面向对象的土地覆盖信息提取方法研究
面向对象的GEO遥感影像分类与信息提取
关 键 词 ： 球 之 眼 卫 星 ； 感 图像 处 理 系统 ； 向对 象 地 遥 面 中 图分 类 号 ： ３ １ ＴＰ ９ 文献标识 码 ： Ａ 文 章 编 号 ： ６ ４９ ４ （ ０ １ ０ — ２ ３０ １ ７ — ９ ４ ２ １ ） ６０ ０ — ４
一
２ 实 验 区及 数 据 源
２ １ 地 球 之 眼 一１卫 星 的 基 本 参 数 设 置 ．
方 面 是 我 们 获 得 的遥 感 图 片 分 辨 率 越 来 越
高 ， 一方 面是 人们 对遥 感 信 息 的 认 识 和利 用 程 度 另 远远 落后 于遥感 信 息 获 取 的速 度 ， 造成 大量 资 源 的 严 重 浪费 ， 但据 统计 ， 人们 用 到 的遥 感信 息仅 占全 部 获 取信 息 的 ５％左右 ， 而深 层 次 的信 息 开发更 少 ， 这
１ 引言
过去 ４ ０年间遥 感技 术有 了长足 的发展 ， 备 了 具
出， 而光 谱分 辨率 并 不 高 ， 因此 ， 对 高 空 间分 辨 率 针 图像 ， 在分 类 时不 能仅 依靠其 光谱 特征 ， 多 的是 要 更
利 用 其几何 信 息和 结构 信息 。
高光谱 分辨 率 、 时 间 分辨 率 、 高 高空 间分 辨 率 、 传 多 感器 、 多平 台 、 多角 度 对 地 观 测 能力 ， 已经形 成 了三
２ ２ 实 验 区 域 ．
分 析 的分 类 方法 ， 主要 包括 监督 分类 和非 监督 分类 。
监督 分类 是一 种 常用 的精度 较高 的统 计判 决分 类 ， 已知类 别 的训练 场地 上提 取各 类训 练样 本 ， 在 通
过选 择特 征变 量 、 确定判 别 函数 或判 别规则 ， 而把 从 图像 中的各 个 像 元 点 划 归 到 各 个 给 定 类 的 分 类 方 法＿ 。非监 督 分 类 是 在 没 有 先 验 类 别 知 识 的 情 况 ２ ］
GIS技术支持下的土地利用遥感监测浅析
ＧＩＳ技术支持下的土地利用遥感监测浅析董莉莉新疆水利水电勘测设计研究院【摘要】ＧＩＳ技术支持下的土地利用遥感监测，是实现土地利用现状及土地利用变化高精度动态监测和预报的重要手段。
同时，其监测结果为相关部门提供监测区内土地利用分布、面积与类型的逐年变化情况、植被变化情况等资料。
通过监测掌握监测区土地利用面积、类型分布状况和面积变化。
“３Ｓ”技术的应用，使土地利用快速调查与动态监测成为可能。
【关键词】ＧＩＳ技术遥感监测一、ＧＩＳ应用简介ＧＩＳ（地理信息系统，ＧｅｏｇｒａｐｈｉｃＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍ）是一门新兴的边缘学科，是一个在计算机硬件、软件和网络支持下对空间信息进行预处理、输入、存储、查询检索、处理、分析、显示和应用的技术体系，是一个在各个领域得到广泛应用的智能化系统。
从８０年代初开始的二十年间，ＧＩＳ在我国由探索到实际应用，经历了一个成绩辉煌的发展时期，在许多方面发挥了重要的作用。
我国的ＧＩＳ研究和应用是以遥感为先导的，而且遥感技术和ＧＩＳ技术同被列为数字时代的高新技术和核心技术。
与矢量信息相比较，遥感信息的综合、多层次、多时相、形象直观的优点，可使ＧＩＳ的分析、显示和决策应用功能能够得到更为生动的表达，其成果使多种层次的使用者如身临其境。
有学者预测，人们将面临巨大的信息获取与更新的压力。
从技术、经济等角度考虑，遥感技术将成为解决这一问题的最优的和最有发展前景的技术之一。
二、基本原理和方法由于土地利用类型变化是发生在地表的现象，易于被遥感影像所记录，因此，ＲＳ？技术成为对土地利用进行动态监测的一种有效的技术手段。
而ＧＩＳ？具有强大的空间数据处理和分析能力，可以快速处理大量的遥感数据和非遥感数据，适合应用于诸如土地利用演变评价之类需要对多因子进行综合分析处理的过程。
三、监测技术流程土地利用遥感监测目标是通过遥感信息和其他相关信息，准确地得到监测区监测年的土地利用、植被数量和质量等情况。
面向对象的城市土地利用分类
2009年6月第7卷第3期地理空间信息ＧＥＯＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＪｕｎ．，２００９Ｖｏｌ．７，Ｎｏ．３面向对象的城市土地利用分类纪敏1，李辉2，石晓春1（1.广东省国土资源厅测绘院，广东广州510500；2.中国地质大学地球科学学院，湖北武汉430074）摘要：利用面向对象的信息提取技术，以高分辨率的广州市QuckBird 影像为例，将城市用地分为：居民地、水体、道路、林地和农业用地等5类，并将其与传统基于像素光谱信息的分类方法进行了比较。
结果表明：视觉上，面向对象的分类方法克服了传统方法无法克服的“椒盐”噪声的影响；精度上，面向对象信息提取技术的总体精度高达89.53%，比传统方法提高了11%；并且各类地物信息的提取精度均有所提高，其中林地、道路的精度有了较大提高。
关键词：高分辨率卫星影像；面向对象；基于像素；精度中图分类号：TP79文献标志码:B文章编号:1672-4623(2009)03-0062-03Classification of Urban Land Use Based on Object-oriented MethodJI Min 1,LI Hui 2,SHI Xiaochun 1（１．ＩｎｓｔｉｔｕｔｅｏｆＳｕｒｖｅｙｉｎｇ＆Ｍａｐｐｉｎｇ，ＤｅｐａｒｔｍｅｎｔｏｆＬａｎｄ＆ＲｅｓｏｕｒｃｅｓｏｆＧｕａｎｇｄｏｎｇＰｒｏｖｉｎｃｅ，Ｇｕａｎｇｚｈｏｕ５１０５００，Ｃｈｉｎａ；２．ＧｅｏｇｒａｐｈｙＤｅｐａｒｔｍｅｎｔ，ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＧｅｏｓｃｉｅｎｃｅ，Ｗｕｈａｎ４３００７４，Ｃｈｉｎａ）Abstract ：Ｉｎｔｈｉｓｐａｐｅｒｗｅｃｏｍｐａｒｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｗｏｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｐａｒａｄｉｇｍｓ（ｏｂｊｅｃｔ－ａｎｄｐｉｘｅｌ－ｂａｓｅｄ）ｆｏｒｃｒｅａｔｉｎｇａｌａｎｄｃｏｖｅｒｍａｐｏｆｓｕｂｕｒｂｏｆＧｕａｎｇｚｈｏｕｃｉｔｙ，ＣｈｉｎａｕｓｉｎｇＨｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｓａｔｅｌｌｉｔｅｉｍａｇｅ，ｔｈｅＱｕｉｃｋＢｉｒｄｉｍａｇｅｓ．