面向对象的高分辨率遥感影像分类_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
面向对象的高分辨率遥感影像分类
&&基于eCongnition软件的,本人的毕业论文初稿,给各位朋友参考参考。
阅读已结束，下载文档到电脑
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩34页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢使用ArcGIS统计栅格数据面积_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
使用ArcGIS统计栅格数据面积
阅读已结束，下载文档到电脑
想免费下载更多文档？
定制HR最喜欢的简历
你可能喜欢高分辨率卫星遥感影像水体信息提取-遥感技术与应用-技术专栏-GIS空间站
http://www.gissky.net- GIS空间站
网站资讯通告:
您现在的位置：&&>>&&>>&&>>&正文
高分辨率卫星遥感影像水体信息提取
水体信息的提取对于环境监测、水资源调查以及合理的规划利用等起着十分重要的作用。利用遥感影像提取水体的研究已有许多成果。如，徐涵秋对Mcfeeters的归一化差异水体指数(Normalized&Difference&Water&Index，NDWI)[1]进行改进得到的改进归一化差异水体指数(Modified&NDWI，MNDWI),该方法能有效地避免水体与阴影的混淆[2]；杨树文等针对细小水体的提取提出了多波段谱间关系的改进方法，也得到了很好的效果[3]。但这些研究多针对中低分辨率的遥感影像，且都需要影像具有较高的光谱分辨率。近年来，由于高分辨率卫星影像应用越来越广泛，相对于中低分辨率影像，这类影像的空间信息更加丰富、地物的几何和纹理信息更为清晰。采用传统基于像素的方法处理这类影像时，会因为粒度过小、过多地关注地物的局部细节而难以提取地物的整体信息。许多研究从分类精度、准确度等方面比较了基于像素与面向对象的影像分析方法。其中，Thomas等比较了监督分类、非监督分类和面向对象分类三种方法的分类精度[4]。Yu等[5]和苏伟[6]等研究结果表明：OBIA不仅可以有效克服传统基于像素方法中的“椒盐”噪声，且能有效提高分类的精度。
针对不同的研究对象和数据集特点，应该使用不同的影像分析方法。本文的研究对象是区域内的详细水体信息，包含大水体(湖泊、干流)以及细小水体(坑塘、细小支流)，同时数据源为分辨率为0.712米的高分辨率遥感影像。因此，采用OBIA较为适宜。本文使用OBIA对QuickBird高分辨率遥感影像进行水体信息提取与分类。在对影像进行多尺度分割的基础上，利用影像对象的光谱、纹理、颜色和对象间关系等特征建立规则，实现了水体信息的提取；并与基于像素的提取结果进行了对比，分析了OBIA提取结果的精度。
2&&研究区域与数据源
本文所用数据为采集于2004年5月5日10时28分18秒上海地区的QuickBird影像(即图1中较大的黑色边框区域)，包括空间分辨率为0.717m的全色数据和2.87&m的多光谱数据，其中多光谱影像包含4个波段(红、绿、蓝和近红外)信息。并以上海市浦东新区作为研究区域(图1中较小的黑色边框区域)。该区域内河流、湖泊纵横交错，且有大小坑塘零星分布。土地利用类型以农田、水体以及居民地为主。研究区域对应的全色影像大小为13900像素×13900像素，多光谱影像为3475像素×3475像素，其代表地面大小约为10KM×10KM。
图1&&QuickBird影像与研究区域示意图
3&&面向对象的水体提取与分类
OBIA与基于像素的方法本质区别在于分析提取的主体是一系列具有某种一致性的像素组[7](即影像对象)而不是单个像素。OBIA可以挖掘对象本身以及对象与邻近对象、父对象、子对象的关系等特征，然后建立语义规则对高分辨率遥感影像进行水体信息的提取与分类。本文的水体信息提取流程如下图所示:&
图2&&水体信息提取流程图
OBIA建立在早期的分割、边缘检测、特征提取以及分类等概念的基础上的[8-12]。关键的一步就是产生影像对象，而影像对象是由影像分割产生的。所谓的影像分割是指：将影像按一定的规则分割成不同区域的过程。影像分割为我们提供了进行进一步影像分析的基础——影像预选对象[13]。此外，OBIA通过影像分割除了能提供光谱特征外，还能提供多种对象特征，如、纹理特征、形状特征、尺寸特征等。然而，其更大的优势在于可以提供额外的对象间的空间信息特征，即对象与对象间的位置关系、距离关系、拓扑关系等[14-15]。许多学者认为，这一点才是OBIA技术的关键和优势[16-18]。
