文特征等知识规则进行建筑物分类。精度统计结果表明,本文提出的分类方法提取城区建筑物取得了93%的精度。     

Object-based classification of hyperspectral data using Random Forest algorithm

This paper presents a new framework for object-based classification of high-resolution hyperspectral data. This multi-step framework is based on multi-resolution segmentation (MRS) and Random Forest classifier (RFC) algorithms. The first step is to determine of weights of the input features while using the object-based approach with MRS to processing such images. Given the high number of input features, an automatic method is needed for estimation of this parameter. Moreover, we used the Variable Importance (VI), one of the outputs of the RFC, to determine the importance of each image band. Then, based on this parameter and other required parameters, the image is segmented into some homogenous regions. Finally, the RFC is carried out based on the characteristics of segments for converting them into meaningful objects. The proposed method, as well as, the conventional pixel-based RFC and Support Vector Machine (SVM) method was applied to three different hyperspectral data-sets with various spectral and spatial characteristics. These data were acquired by the HyMap, the Airborne Prism Experiment (APEX), and the Compact Airborne Spectrographic Imager (CASI) hyperspectral sensors. The experimental results show that the proposed method is more consistent for land cover mapping in various areas. The overall classification accuracy (OA), obtained by the proposed method was 95.48, 86.57, and 84.29% for the HyMap, the APEX, and the CASI data-sets, respectively. Moreover, this method showed better efficiency in comparison to the spectral-based classifications because the OAs of the proposed method was 5.67 and 3.75% higher than the conventional RFC and SVM classifiers, respectively.     

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。     

高光谱影像的引导滤波多尺度特征提取

为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。     

Comparing object-based and pixel-based classifications for mapping savannas

The development of robust object-based classification methods suitable for medium to high resolution satellite imagery provides a valid alternative to ‘traditional’ pixel-based methods. This paper compares the results of an object-based classification to a supervised per-pixel classification for mapping land cover in the tropical north of the Northern Territory of Australia. The object-based approach involved segmentation of image data into objects at multiple scale levels. Objects were assigned classes using training objects and the Nearest Neighbour supervised and fuzzy classification algorithm. The supervised pixel-based classification involved the selection of training areas and a classification using the maximum likelihood classifier algorithm. Site-specific accuracy assessment using confusion matrices of both classifications were undertaken based on 256 reference sites. A comparison of the results shows a statistically significant higher overall accuracy of the object-based classification over the pixel-based classification. The incorporation of a digital elevation model (DEM) layer and associated class rules into the object-based classification produced slightly higher accuracies overall and for certain classes; however this was not statistically significant over the object-based using spectral information solely. The results indicate object-based analysis has good potential for extracting land cover information from satellite imagery captured over spatially heterogeneous land covers of tropical Australia.