Ｔｈｅｉｍａｇｅｗａｓｃｌａｓｓｉｆｉｅｄｉｎｔｏｒｅｓｉｄｅｎｔｉａｌａｒｅａ，ｗａｔｅｒ，ｒｏａｄ，ａｎｄｆｏｒｅｓｔａｎｄａｇｒｉｃｕｌｔｕｒｅｌａｎｄｂｙｕｓｉｎｇｓｕｐｅｒｖｉｓｅｄａｎｄｕｎｓｕｐｅｒｖｉｓｅｄｃｏｍｂｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒｔｈｅｐｉｘｅｌ－ｂａｓｅｄａｐｐｒｏａｃｈａｎｄｎｅａｒｅｓｔｎｅｉｇｈｂｏｒ（ＮＮ）ｍｅｔｈｏｄｆｏｒｔｈｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄａｐｐｒｏａｃｈ．ＴｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｕｔｐｕｔｓｗｅｒｅａｓｓｅｓｓｅｄｕｓｉｎｇｏｖｅｒａｌｌａｃｃｕｒａｃｙａｎｄＫａｐｐａｉｎｄｉｃｅｓ．Ｔｈｅｐｉｘｅｌ－ａｎｄｏｂｊｅｃｔ－ｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓｒｅｓｕｌｔｉｎａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ７８．５３％ａｎｄ８９．５３％，ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｆｏｒｐｉｘｅｌ－ａｎｄｏｂｊｅｃｔ－ｂａｓｅｄａｐｐｒｏａｃｈｅｓｗａｓ０．７３ａｎｄ０．８７，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｇｒｅａｔｌｙｌｉｇｈｔｅｎｔｈｅｎｏｉｓｅｉｎｆｌｕｅｎｃｅ，ｈａｓｈｉｇｈｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙａｎｄｅｆｆｉｃｉｅｎｃｙｔｈａｎｔｈａｔａｃｈｉｅｖｅｄｂｙｐｉｘｅｌ－ｂａｓｅｄｍｅｔｈｏｄ．Ｍｅａｎｗｈｉｌｅ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｉｓｍｕｃｈｅａｓｉｅｒｔｏｕｎｄｅｒｓｔａｎｄａｎｄｅｘｐｌａｉｎ．Key words ：ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｓａｔｅｌｌｉｔｅｉｍａｇｅ；ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ；ｐｉｘｅｌ－ｂａｓｅｄ；ａｃｃｕｒａｃｙ收稿日期：2009-03-05项目来源：国家自然科学基金资助项目（40801182）；教育部科学技术研究基金资助项目（108162）；中国地质大学（武汉）优秀青年教师基金资助项目（CUGQNL0823）。
面向对象 土地覆盖分类
面向对象土地覆盖分类
面向对象的土地覆盖分类是一种影像分类方法，通过对影像的分割，将同质像元组成不同大小的对象，然后利用对象的空间特征和光谱特征进行分类。
这种方法可以有效地克服基于像元层次分类的不足。
在面向对象的土地覆盖分类中，影像对象的尺寸是决定分割尺度的重要因素。
当影像分割对象与地物边界吻合的程度越高时，地物信息提取的精度也就越高。
在分类体系的确定方面，需要根据研究区的实际情况，参考中科院的土地利用分类体系，并结合研究区的情况建立分类体系。
例如，雄安新区的分类体系包括城乡、工矿、居民用地（Construction），耕地（FarmLand），林地（Forest），草地（GrassLand），未利用地（Unused），水域（Water）和湿地（WetLand）。
面向对象的土地覆盖分类方法主要基于对象的分类，更有利于农业研究区土地覆被制图。
同时，不同的土地覆盖类型在分类上也有很大的差异。
以上内容仅供参考，建议查阅土地覆盖分类相关的书籍或咨询地理信息科学专家以获取更准确的信息。
地理国情普查地表覆盖分类和要素信息的提取策略
地理国情普查地表覆盖分类和要素信息的提取策略作者：江浩戴锡花来源：《科技创新导报》 2014年第24期江浩戴锡花(安徽省第三测绘院安徽合肥 230031)摘要：地表覆盖作为能够反映土地覆盖类型、物质种类、及其自然特点等重要信息的重要方法，在地理国情普查中居于举足轻重的地位，是地理国情普查体系中重要内容。
重要地理国情要素信息反映与社会生活密切相关、具有较为稳定的空间范围或边界、具有或可以明确标识、有独立监测或统计分析意义的重要地物或其属性。
基于此，该文对地理国情普查地表覆盖分类和要素信息的提取策略进行粗浅的探讨，供相关专业从业人士实践参考。
关键词：地理国情普查地表覆盖分类要素信息提取策略中图分类号:P208文献标识码：A 文章编号：1674-098X(2014)08（c）-0214-02随着信息化技术和地理国情普查技术的不断进步，针对地理国情的普查已经全面开展，相关信息搜集加工整合技术也不断进步。
地表覆盖信息的调查收集是地理国情普查中的一项核心任务，它广泛涉及到例如土地覆盖类型（水域、荒漠、土壤、冰川）、物质种类（矿石、积雪、植被）以及自然特点（分布面积、范围、空间分布特点、时间分布特点）等各类地表地理信息，是统计地理国情信息的重要组成部分。
1 地表覆盖分类的概念所谓地表覆盖分类，学术界主流观点认为是将地表覆盖按照所分布的植被、生物或者覆盖物的物理化学性质进行的分类。
而土地利用则主要是基于使用价值的角度出发，将地表覆盖物按照利用和未利用进行分类，其典型特征是具有明显的社会属性。
地表覆盖分类主要是按照地表的生态学特点、分布规律来进行区别划分，而后者则主要是偏向使用的不同进行划分。
2 地表覆盖分类信息提取方法概述2.1 地表覆盖分类和要素信息提取的核心原则（1）“应采尽采”原则。
地表覆盖会按照一些主要的分布类型特点，明确了分类的标准，但这些标准往往适用于在进行边界确定时，对于部分类型确定有难度的小过渡区域作“就近就大合并”处理时参考使用。
遥感图像分类与地物提取的方法与应用
遥感图像分类与地物提取的方法与应用遥感技术在地理信息系统（GIS）和环境科学等领域扮演着重要的角色。
遥感图像分类与地物提取作为遥感技术的一个关键应用，通过利用遥感图像的特征信息，将图像中的像素按照其所属地物类别进行分类，以实现对地物的定量分析和地理信息的提取。
一、遥感图像分类的方法遥感图像分类有多种方法，其中最常见的包括基于像元的分类、基于面向对象的分类和基于深度学习的分类。
基于像元的分类是利用像素本身的特征进行分类，常用的特征包括光谱信息、纹理特征和形状信息等。
光谱信息是指不同波段的反射率或辐射能力，利用不同波段之间的差异来区分不同地物类别。
纹理特征是指地物表面上的纹理变化情况，如纹理的粗细、密度和方向等。
形状信息是指地物的形状特征，常用的形状指标包括面积、周长、紧凑度等。
基于面向对象的分类是将相邻像素组合成对象，再对对象进行分类。
该方法更符合人类对地物的认知方式，可以更好地保留地物的空间关系信息，提高分类的准确性。
主要特征包括对象的形状、纹理和光谱等。
基于深度学习的分类是利用深度神经网络模型进行图像分类。
该方法利用多层次的神经网络结构，通过学习图像中的特征模式来实现分类。
