最优分割尺度下的多层次遥感地物分类实验分析

为了快速、准确地提取我国海岸带地区土地利用及其变化信息,选择高分辨率遥感影像作为数据源,提出了最优分割尺度下的遥感多层次地物识别分类方法。首先,通过改进的局部方差法进行最优分割尺度的确定,建立影像中各对象的方差均值与变化率随分割尺度变化曲线,确定方差均值的峰值,以变化率开始呈现下降趋势时所对应的分割值为最优分割尺度参考...     

基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究

由于季节性的植被动态和水文波动,湿地遥感影像分类常常比较困难。本文采用优化特征空间的随机森林算法（Random Forest）对吉林省白城市通榆县东部地区预处理后的GF-2影像进行湿地分类研究,具体分为2步：① 对研究区遥感影像进行多尺度分割和对象特征的提取。针对一些学者获取最佳分割尺度时仍受主观因素影响较大的情况,本文通过改进全局最优分割方法来获得最佳分割尺度。② 在最优分割的基础上,基于特征重要性对随机森林分类算法的特征空间进行优化,以得到最佳的随机森林分类结果,并与相同条件下（同数据、同分割尺度、同训练样本,同特征空间）的K-NN、SVM、CART 3种算法以及未优化特征空间的RF算法的分类结果进行了比较。结果表明,基于优化特征空间的RF算法的分类结果总精度和Kappa系数分别为93.038%和0.9177,而K-NN、SVM和CART 3种分类算法的分类结果的总精度分别为83.357%、78.068%、77.136%,未优化特征空间的RF算法分类结果总精度为90.937%。相较于K-NN、SVM、CART 3种分类算法,RF算法在GF-2湿地影像数据中具有更好的分类性能,同时优化特征空间的RF算法精度有所提高,在湿地资源管理中可以发挥非常重要的作用。     

高空间分辨率遥感影像分割尺度参数自动选择研究

面向对象解译技术在高分辨率遥感影像信息提取中得到广泛应用,但影像分割的基础问题仍严重制约其自动化水平,尤其是分割参数选择。因此,本文以广泛使用的分型网络演化分割算法为例,开展尺度参数选择研究。借鉴对遥感影像分辨率敏感的局部方差指标,引入边长和面积权重,构造加权局部方差（WLV）指标,对多个分割结果进行评价,进而实现最佳尺度参数选择。在珠江区域2.5 m的SPOT 5融合影像上进行实验,通过计算最佳分割结果与人工分割结果的相似度对WLV进行定量验证。此外,还对WLV在分割对象最小为一个像元、最大为整景影像的全范围尺度参数的变化规律进行了实验,结果表明：在WLV随尺度参数的变化曲线中,不同极大值点的分割结果反映了实验区不同景观层级上的斑块,其中第1个极大值点对应的分割结果能够较好地反映影像的最小可识别单元。     

基于谱空间统计特征的高分辨率影像分割尺度估计

多尺度分割是面向对象遥感影像分析的关键性基础步骤,影像分割过程中尺度参数的选择直接关系到面向对象影像分析的质量和精度。本文首先从理论层面将遥感影像分割的尺度界定为基于统计的原始影像全局或局部特征的一种定量化估计,并在算法层面上将多尺度分割算法的尺度参数概括为空间尺度分割参数（类别或斑块间的空间距离）、属性尺度分割参数（类别或斑块间的属性距离）和合并阈值参数（斑块大小或斑块像元数目）;接着,提出了基于谱空间统计的高分辨率影像分割尺度估计方法;最后,以均值漂移多尺度分割算法为例,采用高空间分辨率的Ikonos、Quickbird和航空影像数据,对本文提出的基于谱空间统计的高分辨率影像分割尺度估计方法进行了验证。结果表明,该方法在一定程度上不仅避免了高分辨率遥感影像分割尺度参数选择的主观性和盲目性,还提高了面向对象影像分析的自动化程度,具有可行性和有效性。     