本文使用的多尺度分割算法综合利用了遥感影像的光谱和形状特征，能够最大限度地减少影像对象内部的平均异质性，尽量提高对象内部的同质性；同时通过不同尺度分割产生多个影像对象层，将不同尺度的水体对象由其最适宜的尺度进行描述，有利于不同层次影像对象的信息传递和提取。在eCognition中，多尺度分割有三个参数：尺度参数(Scale)、颜色参数(Color)以及由光滑度(Smoothness)与紧致度(Compactness)构成的形状参数(Shape)。颜色与形状参数的取值范围是[0,1]。在形状参数的设置中，光滑度与紧致度的取值范围也是[0,1]，且两者的和为1。尺度参数没有单位，它与影像的分辨率有关。表1中是本文中经过反复实验得出的不同影像对象层的分割参数设置。两个层次分割结果的局部放大图如图3所示。
表1&&多尺度分割中的参数设置
尺度(Scale)
形状参数设置
光滑度(Smooth-ness)
紧致度(Compactness)
(a)&大尺度(Level1)&&&&&&&(b)&小尺度(Level2)
图3&&QuickBird影像与研究区域示意图
图3(a)中红色边线图块A、B是Level1中的整块对象(父对象)，它们在图3(b)Level2中是由对应区域的子对象构成的。其中A区域是大水体对象在Level1中表现比较完整而在Level2中支离破碎；B区域是小水体对象在Level1中因为尺度过大而遗漏，在Level2中可以将其分割出来。从中我们可以看出利用多层次的多尺度分割可以更好地描述不同尺度的水体对象，有利于后续的水体提取。
3.2.1&初步光谱及对象间关系特征分类
由多尺度分割得到了区域(对象)，接下来需要通过一些水体对象的特征将其提取出来。第一步，利用光谱特征可以将大部分水体提取出来。常用方法有阈值法、差值法、密度分割法、色度判别法、谱间关系法以及比值法[19]。由于QuickBird影像的波段数较少，有些方法并不适用。已有很多研究表明[1,20]，用归一化差异水体指数(Normalized&Difference&Water&Index，NDWI)进行阈值分割可较精确地提取出水体信息。&
&&&&&&&&&&&&&&&&&&&&&&&&&&&&(1)
式中，为绿光波段；为近红外波段[19]。
本研究中影像对象的NDWI值是取构成影像对象的所有像素NDWI值的均值，作为对象的光谱特征值。为确定了NDWI的分类阈值，从NDWI在Level1、Level2的取值区间中，都选择NDWI取值区间0.30～0.38并截取相应特征视图进行分析。
图4、5中均依据图例予以显示，其中彩色区域为大于阈值的对象而灰白区域为小于阈值的对象。两图子图中的红圈是将该图中遗漏的水体信息予以突显。图4中由于Level1的分割尺度过大，会产生一些地物混合的对象，如图4(a)、(b)、(c)三图的红圈区域存在许多细小水体与水边建筑物的混合地物对象；图5中由于Level2的分割尺度小，则不会出现这种情况。
&&&&&&&&&&&&&图4&Level1中NDWI阈值分析图&&&&图5&Level2中NDWI阈值分析图
本文中初步分类还利用了对象间的关系特征，具体过程如下：第一步：在父对象层(Level1)中，按NDWI分类阈值0.33提取水体对象；第二步：将Level1的提取结果利用父对象与子对象间的隶属关系传递到Level2中；第三步：在子对象层(Level2)中也利用NDWI提取水体对象。经过以上三步(图6)就完成了水体对象的初步提取。
与仅从某一层次提取结果相比，该方法可以将所有水体对象完整地提取出来。如图7(a)是仅在Level1中提取的结果，虽然可以防止大水体对象支离破碎(如图7(a)中A、B区域)，但是会遗漏小水体对象(如图7(a)中C区域)；图7(b)是仅在Level2中提取的结果，虽然可以防止遗漏小水体对象(如图8(b)中C区域)，但是会使大水体对象支离破碎(如图8(b)中A、B区域)；而使用本文中介绍的方法既不会因为尺度过大而遗漏小水体对象(如图8(c)中A、B区域)；也不会因为尺度过小，而使大水体对象支离破碎(如图8(c)中C区域)，而且保证了提取水体的全面性和完整性。
(a)&第一步&&&&&&&&&&&&(b)&第二步&&&&&&&&&&&&(c)&第三步
图6&利用NDWI进行水体提取的过程
&&(a)&在Level1中仅利用光谱特征提取水体结果图&&&&&&(b)&在Level2中仅利用光谱特征提取水体结果图
(c)&利用光谱及对象间关系特征多层次提取水体结果图
图7&&多种水体提取过程对比图
然而仅仅利用光谱特征进行水体提取，会将部分与水体光谱特征相似的建筑物及其阴影包含进来(如图8，虽被分类为水体，而实际上是建筑物及其阴影)，产生误判，即常见的“同谱异物”现象。因此，需要利用影像对象的其它特征将干扰排除。
3.2.2&纹理特征分类