深度学习的优点是可以学习更高级、抽象的特征，但需要大量标注样本的支持。
二、遥感图像地物提取的应用遥感图像地物提取在环境监测、城市规划、农业资源管理等领域具有重要的应用价值。
在环境监测领域，利用遥感图像地物提取可以实现对地表覆盖类型的监测和变化检测。
通过对不同时期的遥感图像进行比较，可以发现土地利用、植被覆盖、水体变化等环境因素的动态变化情况。
这对于环境保护、资源管理和灾害监测都有很大的帮助。
在城市规划中，遥感图像地物提取可以帮助规划部门了解城市发展的现状和趋势。
通过提取城市中的建筑物、道路网络和绿地等地物信息，可以对城市的用地利用情况进行评估和规划。
这有助于合理规划城市的空间布局和资源利用，促进城市的可持续发展。
在农业资源管理中，遥感图像地物提取可以实现对农田的分布和农作物类型的识别。
211017069_面向对象的多层次规则分类地物遥感信息提取方法试验分析研究
第４０卷第２期贵州大学学报（自然科学版）Ｖｏｌ．４０Ｎｏ．２２０２３年 ３月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｍａｒ．２０２３文章编号 １０００ ５２６９（２０２３）０２ ００６７ ０７ＤＯＩ：１０．１５９５８／ｊ．ｃｎｋｉ．ｇｄｘｂｚｒｂ．２０２３．０２．１１面向对象的多层次规则分类地物遥感信息提取方法试验分析研究丘鸣语１，甘 淑 １，２（１．昆明理工大学国土资源工程学院，云南昆明６５００９３；２．云南省高校高原山区空间信息测绘技术应用工程研究中心，云南昆明６５００９３）摘 要：监测土地覆盖变化是目前高分辨率遥感的重要应用领域，城市覆盖地物变更速度快、地物类型复杂，使用传统方法提取监测难度较大。
针对此问题，选择云南省大理白族自治州上官镇为研究区，以ＧＦ ２ＰＭＳ遥感影像为数据源；采用面向对象的方法对研究区进行最优分割尺度分割，选取最优特征组合用于构建模糊分类规则，分层次进行地物提取，最终获得研究区地物类型分布图。
运用混淆矩阵方法进行精度评价，面向对象的多层次规则分类法提取分类效果良好，分类总体精度达７９ ９５％，Ｋａｐｐａ系数为０ ７４。
与基于像元的分类方法和单一尺度下面向对象的提取分类法相比，面向对象的多层次规则分类法精度明显提高，说明本方法运用于复杂地物提取分类具有较好可行性。
关键词：面向对象；ＧＦ ２；多层次分类；最优分割尺度；多尺度分割中图分类号：Ｐ２３７ 文献标志码：Ａ 随着遥感技术的发展，越来越多的遥感卫星进入太空，其能实时、多尺度提供影像的特点，为快速准确获取地面信息、监测地表变化提供了更多可能。
真实的土地覆盖、利用数据对国土资源空间优化、提升土地利用规划和管理水平至关重要［１ ３］。
目前，常用的中低分辨率影像，如ＭＯＤＩＳ、Ｌａｎｄｓａｎｔ等可用于大尺度监测，但其分辨率也限制了它无法运用于复杂地形、精细地物的分类提取；高分辨率影像的出现弥补了这一缺陷，高分辨率影像具有高精度、高空间分辨率等特点，更适用于小型地物提取与精细的地物分类，但其在带来更多空间信息的同时也带来了噪声与信息冗余［４］。
遥感论文——精选推荐
基于面向对象的多光谱数据的地表信息提取应用摘要随着计算机技术和遥感技术的发展，遥感技术在社会的各个方面得到了广泛应用，如对资源、环境、灾害、城市等进行调查、监督、分析和预测、预报等方面的工作。
所以分类作为遥感技术中的一项最基本的研究，也是遥感技术运用最为广泛的一项技术，也相应的提出了更高的要求。
然而目前主要的分类方法是监督分类和非监督分类，这两种方法是基于像元的分类方法，不能有效的利用影像的空间纹理信息。
而且基于像元的分类方法还存在着分类结果出现椒盐现象的问题，从而导致大量无效破碎图斑的产生，最终导致分类精度不高。
随后又提出了在此两种方法的基础上该进的方法，如模糊分类法、基于神经网络的分类方法和基于决策树的分类方法等。
虽然后述这些方法在一定的程度上提高了分类的精度，但是他们依旧是建立在像元的基础上，也没有考虑到对象的空间纹理信息。
所以也会出现上述的一些问题（如：椒盐现象等）。
所以传统的分类方法已不能满足分类的需求。
所以基于以上这些问题，面向对象的分类方法应运而生，面向对象的分类方法充分利用影像的光谱信息、空间几何信息、纹理信息来进行分类。
采用多尺度分割算法，采用不同的分割尺度，能够较好的提取各种尺寸大小的地物。
所以运用面向对象的分类方法提取地表信息是，能够细致的提取出地表所覆盖的地物种类，并且能够达到更高的提取精度，能够更加准确的为相关部门提供数据资料，为相关部门作出决策判断提供依据。
本文中采用面向对象的分类方法与传统的基于像元的分类方法相比有一下有点：基于影像多尺度分割得到同质像元组成的影像对象，对象内部的光谱差异值很小可以忽略其内部的信息，从而避免了椒盐现象的出现，对象之间的区分同时考虑了光谱和形状两种因子，为分类提供了更多的特征，有效地克服了基于像元分类的一些局限性；多尺度的空间分析，可以满足不同尺度地物的信息提取要求；模拟人脑的思维方式充分利用影像对象的各种特征，以达到尽可能高的精度提取地物信息的目的。
面向对象的遥感影像信息提取
面向对象的遥感影像信息提取摘要：随着遥感技术的不断发展，遥感影像的分辨率不断的提高，如何对遥感影像中的地物信息进行高效、快速的提取，是当前研究的热点问题。
面向对象的方法先对影像进行多尺度分割得到同质区域对象，充分利用遥感影像中丰富的光谱、形状、纹理等特征对分割后的对象进行分类。
面向对象的遥感信息提取的方法克服了传统的基于像元的分类方法只依靠光谱信息的缺点，更高效的获取地物信息，得到更高精度的分类结果。
关键词：多尺度分割、分类、遥感影像、面向对象Abstract：With the continuous development of remote sensing technology, the resolution of remote sensing image is constantly improving. How to efficiently and quickly extract the ground object information in remote sensing image is a hot issue in current research. The object oriented method firstly segmented the image to obtain the homogeneous region object, and made full use of the rich spectral, shape, texture and other features of remote sensing image to classify the segmented object. The object-oriented remote sensing information extraction method overcomes the shortcoming of the traditional classification method based on pixel which only relies on spectral information, and obtains the ground object information moreefficiently and gets the classification result with higher precision.Key word：Multi-scale segmentation、classification、remote sensing image、object oriented.1引言利用面向对象的信息提取技术，可以更好掌握实际生产生活中地物变化情况，以及土地利用等情况，能够为国土空间规划、土地利用调查、资源普查、交通规划、生态旅游发展等工作提供有力的数据支撑。