改进的分水岭变换算法在高分辨率遥感影像多尺度分割中的应用

由于高空间分辨率遥感影像自身的复杂性,传统的分水岭分割方法难以取得令人满意的效果。本文提出一种改进分水岭变换的高分辨率遥感影像多尺度分割方法,在抑制分水岭过分割现象的同时,还能实现对遥感影像的多尺度分割。该方法充分考虑了高分辨率遥感影像的多光谱和多尺度特性,首先,利用各向异性扩散滤波技术对影像进行平滑滤波,目的是在滤除各种噪声的同时还能保持影像的边缘特征和重要的细节信息;然后,提取影像的多尺度形态学梯度,并从梯度图像中提取标记;接着进行基于标记的分水岭变换;最后,利用改进的快速区域合并算法实现对影像的多尺度分割。实验表明,改进的算法能有效地抑制分水岭的过分割现象,对高分辨率遥感影像有较好的分割性能。     

顾及多分析尺度的地形部位面向对象分类方法

地形部位是地表形态的基本单元,其分类和提取在地貌发育、数字土壤制图、景观生态制图等领域有着重要的应用。康鑫等提出的多尺度Geomorphons地形部位分类法（简称多尺度Geomorphons法）利用高程相对差异信息和地形部位多尺度特征,可避免受地形属性计算及单一分析尺度约束而误分类,然而其存在分类破碎及分析尺度域难以确定的问题。基于此,本文以多尺度Geomorphons法为基础,提出了其适宜分析尺度域确定方法,建立了以初始地形部位数据层组合的对象多尺度分割和分类方法,进而构建了顾及多分析尺度的地形部位面向对象分类方法。以陕北黄土高原区域5 m分辨率DEM为实验数据,对面向对象分类方法进行了验证与评价。实验结果表明：①均值变点法可有效解决分析尺度域难以确定的问题,实验样区适宜分析尺度域为[5×5, 33×33]栅格单元;②以0,255为二值化的地形部位数据层组合适用于多尺度分割,尺度、形状及紧致度参数组合影响分割结果,且对于实验样区存在最优分割参数;③与多尺度Geomorphons法相比,本文方法得到的地形部位分类结果完整性较好,在地表形态对应和地理认知等方面更具合理性。     

综合多层优选尺度的高分辨率影像分割

采用面向对象方法处理高空间分辨率遥感影像时,影像分割质量对后续影像的信息提取结果影响很大。本文主要针对高分辨率影像分割中地物多尺度的问题,提出了一种基于多层优选尺度的高分辨率影像分割算法。该算法首先采用一系列规律变化的尺度对高分辨率影像进行多尺度分割,然后通过单分割层全局标准差的变化与尺度的关系确定一组最优分割尺度。在此基础上,通过各优选分割层之间的包含关系,局部建立多层次对象树,从整体上形成影像森林;通过局部同质性异质性综合评价指数的比较及父层光谱特征的限制来选取多层次对象树中的优势对象,从而获得最终的高分辨率影像分割结果。最后,本文分别采用了Geoeye和ZY3多光谱影像进行了2组分割实验,结果表明本文算法能有效地提高正常分割影像对象的比例。     

高空间分辨率遥感影像多尺度分割优化组合算法

高空间分辨率遥感影像能够充分地描述地表覆盖空间异质性,可用于提取地面目标物。然而高空间分辨率在像元尺度的目标提取时易产生"椒盐效应"问题,面向对象的小尺度影像分割也受此效应影响;而大尺度的影像分割造成较小目标的遗漏。本文提出了一种针对高空间分辨率遥感影像的多尺度分割优化组合算法MOCA(Multi-scale-segmentation Optimal Composition Algorithm),基于后验概率信息熵指标选择影像中每个地面目标的最优分割尺度并集成组合,获得高空间分辨率遥感影像的多尺度分割优化组合结果。本文使用F指标和BCI(Bidirectional Consistency Index)两种指标评估地面目标物提取精度,并将MOCA与同类多尺度分割方法进行比较。实验结果表明,本文提出的MOCA算法可实现多个分割尺度的最优组合,并获得较高的地面目标物提取精度。     

