基于面向对象和规则的遥感影像分类研究

合集下载

遥感影像分类方法及其比较分析

遥感影像分类方法及其比较分析

遥感影像分类方法及其比较分析遥感影像分类是一种将遥感影像中的像素划分为不同类别的过程。

它是遥感技术中最重要的应用之一,可以提供大量详细的地表信息,对于农业、林业、城市规划等领域具有广泛的应用价值。

本文将探讨几种常用的遥感影像分类方法,并对它们进行比较分析。

一、基于像素的分类方法基于像素的分类方法是最常用的遥感影像分类方法之一。

它通过对遥感影像中的每个像素进行分类,将其划分为不同的类别。

这种方法的优点是简单易懂,适用于各种类型的遥感数据。

但是,由于忽略了像素周围的空间信息,容易在复杂地物的分类中出现错误。

同时,像素的分类结果不具备连续性,不适用于一些需要连续空间分布信息的应用。

二、基于对象的分类方法相比于基于像素的分类方法,基于对象的分类方法考虑到了空间信息。

它将相邻的像素组成的对象作为分类的基本单元,通过对对象进行分类来实现遥感影像分类。

这种方法能够更好地反映地物的形状和空间分布特征,提高分类的准确性。

但是,这种方法需要进行图像分割,对图像处理的要求较高,处理速度较慢。

三、基于特征的分类方法基于特征的分类方法是一种常见的遥感影像分类方法。

它通过提取遥感影像中的各种特征,如颜色、纹理、形状等,然后将这些特征作为分类的依据进行分类。

这种方法适用于各种类型的遥感数据,具有较高的分类准确性。

然而,在特征提取过程中,如何选择合适的特征以及如何克服特征间的冗余和相关性仍然是一个挑战。

四、基于深度学习的分类方法近年来,深度学习技术在遥感影像分类中的应用越来越广泛。

深度学习通过构建多层网络,能够自动学习特征,提高分类的准确性。

它能够处理大量的数据,适用于各种类型的遥感影像分类。

然而,深度学习技术需要大量标记好的训练样本,并且对计算资源的要求较高。

综上所述,不同的遥感影像分类方法各有优缺点。

在实际应用中,应根据具体的需求和问题选择适合的方法。

如果需要考虑地物的空间信息,可以选择基于对象的分类方法;如果需要提高分类准确性,可以选择基于特征的分类方法;如果拥有足够的标记好的训练样本和计算资源,可以选择基于深度学习的分类方法。

浅论基于面向对象的遥感图像分类

浅论基于面向对象的遥感图像分类

M t na R N a A—
A B
% 一a ca ( rt n

() 5
至此, 可将 M、 k %等数据代人 ( ) 中之任一 N、 、 3式 等式 , 以资捡校 。 为 了求 得任 意两 点 的 坐 标 增 量 , 将 ( ) ( ) 改 可 1 、2 式
写成一 般形式 , : 即
△)l k i1o ( + 0 1 【— s s % f i 一c I ) _ Ay — k i1sn % + 0 1 s i( 一 i ) ~
() 6式与一般导线坐标 计算公式基本相 同, 便于记 忆 , 中 除 S0为变 量外 , 、。 根 据 () ( ) 式 . k a可 4 、5 式预 先算 出, 连同已知点坐标与公式一并存人 电子计算器中, 然 后 顺次 输入不 同的 S0 , 能立 即显示 相 应 导线 点 的 .值 便 坐 标 , 需记 录 中间结 果 , 无 因而计 算非 常简捷 。 2 现 将本 法的计 算步 骤说 明如 下 ()绘 制 略 图 , 明点 、 、 的 编号 , 1 注 边 角 并将 已知 坐 标值方位角、 边长以及边 、 角观测值 , 填写于附表的相应 栏内。 () 2 按公式 0 i +B 8。 i 一 i 0计算 0 =0 士1 值。 ( )求 Scsi S i0 和 ( M 、 。 3 ioO 与 in i s 总 即 N) ( )根据 ()( ) 计算 k和 %。 4 4 、5式 ()将坐 标 计 算 式 ( )连 同有 关 已 知数 据 一 并 写 5 6, 入计算器 中存储起来 , 然后顺序输入不 同的 S0 ,即 .值 ; 得各 导线点 的坐 标 。最后 算 出 B点 的坐 标 , 与 已知坐 应 标值 相符 。
Y k s

基于面向对象的中分辨率遥感影像变化检测方法研究

基于面向对象的中分辨率遥感影像变化检测方法研究

SCIENCE &TECHNOLOGY INFORMATION科技资讯基于面向对象的中分辨率遥感影像变化检测方法研究田方1武喜红2*(1.河南测绘职业学院河南郑州450000;2.中科星图股份有限公司北京100000)摘要:该文从如何提高遥感影像变化检测的精度出发,提出了一种基于面向对象的Idex-CVA 变化检测法。