地理国情普查数据采集方法
影像实例
三、水域、植被、道路地表覆盖信息提取
特
征
规
则
几何特征： 宽度一致性、长度/宽度、弯曲度
不对称性：一个影像对象越长，它 的不对称性越高； 长度/宽度；
辐射特征： 亮度一致性：道路区域内的整体灰度均 一，局部变化比较缓慢。 对比度可分性：道路区域与背景区域的 灰度具有较强的反差。 辅助信息（如DEM等）参与自动分类， 去除植被等要素的混分。
专题资料丰富程度决定的原则
• 专题资料较好 则充分利用专题资料，并结合影像进行更新与编辑 ，作为计算机自动分类的参考；并对地表覆盖类型 的属性进行赋值，不能完全满足要求的属性项，进 行外业核查。
• 专题资料不够好
只能采用测绘的手段。
• 无论采用何种信息提取方法，最终的成果必须
保证作业区（分景、分幅、行政单元等）内 100%覆盖，且各地表覆盖类型空间上不重叠。 因此，对于同一作业区，每一种地表覆盖类型
基础地理信息资料丰富程度决定的原则
• 基础地理信息数据比较丰富 充分利用基础地理信息资料。对于必须用全人工解 译的方法提取的地表覆盖类型，首先从基础地理信 息资料中获取，并结合影像进行更新与编辑，作为 计算机自动分类的参考，然后对其他类型进行信息 提取。 • 基础地理信息数据不够丰富 先进行计算机自动分类，然后进行人工解译编辑。
河渠
河渠包括河流、水渠。
河流自然弯曲，宽 窄不一，但总体上， 长度远远大于宽度， 且边界明显。
2014年江西省优秀硕士学位论文名单
导师姓名 丁秋平 王宗德 薛芳森 霍光华 刘木华 刘木华 刘 勇 曾志将 黄建军 匡小平 万莹 李春根 胡援成
第 5 页，共 9 页
编号 65 66 67 68 69 70 71 72 73 74 75 76 77
培养单位名称 江西财经大学 江西财经大学 江西财经大学 江西财经大学 江西财经大学 江西财经大学 江西财经大学 江西财经大学 华东交通大学 华东交通大学 华东交通大学 华东交通大学 华东交通大学
2014年江西省优秀硕士学位论文名单
编号 1 2 3 4 5 6 7 8 9 10 11 12 培养单位名称 南昌大学 南昌大学 南昌大学 南昌大学 南昌大学 南昌大学 南昌大学 南昌大学 南昌大学 南昌大学 南昌大学 南昌大学 作者姓名 徐鑫 赵宏祥 俞林生 梅丽杰 索生宝 姚桂红 商燕 万烨 袁凯 王鑫磊 戴喜末 许传铭 一级学科代码及名称 0202 应用经济学 0501 中国语言文学 0502 外国语言文学 0701 数学 0703 化学 0703 化学 0703 化学 0703 化学 0703 化学 0705 地理学 0710 生物学 0710 生物学 二级学科代码及名称 020209 数量经济学 050104 中国古典文献学 论文题目 污染控制视角下鄱阳湖生态经济区工业生产的合作与竞争 王易先生行年简谱 导师姓名 谌贻庆 段晓华 袁平华 伍歆 邱建丁 梁汝萍 吴芳英 陈超 陈义旺 陈斐 罗丽萍 万福生
导师姓名 胡瑢华 于立新 闫洪 周南润 王玉皞 王信刚 刘成林 郑典模 黄冬根 张国文 刘伟 李宾公 吴磊
第 2 页，共 9 页
编号 26 27 28 29 30 31 32 33 34 35 36 37 38
培养单位名称 南昌大学 南昌大学 南昌大学 南昌大学 南昌大学 南昌大学 江西师范大学 江西师范大学 江西师范大学 江西师范大学 江西师范大学 江西师范大学 江西师范大学
遥感影像分类方法比较研究
遥感影像分类方法比较研究一、本文概述随着遥感技术的迅速发展，遥感影像已成为地理信息系统、环境科学、城市规划等领域获取地表信息的重要手段。
遥感影像分类作为遥感技术应用的关键环节，其准确性和效率直接影响到后续的信息提取和应用。
研究遥感影像分类方法，对于提高遥感数据处理能力，促进遥感技术的广泛应用具有重要意义。
本文旨在比较研究不同遥感影像分类方法的特点、优势与局限性，以期在理论层面为遥感影像分类提供方法论的参考。
文章首先将对遥感影像分类的基本概念、分类体系进行阐述，为后续的比较研究奠定基础。
接着，文章将详细介绍几种主流的遥感影像分类方法，包括基于像元的分类方法、面向对象的分类方法、深度学习分类方法等，并对各方法的原理、实现步骤进行深入剖析。
在此基础上，文章将通过实验数据，对各分类方法的性能进行评估和比较，分析各方法的优劣和适用场景。
文章将总结遥感影像分类方法的发展趋势，展望未来的研究方向和应用前景。
通过本文的研究，旨在提高遥感影像分类的准确性和效率，推动遥感技术在各个领域的应用发展。
也为遥感领域的学者和实践者提供有益的参考和借鉴。
二、遥感影像分类方法概述遥感影像分类是遥感技术应用的重要领域之一，其目的在于通过对遥感影像的解译和分析，识别并区分地表上的不同特征和目标。
随着遥感技术的发展和进步，遥感影像分类方法也在不断更新和完善。
目前，遥感影像分类方法主要分为监督分类、非监督分类和深度学习分类等几种。
监督分类是基于已知训练样本进行分类的方法。
它通过选择具有代表性的训练样本，提取其特征并构建分类器，然后利用该分类器对整个遥感影像进行分类。
常见的监督分类方法包括最大似然分类、支持向量机分类、决策树分类等。
这些方法在遥感影像分类中具有较高的精度和稳定性，但需要大量的训练样本和先验知识。
非监督分类是基于影像内部像素之间的相似性进行分类的方法。
它不需要先验知识和训练样本，而是根据像素之间的统计特征或空间关系进行聚类分析，将具有相似性质的像素归为一类。
中分辨率遥感影像土地利用覆被信息自动提取研究——以太原市区Landsat8影像为例