基于最大公约数的遥感影像空间尺度转换算法

多源、多尺度遥感影像为研究不同尺度的地表变化提供了丰富的数据。但其在作比较研究时,通常会涉及空间尺度统一问题,当多源遥感影像之间的空间分辨率为非整倍数关系时,其空间尺度统一相对困难。为此,本文针对多源、多尺度遥感影像间尺度比较时所涉及的空间尺度转换问题,提出了最大公约数的空间尺度转换算法,并以IKONOS多光谱影像为数据源,采用若干商业软件和本文所提算法进行空间尺度转换比较实验;同时,利用均值、标准差和相关系数等6个评价指标对空间尺度变换后的影像进行定量评价。结果表明,本文提出的空间尺度转换方法对原始影像的光谱信息等特征具有很好的保真性,简单易行,可实现遥感影像任意空间尺度的转换,解决了多源遥感影像之间的空间分辨率为非整倍数关系时的空间尺度转换问题。     

结合影像分区与尺度估计的耕地提取方法研究

尺度效应的存在使得不同地物的空间及属性尺度存在差异,不存在适合于影像中所有地物的唯一尺度。但通过影像分区,然后针对不同区域设置最优分割参数,可以有效地提高影像整体的分割精度。耕地地块分割中,对分割边界的要求较高,需要保证地块边界清晰连续,鉴于此,本文提出了一种结合影像分区及尺度估计的耕地地块提取方法。本文利用不同地物的温度反演影像来实现区域划分,根据温度数据将影像划分为不同地物类型、作物类型或作物长势不同的多个区域。接下来,分别对不同的区域影像进行分割,由于不同类型地物的固有空间空间尺度不同,所以不同区域影像的最佳分割参数也随之不同。空间统计的平均局部方差法可以用来预估各区域影像的分割参数,与分割参数优选的方法相比,该方法可快速准确定位,且效率较高。因此本文利用该方法进行参数估计,采用边缘约束分水岭分割算法进行耕地地块分割。此外,本文对现有影像分割评价指标进行了改进。实验结果显示,本文提出的耕地地块提取方法可针对影像的不同区域,快速准确地设置分割参数,且与其他分割方法相比,地块边界更清晰连续、多边界问题得到了极大改善。     

基于面向对象与深度学习的榆树疏林识别方法研究

榆树疏林是浑善达克沙地中一种特殊的植被类型,它对于维持区域生态系统稳定具有重要意义,在防风固沙、涵养水源、调节气候等方面发挥着重要的作用。本文利用无人机影像与GF-2影像,对高分辨率数据源中榆树疏林的两种自动识别方法进行了研究。在面向对象方法中,首先通过计算影像对象的局部方差变化率得到了最佳分割尺度;其次采用随机森林算法对初选特征的重要性进行排序,并删除无关特征;最后分别对支持向量机（SVM）、随机森林（RF）、深度神经网络（DNN）3种分类器进行参数寻优与榆树疏林提取。此外,在ENVI5.5中基于TensorFlow框架,利用U-Net构建深度学习模型对榆树疏林进行了提取,并与面向对象方法进行对比。结果显示：① 通过面向对象方法过程的优化,最终的识别精度较以往研究有所提升,GF-2影像中SVM总体精度为90.14%,RF总体精度为 90.57%,DNN总体精度为91.14%;无人机影像中SVM总体精度为97.70%, RF与DNN总体精度为97.42%。② 深度学习方法中,GF-2影像的总体精度为91.00%,无人机影像的总体精度达到了98.43%。研究结果说明在榆树疏林提取中,无人机影像具有更高的空间分辨率,更丰富的纹理、形状等信息,能达到比GF-2影像更高的精度。面向对象方法对于2种影像都有较高的适用性;深度学习的方法在本文中更适用于无人机影像,它可以有效地减少无人机影像中的错分现象。     

航空与卫星影像数据多尺度分割对比研究

本文从遥感影像多尺度分割的角度分析了同一地区的航片与QuickBird、IKONOS等卫星数据的分割效果,讨论了不同地物和不同影像的最佳分割尺度,以增强对目标物的检测与识别能力,提高现有航空遥感数据及卫星影像数据应用的精度和效率,并对最终分类结果进行了比较。结果表明航片、QuickBird、IKONOS的最佳分割尺度分别为125、100、75,QuickBird的分类精度最高,航片和IKONOS的分类精度次之。因此可认为,航片在实际应用中,可以代替高分辨率卫星影像。     

