面向对象的资源三号卫星影像分类研究

资源三号卫星影像数据目前广泛用于地形测绘、资源监测、地理国情监测等领域。本文主要针对资源三号卫星影像数据,以南京市玄武区为例,研究了适合国产高分辨率卫星影像的分类技术方法。分别采用面向对象的KNN分类方法和SVM分类方法对影像进行分类,并对分类结果的精度进行了分析和评价。研究结果表明,在对遥感影像采用合适的分割尺度进行分割后,采用基于面向对象的SVM分类方法得到的结果,其总体分类精度为90.72%,Kappa系数为86.64%,远高于采用基于面向对象的KNN分类方法得到的结果。因此,面向对象的SVM分类方法更适合于资源三号卫星影像的分类。     

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。     

面向对象和规则的高分辨率影像分类研究

随着航天遥感技术的发展,遥感数据的空间分辨率、光谱分辨率和时间分辨率极大提高,高效解译并处理海量的、具有空间几何信息和纹理信息的地物高分辨率遥感影像数据已成为遥感领域研究的重点与难点。对此,本文提出一种面向对象和规则的遥感影像数据的分类提取方法,即通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识,建立影像对象多层次网络分割分类结构,实现对遥感影像准确快速的地物分类和精度评价。以藏南地区WorldView-2影像数据为试验研究对象,采用面向对象和规则的影像分类方法进行验证试验,即综合采用均值方差法、最大面积法、精度比较法进行分析,选择3种最佳分割尺度建立多层次影像对象网络层次结构进行影像分类试验。结果表明,采用面向对象规则分类方法对高分辨率影像进行分类,能使高分辨率影像分类结果近似于目视判读的结果,分类精度更高。面向对象规则分类法的综合精度和Kappa系数分别为97.38%、0.967 3;与面向对象SVM法相比,分别高出6.23%、0.078;与面向对象KNN法相比,分别高出7.96%、0.099 6。建筑物的提取精度、用户精度分别比面向对象SVM法高出18.39%、3.98%,比面向对象KNN法高出21.27%、14.97%。     

基于mGA-SVM算法的高分影像面向对象分类研究

高分辨率遥感卫星影像是获取地物精细类别的重要数据源,快速准确地获取土地利用和土地覆盖分类信息可为土地利用规划、土地管理等提供重要的数据支撑和决策依据。本文开展了高分辨率影像面向对象分类研究,首先,利用多尺度分割方法对高分辨率影像进行分割,基于分割对象,选取不同地物类别样本并计算光谱特征、纹理特征、几何特征。然后,针对特征冗余问题,利用最大相关最小冗余算法选择优先级较高特征,在此基础上结合遗传算法对特征集进行适当扩充(m GA)。在面向对象分类过程中,通过利用遗传算法对支持向量机模型进行快速参数寻优,并在此基础上对分割对象进行分类。最终地物总体精度达到85.93%,Kappa系数为0.828 2。并将分类结果与最近邻分类和随机森林分类结果进行了比较,地物分类精度提高了4.05%和6.81%。实验结果表明:基于m GA特征优化及SVM参数选择进行改进的面向对象的分类方法是有效的。     

基于高分一号影像的两种地表覆盖分类方法对比研究

以高分一号影像为数据源,分别应用最大似然分类法和面向对象分类法对影像进行遥感分类,比较不同影像分割尺度,对分类结果进行精度评价,结果显示:面向对象分类方法综合利用多类遥感指数,提高了分类精度,可以有效应用于遥感影像快速分类。面向对象分类方法中分割尺度对分类精度影响较大,但如何设置最优分类尺度仍需进一步研究定量确定方法。     

基于面向对象特征提取的BP神经网络分类——以武陵源地区为例

采用面向对象影像分类与BP神经网络分类相结合的方法,对高分辨率无人机影像进行土地利用分类。利用光谱、形状、纹理、对象间关系等影像特征,通过基于面向对象的方法对影像提取特征进行初步分类,再将初步分类结果应用于BP神经网络,结合原影像数据进行进一步分类,提高分类精度、纠正分类错误。结果表明,该方法最终分类结果达到了88.9%的总体分类精度和0.863的Kappa系数,影像分类结果对比传统影像分类方法的总体精度与Kappa系数均有所提高。     

GF-2影像面向对象典型城区地物提取方法

国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。     

结合随机森林面向对象的森林资源分类

针对森林资源分类研究较少且缺少相对简单有效的方法的情况,提出一种结合面向对象和随机森林的森林资源分类方法。面向对象分割技术可减少“椒盐效应”,随机森林分类算法具有高准确度、抗噪声能力强、性能稳定等优势。鉴于此,通过调整面向对象的分割参数,构造最优特征空间及估算随机森林中决策树的数量等,构建了最优的面向对象随机森林分类模型。另外,选择了SVM算法作对比试验。试验结果显示,本文分类算法的总体精度达到83.34%,Kappa系数为0.7892,明显高于SVM,能够有效提高森林资源分类的精度。     

基于特征距离的多类SVM分类方法研究

提出了一种基于特征分离性测度的面向对象分类方法。首先利用区域增长分割影像获得影像对象,并计算光谱、纹理、形状等多种分类特征,然后在构建多类SVM分类器过程中,对于任意两个分类类别对,利用Jeffries-Matusita距离选择最合适的特征。实验证明,相比于原始方法,基于Jeffries-Matusita距离的多类分类器能够有效减少建筑物、道路等复杂地物的误分现象,提高分类的总体精度和Kappa系数。     

基于天绘一号卫星影像的水体信息提取对比研究

针对天绘一号卫星高分辨率影像,采用面向对象分类方法对怀柔水库区域进行水体信息提取,在多尺度分割的基础上,统计地物的光谱信息、形状因子和亮度均值等,建立水体信息的特征集,充分利用高分辨率的特点提取水体信息,同时选取了参数相近的SPOT和RapidEye两幅国外高分影像进行对比研究,使用相同方法进行水体提取,对实验过程和结果进行了对比分析。针对提取结果,采用野外采样和矢量图分析两种方法综合进行精度评价,根据采样数据得到的精度分别为96.97%,95.45%,92.42%,分析实验结果的矢量图,其中天绘影像水体提取面积为5 537 412.5㎡,SPOT影像为5 398 225㎡,RapidEye影像为5 053 262.5㎡,对实际水域的面积覆盖分别达到了101.40%,98.85%,92.54%,天绘影像的整体精度较高,但在细节表现上较为模糊,主要误差来自于对湿地的误分。实验制定了适用于天绘影像的水体提取方法和规则,分析不同因素对分割与分类结果的影响,同时,我们比较了天绘影像与国外同级别高分影像的优劣性,为天绘影像的进一步应用提供了参考。