由于遥感影像中“同物异谱”和“异物同谱”的现象经常出现，仅依靠光谱特征常不足以准确提取目标对象。QuickBird影像分辨率高，地物的细微结构能够得到清晰的反映，纹理及颜色信息丰富。因此，为了排除建筑物及其阴影的干扰，首先在光谱特征提取的基础上，利用建筑物与水体的纹理差异，排除一部分建筑物及其阴影的干扰；然后将影像转变到HIS颜色空间，利用阴影区域亮度值低而饱和度高的特征[20]将剩余阴影的干扰排除。
图8&因为建筑物及其阴影与水体光谱特征相似而被误判为水体
如上图7、8所示，在QuickBird影像中水体和纯阴影对象的纹理，均比较细致均一；而建筑物及其与阴影混合对象的纹理，在多光谱波段中呈明暗交错的条带状，不规则且相对比较粗糙，易于区分。本文使用灰度共生矩阵(Gray&Level&Co-occurrence&Matrix，GLCM)[21]&来描述影像各像元灰度的空间分布和结构特征，即对象的纹理特征。
& 设为一幅二维数字图象，其大小为，灰度级别为，则满足一定空间关系的灰度共生矩阵为：
&&&&&&&&&&&&&&&&&&&&&&&&&&&&(2)
其中为阶的矩阵，表示集合中的元素个数。若与距离为，两者与坐标横轴的夹角为，则可以得到各种间距及角度的灰度共生矩阵。它不仅反映亮度的分布特性，也反映具有同样亮度或相近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征，是定义一组纹理特征的基础。为了能更直观地描述纹理状况，Haralick等人在灰度共生矩阵的基础上，定义了若干较为常用的纹理量，如：能量、对比度、熵、相关性、均质性等等[22]。
为了确定使用哪个纹理量分类，从初步分类为水体的对象中选取一系列对象(水体、阴影、建筑物与阴影混合三类)作为样本。查看、分析与比较了不同类别对象在不同纹理特征上的表现，选取能量与熵进行进一步的水体分类提取，这两者均与对象纹理的均匀程度有关。为了扩大表现水体与其它类型对象在纹理均匀性方面的差异，本文提出采用归一化差异纹理均匀性指数(Normalized&Difference&Textural&Uniformity&Index，NDTUI)计算对象纹理的均匀性。
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&(3)
(a)&能量&&&&&&&&&&&&&&&&(b)&对比度&&&&&&&&&&&&&&&&(c)&熵
&&&&&&&&&&&&&&
&&&&&&&&(d)&相关性&&&&&&&&&&&&&(e)&均质性&&&&&&&&&&(f)&归一化差异纹理均匀度指数
图9&&不同类别对象的各种纹理特征图
如图9中的子图(f)所示。并取阈值-0.35二次分类结果如图10所示，A处将水体误判为建筑物或及阴影是由于处于水陆的交界处，除了地物光谱的复杂性外还有遥感影像的分辨率的限制形成了一些混合对象。我们将在后续的分类后处理中，利用平滑与规则化处理将其正确分类；而B处仍有少量阴影对象的干扰。因此，仍需要利用阴影的其它特征将其排除。
3.2.3颜色特征分类
剩余少量阴影对象的排除是通过影像上阴影的颜色特征来实现的。先将遥感影像由RGB颜色空间转换到HIS颜色空间&[23]。相对于遥感影像中的其他区域(水体对象)，阴影区域在HIS颜色空间具有亮度值低、饱和度高的特点[20]。在HIS颜色空间中，对S分量和I分量作归一化比值运算：
r=(S—I)／(S+I)&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&(4)
&&&&&图10&&利用纹理特征的水体提取结果图&&&&&&&&&图11&利用颜色特征的水体提取结果图
三次颜色分类结果图如图11所示，还存在一些面积很小的阴影误判的对象，可在后续的分类后处理中将这些小对象统一去除掉，得到纯度较高的水体对象。
3.2.4&分类后处理
(1)&同类对象融合与去除小面积水体对象
为了排除一些小面积对象的误判。首先，对水体对象进行融合形成整块的对象，然后将面积小于1000pxl的对象去除，得到的结果如图12(a)所示。
(2)&利用对象类别间的位置关系再次分类
由于地物光谱的复杂性及遥感影像的分辨率的限制，使得处于水陆交界处的水体对象有漏分的情况；另外，水面上的桥梁使得水体对象有分段现象，为了尽可能地使水体完整，也应该将这些桥梁归为水体类。故使用对象类别间的位置关系，即与水体共有边界达50%以上的对象也归为水体类。得到的结果如图16(b)所示，A、C处为遗漏水体；B处为桥梁。并将这些得到的对象再归为水体类并与现有水体对象融合。
(a)去除小面积对象得到的结果图&&&&&&&&&&&&&&&&&&&(b)利用对象间关系再次分类的结果图
图12&分类后处理
&(3)&规则化处理提取结果