基于优化合并的高分辨率遥感影像分割算法

高分辨率遥感影像的分割算法研究对遥感数据处理与应用具有重要意义。本文提出了一种优化合并的分割算法以提高运算效率,该算法包含局部最优合并和全局最优合并2个阶段。第1阶段采用凝聚层次聚类（Hierarchical Agglomerative Clustering,HAC）方法实现局部最优合并,并对其合并规则进行了优化,使优化后的合并规则先注重光谱特征,再考虑待合并区域的几何特征。第2阶段采用区域邻接图（Region Adjacency Graph,RAG）方法实现全局最优合并,其合并规则主要考虑了区域的光谱和边界信息,减少了区域尺度对合并规则函数产生的负面影响,并且该阶段利用了红黑树来实现全局最优合并,以提高对RAG的搜索效率。最后,利用OrbView3高分辨率遥感影像开展了分割实验,结果表明本文算法可以得到令人满意的分割精度。本文的成果为遥感影像分割及其相关研究提供了新思路。     

面向对象的森林植被图像识别分类方法

 森林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森林植被的类型,本文以门头沟区森林植被占主要土地覆被类型为研究对象,选择HJ-1影像面向对象提取不同地物信息。由于研究区地形复杂,采用多尺度分割方法,对不同地物设置不同分割参数,实现不同地物分层提取。根据光谱、纹理及几何等特征选择合适的特征参数,构建隶属度函数,逐级提取研究区的土地覆被类型,并与传统的最大似然法进行对比。结果表明:面向对象的分类方法在门头沟区森林植被二级信息提取的精度为83%,与传统方法相比有了较大的提高。     

基于FbSP optimizer分割工具下的矿区土地利用分类研究—以济宁2号矿区为例

影像分割是分类的基础,分割结果的好坏直接影响分类结果的精度。该文基于一种通过训练过程和模糊逻辑分析,确定最优分割参数的分割工具——Fuzzy-based Segmentation Parameter optimizer(FbSP optimizer)来确定分割参数,并借助面向对象分类软件eCognition,以高分2号影像为基础,进行矿区土地利用的分类研究。结果表明,利用该工具不仅可以快速确定土地的最优分割尺度,同时结合eCognition,可较高精度地对土地利用进行分类。     

关键生育期冬小麦和油菜遥感分类方法

农作物空间分布的遥感识别是地理学、生态学和农学等多学科研究的前沿和热点,多源遥感数据在其中发挥着重要的作用。本研究结合冬小麦和油菜的种植及生长特点,以安徽省合肥市为研究区域,利用ZY-3、Sentinel-2和GF-1等多源遥感影像数据,以高程、坡度等数据为辅助信息,结合以多尺度分割、最邻近法和阈值法等为主要步骤的面向对象的分类方法,提取研究区合肥市冬小麦和油菜种植的空间分布信息。结合来自于GVG农情采样系统和Google Earth高分辨率影像上获得的地面验证数据进行分类精度验证,计算得到分类结果的混淆矩阵,并根据混淆矩阵数据计算出分类的总体精度为94.43%,Kappa系数为0.914。结果表明,本研究提出的方法能够有效地区分在冬小麦和油菜的混种区域里两种作物种植区域的空间分布,且这种多种策略相结合的分类方法体系,能够适用于其它区域甚至是更加大尺度上的作物分类。     