中分辨率遥感影像土地利用覆被信息自动提取研究——以太原市区Landsat8影像为例侯志华;马义娟【摘要】“土地利用/土地覆被”(简称LUCC)是全球环境变化研究的热点问题之一,遥感技术是LUCC研究的重要手段,遥感影像LUCC信息的高精度自动提取成为众多专家学者关注的重要研究领域.Landsat系列卫星影像是最早且最为广泛使用的中分辨率陆地遥感影像.文章以2013年2月发射的Landsat8卫星的OLI影像为研究对象,利用ENVI软件,对太原市区的土地利用/土地覆被信息分别用最大似然法和决策树分类法实现自动提取,并进行精度比较.结果表明:最大似然法提取的总体精度为69.33％,Kappa系数为0.605 5,主要是耕地与林地、草地、建设用地以及建设用地与裸地的混分、错分现象较为严重,造成分类精度较低;而决策树分类法的自动提取通过确定适当的判别规则,使地类间的混分、错分现象明显改善,分类总体精度提高到91.33％,Kappa系数达到0.892 3,各土地利用类型的分类精度均有一定提高.【期刊名称】《太原师范学院学报（自然科学版）》【年(卷),期】2014(013)004【总页数】6页(P93-98)【关键词】自动提取;决策树分类;最大似然分类;土地利用/土地覆被;Landsat8【作者】侯志华;马义娟【作者单位】太原师范学院地理科学学院,山西太原030031;太原师范学院地理科学学院,山西太原030031【正文语种】中文【中图分类】TP790 引言土地利用／土地覆被（LUCC）研究，一直受到国际组织和世界各国的普遍关注，广泛成为地学、生态、环境、土地等领域的热点课题[1，2]，众多专家学者从LUCC的演化规律、驱动机制、空间格局、生态响应、环境变化等角度探索研究[3－6].随着遥感技术的发展与成熟，利用遥感影像成为LUCC研究的一种流行趋势，因此，遥感影像LUCC信息的快速、高精度提取成为LUCC研究中必不可少的重要内容和关键环节[7，8].遥感影像信息提取有人工目视解译和计算机自动分类两大方式，人工目视解译精度高，但费时、费力，速度慢，周期长，计算机自动分类速度快，但由于遥感影像存在的“同物异谱”和“同谱异物”现象，总的来说，分类精度不是很高，往往满足不了使用要求，成为阻碍遥感技术大规模实用化的瓶颈之一.近年来，有不少学者提出了许多新方法:基于最优波段组合提取[9、10]、基于多维特征信息提取[11，12]、以专家知识和经验为基础的光谱信息和其他辅助信息复合法[13，14]、基于知识的分层分类方法[13]、面向对象的分类方法[16]等，这些方法在数据选择上、算法上或是处理过程做了改进，分类精度均有一定提高，然而，任何一种自动提取方法都有针对性和适用范围.随着遥感平台的多样化和图像分辨率的提高，遥感数据类型琳琅满目，如何对所需的遥感数据选择合适的提取方法成为业内人士一直热衷的研究课题.Landsat系列卫星是最早的陆地资源卫星，是20世纪70年代、80年代甚至90年代最主要的航天遥感数据资源，21世纪以来遥感数据多源化，然而Landsat卫星影像因其价格低廉、存量数据时间跨度长、易于获取等优势仍然被广泛使用，尤其是中等尺度的地域研究[17、18].2013年2月Landsat8号卫星发射成功，为Landsat系列数据注入了新鲜血液，因此，Landsat卫星影像仍将在以后较长的一段时间内成为主流遥感数据之一.本文以太原市区Landsat8号卫星OLI影像为例，采用传统的最大似然法和决策树分层分类法对土地利用／覆盖信息自动提取研究，为挖掘遥感信息的理论研究以及Landsat卫星影像在土地利用／覆被方面的应用，提供一定的参考.1 研究方法1.1 最大似然法最大似然分类法，是遥感图像监督分类的经典算法，在土地利用／覆被信息提取中应用广泛.其基本思想是:因为同类地物光谱特征具有相同或相似性，异类地物光谱特征具有差异性，所以每类地物在多光谱空间会形成一个特定的点群，这些点群的位置、形状、密集或分散程度各有其分布特征；最大似然法就是根据各类的一些已知数据，构造出各类点群的分布模型，计算各类别的概率密度函数或概率分布函数；在此基础上，计算每一个像素属于各个类别的概率，取最大概率对应的类别为其归属类型.最大似然法的前提条件是假设遥感图像的每个波段地物光谱特征服从正态分布，因此，对符合正态分布的样本聚类组而言，是监督分类中较为准确的分类器，但对于“混合像元”、“同谱异类”等光谱特征相似的类别，达不到理想的分类效果.1.2 决策树分类法决策树分类法，是一种较为高效的分类器，其流程类似于一个树形结构，以一个根节点为基础，寻找信息量大的属性字段形成一条规则，派生出两类结果，以此建立决策树的一级内部节点，再以每个节点为基础，根据属性的不同取值形成规则，建立下一级节点，该过程向下继续拓展，直至图像分出类别（叶节点），这种以自顶向下递归的分层分类方式构造判定决策树的方法称之为“贪心算法”，它将复杂的决策形成过程分散成易于理解和表达的规则或判断.决策树分类最大的优点是，各个节点处划分的类别较少，划分的标准（属性）基本明确，可以更加有针对性地选择少数特征属性建立判别函数进行类别划分，且特征属性不仅可以选择单波段光谱特征值，还可以选择波段组合的光谱特征值，每一分层每个节点均可以根据不同的分类目的确定和调整特征属性和判别函数.其缺点是分类决策规则的建立对样本的依赖度大，且主观性较强.2 实验分析2.1 数据源及预处理太原市区2013年6月27日Landsat8号卫星的OLI影像为本次研究的主要数据，此外还有太原市2010年的土地利用专题图、太原市行政区划图.将遥感影像、土地利用专题图和行政区划图统一到相同的投影坐标（UTM／WGS84），然后以太原市行政区划图为基础，将研究区域裁剪出.参考土地利用专题图，针对实验区影像特点，确定自动提取的土地利用／土地覆被类别为:耕地、林地、草地（以荒草地为主）、建设用地、水域及裸地.2.2 数据分析2.2.1 OLI影像数据分析Landsat8的OLI陆地成像仪有9个波段，包括了TM（ETM＋）传感器的所有波段，并针对大气影响，对波段工作范围进行了重新调整，详见表1.表1 OLI陆地成像仪和ETM＋增强型专题制图仪波段对照表OLI陆地成像仪ETM＋增强型专题制图仪序号波段／μm 空间分辨率／m 序号波段／μm 空间分辨率／m 1 0.433－0.453 30 2 0.450－0.515 30 1 0.450－0.51530 3 0.525－0.600 30 2 0.525－0.605 30 4 0.630－0.680 30 30.630－0.690 30 5 0.845－0.885 30 4 0.775－0.900 30 6 1.560－1.660 30 5 1.550－1.750 30 72.100－2.300 30 7 2.090－2.350 30 8 0.500－0.680 15 8 0.520－0.900 15 9 1.360－1.390 30丰富的波段有多种RGB组合方案，参考国外公布的OLI波段合成的简单说明和众多专家学者在长期工作中总结的Landsat TM（ETM＋）不同波段组合对地物增强的效果，本次研究首先将Band3，Band4，Band5合成标准假彩色图像，然后将此图像与全色波段Band8进行Brovey变换融合，该融合图像地物信息丰富、色泽鲜明、层次好，对植被、水体等土地覆被有较好的表现，见图1.