由以上步骤提取得到的水体结果，存在以下不规则的情况，如图13所示。这些情况与实际的水体边界情况并不相符。另外，受影像分辨率的限制，提取出的水体对象呈明显的锯齿状且存在一些凹陷与突起部分，如图13(a)。因此需要对提取的水体对象进行规则化处理。规则化处理主要包括对象的生长与收缩两个部分。生长是为填补凹陷，收缩是为去除突起部分，如图13(b)。规则化处理使用的是矩阵来对目标对象的边界进行处理。通过计算矩阵内目标对象像素所占的百分率，并与设定的生长或收缩阈值比较，来决定该目标像素是保持原有类别，还是被分为其它类别(图14)。
&&&&&&&&&&&&&&&&&&&&
图13&局部水体轮廓图&&&&&&&&&&&&&&&图14&生长与收缩算法原理示意图
经过规则化处理的水体提取结果,&填补了凹陷，去除了突起部分，使得水体边界平滑。最后，将最终提取结果分别输出为矢量和栅格图像(如图15)，以便后续的处理与应用。
图15&水体提取结果图
4&&精度评定与总结
为了对提取结果进行评价，在研究区域内随机选取了1024个样本，建立混淆矩阵并计算各类精度。同时将其与基于像素的最大似然法监督分类和最小马式距离监督分类的提取结果进行对比分析(如图16所示为研究区域的局部提取结果图)。从精度分析(表2)中可以看出OBIA在分类总精度以及Kappa系数上都优于另外两种方法，且可以有效地避免基于像素方法产生的“椒盐”噪声的影响。
表2&不同提取方法的精度评价
最小距离法监督分类
最大似然法监督分类
面向对象分类
(a)&最小距离法监督分类&&&(b)&最大似然法监督分类&&&&&&&&&&(c)&OBIA
图16&不同分类方法的水体提取结果图
经检验发现，OBIA的误判像元主要处于水陆的交界处。造成这种误判，除了地物光谱的复杂性外还有遥感影像的分辨率的限制。从以上研究中可以得出以下结论：&
(1)&OBIA以影像对象作为分类的最小单元，可以灵活运用地物本身的光谱、结构、纹理、形状尺度以及地物间相互关系等信息来构建分类规则集，提高分类精度；
(2)&OBIA的精度较传统基于像素的分类方法有了很大的提高，并且分类的结果可以消除由于光谱的细微差异或混合像元造成的细小碎斑，有效地抑制“椒盐”噪声。
[1]McFeeters&SK.&1996.&The&Use&of&The&Normalized&Difference&Water&Index&(NDWI)&In&The&Delineation&of&Open&Water&Features.&International&Journal&of&Reomte&Sensing[J],&17(7):&
[2] 徐涵秋.&2005.&利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究.&遥感学报[J],&9(5):589-595
[3] 杨树文,&薛重生,&刘涛,&李轶鲲.&2010.&一种利用TM影像自动提取细小水体的方法.&测绘学报[J],&39(6):611-617
[4]&&Thomas&N,&Hendrix&C,&Congalton&RG.&2003.&A&Comparison&of&Urban&Mapping&Methods&Using&High-resolution&Digital&Imagery.&Photogrammetric&Engineering&&&Remote&Sensing[J],&69(9):963-972
[5]& Yu&QP,&Chinton&N,&Biging&G,&Kelly&M,&Schirokauer&D.&2006.&Object-based&Detailed&Vegetation&Classification&With&Airborne&High&Spatial&Resolution&Remote&Sensing&Imagery.&Photogrammertric&Engineering&&&Remote&Sensing[J],&72(7):799-811
[6] 苏伟,&李京,&陈云浩,&张锦水,&胡德勇,&刘翠敏.&2007.&基于多尺度影像分割的面向对象城市土地覆被分类研究———以马来西亚吉隆坡市城市中心区为例.&遥感学报[J],&11(4):521-529
[7]&&Blaschke&T.&2010.&Object&Based&Image&Analysis&for&Remote&Sensing.&ISPRS&Journal&of&Photogrammetry&and&Remote&Sensing[J],&65(
[8]Kettig&R,&Landgrebe&D.&1976.&Classification&of&Multispectral&Image&Data&by&Extraction&and&Classification&of&Homogeneous&Objects.&IEEE&Transactions&on&Geoscience&Electronics[J],&GE-14(1):19-26