通过实验数据分析,面向对象的Idex-CVA 法可以把图像指数变换与CVA 法的优势融合,能够提高检测精度,降低虚检率、漏检率。

随着经济与科技的发展,尤其是近年来人口的快速增长和城镇化的推进,地表覆盖物的变化越来越频繁,如果能用既快速又有效的方法检测到地表覆盖物的变化,在国情监测、农业普查、研究土地变化等领域具有十分重要的意义。

关键词:遥感影像变化检测Idex-CVA 面向对象中图分类号:P23文献标识码:A文章编号:1672-3791(2021)11(b)-0059-03Research on Change Detection Method of Medium ResolutionRemote Sensing Image Based on Object-orientedTIAN Fang 1WU Xihong 2*(1.Henan College of Surveying and Mapping,Zhengzhou,Henan Province,450000China;2.Geovis TechnologyCo.,Ltd.,Beijing,100000China)Abstract:Starting from how to improve the accuracy of remote sensing image change detection,it proposes an object-oriented Idex-CVA change detection method in this paper.Through the analysis of experimental data,the object-oriented Idex-CVA method can integrate the advantages of image exponential transformation and CVA method,and improve the detection accuracy and reduce the false detection rate and missed detection rate.With the development of economy and science and technology,especially the rapid growth of population and the promotion of urbanization in recent years,the change of the surface covering more and more frequently.If we can detect the change of surface cover by fast and effective methods,it is of great significance in the fields of national condition monitoring,agricultural census,research on land change and so on.Key Words:Remote sensing image;Change detection;Idex-CVA;Object-oriented1研究背景和意义当今遥感技术进入了一个快速发展的阶段,“三多和三高”已经成为遥感技术的最大特点,三多是指多角度、多传感器和多平台,三高是指高光谱分辨率、高空间分辨率和高时间分辨率,遥感影像变化检测已成为空间信息科学中较为活跃的研究方向之一[1]。

面向对象高分辨遥感影像分类研究

面向对象高分辨遥感影像分类研究
研究 中具 有 广 阔的应用 前景 ] 。 与 此 同 时 , 高 分 辨遥 感 影 像 解译 提 出 了一 些 对
最 近邻 法进行 监督 分类 , 较好 的 利用 影 像 的高 分 辨
对 象特 征 , 验结 果 表 明此 方 法 能够 很 好 的识 别 高 实 分 辨影像 地 物特征 。
点, 目前 较 常用 的分 割 算 法 主要 有 基 于纹 理 特 征 分
割 、 于 图像灰 度分 割 、 于知 识 影 像 分 割 、 形 网 基 基 分
光谱 信 息 , 有较 好 的 利用 高 空 间分 辨 影 像 的 对 象 没
特征。
收 稿 日期 :0 7 0 —0 20 — 4 5 修 订 日期 :0 7 0 — 1 20 — 5 5
中 图 分 类 号 :TP 9 7 文 献 标 识 码 :A 文 章 编 号 :1 0 — 0 0
1 引 言
随着 遥 感 技术 快 速 发展 , 其 是 近 年 来 高 空 间 尤
面 向对 象 的分类 方法 首 先将影 像 分割 成对 象特 征 , 后在 对象 的基 础上 进行 分类 研 究 , 然 目前对 面 向 对象 的研 究 主要 在 多 尺 度 分 割 上 , 割 是 对 象 特 征 分 分类 的基 础 _ 1 。面 向对 象 引 入 模 糊 理 论 中并 取 得 很好 的分 类 效 果_ 1 知 识 规 则 结 合 进 行 辅 助 分 类 与 等 等 ] 卜¨ 。本文 采用 分 割后 的 影 像 对 象 特 征 按 照
络 演化 ( NE 分 割等 算 法 , 虑 到 分 割 后 对 象 特 F A) 考
征 异质 性最 小 , 用 分 形 网络 演化 方 法 进行 影 像 分 采
基 金项 目 : 江苏 省测 绘科 研基金 项 目(S J CHKY2 0 0 ) 助 07 3资 作 者简 介 : 新亮 , , 京大 学地理 信息 科学 系在 校本科 生 , 黎 男 南 研究 兴趣遥 感理 论 与应用 , 地理 数据分 析与 建模 等 。

