地物大小、对象尺度、影像分辨率的关系分析

遥感数据的分辨率越来越高, 给地物信息提取提出了新的挑战。利用基于像元的分类技术和基于多尺度分割的面向对象分类技术对高分辨率影像进行分类实验, 分析地物大小、对象尺度与影像分辨率的关系。实验结果表明不同地物由于其空间尺度不同, 与之相适宜的空间分辨率和对象尺度也不同, 在适宜分辨率的影像提取有较高的精度, 在适宜的对象尺度上提取对象信息有更高的精度。分析也表明面向对象的多尺度影像分类技术适应了不同地物有其相适宜的空间分辨率, 在适宜尺度影像层中提取地物, 其分类精度大大高于基于像元的分类方法。     

面向对象高分辨遥感影像分类研究

高空间分辨率遥感影像采用传统基于像元分类方法精度较低,本文通过分析高分辨遥感影像特征,采用面向对象的最近邻监督分类方法对QuickBird影像进行分类研究,首先对影像进行对象分割,然后将分割对象信息、形状特征与及上下文联系等特征构成特征空间进行最近邻监督分类,并与传统的基于像元最近邻分类方法分类进行比较分析,结果表明,本方法能够较好的识别高分辨率地物类型,总精度为92.19%,Kappa系数为0.8835,较好地改善分类效果,适合高分辨遥感影像分类。     

基于影像融合和面向对象技术的植被信息提取研究

高分辨率影像具有丰富的光谱信息和空间信息。采用不同的图像融合技术融合GeoEye影像全色波段和多光谱波段,用建立的参考多边形和对应多边形残差法评价分割质量,以确定研究区各地物类型的最优分割参数组合,选择目标地物分类特征,建立分类规则,在此基础上实现研究区内不同地物类型的面向对象信息提取。结果表明:Gram-Schmidt(GS)融合法具有最优的融合效果,所选特征能够很好地实现目标地物信息提取,并且具有明确的地学意义,面向对象信息提取总体精度达到90.3%,Kappa系数为0.86,该研究为高精度植被信息的提取提供了有效的方法。     

基于面向对象分类技术的景观信息提取研究

依据高分辨率遥感影像的特点,如何充分地利用影像的光谱信息和空间信息以及地学特征进行更为微观的遥感监测或大比例尺制图是高分辨率遥感研究的重要内容之一。本文以地形复杂的武夷山自然保护区为研究区域,以SPOT5原始影像为数据源,采用面向对象的多尺度分割方法,实现了不同尺度地物信息的分层提取。基于上层的分类结果对特定地物进行影像分割,选择合适的特征参数,并通过多次试验建立影像对象的隶属度函数,或利用最邻近分类法,逐级分层地提取了研究区的景观信息。研究结果显示：利用面向对象分类方法可以快速方便地对地形复杂条件下研究区的SPOT5遥感影像的景观信息提取,精度为76%,为高分辨率遥感影像的信息提取提供了更为快速、有效的技术途径。     

以SPOT5遥感数据为例比较基于像素与面向对象的分类方法

以SPOT5高空间分辨率遥感影像为研究数据,采用面向对象的遥感影像分类方法,将基于像素的分类精度与基于影像对象的分类精度进行对比分析。结果表明:基于像素的分类方法在处理高空间分辨率遥感影像时具有一定的局限性,而面向对象的分类方法充分利用了影像中的光谱信息、几何结构、空间信息及上下文信息,在高空间分辨率遥感影像分类方面更具有优势,有良好的应用前景。     

结合像元形状特征分割的高分辨率影像面向对象分类

针对高分辨率遥感影像空间分辨率高,结构形状、纹理、细节信息丰富等特点,提出一种新的融合特征的面向对象影像分类方法来提取城市空间信息。基本过程包含以下4个方面:①提取影像的几何纹理等结构;②融合几何与纹理特征的面向对象影像分割;③提取对象的形状、纹理和光谱特征,并优选最佳特征子集;④最后基于支持向量机(SVM)完成面向对象的影像分类。通过对福州IKONOS影像数据实验,结果表明融入影像特征后的分割效果明显优于原始影像的分割结果,而信息最大化(mRMR)的特征选择能够快速地获得较好的特征子集。通过与eCognition最邻近分类方法比较,表明本文方法的分类总体精度大约提高了6%,效果显著。     

基于关联规则的面向对象高分辨率影像分类

以北京市昌平区Geoeye-1高分辨率遥感影像为试验数据,研究了关联规则挖掘和面向对象相结合的地物分类方法。首先探讨了关联分类法的原理,再通过图像分割、特征提取、关联规则挖掘、分类器构建一系列过程实现了基于关联规则的面向对象高分辨率影像分类,最终评估分类精度并与K-近邻法进行了对比。结果表明,该方法具有较好精度,能够在一定程度上摆脱地物分类对于专家知识的依赖。     

辅以纹理特征的面向对象的遥感影像分类方法研究——以陕西省杨陵县为例

随着遥感图像分辨率的不断提高,图像的纹理特征更加明显,使得对图像进行纹理分析成为可能。以陕西省杨陵县为试验区,将TM多光谱影像和SPOT 5高分辨率全色影像进行融合,先对影像各种纹理特征进行比较,选用对比度这一属性辅助进行面向对象的分割,同时结合地物的光谱信息,对该地区进行监督分类。与单纯基于光谱特征的分类方法进行比较,该方法在一定程度上改善了分类精度,细化了地物类别。     