[9]&&Haralick&RM.&1983.&Decision&Making&in&Context.&IEEE&Transactions&on&Pattern&Analysis&and&Machine&Intelligence[J],&5(4):417-428
[10Lobo&A,&Chick&O,&Casterad&A.&1996.&Classification&of&Mediterranean&Crops&with&Multisensor&Data:&Per-pixel&versus&Per-object&Statistics&and&Image&Segmentation.&International&Journal&of&Remote&Sensing[J],&17(12):
[11]&&Aplin&P,&Atkinson&PM,&Curran&PJ.&1999.&Fine&Spatial&Resolution&Simulated&Satellite&Sensor&Imagery&for&Land&Cover&Mapping&in&the&United&Kingdom.&Remote&Sensing&of&Environment[J],&68(3):206-216
[12]&&Baltsavias&EP.&2004.&Object&Extraction&and&Revision&by&Image&Analysis&Using&Existing&Geodata&and&Knowledge:&Current&Status&and&Steps&towards&Operational&Systems.&ISPRS&Journal&of&Photogrammetry&and&Remote&Sensing[J],&58(3-4):129-151
[13]&&刘建华,&毛政元.&2009.&高空间分辨率遥感影像分割方法研究综述.&遥感信息[J],&6:95-101
[14]&&Benz&UC,&Hofmann&P,&Willhauck&G,&Lingenfelder&I,&Heynen&M.&2004.&Multi-resolution,&Object-oriented&Fuzzy&Analysis&of&Remote&Sensing&Data&for&GIS-ready&Information.&ISPRS&Journal&of&Photogrammetry&and&Remote&Sensing[J],&58(3-4):239-258
[15]&&Van&der&Werff&HMA,&Van&der&Meer&FD.&2008.&Shape-based&Classification&of&Spectrally&Identical&Objects.&ISPRS&Journal&of&Photogrammetry&and&Remote&Sensing[J],&63(2):251-258
[16]&&Hay&GJ,&Blaschke&T,&Marceau&DJ,&Bouchard&A.&2003.&A&Comparison&of&Three&Image-object&Methods&for&the&Multiscale&Analysis&of&Landscape&Structure.&ISPRS&Journal&of&Photogrammetry&and&Remote&Sensing[J],&57(5-6):327-345
[17]&&Conchedda&G,&Durieux&L,&Mayaux&P.&2008.&An&Object-based&Method&for&Mapping&and&Change&Analysis&in&Mangrove&Ecosystems.&ISPRS&Journal&of&Photogrammetery&&&Remote&Sensing[J],&63(5):578-589
[18]&&Wuest&B,&Zhang&Y.&2009.&Region&Based&Segmentation&of&QuickBird&Multispectral&Imagery&Through&Band&Ratios&and&Fuzzy&Comparison.&ISPRS&Journal&of&Photogrammetry&and&Remote&Sensing[J],&64(1):55-64
[19]&&张继贤,&乔平林.&2005&水资源环境遥感监测与评价[M].&北京:&测绘出版社:&20-28
[20]&杨俊,&赵忠明,&杨健.&2008.&一种高分辨率遥感影像阴影去除方法.&武汉大学学报(信息科学版)&[J],&33(1):17-20.