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

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]。

基于面向对象的遥感影像空间信息提取方法研究

基于面向对象的遥感影像空间信息提取方法研究
户需求。 2 面 向对 象 空间信 息提 取方 法
面 向对象 信 息提 取方法 的 流程 图 ( 见图 1 ) ,该 过程 分 为 两 部分 ,即发 现 对 象和 特 征提 取 。首先 定
面 向对 象 的信息 提 取 方 法是 一 种 新型 的影 像 分 义 提取 要 素 ,然 后对 影 像 进 行多 尺 度 分割 ,获取 同
析 方 法 ,是 以临近像 元为 对 象来 识 别 感 兴趣 的光谱 质对 象 ,对 同质 对象 进 行 斑块 合 并 和精 炼 ,利用 影 要 素 ,充 分 利用 高 分 辨率 的全色 和 多光谱 数 据 ,利 像特 征 库 ( 影像 灰度 特 征 和 几何 结 构特 征 )建立 不
用 空 间 、质 地和 光 谱 信息 来 分割 和 分 类特 点 ,它 依 同对 象 的提 取规 则 及样 本 ,进行 规 则 分类 ,最 终 以 据 地 物 的 光 谱 同质性 对 影 像进 行 分割 , 得 到 一 个 个 高精 度 的分类 结果 或矢 量输 出提 取对 象 。 具有 几 何特 征和 空 间信 息 的 同质 区域 ,并 以 高精度
更 多用 户 服务 ,具 有重 要意 义 。
法进 行信 息提 取 。
传 统 方 式 从 遥感 影 像 上 获取 空 间数据 如 道 路 、 3研 究资 料准 备及 技术 路线 居 民地 、水 系 及其 它 一些 相 关信 息 等 ,都 是 利用 手 3 . 1研 究 资料 准备 工 方 式 直接 在 影像 上 采 集 ,不但 工 作量 大 ,而 且成
发现m t 象
影像预处理 } _ _ 定义提取要素 卜 影像对尺度分割 卜 +l 合并分块 } _ 精炼分块 I

特 征 提 取
输 出矢量 图 一 特征提取 I . I _ _ 规则分类

面向对象的遥感影像分类技术

面向对象的遥感影像分类技术
适用于高分辨率影像
随着遥感技术的发展,高分辨率影像 越来越普及。面向对象分类方法能够 更好地适应高分辨率影像的特点,提 取出更多的地物细节信息。
02
遥感影像数据预处理
遥感影像数据来源及特点
来源
卫星、飞机、无人机等遥感平台获取 的影像数据。
特点
具有多源性、多时相性、多光谱性、 高分辨率等特点。
数据预处理流程
总结与展望
研究成果总结
01
面向对象遥感影像分类技术的优势
通过面向对象的方法,遥感影像分类技术能够更有效地提取地物特征,
降低分类误差,提高分类精度。
02
关键技术的突破
在特征提取、对象构建、分类器设计等方面取得了重要突破,推动了遥
感影像分类技术的发展。
03
多样化应用场景的实现
面向对象遥感影像分类技术已广泛应用于土地利用/覆盖分类、城市规
04
数据融合技术
将多源、多时相、多光谱的遥感影像 数据进行融合,提高影像数据的空间 分辨率和光谱分辨率。
03
面向对象分类方法原理及实现
面向对象分类方法的基本原理
对象的概念
01
在遥感影像中,对象是指具有相似光谱、纹理、形状等特征的
像素集合。
分层结构
02
面向对象分类方法通过构建分层结构,将影像划分为不同尺度
动态交互可视化
利用GIS等空间分析工具,实现分类结果的动态交互可视化,支持用 户自定义查询、分析和展示。
算法优化与改进方向
特征提取与选择
研究更有效的特征提取方法,如深度学习、纹理分析等, 提高分类器的性能;同时,针对特定应用需求,选择合适 的特征组合进行优化。
上下文信息利用
充分挖掘和利用遥感影像中的上下文信息,如空间关系、 地物形状等,提高分类的准确性;研究基于图模型、条件 随机场等方法的上下文建模技术。

面向对象的遥感影像分类技术

面向对象的遥感影像分类技术

面向对象分类的 基本原理
面向对象分类的基本概念
面向对象分类: 将遥感影像分割 为多个对象,每 个对象具有相同 的属性和特征
基本原理:通过 分析遥感影像的 纹理、颜色、形 状等特征,将具 有相似特征的像 素划分为同一个 对象
优势:能够更好 地处理遥感影像 中的噪声和异物, 提高分类精度
应用领域:广泛 应用于土地覆盖 分类、灾害监测、 环境监测等领域
遥感影像分类技术的分类方法
监督分类:利用已知类别的样本进行训练,然后对未知类别的影像进行分类
无监督分类:无需已知类别的样本,直接对影像进行分类
半监督分类:结合监督分类和无监督分类的方法,提高分类准确性
深度学习分类:利用深度学习技术,如卷积神经网络(CNN)、循环神经网络(RNN)等,进行 遥感影像分类
技术发展对策与建议
加强技术研发,提高分类精度和速度 拓展应用场景,如农业、环保、城市规划等领域 加强与其他领域的交叉学科合作,如人工智能、大数据等 制定相关政策和标准,推动技术发展和应用
感谢您的观看
汇报人:XX
在林业领域的应用
森林资源调查:通过遥感影像分类技术,可以快速准确地获取森林资源的分布、面积和种类等信息。
森林健康监测:通过对遥感影像的分析,可以及时发现森林的病虫害、火灾等灾害,并采取相应的 措施。
森林资源管理:通过遥感影像分类技术,可以评估森林资源的利用情况,为森林资源的保护和管理 提供依据。
选择分类器的依据:数据集的大小、 特征的复杂性、计算资源的限制等
分类结果后处理与优化
后处理方法:平 滑、滤波、边缘 检测等
优化策略:调整参 数、选择合适的分 类器、融合多种分 类方法等
评价指标:精度、 召回率、F1值等

