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。     

基于无人机遥感的喀斯特高原峡谷区火龙果单株识别提取方法

基于小型无人机搭载可见光镜头作为数据获取手段,通过对比可见光波段差异植被指数（VDVI）、过绿指数（ExG）、过绿减过红指数（ExG-ExR）、归一化绿红差异指数NGRDI和绿叶指数（GLI）5种可见光波段颜色指数方法应用于喀斯特高原峡谷区典型经济作物火龙果植株识别的适宜性,结合可视化空间建模工具模型构建器,提出一种以单植株平均面积分割株丛的思想,对火龙果进行植株识别分割和单株提取方法研究,结果表明：1）VDVI相比EXG、NGRDI、ExG-ExR、GLI等植被指数更适宜作为火龙果的识别分割方法;2）当VDVI的OTSU阈值取0.037时,能最大程度地分割目标地物与背景地物;3）通过人机交互基地实测获取的实际株数与提取株数验证,获得火龙果植株单株提取精度为91.7%。结果证实：以低空无人机可见光波段影像为数据源,VDVI指数作为识别方法,株丛分割应用于喀斯特高原峡谷区火龙果的单株识别提取具有可行性。     

基于ENVI ZOOM面向对象的高海拔灌丛植被提取——以定日县为例

利用ASTER数据,基于The Environment for Visualizing Images(ENVI)ZOOM 软件平台,采用面向对象的多尺度影像分割技术与规则创建相结合方法,提取了珠峰保护区核心区的灌丛植被类型.在对影像进行去阴影处理和各种辅助信息融合的基础上,使用Feature Extraction模块对影像进行分割,基于分割对象的高程、NDVI、纹理和光谱信息创建了适合研究区的灌丛提取规则.研究表明:该分类方法不仅能够克服传统基于像元分类方法中的"椒盐效应"问题,而且能够综合利用辅助信息(DEM、NDVI等)和地物本身的信息(光谱特征、纹理特征等),有效提高解译精度.以已有数据对分类结果进行了检验,分类精度达84 7%,分类结果较理想.     

像元信息分解和决策树相结合的影像分类方法

该文提出了一种基于像元信息分解和决策树相结合的遥感自动分类方法。选择广州市番禺区作为研究区。用像元信息分解和多变量决策树法把TM影像分为水体、植被、水泥地、土壤4种基本组分,分离成4类树枝;分别以4种基本地物组分作为分类掩膜,采用BP神经网络分类、形状指数提取、光谱特征提取等复合方法进行分枝,并开展野外遥感调查,以提高和验证分类精度。结果表明：该方法保证了分枝时地物的纯洁度,有效地避免了地物提取时多余信息的干扰和影响,提高了分类精度。结合实地调查数据与最大似然分类算法进行对比实验,表明该模型比最大似然总体分类精度高16％。     

面向对象解译方法在遥感影像地物分类中的应用

针对高分辨率遥感影像快速高效萃取有用信息这一遥感技术应用的热点问题,探讨了基于面向对象(Object-oriented)解译方法的遥感影像自动及半自动解译和提取的新思路.文中分析了面向对象解译方法在地物信息分类应用中的优势,并提出了基于此方法的高分辨率遥感影像多尺度信息提取技术流程.具体结合广州市新白云机场开发区IKONOS高分辨率遥感数据进行地物快速提取、自动分类的试验,并对解译效果进行了评估分析,证明此方法在高分辨率遥感影像地物分类中确实高效可行.     

