基于光谱和纹理特征的ALOS影像土地利用信息提取

针对高分辨率遥感影像易于反映地物纹理特征的特点,综合利用地物的光谱和纹理特征进行分类,探讨适用于ALOS影像的土地利用信息提取方法。以川东丘陵地区影像为例,基于GLCM提取纹理信息,将提取的纹理特征向量采用赋权值法融合为一个综合纹理信息波段,然后采用面向对象法将其与光谱特征信息共同参与分类。与最大似然法的提取结果对比表明,考虑了纹理特征的面向对象分类方法能明显提高分类精度,Kappa精度提高了0.12;避免了椒盐现象,分割的地类边界具有更好的语义表达,更贴合地物实际分布特征;建筑用地和林地具有明显的纹理特征,而旱地纹理特征不明显。该方法不仅分出了6个基本地物类型,而且对于林地、建筑用地等类型还能进一步细分。     

面向对象的遥感影像分类方法在土地覆盖中的应用

本文基于面向对象的分类思想,以SPOT-5影像为数据,采用分层分类的方法,利用对象的多特征构建合适的特征空间,建立知识库,结合最邻近分类器与模糊规则两种方法,并使用空间关系对分类进行优化,结果表明该方法对高分辨率影像分类在减少分类不确定的同时还提高了分类精度。     

高分辨率遥感影像多尺度分割参数优化及其在面向对象分类中的应用

分割和分类是面向对象分类方法的2个基本步骤,分割的效果会直接影响分类的精度。因此本研究以福建省平潭岛的SPOT-5高空间分辨的遥感影像为研究数据,利用正交试验的方法探究该区域多尺度分割的最优参数,并建立分类规则进行分类。最后将基于像元的监督分类与面向对象的分类方法进行比较分析,得到的总体精度分别为77.50%和89.00%。结果表明,由于面向对象的分类方法能更充分的利用影像的光谱信息、几何结构和纹理特征,在高空间分辨率的遥感影像分类中更具有发展前景。     

利用Landsat 8多光谱数据的湿地信息提取方法比较研究

以淮河流域蚌埠段为研究区,利用2014年3景Landsat 8多光谱数据,采用支持向量机、决策树和面向对象分类方法,对研究区中的河流、湖泊、滩地和库塘(包括水田、水库、坑塘和水渠)进行遥感分类。由于各类型湿地在Landsat 8各波段影像中的光谱特征相似度较高,不利于分类,所以,在利用影像光谱数据的同时,借助于影像数据中的空间信息和温度信息,进行分类。研究结果表明,采用面向对象分类方法提取的河流、湖泊的用户精度较高;采用决策树分类方法提取的滩地、库塘的用户精度较高;采用支持向量机分类方法提取的河流、湖泊、库塘的用户精度较高,但是在河流、湖泊的分类中出现了椒盐现象,在滩地分类中出现了错分;与另两种方法相比,面向对象分类方法提取的河流或狭长湖泊末梢信息更准确。     

面向对象的湿地景观遥感分类——以杭州湾南岸地区为例

在ENVIEX软件的Feature Extraction平台上,利用LandsatTM影像数据,采用面向对象方法对杭州湾南岸地区湿地景观进行遥感影像分类;通过与基于最大似然法、人工神经网络法、支持向量机法等传统像元方法的相应分类结果进行比较,系统分析了面向对象方法在中低分辨率遥感影像的湿地景观生态分类中的有效性。研究结果表明:①较之单一依据像元光谱值进行分类的传统方法,面向对象方法综合考虑了对象的光谱、空间、纹理、色彩等多种属性特征,因而对于类型复杂多样、分布界限模糊、光谱混淆与混合像元现象严重的沿海滩涂、湖泊、河流等湿地景观具有更好的鉴别能力,也因此获得更高的分类精度(研究区景观分类总精度为88.80%,Kappa系数为0.8765);②面向对象方法在分类中提取的是由同质性像元组成的"对象",且在合理的影像分割下得到的对象破碎化程度较低,因而能在较大程度上减小分类结果中的"椒盐噪声"干扰;而基于像元方法提取的景观类型以离散像元形式组成,难以清晰表征景观的边界、形状等信息,所以分类结果中会有明显的噪声现象;③影像分割在运用面向对象方法进行遥感影像分类过程中具有重要影响,实验结果表明,60%的分割尺度和归并尺度组合较有利于中低分辨率影像的遥感分类;④面向对象分类过程中诸如影像分割精度的评价、最优分割尺度的选取、特征空间的优化等问题,则有待今后进一步探讨。     