基于GLC面向对象遥感影像分类方法的研究与应用

基于GLC面向对象遥感影像分类方法的研究与应用
中 图分 类 号 : P 2 3 7 i T P 7 5 文 献标 识 码 : B 文章 编 号 : 1 6 7 2— 5 8 6 7 ( 2 0 1 3 ) 1 l 一 0 0 6 8— 0 4
R e s e a r c h a n d Ap p l i c a t i o n o f Ob j e c t - — - Or i e n t e d Re mo t e
t i o n,w h i c h i s u s i n g s i mp l e x i n f o r ma t i o n f o r c l a s s i f y i n g a n d ma k e s i t d i f i f c u l t t o s o l v e t h e p r o b l e m o f“t h e s a me l i g h t wi h t d i f f e r e n t
较 高层次里 实现 了地物信息的提取 , 在减 少信 息遗 失的同时提 高了分 类精度 。本文主要介绍 了面向对 象遥感 影 像分类技术的基本原理和方法 , 并对 C 5 . 0决策树分类算法进行 了改进和研 究, 构造 出新的分 类器 G L C决 策树 . 之后又基 于该分类 器对遥感影像进 行面向对象分类, 将结果与基 于像元分类和使 用 S V M 面向对象分类结果进 行 对 比分析 , 从 而验证 了经过改进的 C 5 . 0算法应 用于面向对 象遥感影像分类的准确性 和有效性 。 关键词 : 遥感影像分类 ; G L C决策树分类 ; 面向对 象; C 5 . 0算法
s p e c t r u m’ ’a n d“ t h e s a me s p e c t r u m w i t h d i f f e r e n t o b j e c t ” .T u r n i n g t o w a r d s t h e s h a p e.t e x t u r e a n d o t h e r c h a r a c t e is r t i c s o f t h e t a r g e t f e a t u r e s o f t h e o b j e c t —o i r e n t e d c l a s s i i f c a t i o n t e c h n o l o g y,i t r e a l i z e s t h e e x t r a c t i o n o f t o p o g r a p h i c f e a t u r e s i n a h i 【 g h e r l e v e l a n d n o t o n l y

基于gf-2遥感影像的面向对象分类方法比较研究

基于gf-2遥感影像的面向对象分类方法比较研究
息进行分割ꎬ充分利用高分辨率全色波段和多光
谱空 间 信 息ꎬ 得 到 较 高 精 度 分 类 结 果 和 矢 量 输

[4]
ꎮ 贾建峰在处理遥感影像数据中采用不同
的监督分类方法ꎬ对比相同条件下( 地形、光照、
纹理等) 相近地物的信息特征ꎬ有效提高了监督
分类中地物特征的提取效果
[5]
ꎮ 朱长明和李均
力在面向对象的高分辨率遥感影像实验中进行了
Comparison of Object - Oriented Classification Methods
Based on GF - 2 Remote Sensing Image
LIU Xinglei1ꎬ2 ꎬ LU Tieding1ꎬ2∗ ꎬGong Xunqiang1ꎬ2
(1. Faculty of Geomaticsꎬ East China University of Technologyꎬ 330013ꎬ Nanchangꎬ PRCꎻ
914
手段ꎬ无法满足当前遥感影像丰富的光谱信息和
特征信息之间明显的差异需求ꎬ容易造成分类精
度低以及空间数据的大量冗余ꎮ 此外ꎬ影像中地
物类别的光谱特征将随时间、地形等变化ꎬ使不同
影像之间的对比变的困难
[2 - 3]
ꎮ 为了有效地改进
上述缺陷ꎬ孙坤在顾及多尺度分割参数的 FNEA
面向对象分类中结合遥感影像纹理特征和光谱信
第 37 卷 第 6 期
2019 年 12 月
江 西 科 学
JIANGXI SCIENCE
Vol. 37 No. 6
Dec. 2019
doi:10. 13990 / j. issn1001 - 3679. 2019. 06. 019

面向对象的武汉市街区公共遥感影像分类研究

面向对象的武汉市街区公共遥感影像分类研究

[ 6 ] 谭衢霖 , 刘正 军, 沈伟. 一种 面向对 象的遥感影像 多尺度 分割 方 法
[ J ] . 北 京 交 通 大 学 学报 , 2 0 0 7 , 3 1 ( 4 ) : l 1 2 : 1 1 9 .
[ 7 3 常春艳 , 赵庚 星. 滨海 光谱 混 淆 区面向 对象 的土地 利 用遥感 分类
参考文献 :
E 1 3 钱巧静 , 谢瑞. 面 向对 象的 土 地 覆 盖 信 息提 取 方 法 研 究[ j ] . 遥 感 技
术 与 应 用 ,2 0 05 , 2 0( 3) : 3 3 8: 3 4 2 .
由 于 缺 乏 此 区参 考 分 类 , 所 以在进行 精度评 价 时 , 采 用实 际感 兴趣 的 区域 G r o u n d T r u t h R 0 I s ( R 0 I ) 建 立 混 淆
矩阵 , 图像具 有较 高 的可辨 识性 , 加上 笔者 实地 考察 , 对
R 0 I 进 行选 区 , 最终 计 算 出 此 实 验 区 地 物 分 类 的 精 度 混 淆
矩阵 , 见表 1 。K a p p a系数 达 到 0 。 8 5 9 4 , 总体 精 度 达 到
8 9 . 9 9 1 3 , 可 见 分 类 效 果 非 常 好 且 面 向对 象 的分 类 可 以有效 避 免“ 异 物 同谱 ” 和“ 同谱 异 物 ” 的 问题 , 具 有 很 高 的
[ J ] . 农 业 工程 学报 , 2 o 1 2 ,2 8 ( 5 ) : 2 2 6 : 2 3 1 .
( 责任 编 辑 : 孙 娟)
Cl a s s i f i c a t i o n o f Pu bl i c Re mo t e Se ns i ng I ma g e s Ba s e d