基于知识规则的遥感影像土地利用分类研究

以重庆北碚主城区为研究区域,提出一种基于遥感影像的光谱特征、灰度共生矩阵纹理特征和形状特征建立知识规则的方法,对该研究区进行土地利用分类。对QuickBird卫星影像进行分辨率融合,重点分析典型地物的光谱特征和纹理特征,并根据形状特征建立形状指数,综合上述知识建立提取规则对地物进行自动分类。分类结果表明,该方法能够消除单纯利用光谱信息分类的不足,有效解决地物混分现象,达到了较高的分类精度。     

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。     

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。     

基于LBV数据变换方法的海岸带多光谱影像分类方法研究

在传统的海岸带多光谱影像分类方法的基础上,提出了运用LBV数据变换方法对海岸带多光谱影像进行地物分类识别的方法,通过图像数据变换能够分别提取出表示地物总辐射水平、可见光-近红外辐射平衡和表示波段辐射变化矢量(方向和速度)L、B、V的值.通过应用青岛海岸带TM多光谱影像,提取LBV变换图像并与原始假彩色合成图像比较,分别进行监督分类试验.运用LBV数据变换方法获得的图像信息量更丰富,地物类别更鲜明,有利于图像的目视解译,分类精度提高约3.12%.     

一种基于面向对象的城镇道路自动提取方法研究

城镇地物类型复杂多样,道路狭窄且易与周围地物混合,这导致城镇背景下的道路信息提取存在困难。该文以安徽省滁州市部分区域为实验区,使用资源三号卫星影像,采用面向对象的方法,利用光谱特征、形状特征等信息,在对象级基础上通过复合向量机的方法进行城镇背景下的道路信息循环拾取,并利用形态学方法对提取的结果进行了分类后处理。研究结果表明,该文提出的道路提取方法具有可行性。     

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。     

Automated classification of landform elements using object-based image analysis

This paper presents an automated classification system of landform elements based on object-oriented image analysis. First, several data layers are produced from Digital Terrain Models (DTM): elevation, profile curvature, plan curvature and slope gradient. Second, relatively homogenous objects are delineated at several levels through image segmentation. These object primatives are classified as landform elements using a relative classification model, built both on the surface shape and on the altitudinal position of objects. So far, slope aspect was not used in classification. The classification has nine classes: peaks and toe slopes (defined by the altitudinal position or the degree of dominance), steep slopes and flat/gentle slopes (defined by slope gradients), shoulders and negative contacts (defined by profile curvatures), head slopes, side slopes and nose slopes (defined by plan curvatures). Classes are defined using flexible fuzzy membership functions. Results are visually analyzed by draping them over DTMs. Specific fuzzy classification options were used to obtain an assessment of output accuracy. Two implementations of the methodology are compared using (1) Romanian datasets and (2) Berchtesgaden National Park, Germany. The methodology has proven to be reproducible; readily adaptable for diverse landscapes and datasets; and useful in respect to providing additional information for geomorphological and landscape studies. A major advantage of this new methodology is its transferability, given that it uses only relative values and relative positions to neighboring objects. The methodology introduced in this paper can be used for almost any application where relationships between topographic features and other components of landscapes are to be assessed.     

A spatial heterogeneity-based rough set extension for spatial data

When classical rough set (CRS) theory is used to analyze spatial data, there is an underlying assumption that objects in the universe are completely randomly distributed over space. However, this assumption conflicts with the actual situation of spatial data. Generally, spatial heterogeneity and spatial autocorrelation are two important characteristics of spatial data. These two characteristics are important information sources for improving the modeling accuracy of spatial data. This paper extends CRS theory by introducing spatial heterogeneity and spatial autocorrelation. This new extension adds spatial adjacency information into the information table. Many fundamental concepts in CRS theory, such as the indiscernibility relation, equivalent classes, and lower and upper approximations, are improved by adding spatial adjacency information into these concepts. Based on these fundamental concepts, a new reduct and an improved rule matching method are proposed. The new reduct incorporates spatial heterogeneity in selecting the feature subset which can preserve the local discriminant power of all features, and the new rule matching method uses spatial autocorrelation to improve the classification ability of rough set-based classifiers. Experimental results show that the proposed extension significantly increased classification or segmentation accuracy, and the spatial reduct required much less time than classical reduct.     