基于纹理和地形辅助的山区土地利用信息提取研究

山区地物类型复杂多样,传统计算机分类难以有效克服"同物异谱"或"同谱异物"等现象,分类后"椒盐现象"严重。该文以川西南攀枝花市的部分山区为实验区,使用IKONOS高分辨率遥感影像,采用面向对象分类方法,在ERDAS9.2、ENVI4.8和eCognition8.0等软件平台支持下,以多尺度分割后的对象为单元,辅以纹理特征、形状因子、地形因子等特征参与分类过程,实现了对实验区土地利用信息的提取。研究表明,基于纹理和地形辅助的面向对象分类方法能对山区土地利用信息进行快速、准确地提取,并在分类精度和分类准确性方面均较传统监督分类方法有较大提升:分类总体精度达到90.57%,较传统监督分类提高17.75%;Kappa系数达到0.8892,较传统分类提高了0.1875;各类型土地的分类面积准确率都在90%以上,与实地调研地类面积更为接近。     

基于航空影像和LiDAR数据的海地地震滑坡识别研究

快速、准确地判别滑坡灾害范围对灾情评估与救灾指挥至关重要。将高分辨率航空影像和机载LiDAR数据相结合,能充分利用滑坡体的光谱特征、几何形态与空间结构特征,提高滑坡识别的准确度。该文以海地地震诱发的滑坡识别为例,介绍了面向对象的滑坡识别思路及方法;针对海地滑坡灾害特点,选择了相应的灾害特征,并经反复试验设定了特征参数阈值;针对面向对象分类过程中特征组合与选择这一瓶颈问题,以河流沉积物和滑坡判别为例,通过特征组合试验与对比分析,发现基于NDVI与坡度特征组合的分类结果明显优于单一特征及其它组合模式的分类结果。与最大似然分类法相比,该方法的分类结果更为准确、精度更高。     

基于Sentinel-2A时序数据和面向对象决策树方法的植被识别

Sentinel-2A数据具有较高的空间分辨率和时间分辨率,克服了以往时序数据难以获取或空间分辨率低的问题。该文以山西省吕梁市陈家湾流域为研究区,基于Sentinel-2A时序数据,根据归一化植被指数(NDVI)时序曲线特征和光谱特征,构建基于面向对象决策树方法的分层分类模型,成功提取了陈家湾流域的植被信息,分类总体精度达到89.7%,Kappa系数为0.87。基于面向对象决策树方法的多时相分类结果与单时相分类结果相比,可以有效改善波谱特征相近和受地形影响较大地物的区分,减少混分现象;基于Sentinel-2A时序数据和面向对象决策树分类方法能够有效提高植被分类的精度。     

基于CART决策树的沙地信息提取方法研究

为研究沙地信息提取的方法,采用基于CART决策树的面向对象方法,提取中卫市沙坡头区的沙地信息。首先对研究区进行多尺度分割和光谱差异分割得到对象层,然后选择合适的提取特征和训练样本点,最后输入选择的提取特征和样本点生成CART规则树,并对地物进行分类,提取出沙地信息。结果表明:采用面向对象的CART决策树方法提取沙地信息具有较高自动化程度和精确度,依此构建的CART决策树总体分类精度可达到77%,是最近邻分类结果的1.12倍,支持向量机分类结果的1.57倍,此外,NDBI(归一化裸露指数)、GSI(粒度指数)和SWIR 2(第七波段)均值可以成功的将沙地、戈壁和裸岩石砾地三个易混地物区分开来,是沙地提取过程中三个重要的特征指数。     