gee 遥感影像 面向对象 分类

gee 遥感影像 面向对象 分类

主题:遥感影像在面向对象分类中的应用文章内容:一、遥感影像的概念和特点1.1 遥感影像是指利用遥感技术获取的地面、海面、大气等物体的影像信息。

1.2 遥感影像具有多光谱、高分辨率、全天候、大范围等特点。

二、面向对象分类的基本原理2.1 面向对象分类是指将遥感影像中的像元根据其空间位置、光谱特征、纹理特征等属性进行分割和分类。

2.2 面向对象分类与传统的基于像元的分类相比,能够更好地保留地物的空间信息和形状特征。

三、遥感影像在面向对象分类中的应用3.1 遥感影像在土地利用/覆盖分类中的应用:可以利用遥感影像进行土地利用/覆盖的监测和分类,为土地管理、资源规划提供科学依据。

3.2 遥感影像在环境监测中的应用:可以利用遥感影像进行环境监测,如水体变化监测、植被覆盖度监测等,为环境保护和治理提供支持。

3.3 遥感影像在灾害监测中的应用:可以利用遥感影像进行灾害监测,如洪涝灾害、火灾等,为灾害的防范和救援提供帮助。

四、面向对象分类中的技术挑战和发展趋势4.1 技术挑战:遥感影像在面向对象分类中仍然面临着遥感影像分割、特征提取、分类算法等方面的技术挑战。

4.2 发展趋势:随着计算机视觉和人工智能技术的不断发展,面向对象分类技术将更加智能化、自动化,能够更好地适应各种复杂场景的分类需求。

结语:遥感影像在面向对象分类中有着广泛的应用前景,随着技术的不断发展和创新,相信遥感影像在面向对象分类中的应用将会变得更加广泛和深入。

五、面向对象分类的方法和技术5.1 基于规则的分类方法:基于人工定义的规则和特征进行分类,需要人工干预和指导,适用于简单场景的分类任务。

5.2 基于机器学习的分类方法:利用已知类别的样本数据训练分类器,从而实现自动分类,适用于复杂场景的分类任务。

5.3 深度学习方法:近年来,随着深度学习技术的发展,深度学习在遥感影像的面向对象分类中得到了广泛的应用。

通过构建深度卷积神经网络,可以自动学习遥感影像中的特征,实现高效准确的分类。

基于面向对象分类的冬小麦种植面积遥感监测——以淮北市临涣矿区为例

基于面向对象分类的冬小麦种植面积遥感监测——以淮北市临涣矿区为例

基于面向对象分类的冬小麦种植面积遥感监测——以淮北市
临涣矿区为例
崔玉环;王杰;姚梦园
【期刊名称】《安徽农业大学学报》
【年(卷),期】2017(44)6
【摘要】为揭示2000年以来淮北矿区冬小麦种植面积变化规律,以IKNOS、Worldview-III高分辨率遥感影像为数据源,采用基于多尺度分割的面向对象分类方法,提取安徽淮北临涣矿区冬小麦种植面积信息,分析其时空变化特征及其驱动因素。

结果表明,基于多尺度分割的面向对象分类方法对冬小麦种植信息提取结果非常理想,Kappa系数达到0.92,总体精度为93%,制图精度可达到94%;临涣矿区现有冬
小麦种植面积为21.16 km2,占矿区总面积的55.1%;随着临涣矿区开采规模不断扩大与人口密度的增加,矿区冬小麦种植面积显著减少,交通运输用地、工业用地以及
住宅用地均有不同程度增加。

该研究对深入开展淮北矿区冬小麦长势监测和估产、区域粮食安全评估等工作提供重要的科学参考。

【总页数】6页(P1078-1083)
【作者】崔玉环;王杰;姚梦园
【作者单位】安徽农业大学理学院;安徽大学资源与环境工程学院;高分辨率对地观
测系统安徽数据与应用中心
【正文语种】中文
【中图分类】TP79
【相关文献】
1.基于遥感识别误差校正面积的农作物种植面积抽样高效分层指标研究——以冬小麦为例
2.基于面向对象的山东省冬小麦种植面积监测
3.多时相遥感影像监测冬小麦种植面积的变化研究--以河北省三河市与大厂回族自治县为例
4.基于多尺度分割的面向对象分类方法提取冬小麦种植面积
5.基于面向对象分类的冬小麦种植面积提取
因版权原因,仅展示原文概要,查看原文内容请购买。