城市植被尺度鉴别与分类研究

城市地物具有多尺度分布特点,尺度鉴别与确定是分类的前提。提出改进的面积相对差指标,根据城市植被的分布状态确定最优分割尺度。采用面向对象方法,利用对象的光谱和空间信息对高空间分辨率影像进行植被分类。与基于像元的传统光谱分类方法和单尺度分类结果比较,最优分割尺度的鉴别和面向对象的分类方法分类精度较高,6种城市植被的分类总精度达85.5%,Kappa系数为0.83;同时有效抑制了光谱数据分类中存在的地物破碎问题。     

基于Mean-shift影像分割算法的TM影像分类及城市扩展研究

以马来西亚雪兰莪州及首都吉隆坡为例,将Mean-shift算法的影像分割方法应用于研究区的TM影像分类中,较传统方法的分类精度更高,可满足应用需求.依据该分类结果对研究区的空间城市化特征进行分析.发现近期研究区一直处于高速扩展阶段,外延式扩展和填充式扩展并行发展成为该研究区城市扩展的主导模式.     

面向对象分类在城市地表不可透水度提取中的应用

以南京市为例,以多尺度分割和面向对象分类方法为主要技术,利用不同层次上表现出的地物信息之间的关系自动提取城市地表不可透水度信息。结果表明,南京市地表不可透水度主要集中在50%~99%间,分布在建邺区、下关区和鼓楼区;不可透水度较低区域集中分布在文教及机关聚集的玄武区等;面向对象分类可实现城市地表不可透水度信息的快速提取,结果稳定可靠。     

应用基于纹理的面向对象分类模糊方法提取水田信息

针对面向对象分类方法进行图像处理时出现大量冗余多边形及其分类结果出现斑点等不足,提出基于纹理特征的分割方法。先对原始图像进行纹理增强、主成分分析、低通滤波和图像分割等预处理,得到原始图像的纹理特征二值图;将二值图作为独立波段与其他波段进行假彩色合成,得到纹理增强图,再对其进行多尺度分割和模糊分类。以南京市浦口区2002年9月SPOT图像为例,分别利用上述两种方法提取图像中的水田信息,基于纹理特征的分割方法克服了面向对象分类方法的不足,并且由于在进行模糊分类时分割出的对象大量减少,一定程度上减小了确定模糊区间的难度,较好地提取出水田信息,提高了图像的分类精度。     

基于区域合并影像分割技术的多尺度地表景观分析

分割是面向对象影像分析的前提,景观空间异质性特征给遥感信息获取提出了多尺度的要求。影像分割的多尺度分析以尺度效应与对象异质性最小原则为前提,描述多尺度效应分析的必要性与可行性。基于区域合并的分割原理与方法,为多尺度影像分析提供理论与技术支持,在两个样区进行多尺度影像分割技术的应用实践,分析基于区域合并的多尺度分割数据的几何丰富度与语义丰富度。     

基于语义和边缘特征融合的高分辨率遥感影像水体提取方法

利用卷积神经网络从遥感影像中提取水体时,水体对象边缘像素的特征与内部像素的特征之间往往存在较大差异,导致提取结果中边界模糊、内部像素与边缘像素的提取精度差异较大,影响了整体精度的提高。针对如何从高分辨率遥感影像中进行水体高精度、自动化提取的问题,文章首先以高分辨率遥感图像为基础,利用边缘提取算法生成边缘图像,然后以高分辨率遥感图像和边缘图像作为输入,建立了语义特征和边缘特征融合的高分辨率遥感图像水体提取模型（Semantic Feature and Edge Feature Fusion Network, SEF-Net）,用于从高分辨率遥感图像中提取水体对象。实验结果表明,SEF-Net模型在3个数据集中的召回率（91.97%、92.07%、93.97%）,精确率（91.12%、98.37%、97.88%）,准确率（89.56%、95.07%、94.06%）和F1分数（91.54%、95.12%、95.88%）均优于对比模型,说明SEF-Net模型从高分辨率遥感图像中提取水体时,具有更高的精度和泛化能力。