[21]&&Robert&M,&Haralick&K,&Shanmugam&Its'Hak&Dinstein.&1973.&Textural&Features&for&Image&Classification.&IEEE&Transactions&On&Systems,&Man,&and&Cybernetics[J],&SMC-3(6):610-621.
[22]&&Robert&M,&Haralick&K.&1979.&Statistical&and&Structural&Approaches&to&Texture.&Proceedings&of&the&IEEE[J],&&67(5):786-804.
Rafael&C&Gonzalez,&等.&2004.&数字图像处理(第二版)[M].北京:&电子工业出版社:&235-23
上一篇文章： 下一篇文章：
相关文章列表
关于我们 - 联系我们 - 广告服务 - 友情链接 -基于DN值分析的遥感影像分类方法研究
1影像DN值分析遥感影像之所以能够表现出各种地物特征,是因为影像中每个像素点有着不同的DN值(Digital Number),为了对遥感影像进行阈值分类,首先我们要弄清各种地物特征在遥感影像处于什么样的位置,通常我们是要弄清楚遥感影像各地物特征的DN值在遥感影像全局里所处的区间,因此,我们首先要对遥感影像做DN值分析。我们选取2010年洋山港区域的Landsat-7ETM+卫星遥感图片作为研究对象,如图1所示。图1洋山港2010年11月ETM+遥感影像这张图像具有Landsat-7ETM+所有波段的信息,我们使用的影响是Unsign-8byte图像,因此,图像里的DN值从0～255,影像是通过DN值的不同来表现出不同的特征,我们从影像的各DN值关系表1可以看出2010年洋山港地区的遥感影像9个波段的基本面貌。表1各类地物特征DN值关系表利用阈值关系方法进行信息提取的方法非常容易实现,我们利用各个通道DN值之间存在的关系,例如第5...&
(本文共2页)
权威出处：
1概述遥感是以电磁波与地球表面物质相互作用为基础,探测、分析和研究地球资源与环境,揭示地球表面各要素的空间分布特征与时空变化规律的一门科学技术[1]。遥感影像的分类过程实际上是通过将每一个象元或者区域划分到已经定义的若干个类别中的一类,其结果是将图像划分为若干子区域,每个子区域代表一个地物类型,分类依据在于同类地物在相同条件下具有相同或相似的波谱特征和空间特征。无论是专题信息提取、动态变化监测、专题制图,还是遥感数据库建设等都离不开遥感影像分类技术。本文在对传统分类方法进行总结的基础上,对近年来的研究进展进行综述。2传统的分类方法2.1监督分类。监督分类是在分析者对图像所在区域有一定认识和了解的基础上,选择能准确代表任一类别光谱特征的类别区域作为训练样本,作为图像分类的辨别依据,并依照一定的准则对所有图像象元进行辨别处理,即利用确认类别的样本象元去识别其他位置类别象元的过程。监督分类的常用方法有最大似然法,最小距离法,马氏距离法...&
(本文共2页)
权威出处：
遥感影像分类是遥感影像分析和信息提取的重要工具,一直是遥感领域的研究热点[1]。近年来,许多学者提出多种遥感影像分类方法:如骆剑承等[2]将神经网络应用于遥感影像分类并取得较好的分类效果;Ouma等[3]利用决策树进行遥感影像分类,具有更好的鲁棒性;由于支持向量机(Support VectorMachine,SVM)支持高维特征空间的分类,Moustaki-dis等[4]将其用于遥感影像分类,几乎不受维数灾难的影响。此外,还有基于空间特征的分类方法[5]、面向对象的方法[6]等。但是,随着遥感技术的发展及传感器技术的提高,遥感数据量明显增大,对样本进行标注代价昂贵且十分困难,因此人们希望使用尽可能少的已标记样本就能够得到较好的分类效果,应用传统的被动学习方法已很难满足实际应用需求。为此,有学者将主动学习方法应用于遥感影像分类,旨在从大量的未标记样本中,主动选择最有利于改善分类器性能的样本添加到已标记样本中进行学习,从而在含少量已...&