基于“面向对象的遥感影像分类”的海绵城市下垫面分析方法

基于“面向对象的遥感影像分类”的海绵城市下垫面分析方法

基于“面向对象的遥感影像分类”的海绵城市下垫面分析方法由阳;张洋;朱玲;房亮
【期刊名称】《给水排水》
【年(卷),期】2018(044)001
【摘要】城市下垫面解析是开展海绵城市规划、设计工作,评价海绵城市建设效果的重要前提和手段.综述了目前海绵城市下垫面分析方法:现状用地平衡表计算法、GIS二调数据解析法、面向对象遥感影像解析法.提出了各种分析方法的优缺点及适用性.案例分析表明,面向对象的遥感影像分析法能够较高精度的解析新、老城区海绵城市建筑、道路、绿地、水体和其他下垫面情况,为海绵城市工作的开展提供基础.
【总页数】4页(P61-64)
【作者】由阳;张洋;朱玲;房亮
【作者单位】中国城市规划设计研究院,北京100044;中规院(北京)规划设计公司,北京100045;中国城市规划设计研究院,北京100044;中规院(北京)规划设计公司,北京100045
【正文语种】中文
【相关文献】
1.基于地理国情的城市下垫面变化监测在海绵城市建设中的应用与实践 [J], 余永欣
2.\"海绵城市\"下垫面测绘成果模块化生成研究 [J], 郭启幼;夏传义;张顺期;袁金球;帅勤辉;张丽
3.Surfer15.0在海绵城市下垫面地形可视化构建中的应用研究 [J], 吕乐福; 池风龙; 周国华; 卢立波; 刘玮; 刘庆岭
4.水生态环境视角下北京市海绵城市建设成效评价研究
——基于因子分析和模糊层次分析方法 [J], 张恒;常千;李成朗
5.基于SCS-CN模型在山地海绵城市不同下垫面径流预测的优化及应用 [J], 雷晓玲;邱丽娜;魏泽军;罗棉心
因版权原因,仅展示原文概要,查看原文内容请购买。

面向对象的遥感影像分类方法在土地覆盖中的应用

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

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 。

遥感影像分类方法研究

遥感影像分类方法研究

遥感影像分类方法研究作者:陈平王炬城来源:《地球》2015年第09期[摘要]随着遥感影像分辨率的不断提高,人们从影像上获得更多有效的信息。

然而在图像处理分析过程中都离不开对类别的划分,参照地物类型,便可以从图像上对地物分类。

影像的分类是通过计算机将影像像素进行数值化,达到自动识别地物将其归类,但不同的方法有其不同优缺点,分类效果也受很多因素的影响。

本文将对常用的几种分类方法进去对比分析。

[关键词]遥感图像分类最大似然面向对象决策树分类精度评价[中图分类号]P217 [文献码] B [文章编号] 1000-405X(2015)-9-164-10引言在当前遥感影像分类应用中,常用基于数理统计的监督分类,其中的最大似然法在应用最为广泛。

但是这种算法会因大量存在的“异物同谱”、“同物异谱”现象以及遥感图像自身的空间分辨率问题从而出现较多的漏分、错分的情况[1] 。

随着遥感应用技术的不断发展,人们对遥感影像分类计算方法在分类精度、时间度等方面也不断提地提出了新的需求[2][ 3],因此各种分类方法不断被研究发现。

目前已经出现了多种新型分类方法,比如模糊法、神经网络、专家系统、面向对象、支撑向量机等分类法。

1分类原理本文将分别使用最大似然、面向对象、决策树这三种分类方法对美国陆地卫星landsat-5 TM多光谱遥感图像作为主要数据源进行分析和处理。

并以分析和处理后的数据结果对这些分类方法在分类时间、分类精度和分类速度方面做出比较。

1.1最大似然分类方法最大似然(maximum likelihood classifier)是通过算出遥感影像中的每个像元相对于每个地物类别的归属概率,然后把这个像元划分到出现概率最大的类别中。

该方法假设训练区地物的特征符合随机现象,服从正态分布,利用训练区特征求出均值、方差和协方差等特征参数,求出总体的先验概率密度函数。

最大似然分类方法是最常使用的监督分类方法之一。

1.2面向对象分类方法面向对象分割原理:按照一定的规则将影像分割成具有不同特性、相互独立像元的集合过程。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

第31卷第4期2006年4月武汉大学学报・信息科学版G eomatics and Information Science of Wuhan University Vol.31No.4Apr.2006收稿日期:2006201215。

项目来源:R GC Grant 资助项目(CU H K.4251/03H );国家自然科学基金资助项目(40201036);测绘遥感信息工程国家重点实验室开放研究基金资助项目(W KL (03)0102)。