基于GF-1遥感影像的艾比湖区域田间尺度土壤盐渍化监测方法

土壤盐渍化是制约农业生产和发展的主要障碍。目前土壤盐渍化的遥感监测主要基于中、低分辨率卫星影像,并采用传统的基于像元分类方法,对盐渍化信息的细节描述不足,监测精度不高。本文使用国产GF-1影像,结合自上而下的多尺度分割技术和面向对象的信息提取技术,针对田间尺度下的盐渍化信息进行精确地提取、分类,并与传统分类方法进行了对比。结果表明：面向对象法和最大似然法的分类总体精度分别为92.72%和84.31%,Kappa系数分别为0.90和0.78。该技术能准确提取田间尺度下的盐渍地信息,在未来的农田盐渍化高精度监测研究中具有一定应用价值和发展潜力。     

基于卷积神经网络和高分辨率影像的湿地群落遥感分类——以洪河湿地为例

以洪河国家级自然保护区为研究对象,应用卷积神经网络（CNN）方法进行高分辨率湿地遥感影像的分类研究,并与基于光谱支持向量机（SP-SVM）的方法和基于纹理及光谱的支持向量机（TSP-SVM）的方法进行了对比。结果显示,对于所选取的2个研究区域,CNN分类方法的全局精度高于SP-SVM方法5.61%和5%,高于TSP-SVM方法4.18%和4.15%。尤其对于部分湿地植被的分类精度明显高于SP-SVM和TSP-SVM方法。研究表明,卷积神经网络为湿地识别的精细划分提供了有利的手段。     

遥感专题制图背景参数的应用分析*

该文重点论述了图像识别中背景参数的应用,包括图像信息的地学、生态特性与其制图对象、尺度的分析拟定;地物识别分类最佳时相图像的物候历的研究;专题制图图像波段优化组合分析以及地物识别的目标背景因素的辅助应用.该类背景参数与区域参数的应用研究一样,对空间图像数字专题制图的精度的根本改进与提高,具有重要的作用.     

基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取

利用2015年Landsat 8 OLI遥感影像和DEM作为分类数据源,结合野外调查数据,采用面向对象的分类方法对昆嵛山地区土地覆盖信息进行提取,并对分类结果进行精度评价与比较分析。研究表明：面向对象分类方法提取的各地类连续且边界清晰,分类效果与实际情况基本吻合。昆嵛山地区占主导地位的土地覆盖类型是针叶林,面积为1 546.81 km²。研究区土地覆盖分类的总体精度和Kappa系数分别为91.5%和0.88,其中针叶林、草地、水体和建设用地的生产者精度均达到87%以上。相对于监督分类方法,本研究提出的土地覆盖信息提取方法的总体分类精度和Kappa系数分别提高14.7%和0.17。基于面向对象的中分辨率遥感影像,能够获取较高精度的土地覆盖信息,为大范围土地覆盖分类研究提供方法参考。     

An Evaluation of an Object-Oriented Paradigm for Land Use/Land Cover Classification∗

Object-oriented image classification has tremendous potential to improve classification accuracies of land use and land cover (LULC), yet its benefits have only been minimally tested in peer-reviewed studies. We aim to quantify the benefits of an object-oriented method over a traditional pixel-based method for the mixed urban–suburban–agricultural landscape surrounding Gettysburg, Pennsylvania. To do so, we compared a traditional pixel-based classification using maximum likelihood to the object-oriented image classification paradigm embedded in eCognition Professional 4.0 software. This object-oriented paradigm has at least four components not typically used in pixel-based classification: (1) the segmentation procedure, (2) nearest neighbor classifier, (3) the integration of expert knowledge, and (4) feature space optimization. We evaluated each of these components individually to determine the source of any improvement in classification accuracy. We found that the combination of segmentation into image objects, the nearest neighbor classifier, and integration of expert knowledge yields substantially improved classification accuracy for the scene compared to a traditional pixel-based method. However, with the exception of feature space optimization, little or no improvement in classification accuracy is achieved by each of these strategies individually.     

