高分辨率影像的植被分类方法对比研究

高分辨率影像的纹理信息可解决用光谱分类面临的“同物异谱”和“同谱异物”问题,更精确地分辨地物的细微变化,但将纹理作为主要信息进行植被分类的研究较少。本文以南京市钟山景区为例,利用IKONOS影像数据的纹理信息进行植被分类,并将结果与用光谱信息、植被指数信息的分类结果比较。共使用了4个灰度共生矩阵纹理量：CON（对比）、COR（相关）、HOM（同质）和MCON（改进的对比）分析各类植被的纹理表征设阈值分割;用3个植被指数：NDVI（归一化指数）、MSAVI（改进的土壤调节指数）和SAVI（土壤调节指数）（L取0.5和5）选择发现SAVI5最能区分。对纹理和指数信息均设各类型的阈值进行分割提取;基于光谱信息分别用最小距离监督分类和ISODATA非监督分类。研究中先进行数据恢复,再分别用三种信息将试验区植被分为6类：草地、竹林、常绿针叶林、常绿阔叶林、混交林和园地,最后将三种方法4个结果进行比较。精度评价的结论是：纹理信息分类的精度最高,植被指数次之,光谱信息中的非监督分类最低,纹理反映地物光谱及差异信息,可作为最佳方法用于植被分类。     

决策树算法在西藏遥感影像分类中的应用研究

将决策树算法引入到遥感影像分类中,以提高分类的精度。首先对影像进行预处理,然后利用C5.0算法在分析地物光谱特征、纹理特征、归一化植被指数的基础上,自动提取分类规则,构建决策树,实现地物的自动分类。为验证该算法的有效性,选取西藏某地区TM影像作为实验数据,与监督分类的精度进行对比,实验结果表明,决策树分类方法能取得较好的分类效果。     

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%。     

纹理特征辅助遥感影像分类技术的探讨

随着卫星遥感影像分辨率的不断提高,人们希望从遥感图像中获得更多有用的数据和信息,所以遥感影像的分类变得尤为重要.但是基于光谱特征的影像分类精度过低,不能满足生产的需要,所以研究利用其他辅助手段来提高遥感影像的分类成为未来发展的一个重要方向.本文研究了利用灰度共生矩阵提取纹理特征的方法并对利用纹理特征影像辅助光谱特征分类的方法进行了研究.实验结果表明,纹理特征辅助光谱特征分类能够提高遥感影像分类的准确性和精度.     

基于灰度共生矩阵提取纹理特征图像的研究

在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特征对于遥感影像分类精度的提高也有很重要的作用。本文主要研究了通过灰度共生矩阵提取纹理特征图像的方法,对该方法提取纹理特征图像进行了相关的实验分析。并将其在分类中的应用进行实验,证明了灰度共生矩阵提取的纹理特征对图像分类精度提高起到一定的作用。     

基于纹理特征的遥感影像监督分类

影像分类技术是遥感影像分析与解译的重要基础。纹理特征是影像的重要特征,本文主要实现基于纹理特征的遥感影像监督分类。首先对地物样本进行提取,通过样本训练统计各类地物纹理特征向量,建立纹理特征库;然后以各类地物的特征向量作为基准,采用最短距离分类器对影像进行分类;最后采用混淆矩阵对分类结果进行精度评定,并与ERDAS专业软件分类结果进行对比分析。实验证明,本分方法取得了与ERDAS软件相当的分类效果,从而验证本文方法的可靠性。     

基于分类回归树分析的遥感影像土地利用／覆被分类研究

以专家知识和经验为基础,综合影像光谱信息和其他辅助信息进行分类的基于知识的遥感影像解译方法,是提高遥感影像分类精度,实现自动解译的有效途径之一。然而,知识的获取一直是其得以广泛应用的“瓶颈”问题。以江苏省江宁试验区土地利用/覆被分类为例,利用分类回归树分析(CART)从训练样本数据集中发现分类规则,集成遥感影像的光谱特征、纹理特征和空间分布特征进行分类实验,并与传统的监督分类和逻辑通道分类方法进行比较。结果表明,基于CART的分类方法的精度基本在80%以上,与另两种方法相比,有了较大的提高,而且该算法复杂性低,效率高。由此说明,利用CART算法构建决策树获取的分类规则是合理的。它可以快速、有效地获取大量分类规则,是促进基于知识的遥感影像分类方法在土地利用/覆被分类中广泛应用的一项有效手段。     