文章编号:167128860(2006)0420316205文献标志码:A基于面向对象和规则的遥感影像分类研究陈云浩1,2 冯 通2 史培军1 王今飞3(1 北京师范大学资源学院,北京市新街口外大街19号,100875)(2 香港中文大学地理与资源管理系,香港新界沙田)(3 加拿大西安大略大学地理系,加拿大,N6A 5C2)摘 要:讨论了面向对象和规则的光学遥感影像分类方法。

首先利用多尺度分割形成影像对象,建立对象的层次结构,计算对象的光谱特征、几何特征、拓扑特征等,利用对象、特征形成分类规则,并通过不同对象层间信息的传递和合并实现对影像的分类。

并以北京城市土地利用分类为例,对该方法进行了验证。

关键词:面向对象;多尺度分割;规则;分类中图法分类号:TP753;P237.4 面向像元的分类方法实际上是以像元为基本单元,利用其光谱(颜色)信息进行信息的提取与归并。

虽然许多数学方法如各种神经网络方法[1]、模糊分类[2]、改进的最大似然分类[3]等的引入提高了分类的精度,然而从根本上讲,基于像元的分类方法仍相当于图像理解过程的第一层次,即仅利用基本像元的特征进行识别,对于色调空间分布等较为复杂的关系没有考虑。

自从IKO 2NOS 、Quickbrid 等高空间分辨率影像出现以来,传统的利用面向像元的影像分类技术就面临着许多挑战[4]。

针对上述情况,许多考虑地物空间特征的遥感影像分类方法得以发展,如支持向量机[5]、上下文分类[6]、纹理分类[7]等。

在分类过程中,考虑了地物的纹理、形状、尺寸等空间特征,以像元的空间特征辅助光谱信息,以提高分类精度。

显然,此类方法应属于图像理解的第二层次。

虽然利用纹理等信息可以辅助分类,然而在很多情况下,只有图像被分割为同质对象时,图像分析的结果才有意义[8,9]。

本文正是利用了面向对象的分类思想,在对遥感影像进行多尺度分割的基础上,探讨面向对象分类策略、分类规则的建立方法。

1 面向对象分类原理所谓面向对象方法,通过对影像的分割,使同质像元组成大小不同的对象。

正是由于对象内部的光谱差异小,所以对任一对象可以忽略其纹理等空间信息,而从光谱和形状两方面刻画。

利用对象的空间特征和光谱特征进行分类,可以有效地克服基于像元层次分类的不足[10]。

面向对象的分类方法主要包括影像分割、对象层次结构、分类规则和信息提取。

1.1 影像分割多尺度影像分割从任一个像元开始,采用自下而上的区域合并方法形成对象。

小的对象可以经过若干步骤合并成大的对象,每一对象大小的调整都必须确保合并后对象的异质性小于给定的阈值。

因此,多尺度影像分割可以理解为一个局部优化过程,而异质性则是由对象的光谱(spec 2t ral )和形状(shape )差异确定的[11],形状的异质性则由其光滑度和紧凑度来衡量[11]。

显然,设定了较大的分割尺度,则对应着较多的像元被合并,因而产生较大面积的对象。

 第31卷第4期陈云浩等:基于面向对象和规则的遥感影像分类研究1.2 对象的层次结构分割遵守以下思想:像元层和整个影像视为两个特殊的对象层,任何分割所形成的对象层则介于其间。

大尺度分割下所形成的对象是由小尺度分割所形成的对象组合产生的[11],以确保不同尺度下的对象可以构成层次结构,从而有利于不同层次间信息的传递。

1.3 规则建立多尺度分割后,影像的基本单元已不是单个像元,而是由同质像元组成的多边形对象。

面向每一多边形对象可计算出所包含像元的光谱信息以及多边形的形状信息、纹理信息、位置信息以及多边形间的拓扑关系信息等。

具体的分类规则可以充分利用对象所提供的各种信息进行组合,以提取具体的地物。

不同层次可以针对特定地物建立各自规则,通过不同分类规则的层间传递,使得分类规则的建立不仅可以利用本层对象信息,也可以利用比本层高或低的其他层次的对象信息。

1.4 信息提取面向对象的信息提取和分类过程所处理的不再是单个像元,而是影像分割后所形成的对象。

面向对象的分类/信息提取过程如图1所示。

图1 面向对象影像分类流程图Fig.1 Framework of Object Oriented Classification2 研究区及数据研究区主要包括北京城区的东城、西城、宣武、崇文,近郊区的石景山、海淀、朝阳、丰台及远郊区的昌平、顺义、通州等部分,具体范围为116°6′E ~116°26′E ,39°27′N ~40°6′N 。

地形上西北高、东南低,由西北向东南呈现出低地2丘陵2山前洪积2平原区的有序排列;经济上具有从城市核心区、城乡过渡区到远郊区县的明显过渡;空间上则呈现从城市中心区、城市边缘区到外围地域的明显圈层变化,并且整体上联系紧密。

本文采用的遥感数据为2001年6月11日获取的Aster1B 数据。

由于Aster 卫星数据中可见光、近红外波段的空间分辨率为15m ,本研究以其为主要数据源。

遥感图像的预处理主要为几何校正,以1∶5万地形图为基准,利用二次多项式和双线性内插法对图像进行几何校正,经重新选点检验,误差在一个像元内,然后截取相应的研究区影像(见封二彩图1(a ))。