基于低空无人机的草原灌丛遥感辨识方法

以位于中国科学院内蒙古草原生态研究定位站灌丛化样地实验平台为研究区,基于低空无人机遥感影像,结合实地调查,开展草原灌丛遥感辨识方法研究。通过对灌丛、草地和裸地归一化植被指数（NDVI）的方差统计分析,确定了裸地与植被的分割阈值为-0.08,并使用该阈值提取植被覆盖区,然后分别利用面向对象的决策树（DT）、贝叶斯（Bayes）、K最邻近（KNN）、支持向量机（SVM）机器学习分类器进行灌丛辨识。研究表明：借助Estimation of Scale Parameter（ESP）最优分割尺度评价工具可以快速确定分割参数,获取灌丛、草地影像对象;利用特征空间优化工具选取了18个的对象特征,可以有效避免盲目选择而导致的计算量增大;通过对不同分类器分类结果的对比和样本数量敏感性实验得出：Bayes分类器精度稳定、无需设置参数,灌丛分类精度最高,总体精度和Kappa系数分别达到92%和0.83,结果与影像地物嵌合最好,能够精确识别单株灌丛;根据Bayes分类器分类结果统计得研究区灌丛盖度为14.74%,平均冠幅为0.6 m²,与样方调查结果基本一致。由于4种分类器的算法特征以及对训练样本数量的敏感性各不相同,因此选择合适的分类器还需根据具体影像的地物特征、空间分辨率和研究区范围来确定。     

A spatial data model design for feature-based geographical information systems

Abstract

In state-of-the-art GIS, geographical features are represented as geometric objects with associated topological relations and classification attributes. Semantic relations and intrinsic interrelations of the features themselves are generally neglected. In this paper, a feature-based model that enhances the representation of geographical features is described. Features, as the fundamental depiction of geographical phenomena, encompass both real world entities and digital representation. A feature-based object incorporates both topological relations among geometric elements and non-topological (semantic) relations among features. The development of an object-oriented prototype feature-based GIS that supports relations between feature attributes and feature classes is described. Object-oriented concepts such as class inheritance and polymorphism facilitate the development of feature-based GTS.     

基于面向对象的城市地物信息提取方法研究

20世纪90年代以来,高空间分辨率遥感影像数据的处理已成为遥感领域中的热点与难点。利用具有人的思维特点的面向对象的信息提取技术,对高分辨率遥感影像中的城市用地进行分类,分析和利用高分辨率影像的空间信息、结构信息与光谱特征等,总结了面向对象解译方法的5个步骤,即影像分割、分类方法的选择、地物种类分类,知识库构建、计算机自动分类。分类结果表明：（1）克服了“椒盐现象”;（2）信息提取的总体精度为92.19％,而且各类地物信息的提取精度均有所提高,特别是利用前期分类的拓扑关系有效提取了城市水体与建筑物阴影。     

遥感图像纹理信息提取方法综述

纹理是遥感图像的重要特征，它提示了图像中辐射亮度值空间变化的重要信息。要利用图像空间信息提高分类精度，合理而有效地度量纹理至关重要。目前遥感图像纹理信息提取方法主要有：统计描述法、小波变换法、分维分形法和地统计学4类。分别就各种方法的优缺点、适用领域和应用情况进行了阐述，最后展望了遥感图像纹理信息提取方法的发展方向和研究热点。