面向对象的南海珊瑚礁地貌单元提取

南海珊瑚礁地貌信息的提取是珊瑚礁资源利用、生态保护与管理及可持续发展的重要地学基础。本文提出了面向对象的珊瑚礁地貌单元提取模型,针对不同的地貌单元,以不同地貌单元的最优分割尺度、光谱参数、形状参数来分割影像并合并成不同对象,从而获得相应的地貌单元。通过大量实验得出自然地貌的最优分割尺度区间为[140,600],其中附礁生物稀疏带及丛生带、礁坑发育带的光谱参数和形状参数分别为0.9和0.1,其他自然地貌单元的光谱参数和形状参数分别为0.8和0.2;人工地貌的最优分割尺度区间为[25,170],其光谱参数和形状参数分别为0.8和0.2。进一步以南沙群岛簸箕礁WorldView-2高分辨率遥感影像为例提取地貌单元,并结合混淆矩阵和Kappa系数对分类结果进行了精度评价,地貌单元提取总体精度达到了85.75%,Kappa系数为0.8349。结果表明,该方法可有效运用南海珊瑚礁遥感影像的光谱特征、纹理特征,以及影像数据不同波段的组合特性,综合了影像和珊瑚礁地貌的关联特性,充分利用了珊瑚礁不同地貌相带的异质性,获得了理想的南海珊瑚礁地貌的整体信息,满足了我国南海珊瑚礁地貌信息提取和地貌数字产品生成的需求。     

区域碳收支能力估算的面向对象遥感分类方法

全球气候变暖问题是人类面临的最艰巨的挑战之一,通过先进的面向对象分类方法可以提高碳排放与碳汇能力的研究水平,对于控制区域气候变化具有推动作用。本文利用面向对象分类方法,以广西百色市右江区为研究区域,选取Landsat 8 OLI和Google Earth影像数据提取区域地物信息,并针对研究区地势复杂的特点,采用设置多种尺度参数的方法,选取最优尺度进行影像分割。同时,引入隶属度函数法、最邻近分类法和CART决策树分类器3种方法,基于影像光谱差异、几何形状、对象纹理等特征,逐层逐级地实施面向对象分类,随后加以针对性的精度评价分析并检验分类结果。通过总结分析前人的地物碳系数转换关系并结合高精度面向对象分类结果,构建了基于土地覆被类型的碳收支能力估算模型,并根据已有的基于CASA模型的碳收支能力估算方法加以精度校验,最终估算出右江区碳收支能力为-399.64万t。此外,本文结合右江区行政区划、人口分布、DEM等相关数据对区域碳收支能力进行了专题性剖析。结果表明,面向对象分类方法是研究小区域碳收支能力的有效途径,在区域碳循环评估中具有更好的准确性和预见性,有效促进碳收支平衡研究领域的发展。     

遥感数据的高斯金字塔尺度上推方法研究

尺度转换是遥感信息科学领域的研究热点,其传统研究方法大多局限于统计模型,对数据的空间结构信息考虑较少,很难满足遥感数据的多尺度表达要求。基于此,针对遥感数据的尺度不一致问题,本文提出了一种利用高斯金字塔的图像模糊特性进行遥感数据尺度上推的方法,在对金字塔每一层的数据高斯模糊的基础上,通过多次连续的降采样,得到一系列不同尺度的数据,从而满足实际应用的空间分辨率要求。为了验证本文所提方法的有效性,本文选择Landsat7 ETM影像和ASTER GDEM为研究数据进行尺度上推,并与传统的最邻近、双线性以及立方卷积等方法进行了实验对比,采用均值、方差、均方根误差、平均绝对误差等评价指标,以及相同分辨率的ASTER GDEM和SRTM DEM的等高线套合结果来衡量高斯金字塔方法的性能。实验结果表明,本文使用的高斯金字塔尺度上推方法能够有效地实现连续遥感数据的尺度转换,在保持遥感数据局部细节特征的基础上,较好地保持了原始遥感数据的信息量以及空间结构特征。     

基于光谱和形状的遥感图像分割质量评估方法

针对多尺度遥感图像的分割质量评估问题,提出了一种光谱和形状相结合的分割质量评估方法。首先,采用超像元方法对图像进行初始分割,将图像过分割为若干区域;其次,根据合并准则迭代合并相邻区域来生成各尺度图像,其中,使用尺度集结构来索引各尺度的区域,使用邻接图来记录各尺度下区域间关系;然后给出各尺度图像形状紧凑性和平滑性的计算公式,并结合各尺度图像光谱特征计算出各尺度图像的同质性和异质性;最后根据贝叶斯风险最小准则选择最优分割尺度。实验结果表明,该方法可以适应不同图像内对象特质,使得最优分割尺度的选择更合理,图像分割效果更佳。