面向对象最优分割尺度的选择及评价

针对当前面向对象多尺度分割方法存在处理的过程会产生不确定性误差,或分割效果依赖矢量边界线与真实边界的吻合程度等不足,该文以IKONOS、QuickBird高分辨率遥感影像为例,基于Definens平台面向对象多尺度分割算法,依据"种内一致性最大、类间异质性最大"原则,利用标准差及分割斑块对象与领域均值差分绝对值构建了与领域绝对均值差分方差比指数指标来定量选择最优分割尺度,并提出依据不同波段对分割斑块的贡献值不同,赋予不同权重,构建加权对象匹配度指数指标的方法,对分割结果进行评价与验证,最后对最优分割尺度选择及评价方法的可行性进行了探讨。     

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。     

最优分割尺度的滑坡信息提取

针对面向对象的遥感影像分析技术这一热点问题,通过研究滑坡的地学特征和影像特征,基于QuickBird多光谱影像,提出了一种先对Quickbird影像进行多尺度分割,然后利用改进的分割质量评价函数来选择滑坡最优分割尺度,最后在最优分割尺度上构建滑坡提取规则集并进行滑坡信息提取的方法。该方法通过对提取的滑坡信息进行精度验证与分析,能使对象内部异质性和对象之间异质性达到综合效果最好。结果表明:滑坡体的正确提取率为75.86%,本文方法具有一定的可靠性和准确性。     

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。     

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。     

成都平原高分辨率遥感影像分割尺度研究

对高分辨率遥感影像进行分类,面向对象的影像分析技术优于传统的面向像元的影像分析技术。要使用面向对象的影像分析技术,关键是分割遥感影像,以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。针对成都平原高分辨率卫星影像,采用不同尺度对试验区影像进行分割,并比较分割结果,确定成都平原高分辨率遥感影像数据分割最佳尺度为30,该尺度分割的影像对象亮度均值标准差最大。     

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。     

多尺度多准则的遥感影像线状地物信息提取

针对传统低层次单个像元纯光谱的信息提取方法存在的不足,以ZY-3高分辨率遥感影像为数据源,依据"种内一致性最大、类间异质性最大"原则,提出了基于多尺度多准则的ZY-3影像线状地物信息提取方法。利用基于最优分割尺度的影像分割、面向对象线状地物目标信息的提取方法,实现了河流、水渠、道路等线状地物信息的提取,并通过实验分析验证了可行性、有效性。结果表明:构建的RMAS指数指标,可以作为多尺度分割中选择最优分割尺度的一种很好的指示器,所提方法不仅有效避免了分割斑块面积对分割结果评价的影响,还能够有效识别ZY-3影像中的线状地物信息,研究结果对高分辨率遥感影像处理尺度依赖的技术难点及线状地物信息提取等研究具有重要的参考价值。     

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.     

面向地理国情地表覆盖变化检测的多尺度分割方法研究

地理国情监测已有的前期地表覆盖数据是重要的先验知识。本文结合地理国情监测地表覆盖变化检测生产需求,利用前期地理国情监测数据的地类边界和属性信息,引入局部方差变化率和全局优良值评价指标,从而确定不同地类的最优分割尺度,实现了基于不同地类的差异尺度分割。该方法减少了由单指标选择分割尺度的主观性,提高了最优分割尺度判断的效率,有效地减少了欠分割和过分割现象,整体效果优于仅采用单一分割尺度算法的分割结果,更有利于提取影像解译特征,为有专题图支持的变化检测相关研究提供有力支持。     

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%。     

Unsupervised image segmentation evaluation and refinement using a multi-scale approach

In this study, a multi-scale approach is used to improve the segmentation of a high spatial resolution (30 cm) color infrared image of a residential area. First, a series of 25 image segmentations are performed in Definiens Professional 5 using different scale parameters. The optimal image segmentation is identified using an unsupervised evaluation method of segmentation quality that takes into account global intra-segment and inter-segment heterogeneity measures (weighted variance and Moran’s I, respectively). Once the optimal segmentation is determined, under-segmented and over-segmented regions in this segmentation are identified using local heterogeneity measures (variance and Local Moran’s I). The under- and over-segmented regions are refined by (1) further segmenting under-segmented regions at finer scales, and (2) merging over-segmented regions with spectrally similar neighbors. This process leads to the creation of several segmentations consisting of segments generated at three different segmentation scales. Comparison of single- and multi-scale segmentations shows that identifying and refining under- and over-segmented regions using local statistics can improve global segmentation results.     

Self-adaptive segmentation of satellite images based on a weighted aggregation approach

Image segmentation is a decisive process in object-based image analysis, while the uncertainty of segmentation scales can significantly influence the results. To resolve this issue, this study proposes a Self-Adaptive Segmentation (SAS) method which bridges the gap between the inherent scale and segmentation scale of each object. Firstly, SAS is defined as a variable-scale segmentation approach, aiming at generating local optimum results. It is then implemented based on Segmentation by Weighted Aggregation (SWA) method and optimized by selfhood scale estimation technique. Secondly, two images derived from WorldView-2 (an urban area) and Landsat-8 (a farmland area) are employed to verify the effectiveness and adaptability of this method. Thirdly, it is further compared with SWA and mean shift method by reference to two evaluations, including an unsupervised evaluation, i.e., Global Score (GS), and a supervised one named Geometry-based comparison. The experimental results indicate the SAS method presented in this study is effective in solving the scale issues in multiscale segmentations. It shows higher accuracy than SWA through assigning an appropriate segmentation scale for each object. Moreover, the segmentation results achieved by SAS method in both study areas are more accurate than those by mean shift method, which demonstrates the stable performance of SAS method across diverse scenes and data sets. This advantage is more obvious in farmland area than in urban scene, according to the accuracy assessment results.     

GF-2影像城市地物分类方法探讨

GF-2影像具有较高的分辨率和丰富的光谱、几何及纹理信息。为了深入探索GF-2影像城市地物分类方法，本文以四川省隆昌县城为研究区，提出了一种基于最优尺度和规则的面向对象分类法。在影像分割的基础上，通过构建评价函数，并结合最大面积法选取最优尺度，进而构建分层体系，提取影像的光谱、几何及纹理特征建立规则并分类，且将其与单尺度下的面向对象和基于像素分类法进行对比分析。结果表明，本文方法的总体精度和Kappa系数分别为93.33%和0.92。     

面向对象的多尺度水体信息提取

以安徽省阜阳市阜南县东南部为研究区,利用LandsatTM数据,基于面向对象的多尺度分类方法,选取合适的分割尺度创建分类对象;通过分析研究区各种地物复杂的光谱响应特征,建立水体信息提取的知识规则集,对研究区水体进行提取研究。研究表明,与传统的利用单波段和NDWI等方法所提取的水体相比,规则推理法在提取水体时可以消除一些影像上其他干扰信息的影响,取得较好的提取效果和精度。除此之外,该方法简单易行,水体提取的规则集对于用户来说是透明的,易于理解。