本次提取的各土地利用类型影像特征详见表2.图1 太原市区Landsat8Band345与Band8融合影像表2 各土地利用类型影像特征注:由于种植作物不同，耕地表现出三种明显不同的色调，为了实现更好的自动识别，将其细分为三个光谱类提取，然后再进行合并.土地利用类型颜色形状分布耕地1红色规则的块状南部地势较低的平川一带耕地2 橘粉色规则的条块状居民点周围耕地3 青色规则的块状部分地势较低的平川一带林地鲜红色（色纯）不规则的片状东西两侧海拔较高的山地区草地暗红色（色杂）不规则条带状城区两侧的丘陵、沟谷、阴坡等建设用地青色规则的块状地势较低的平川一带水体青蓝色条带状或片状汾河、晋阳湖地区裸地亮白色不规则部分地区分布2.2.2 地物光谱特征分析遥感技术探测地物的根本是同类地物具有相同或相似的光谱特征，异类地物的光谱特征具有一定的差异性，因此，首先对实验区内预提取的典型地物类型光谱数据进行采样，并加以统计，分析其光谱特征.如图2所示，不同地物光谱特征不同:图2 典型地物光谱特征图1）耕地1、耕地2、林地、草地的光谱特征具有一定的相似性，都是近红外波段光谱值高于可见光波段，林地的差异最大，其次是耕地1；而水体、建设用地和裸地均是可见光波段光谱值高于近红外波段.2）水体的反射率随波长变长而逐渐降低，在近红外波段上水体几乎呈现黑色，可以通过B1＜35与其他非水类分开；3）裸地在可见光波段明显高于其他类别用地的光谱值，相差较大较易区分；4）耕地2和草地的波谱走势较为接近，但耕地2各波段的波谱值较草地高；5）耕地3的波谱走势较为平滑，各波段间的光谱差异较小.2.3 分类方法的实现2.3.1 最大似然法自动提取首先根据先验知识，确定各土地利用类型的解译标志（表2），选择训练样本，建立分类模板，并对分类模板进行评价；分类模板达标后（各土地利用类型分类精度达90%），采用最大似然法对影像进行自动分类；对分类图进行分类后处理，将一些小图斑剔除，并通过重编码合并亚类，得到较为理想的分类结果，如图3. 2.3.2 决策树法自动提取用决策树分类法的关键在于判别规则的建立.由于“同物异谱，异物同谱”现象的存在，单纯地利用图像亮度值提取地物，尤其两类反射特性相似的地物，势必会造成分类的混淆和错误，很难达到较好的分类效果.经地物光谱特征的统计分析，可利用植被归一化指数（NDVI），结合各波段光谱值，建立各类地物可信度最大的提取规则.反复实验后，建立决策树提取规则，见图4.经分类后处理，最终的决策树分类图如图5.图3 最大似然分类法分类图图4 决策树自动提取的判别规则图5 决策树法分类图2.3.3 精度评价与结果分析在实验区随机抽取300个点，通过误差矩阵分别对最大似然法和决策树法的分类结果进行精度检验，详见表3和表4.由表3可见，最大似然法的分类精度总体较低，为69.33%，除林地、建设用地和水域的用户精度较高外，其他地类的分类精度均不理想，Kappa系数也仅0.605 5.尤其是耕地，其光谱特征较为复杂，长有植被（如玉米地）的耕地在光谱上和林地、草地较为相似，裸土又与建设用地光谱特征接近，因此，耕地不仅与草地的混分现象严重，且有部分林地、建设用地被错划分为耕地，导致耕地的用户精度仅58.88%；此外，林地易被错划为耕地和草地，其制图精度仅50.91%；建设用地易被错划为耕地和裸地，其制图精度仅61.33%；大量的建设用地错分为裸地，导致裸地的用户精度仅22.22%.由表4可见，决策树法的分类精度较最大似然法显著提高，总体精度达到91.33%，除裸地的用户精度较小，为66.67%外，其他地类的用户精度和制图精度均在85%以上，Kappa系数也提高至0.892 3，地类间的混分、错分现象得到一定控制.表3 最大似然法精度评价误差矩阵地类名称实际地类用户精度耕地林地草地建设用地水域裸地全部63 13 11 17 3 0 107 58.88%林地 0 280 0 0 1 29 96.55%草地 16 14 50 2 0 0 82 60.98%建设用地 1 0 0 53 0 0 54 98.15%水域 0 0 0 0 10 0 10 100.00%裸地 0 0 0 14 0 4 18 22.22%全部 80 55 61 86 13 5 300制图精度耕地分类地类＝0.6055 78.75% 50.91% 81.97% 61.63% 76.92% 80.00%总体精度＝69.33% Kappa系数表4 决策树法精度评价误差矩阵地类名称实际地类用户精度耕地林地草地建设用地水域裸地全部58 2 3 2 0 0 65 89.23%林地 5 46 2 0 00 53 86.79%草地 3 3 51 0 0 0 57 89.47%建设用地 1 0 0 711 0 73 97.26%水域 0 0 0 0 40 0 40 100.00%裸地 0 1 0 3 0 8 12 66.67%全部 67 52 56 76 41 8 300制图精度耕地分类地类86.57% 88.46% 91.07% 93.42% 97.56%100.00%总体精度＝91.33 Kappa系数＝0.892 33 结论1）决策树分类法将复杂的信息分类过程分解为若干步骤，在每个步骤可以利用不同的数据源、不同的特征集、不同的算法，且每一步骤仅解决一个问题，更有针对性，计算机处理速度快、时间短，且分类精度高，较传统的最大似然法更有利于对遥感图像信息的提取.2）决策树分类法的关键是判别规则的建立，其创建过程存在较大的人为干预因素，需要一定的经验及反复调试，否则难以达到良好的分类效果.3）本次决策树分类规则的建立仍然主要依赖的是地物的光谱信息，下一步研究将考虑与基于知识的专家系统相结合，充分利用纹理、形状等地物空间特征、地形特征、分布特征等信息，进一步改善分类效果，提高计算机自动分类的实用性.参考文献:[1]李秀彬.全球环境变化研究的核心领域——土地利用／土地覆盖变化研究的国际研究动向[J].地理学报，1996，51（6）:553－558[2]冷疏影，宋长青，赵楚年，等.关于地理学科“十五”重点项目的思考[J].地理学报，2000，55（6）:751－754[3]刘纪元，刘明亮，庄大方，等.中国近期土地利用变化的空间格局分析[J].中国科学（D辑），2002，32（12）:1 031－1 040[4]杜云艳，王丽敬，季民，等.土地利用变化预测的案例推理方法[J].地理学报，2009，64（12）1 421－1 429[5]戴声佩，张勃.基于CLUE－S模型的黑河中游土地利用情景模拟研究——以张掖市甘州区为例[J].自然资源学报，2013，28（2）:336－348[6]白元，徐海量，凌红波，等.塔里木河干流区土地利用与生态系统服务价值的变化[J].中国沙漠，2013，33（6）:1 912－1 920[7]刘慧平，朱启疆.应用高分辨率遥感数据进行土地利用与覆盖变化监测的方法及研究进展[J].资源科学，1999，21（3）:23－27[8]廖克.高分辨率卫星遥感影像在土地利用变化动态监测中的应用[J].