基于面向对象的热带林分类方法研究

【目的】为了加强热带林资源的保护,采用遥感技术对热带林植被进行分类研究。【方法】基于SPOT6高分辨率遥感影像,采用ESP多尺度分割评价模型与专家知识结合的方法确定最优分割尺度参数,在分割的基础上充分挖掘目标地物的光谱、形状及纹理信息,合理选择分类特征组合,建立分类规则,构建了一套基于面向对象的热带林多尺度分类方法。【结果】与单一尺度的分类方法相比,该方法分类精度有明显提高,分类总体精度达到84.46%,并且缩短了传统目视确定最优分割参数的时间,提高了分割效率和精度。【结论】基于面向对象的多尺度分类方法能够实现高精度的热带林植被信息提取,可为遥感分类技术在热带林的应用提供参考。     

基于高分遥感的一种新的面向对象城市建筑物信息提取的方法研究

摘要：[目的]为了提高城市建筑物信息提取精度,本文在前人研究的基础上,针对下垫面结构复杂的城市区,提出了多尺度分割和规则数据库结合的面向对象方法,对城市区建筑物信息进行提取。[方法]该方法首先采用Full Lambda-Schedule算法对QuickBird多波段和全波段数据融合数据进行尺度分割,获取尺度分割结果;再根据光谱特征、形状特征、几何特征和纹理特征等指标建立规则知识库,利用规则数据库对尺度分割结果进行建筑物信息的提取。以广州市白云区为研究区,利用尺度分割和规则数据库结合的方法提取建筑物信息,提取结果与其它分类结果进行了比较。[结果和结论]结果表明：基于规则的面向对象的分类方法可以有效地避免传统的基于像素分类时出现的椒盐现象,避免一些错分、漏分的情况分类（如：道路和阴影）,结果更加符合人类的思维方式,与实际值更接近,总体分类精度达到87.0154%,Kappa系数为0.8714,比一般面向对象分类方法更适合作为城市建筑物专题数据库更新的有效方法。     

面向对象的高空间分辨率遥感影像植被信息的提取

采用面向对象的影像分割技术获取植被均值对象,从高空间分辨率遥感影像中挖掘出能描述植被的光谱、形状、结构等特征,再通过构建植被对象知识库,最后实现了植被信息的提取。     

一种新的面向对象城市建筑物信息提取方法研究

为了提高城市建筑物信息提取精度,改进了常规的面向对象方法,以广州市白云区榕溪街区为研究区,针对其下垫面结构复杂的特性,采用多尺度分割和规则数据库结合的方法自动提取建筑物信息,并通过样本区进行了精度验证,将提取的结果与传统分类方法所得到的结果相互比较.研究结果表明:多尺度分割与构建知识库的方法对于建筑用地信息提取更为有效,与实际值更接近,总体分类精度达到87.01%,Kappa系数为0.87,为面向对象分类方法在城市建筑物信息提取的应用提供了新思路.     

基于面向对象方法的天津市滨海新区湿地信息提取

基于天津市滨海新区2021年的Sentinel-2遥感影像数据,针对传统遥感影像湿地分类的不确定性问题,选择了面向对象分层分类的方法。采用面向对象多尺度分割算法,依据地物光谱异质性特征将遥感影像分割为光谱相似的对象,再结合不同地物的光谱指数、空间几何特征、纹理特征构建层次模型,分层提取湿地信息。分类效果同随机森林分类方法相比较,结果表明：利用面向对象的分层分类方法总体分类精度达到91.75%,Kappa系数为0.91,分类结果“斑驳现象”减少,湿地边界清晰完整。     

融合多尺度纹理特征森林资源信息提取

基于SPOT-5多光谱和全色影像进行图像融合,构造NDVI植被指数,提取多尺度纹理特征并参与分类;基于SVM方法进行森林资源植被分类.结果表明:高通滤波(HPF)为最佳的图像融合方法,与单尺度纹理与光谱信息融合的分类相比,多尺度纹理与光谱信息融合的分类方法总精度提高了3%,验证了新方法的可行性.     

高分1号融合光谱特征提取杭州湾河口沿岸湿地典型植被信息方法研究

河口沿岸湿地典型植被信息的遥感分类提取,是监测河口湿地生态环境变化的重要前提之一.以杭州湾河口沿岸湿地为研究区,通过实地采集的典型植被光谱数据与国产高分1号卫星影像数据建立相关关系,并结合面向对象方法的分割尺度及波段比等参数的设置,利用面向对象分类方法进行杭州湾湿地典型植被信息提取.研究结果表明:基于高分1号高空间分辨率数据,结合典型植被光谱特征和面向对象分类方法,有利于提高典型植被信息提取的精度,可以有效地提取湿地典型植被信息.     

基于最优特征空间构建的随机森林算法在WorldView-2影像分类中的适用性研究

目前面向对象的分类研究中,对于研究区影像的分割尺度问题多以试验者的多次试验以及主观推断为主,缺乏定量化的评价标准。同时,在对遥感影像分类的算法选择以及在分类过程中,有效特征空间的选取均存在一定程度的主观性。针对遥感影像面向对象分类过程中分割尺度选择盲目及分类空间构造主观性较强的问题,以World View-2遥感影像数据为例,首先利用改进的全局最优分割尺度的方法获取研究区影像的最优分割尺度,在此基础上选取了研究区分割对象的48个特征,利用OOB误分率对各个特征的重要性排序;然后按重要性顺序以5为步长讨论特征数量对分类精度的影响,构建了用于分类的最优特征空间;最后将采用最优特征空间的随机森林算法获得的最佳分类结果,与面向对象的最邻近像元、决策树以及支持向量机分类算法进行了比较。结果表明,用于分类的特征数量与分类精度之间,并不是简单的正相关关系;与面向对象的最邻近像元、决策树以及支持向量机分类算法相比,利用最优特征空间进行随机森林分类的分类精度最高,表明该方法更适合于高分辨率World View-2数据的分类。     

基于高分辨率遥感影像的植被信息提取

本文利用面向对象影像分析的方法在eCognition的软件平台上,对中南大学校本部及周边地区的QuickBird快鸟遥感影像进行预处理,多尺度分割,然后利用隶属度函数分类,提取植被信息,计算植被覆盖率。分类总体精度达到85.8%,分类稳定性好,可信度和分类效果都很好。     

基于多分类器结合的IKONOS影像城市植被类型识别

采用多分类器结合的方法对城市植被进行分类.首先,以分割获得的城市植被分布斑块为处理基元,在不同特征空间中采集不同的样本,通过ISODATA、马氏距离、最大似然、人工神经网络和专家系统法进行分类,并计算各分类结果的关联程度和各植被类型识别的先验概率;然后利用专家投票的大多数规则对分类结果组合,未分类的对象按照先验识别概率最高的结果归类.精度评价表明:多分类器结合方法显著提高了信息识别的能力;采用多分类器结合的方法比单个分类器获得的最高分类精度提高5.5%,Kappa系数提高7.4%;Z统计值均为负,且均通过95%的置信水平检验.