3 遥感影像分类3.1 分割参数选择分割参数的确定取决于遥感影像空间分辨率和地物的特征,考虑到所用Aster 数据的空间分辨率为15m ,地物特征以光谱信息为主、结构信息为辅。

分割尺度的选择通过反复尝试,以达到对不同地物的有效分割,不同的分割尺度对应不同的地物综合。

经过多次试验,本文具体分割参数选择如下:颜色(光谱)权重为0.8,形状权重为0.2,其中光滑度权重为0.9,紧凑度权重为0.1,分割尺度分别为3、5、15和59,分割结果的统计特征见表1。

表1 多尺度分割参数Tab.1 Parameters Used in Multi 2ResolutionSegmentation对象层分割尺度对象个数对象平均大小/像元相邻对象数Level131592654 6.37 5.2Level2557703117.6 5.43Level31579774127.3 5.53Level459885911465.52713武汉大学学报・信息科学版2006年4月3.2 特征参数计算对象的特征参数计算主要包括光谱、几何和拓扑特征等,光谱特征又主要包括均值、标准差等;几何特征主要包括形状、纹理、拓扑等,每一种特征又包含若干指标;拓扑特征是指对象间的相邻、相接、包含等拓扑关系。

在不同的对象层,可以灵活运用对象的特征,以帮助提取特定地物信息。

如通过对形状特征的长宽比计算,可以对线性地物有很好的突出作用(见封二彩图1(b))。

本试验中主要利用了形状特征、面积特征、方向特征等参数。

3.3 分类规则及层次结构定义地表覆盖类型是规则建立的基础,根据研究目的和影像数据特点,制定地表覆盖类型并定义出可能包含的子类型。

通过对研究区影像的目视解译和实地考察,本文定义了以下土地利用类别:林地、草地、农田(包括菜地及有或无作物覆盖耕地)、城市用地(包括高反射率的人工建筑和工地等)、裸地。

同一类地物由于其大小、分布、密度不同,而引起在光谱响应上的差异,往往会导致分类困难,因而将某一地物细分为若干子类,再利用其光谱和其他特征分类,可以有效地降低分类难度。

具体的规则建立考虑以下三个层次:①各层次类型的规则建立。

根据对象的光谱特征、几何特征和拓扑特征定义类型的判定规则。

②层内子类型对父类型继承。

如果存在子类型,子类型应首先继承其父类型的判定规则,然后增加其特有的光谱特征、几何特征和拓扑特征作为判定规则。

③对每一层的分类结果进行合并与传递,形成最终的分类判定规则。

值得说明的是,每一规则的建立并不一定必须包含以上三个层次,如果能很好地对地物进行判定,仅用一个层次也可以形成规则。

同样,在每个层次也可以灵活选择其特征形成其规则,并不要求包含所有特征。

根据对象的特征信息和地物及其子类的定义以及地物与地物间的关系,本文建立了分类层次结构。

在每一对象层次,并不要求对所有类别进行分类,而仅考虑在光谱和几何特征较容易区分的类别。

具体的规则如表2所示,其中判据值大小的确定主要依靠人机交互。

表2 多层次影像分类规则Tab.2 Rules of Multi2Resolution ClassificationLevel类别规则备注Level4裸地4利用bare index和lengt h/widt h作为判据bare index=band3+band2,lengt h/widt h:对象的长宽比Level3农田3最小距离分类、shape index和NDVI作为判据shape=e4A,e为边长,A为面积,NDVI=band3-band2band3+band2林地3最小距离分类、lengt h/widt h、shape index利用lengt h/widt h确定行道树水体3band3光谱值、shape index和NDVI作为判据利用lengt h/widt h确定养鱼池草地3brightness和NDVI作为判据brightness:对象的多光谱灰度值平均Level2水体2band3光谱值、lengt h/widt h和NDVI作为判据草地2brightness和NDVI作为判据不透水面2bareness index作为判据Level1裸地1继承裸地4继承:层次结构进行不同层之间的信息传递水体1继承水体2、水体3植被NDVI作为判据,继承草地2、林地3、农田3建筑继承不透水面24 结果分析采用上述基于面向对象和规则的分类方法,得到研究区的土地利用分类结果,见封二彩图1(c)。

为了更好地分析面向对象方法的精度,应对对象进行精度评价,具体包括对象的类别精度和面积精度。

将对象多边形所包含像元的类别与相应的真实类别比较,如果准确率大于或等于90%,则该对象的类别精度为真,否则为假。

在对象的类别判别正确的条件下,进行面积精度检验。

对象多边形面积为S1,参考多边形面积为S2,则面积精度为:D=|S1-S2|S2×100% 采用野外实地调查和目视解译的方法进行精度检验,随机对对象进行抽样,其评价结果见表3。

进一步对面向对象方法的分类结果进行误差矩阵分析,结果见表4。

相关文档
最新文档