测绘科学，2006，31（6）:11－15[9]许菡，燕琴，徐泮林，等.多源遥感影像融合最佳波段选择及质量评价研究[J].测绘科学，2007，32（3）:72－76[10]张韬，吕洪娟，孙美霞，等.遥感多光谱数据在内蒙古西部湿地监测中最佳波段选取的应用研究[J].干旱区资源与环境，2007，21（4）:102－106[11]杨桄，刘湘南，张柏，等.基于多特征空间的遥感信息自动提取方法[J].吉林大学学报（地球科学版），2005，35（2）:257－260[12]陈述，刘勇.基于多特征的遥感影像土地利用／土地覆盖分类－以腾格里沙漠东南边缘地区为例[J].遥感技术与应用，2006，21（2）:154－158[13]李德仁，王树良，李德毅，等.论空间数据挖掘和知识发现的理论与方法[J].武汉大学学报（信息科学版），2002，27（3）:221－233[14]杨存建，周成虎.基于知识的遥感图像分类方法探讨[J].地理学与国土研究，2001，17（1）:72－77[15]王志慧，李世明，刘良云，等.基于 MODIS NDVI时间序列的土地覆盖分层分类方法研究[J].遥感技术与应用，2013，28（5）:910－919[16]王贺，陈劲松，余晓敏，等.HJ数据的LBV变换及其在面向对象分类中的应用[J].遥感技术与应用，2013，28（6）:1 020－1 026[17]许积层，唐斌，卢涛.基于多时相LandsatTM影像的汶川地震灾区河岸带植被覆盖动态监测——以岷江河谷映秀汶川段为例[J].生态学报，33（16）:4 966－4 974[18]金石柱，刘志峰.基于 TM 影像的延吉市土地利用动态变化研究[J].地理科学，2011，31（10）:1 249－1 253。
光学遥感影像土地利用分类方法综述
光学遥感影像土地利用分类方法综述光学遥感影像土地利用分类方法是指利用遥感技术获取地面信息，通过图像处理和分析手段，对土地利用类型进行分类和识别的方法。
本文对光学遥感影像土地利用分类方法进行了综述，介绍了其研究现状、应用前景及未来研究方向。
关键词：光学遥感影像，土地利用分类，图像处理，应用前景，研究方向随着科技的不断发展，遥感技术已成为获取地球表面信息的重要手段之一。
土地利用分类是遥感影像处理和分析的重要应用之一，对于城市规划、土地资源管理和环境保护等领域具有重要意义。
本文旨在综述光学遥感影像土地利用分类方法的研究现状及应用前景，以期为相关领域的研究和实践提供参考和借鉴。
光学遥感影像分类方法是指利用遥感影像的像素值特征，通过分类算法将像素划分为不同的土地利用类型。
常用的分类算法包括基于统计学的分类算法、基于机器学习的分类算法和基于深度学习的分类算法等。
这些算法通过分析影像的光谱信息、纹理信息和空间信息等，实现对土地利用类型的精细分类。
土地利用类型分类方法是根据土地利用的实际情况，将土地划分为不同的类型，如林地、农田、草地、建设用地等。
这些类型具有不同的光谱特征和空间分布特征，因此可以通过对这些特征的分析，实现土地利用类型的精细分类。
土地利用分类系统是指将土地利用类型进行系统化分类的体系，如联合国粮食及农业组织（FAO）的土地覆盖类型分类系统、美国土地资源司的土地利用分类系统等。
这些分类系统将土地利用类型进行系统化分类，为遥感影像的土地利用分类提供了重要的参考依据。
在我国，国家农业遥感中心也建立了一套适合我国国情的土地利用分类系统。
这些分类系统的应用，为土地利用遥感影像的处理和分析提供了基础和支持。
基于传统统计学的土地利用分类方法是指利用统计学理论和方法对遥感影像进行土地利用分类的方法。
这类方法主要包括回归分析、聚类分析、主成分分析等。
通过这些方法的应用，可以提取出遥感影像中的有用信息，并将其与已知的土地利用类型进行统计分析，从而实现土地利用类型的分类和识别。
面向对象的遥感影像分类方法在土地覆盖中的应用
根据高分辨率遥感影像的特点 ，面向对 象的遥感影像分类方法 应运而生。与其它传
统的基于像元的影像处理方法相 比较 ， 面向对 象的影像信息提取 的基本处理单元是有意义
空间信 息 建立模糊逻辑的知识库， 进行信息提 取。因此， 构造一个优秀的模糊分类器是信息
提 取的关键 。
１ 多尺度分割 ＿ １ 多尺度分割的方法考虑 了地表实体或过
父对象和子对象 ， 这样就又会衍生出类相关等
特征。 本文利用了面 向对象的分类思想 ， 利用 ｅ ｏｎｔ ｎ Ｃ ｇｉｏ 软件在对遥感影像进行多尺度分割 ｉ
对象集合 了 像元的光谱信息 、 此像元与周围像
元的关系信 息等。 多尺度分割的突出贡献是同
一
Ｌ ｖ ｌ ５ ｅ ｅ２ ０
Ｌｅ ｅ ３ ２０ ｖ ｌ Ｌｅ ｅ４ １ ｖ１ ５
的挑战。面向像素分类法是传统的分类方法 ， 在技术和应用上都已经很成熟 ， 主要包括非监 督分类和监督分类 ， 近年来人们又研究出了新
的分类方法和分类理论 ， 比如模糊分类 、 神经 网络等提高了分类的精度 ， 但是无法摆脱基于 像元 的局限性 ，对于高分辨率 的遥感影像来
影像对象的属性信 息， 以影像对象为信息提取
０ ６ ９
表 ２多尺度分割影像特征提取 的类与规则
父对象 子对象 （ｕ — ｂ ｃ） ｓｂ ｏｊ ｔ ｅ
的 空 间 尺 度 上 就
上便可以针对地物不同特点使用均值 、 拓扑 关系及对象间语义关系等特征。 具体规则的 建立考虑了各层次类型的规则建立 、 内子 层 类型对父类型的继承与对 每一层分类结果 进行合并与传 “ Ｊ 。 本文构建四个信息提取层 ， 同影像对 不
展 的必 然要 求 日 。
遥感影像变化检测综述
遥感影像变化检测综述一、本文概述随着遥感技术的快速发展和广泛应用，遥感影像变化检测已成为地球科学、环境科学、城市规划等领域的重要研究工具。
本文旨在综述遥感影像变化检测的基本原理、方法、技术及其在各领域的应用，以期对遥感影像变化检测领域进行全面的梳理和总结，为相关研究和应用提供参考和借鉴。
本文首先介绍了遥感影像变化检测的基本概念和研究意义，然后重点阐述了遥感影像变化检测的主要方法和技术，包括基于像素的方法、基于对象的方法和基于深度学习的方法等。
本文还探讨了遥感影像变化检测在土地利用/覆盖变化、城市扩张、自然灾害监测等领域的应用，并分析了当前遥感影像变化检测面临的挑战和未来的发展趋势。
本文旨在为遥感影像变化检测领域的研究者和实践者提供全面的理论支持和实践指导。
二、遥感影像变化检测的基本原理遥感影像变化检测是一种通过对比不同时间点的遥感影像，识别并提取地表覆盖和特征变化的技术。
其基本原理主要基于遥感影像的像素级、特征级和决策级三个层次的变化检测。
在像素级变化检测中，通过对两个或多个时相的遥感影像进行像素级别的比较，直接识别出发生变化的区域。
这种方法通常依赖于像素值的差异，如灰度值、色彩值等，通过设定阈值或采用统计方法来判断像素是否发生变化。
像素级变化检测能够提供较为精细的变化信息，但也可能受到噪声、光照条件、传感器差异等因素的影响。