结合L0平滑和超像素的高空间遥感影像非监督分类

针对基于像元的非监督分类方法对高空间遥感影像分类时易形成“椒盐”噪声和产生大量错分、漏分的问题,提出了一种结合L0平滑和超像素的非监督分类方法．首先采用L0算法对高空间遥感影像进行平滑操作,减少大量图像噪声及冗余信息;然后采用简单的线性迭代聚类（SLIC）超像素方法处理平滑后图像,进一步抑制椒盐现象的同时降低处理复杂度,得到初始聚类图;最后采用K-means非监督分类方法得到最终分类结果图．为验证本文提出的方法,选取3景高空间遥感影像作为实验数据．试验结果表明,采用提出的方法能准确对地物分类,且总体精度分别达到了72.46％、77.55％和78.44％,Kappa系数分别达到0.788、0.779和0.779．提出方法能有效解决分类中存在的“椒盐”现象,可提高分类精度,对高空间遥感影像分类具有一定的参考价值．      

监督分类和目视修改相结合在高分辨率遥感影像中的应用

用计算机对遥感影像进行地物类型识别是遥感数字图像处理的一个重要内容，传统的地物分类一般采用MSS、TM和Spot等遥感影像作为数据源。与MSS、TM和Spot等传统遥感影像相比，QuickBird等高分辨率影像数据量大，混合像元减少、地物信息增大，能够被应用于土地分类。在监督分类中，对于达不到精度要求的模板，通常采用重新选择训练区的方法来进行修正，而本文采用目视修改的方法来对监督分类进行补充。本文方法可以改正初次分类中的误分、混分地物，使其归到正确的地物分类中，显著提高了土地分类的精度。为了验证算法的有效性，利用ERDASIMAGING遥感图像处理软件进行实验和精度评价。实验结果表明，监督分类和目视修改相结合的地物分类方法可以显著提高图像的分类精度。     

联合光谱和纹理特征的支持向量机滩涂分类方法研究

滩涂作为海岸带的重要组成部分,是重要的土地资源。针对遥感影像滩涂分类的提取,文中提出一种联合光谱和纹理特征支持向量机(SVM)滩涂分类的方法。首先介绍纹理特征影像获取方法,通过灰度共生矩阵分析得到滩涂纹理特征影像;然后将光谱影像与纹理影像叠加形成一幅多维特征影像,用SVM分类算法中的OAR分类器进行分类实验,对分类结果进行实验分析。实验结果表明,该算法对提高海岸带地理信息获取能力,提升海洋遥感测绘信息化保障水平有积极意义。     

顾及纹理特征贡献度的变化影像对象提取算法

遥感影像变化检测是全球变化研究的重要内容。基于两期遥感影像的变化检测方法存在数据条件要求苛刻、难以充分利用快速发展的多源遥感影像数据等问题。目前许多变化检测的参考数据中包含了一期分类矢量数据,矢量数据中往往包含了位置、形状、大小和类别属性等先验信息,充分利用这些先验信息将可提高变化检测精度。提取变化影像对象是结合矢量数据和遥感影像进行变化检测的核心步骤。本文提出了一种顾及纹理特征贡献度的变化影像对象提取方法。该方法利用矢量数据分割遥感影像,获取影像对象,计算影像对象纹理特征值。根据信息增益原理计算纹理特征参数的特征贡献度,选择特征参数。由贡献度指数大小确定纹理特征参数权重,计算影像对象与先验要素类别的相似度系数,提取变化影像对象。试验结果表明,基于纹理特征贡献度的特征参数选择,能有效地提高变化影像对象提取结果的精度。     

利用纹理分析方法提取TM图像信息

以北京市丰台区为试验区 ,采用纹理分析方法对高分辨率图像的纹理信息进行分析 ,选取统计指标熵 ,通过确定熵的最佳阈值 ,进行边界匹配和图像的分割 ,将光谱混淆地物菜地和耕地分割开来 ,然后将此分割结果与TM图像分类结果进行叠合 ,得到最终的分类结果。并将该结果与最大似然分类结果以及单纯依靠纹理特征得到的分类结果进行了对比。试验结果表明 :将纹理分析方法应用于图像分类中可区分光谱混淆的地类 ,光谱与纹理特征结合得到的分类精度要远高于单纯光谱和单纯纹理的分类精度。     