(本文共6页)
权威出处：
0引言遥感影像分类规则数据挖掘是空间数据挖掘领域的一个重要领域。无论是专业信息提取,动态变化预测,还是专题地图制作和遥感数据库的建立都离不开遥感影像分类[1]。近年来随着计算机技术的飞速发展,人们开始研究将计算机模式识别技术应用于地学遥感影像分类:Paola等将光谱数据进行人工神经网络分类研究[2];Griedl等人将决策树分类方法应用到土地覆盖问题[3];刘小平等人利用蚁群智能算法和决策树算法解决广州市地区的影像分类问题[4]。这些方法在一定程度上提高了遥感影像分类的精度,但是由于神经网络算法缺乏理论上的实质性进展[5];专家系统方法对分类者有较高的遥感和地学知识要求[6-8];以及决策树方法在分类过程中的过度拟合问题[9],致使这些方法都未得更大范围的推广和应用。本文尝试将基因表达式编程算法应用到遥感影像分类中来,利用该算法编码简单、遗传算子功能强大及优秀的全局并行搜索能力,构建遥感影像基因表达式编程分类器,提取分类规则。本...&
(本文共5页)
权威出处：
引言遥感是以电磁波与地球表面物质相互作用为基础,探测、分析和研究地球资源与环境,揭示地球表面各要素的空间分布特征与时空变化规律的一门科学技术[1]。通过遥感影像识别各种地面目标是遥感技术发展的一个重要环节,无论是专题信息提取、动态变化监测、专题制图,还是遥感数据库建设等都离不开遥感影像分类技术[2]。遥感影像分类实际上就是将图像中每个像元点或每块区域根据其在不同谱段的光谱特征、空间结构特征或其他信息,按照某种规则划分为不同的类别[1]。最初的遥感影像分类是通过目视解译来实现的,主要是根据人的经验和知识,通过解译基本要素和具体解译标志来识别地物类型。尽管目视解译技术已经很成熟,但是由于人工投入大、结果不确定性高、效率低、精度控制困难、解译经验要求高等缺点的存在,使得目视解译技术不适合海量遥感数据处理,计算机自动分类技术成为遥感技术与应用研究的重点。在过去的几十年里,国内外的专家学者一直致力于研究分类技术与方法来提高遥感影像分类精度...&
(本文共6页)
权威出处：
0引言遥感影像数据分类的不确定性研究通常始于数据源的不确定性研究,并分析图像处理过程中产生的不确定性因素及其传播,以及与最终分类决策模型造成的不确定性的累积[1]。遥感影像分类结果的不确定性受诸多因素影响,包括数据获取、数据转换、数据分析与处理、分类算法的选取、数据分类、分类后处理及精度评价等各个方面,每一个环节都不可避免地引入不同程度的不确定性,并在随后的各种处理过程中传播。图1显示了遥感影像分类的不确定性传播、累积的过程。1遥感数据质量的不确定性1.1传感器引起的数据质量不确定性传感器系统及搭载传感器的平台对遥感影像的质量和信息提取的不确定性产生显著的影响。传感器的物理参数决定遥感图像的几何特征、物理特征和时间特征,即表征图像基本特征的空间分辨率、光谱分辨率、辐射分辨率和时间分辨率。搭载传感器的遥感平台包括航天平台、航空平台及地面平台等,而人为操作、自然条件等多种因素影响遥感平台的稳定性和飞行速度、高度、角度等运动状态,造成...&
(本文共4页)
权威出处：
扩展阅读：
CNKI手机学问
有学问，才够权威！
出版：《中国学术期刊（光盘版）》电子杂志社有限公司
地址：北京清华大学 84-48信箱 大众知识服务
互联网出版许可证 新出网证(京)字008号
京ICP证040431号
服务咨询：400-810--9993
订购咨询：400-819-9993
传真：010-}