特征级变化检测则侧重于从遥感影像中提取出关键特征，如纹理、形状、边缘等，并对这些特征进行变化分析。
这种方法通过提取和比较不同时相影像中的特征信息，可以更加准确地识别出地表覆盖和特征的变化。
特征级变化检测通常需要对遥感影像进行预处理，如滤波、增强等，以提高特征提取的准确性和稳定性。
决策级变化检测是在更高层次上对遥感影像进行变化分析。
它通常基于分类或目标识别的结果，通过比较不同时相影像的分类结果或目标识别结果，来判断地表覆盖和特征的变化。
决策级变化检测可以提供更加宏观和全面的变化信息，但也需要更加复杂的算法和模型支持。
ccdc连续变化检测和分类算法
ccdc连续变化检测和分类算法CCDC连续变化检测和分类算法是一种广泛应用于土地覆盖变化检测的算法，该算法通过分析不同时间段的遥感影像，检测并分类出土地覆盖变化。
下面将分步骤阐述该算法的原理和应用。
第一步：影像预处理首先，需要对不同时间段的遥感影像进行处理，消除影像间因拍摄时间、观测条件等因素引起的差异。
通常采用直方图匹配和辐射校正等方法进行预处理。
第二步：选择初始点在处理完影像预处理后，需要选择一些初始点。
这些点通常涵盖了重要的观测区域，如城市、农田等。
对于农田而言，可以选择水稻、玉米等常见种植作物的区域作为初始点。
选择初始点的目的是为了建立一个土地覆盖分类的样本集。
第三步：土地分类接下来，根据选择的初始点，对遥感影像进行土地分类。
CCDC算法通过时间序列分析和面向对象的分类方法，将土地覆盖划分成多个类别，如耕地、林地、河流等。
这些类别在土地覆盖变化检测中起到了至关重要的作用。
第四步：获取土地覆盖变化信息通过对多个时间段的遥感影像进行土地分类，即可获取每个类别在不同时间段的空间分布图，并进一步分析土地覆盖的变化情况。
比如，可以通过分析不同时间段同一地区土地覆盖的变化，找出是否存在土地利用的变化趋势。
第五步：检测土地覆盖变化利用CCDC算法检测土地覆盖变化。
该算法通过时间段之间土地覆盖的变化量来判断是否存在变化，如果存在变化，则将其所属的类别进行更改。
从而实现了连续变化检测。
总之，CCDC算法是一种可靠的土地覆盖变化检测方法，广泛应用于土地利用与覆盖监测、环境变化、矿产资源等检测任务中。
遥感与GIS专业毕业设计题目
1 遥感教研室刘良明MODIS数据管理系统的设计与实现设计√√（GIS）2 遥感教研室刘良明黄河冰凌监测系统设计与实现设计√√（GIS）3 遥感教研室刘良明常用图像格式转换软件的研制设计√√（RS）4 遥感教研室刘良明基于MODIS数据的干旱预警系统的研制设计√√（RS）5 遥感教研室刘良明地图投影软件包的研制（GIS或者RS）设计√√（GIS 或者RS）6 遥感教研室刘良明基于MODIS数据的火灾预警系统的研制（RS）设计√√（RS）7 遥感教研室舒宁遥感数据新型格式标准研究（RS）设计√√（RS）8 遥感教研室舒宁基于光谱数据相似性多光谱数据编码方法设计√√9 遥感教研室舒宁纹理能量分析中的矢量方法设计√√10 遥感教研室舒宁共生矩阵在多光谱纹理分析中的应用方法设计√√11 遥感教研室舒宁相对极值法在多光谱纹理分析中的应用设计√√12 遥感教研室舒宁灰度差分法多光谱纹理分析中的应用设计√√13 遥感教研室舒宁多光谱影像纹理分析的简单方法设计√√14 遥感教研室方圣辉基于地物光谱信息的遥感影像分类方法研究设计√√15 遥感教研室方圣辉水域的光谱特征测量及分析设计√√16 遥感教研室方圣辉植被的光谱特征测量及分析设计√√17 遥感教研室方圣辉道路的光谱特征测量及分析设计√√18 遥感教研室方圣辉EPP2000光谱仪的分析软件研制设计√√19 遥感教研室方圣辉影响地物光谱特征因素分析设计√√20 遥感教研室倪玲武汉地区典型区别的地物光谱与MODIS影像比较分析设计√√21 遥感教研室倪玲遥感影像分类特征提取方法研究设计√√22 遥感教研室倪玲ISODA TA方法实现设计√√23 遥感教研室倪玲辅以空间特征的RS分类设计√√24 遥感教研室倪玲基于MA TLAB的遥感影像处理设计√√25 遥感教研室倪玲RS多媒体教学演示文稿制作设计√√26 遥感教研室倪玲影像匹配方法研究设计√√27 遥感教研室倪玲基于启发式学习的RS神经网络分类设计√√28 遥感教研室倪玲RS纹理提取方法研究设计√√29 遥感教研室倪玲辅以纹理的RS专题提取设计√√30 遥感教研室倪玲MODIS影像动态监测研究设计√√31 遥感教研室孙家柄遥感图像数字镶嵌设计√√要求编程实现32 遥感教研室孙家柄遥感图像非监督分类设计√√要求编程实现33 遥感教研室孙家柄基于遥感教材的数字图书的设计和实现设计√√要求编一共418个34 遥感教研室孙家柄遥感图像几何纠正设计√√要求编程实现35 遥感教研室孙家柄遥感图像邻区处理方法的研究设计√√要求编程实现36 遥感教研室孙家柄遥感图像距离分类方法的研究设计√√要求编程实现37 遥感教研室卢健SAR图像地物编码方法研究设计√√38 遥感教研室卢健雷达影像的融合处理设计√√39 遥感教研室卢健SAR图像和多波段光学图像的最大似然分类方法设计√√40 遥感教研室卢健印刷图像的图表版权设计√√41 遥感教研室卢健基于小波的图像数字水印方法设计√√42 遥感教研室卢健基于内容的图像检索方法。
专题三2：面向对象信息提取
邓书斌
主要内容
• 1、基于专家知识的决策树分类 • 2、面向对象的影像特征提取 • 3、基于立体像对的DEM提取 • 4、多时相影像动态检测技术
1、基于专家知识的决策树分类
专家分类与决策支持系统
• 根据光谱特征、空间关系和其他上下文关系归类像元
+
DEM
+
Road
+
+
Map ？Zoning
2、面向对象的影像特征提取
面向对象的图像分析
• 面向对象的技术 – 集合临近像元为对象用来识别感兴趣的光谱要素 – 充分利用高分辨率的全色和多光谱数据，利用空间，纹理，和光谱信息 来分割和分类的特点 – 以高精度的分类结果或者矢量输出
• 分为两个部分 – 发现对象 – 特征提取
发现对象
FX操作流程影像分割 合并分块 精炼分块 计算属性
直接输出矢量
• 输出Shapefile矢量文件 • 属性
监督分类法特征提取
• 根据一定样本数量以及 其对应的属性信息，利 用K邻近法和支持向量 机监督分类法进行特征 提取。
规则分类法特征提取
• 每一个分类有若干个规 则（Rule）组成，每一 个规则有若干个属性表 达式来描述。规则与规 则直接是与的关系，属 性表达式之间是并的关 系。
• FX利用了 Full Lambda-Schedule算法，该方法在结合光谱和空 间信息的基础上迭代合并邻近的小斑块。
• 这一步是可选项，如果不需要可以直接跳过。
分块精炼
• FX提供了一种阈值法（Thresholding）进一步精炼分块的方法。 它是基于亮度值的栅格操作，根据分割后结果中的一个波段的 亮度值聚合分块。对于具有高对比度背景的特征非常有效（例 如，明亮的飞机对黑暗的停机坪）。