多特征流形鉴别嵌入的高分辨率遥感影像分类

针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法。该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保证在嵌入空间上尽可能不同地物特征分离、相同地物特征紧聚,确保相同地物光谱、纹理特征的相似性,完成光谱、纹理鉴别特征的有效提取,以充分挖掘影像特征,有效提高影像的分类精度。在GF-2遥感数据集上进行试验,结果表明本文算法可实现多特征的有效融合,分类精度均优于传统方法,可达93.41%。     

遥感图像线性影纹理解专家系统设计与实现

线性影纹信息是遥感图像中的一类重要信息,线性影纹信息自动提取是遥感图像智能解译的重要研究领域。笔者采用基于特征对象的专家系统技术来完成线性影纹信息的简单类别提取,设计并实现了线性影纹理解专家系统;阐明了系统结构,解译规则获取、表达,基于消息的不确定性推理机及解释机的设计;最后利用系统做了线性影纹类别提取实验,结果表明基于特征对象的专家系统用于线性影纹类别自动提取是切实可行的,并具有较高的提取精度。     

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。     

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。     

SPOT5影像纹理特征提取与土地利用信息识别方法

本文以太湖流域西苕溪上游安吉地区SPOT5影像600像元×600像元为试验区,首先采用主成分分析对SPOT5影像进行数据压缩和几何信息增强,再采用小波分析方法对影像进行滤波和噪音处理,利用灰度共生矩阵对高分辨率图像的纹理信息进行分析,以对比度和熵为统计指标,确定对比度和熵的最佳阈值,进行边界匹配和图像的分割,将此分割结果与NDVI阈值法分类结果进行叠合,得到最终的分类结果。试验结果表明:将纹理分析方法应用于图像分类中可区分光谱混淆的地物,光谱与纹理特征结合得到的分类精度高于单纯依靠光谱特征进行分类和单纯依靠纹理分类的分类精度。     

基于多样性特征协同技术的飓风前后森林破坏遥感监测

对被飓风破坏的森林进行变化监测与灾害评估是遥感技术的一个重要应用,遥感影像的特征信息提取对森林遥感监测的效果至关重要。多样性特征结合可以有效提高对森林变化的监测精度。然而,当前的空间信息如纹理特征的获取算法依旧保留着传统的固定式计算模式,一直面临着特征数量和邻域参考范围之间难以均衡的问题。为了解决以上问题,本文提出了基于多样性特征协同技术的飓风前后森林破坏遥感监测方法,首先计算出森林遥感影像变化前后的归一化植被指数差值和增强植被指数差值,并提出了基于复合窗口技术的来提取纹理特征,然后建立了多样性特性结合模型;其次提出了一种基于特征分离的旋转森林改进算法,最终,实现了内泽尔森林在暴风前后的高精度变化监测;另外,还测试了新模型在不同训练样本数量下的分类性能。实验结果表明,相对传统的基于光谱特征和单纯的纹理特征的变化监测方法,本文所提出的方法的整体精度、对变化区域和未变化区域的检测精度至多分别提高了3.68%、6.53%和3.46%。本文的研究方法可以有效提高森林变化监测的性能,为森林灾害评估与森林资源保护提供参考依据。     

利用面向对象分类方法提取冬小麦种植面积的研究

应用陆地卫星TM数据和遥感图像处理软件eCognition5.0和ENVI4.3软件,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。逐像素分类的结果存在"椒盐"效应,而且很难克服同物异谱、同谱异物现象,面向对象的分类方法可以有效的集成专家知识和各种辅助数据,克服逐像素分类的弊端。分类结果表明,利用面向对象的分类方法可以获得比传统的像素级分类方法更高的分类精度,为冬小麦种植面积的自动提取提供了广阔的前景。     

高分辨率遥感影像5种面向对象分类方法对比研究

针对主流的面向对象分类方法在遥感影像处理中的使用范围不明确的问题,以e-Cognition软件平台为基础,处理标准数据集,综合考虑视觉效果、总体精度和用户精度3方面,系统地比较分析了主流的面向对象分类方法在高分辨率影像中的分类效果和精度分析。试验结果表明：使用不同的分类方法均存在混分现象且混分对象不完全一样。在处理同一标准数据集时,隶属度函数分类方法的精度最高但分类速度最慢,Bayes的分类效果最差但操作简单,支持向量机（SVM）、决策树（DT）、随机森林（RF）的分类速度均较快且都有较高的精度,其中SVM分类方法在区分相似性高的对象方面具有明显优势。在选择高分影像分类方法时,要充分考虑分类影像的特征选择从而选择合适的分类方法。