结合地籍数据的高密度城区面向对象遥感分类 

利用高分辨率遥感影像和GIS辅助数据,对高密度城区进行面向对象的土地利用覆被分类研究。使用NAIP高分辨率航空遥感影像,在多尺度影像分割的基础上,针对特定地物选择合适的影像分割参数。采用决策树方法建立高密度城市地区的分类规则,并结合该地区地籍图数据作为辅助数据,逐步进行高密度城市地区地物信息提取。利用辅助数据进行面向对象的遥感分类效果优于单纯依靠遥感影像进行的分类,且有效提取了道路和复杂的房屋等信息,得到了理想的分类结果,其总分类精度从常规面向对象方法的84.08%提高到89.79%。利用辅助数据进行遥感分类提高了高分辨率遥感影像的分类精度,说明了利用辅助数据进行遥感分类方法的有效性。     

一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法

针对高分辨率遥感影像中传统超像素分割方法存在过分割和边缘分割一致性的问题,选取五景高分辨率遥感影像,提出了一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法。首先,采用熵率超像素进行过分割,生成超像素过分割区域;然后,分析影像地物的空间信息,对比区域相似性;最后,采用空间约束模糊聚类和光谱差异进行区域合并,获取最终分割影像。定性和定量分析结果表明,该方法改善了过分割问题,能有效提高分割精度,使得分割影像的地物边缘一致性较优。     

地物提取的多尺度特征遥感应用分析

通过空间尺度效应分析,阐述不同属性景观地物在同一分辨率或同一尺度影像中提取的不合理性。为获得精确的地表信息,提出多尺度遥感影像分析方法,解决不同地物在不同空间尺度影像数据中提取的难题。通过多种分辨率影像的多尺度影像信息提取的应用实践,分析地物提取中的多尺度特性、尺度与分辨率关系等。     

基于多尺度分割的遥感影像滨海湿地分类

基于多尺度的高分辨率遥感影像分类方法研究,可以为滨海湿地动态监测、规划保护提供更详尽的湿地分类信息和更快速的数据获取方法,对湿地保护具有重要意义。选取连云港青口河入海口处湿地为研究区,以高分辨率遥感影像WV\|Ⅱ和航空遥感影像为数据源,利用多尺度分割方法将影像分割成不同层次的实体对象;在不同层次,以实体对象为单元,结合光谱、形状、纹理等不同影像特征,进行滨海湿地分类研究,结果表明:利用该方法分类后,研究区各种湿地类型都达到较高精度。基于多尺度分割的影像分类方法能充分利用各种影像特征完成湿地分类,有效地减少了遥感影像中的“椒盐”现象,提高了分类精度;选择适宜的分割尺度和分割参数是基于多尺度分割的遥感影像分类方法提高精度的前提。     

土地利用分类规则集的构建与应用研究

利用高空间分辨率影像,采用面向对象的分类方法,通过多种方法确定了土地利用类型的适宜尺度,形成了多尺度的影像对象层次网络体系。对影像对象进行多特征与空间关系描述,有效集成了辅助特征和专家知识,构建了影像对象分类规则集。研究区分类结果表明:地物分布特征及其空间关系规则的应用,可以有效地提高分类精度,得到更好的语义区分和更精确的分类结果。以期仅作少许改动就可将方案应用到条件类似的高分辨率影像分类中。     

Research on Classification of Land Cover based on LiDAR Cloud and Aerial Images

Aerial images contain abundant spectral information,texture information and spatial information,and airborne LiDAR can provide three-dimensional information of ground objects.An object-oriented classification method was researched by taking advantages of the two types of data.Converting LiDAR point cloud into 2-D raster image by preprocessing,and matched it with aerial image.Then,multi-scale segmentation algorithm was applied to image segmentation based on spectral information and height information.Next,XGBoost algorithm were applied to select features extracted from segmented object respectively.The SVM classifier was used to classify and prove the superiority of XGBoost algorithm by comparing with two traditional feature selection algorithms：Relief and RFE.Finally,objects at shadow regions were distinguished and merged into real objects based on certain rules.Testing the method in three regions,the results showed that the method was feasible and effective,and could be well applied to the classification of urban ground object.     

基于对象的最优尺度建筑物信息提取方法

针对基于像素分析方法不适用于高分辨率影像信息提取的问题,提出一种基于对象的图像分析方法来进行城市建筑信息提取。采用多分辨率图像分割方法得到图像对象,提出非监督的最优尺度判定方法解决单尺度分割造成的欠分割和过分割问题。在对象分类提取过程中,结合LiDAR数据的地形表面高程信息和光谱信息对建筑物进行提取,并利用尺寸、空间位置等信息进行误分类修正。实验区域共提取出18个建筑目标,结果表明所提出的方法有效可行。     

Land Cover Classification for Different Spatial Resolution Images from CNN

Based on convolutional neural networks and five different spatial resolution remote sensing images, the land use/land cover classification study was carried out on a small area in the eastern part of Xining City, aiming at exploring the differences of image classification by CNN with different spatial resolutions and CNN’s ability to extract different features. In order to improve the selection efficiency of the samples, a window sliding method was introduced to assist the samples selection. The research shows that the overall classification accuracy of the five different spatial resolution images is above 89%, the Kappa coefficient is above 0.86. The result further shows that within the resolution scale the higher the resolution, the performance of the CNN classification results for the details is better, and can maintain high classification accuracy, indicating that CNN is more suitable for high spatial resolution images; at the same time, the image spatial resolution is too high, the ground objects exhibit high intra-class variability and low inter-class variability, the classification accuracy tends to decrease. In comparison, CNN has the best classification effect on SPOT 6 images in this study, and window sliding is an effective sample-assisted selection method. This research has certain reference significance for similar research in the future.     

基于CNN的不同空间分辨率影像土地覆被分类研究

基于卷积神经网络（Convolutional Neural Networks, CNN）和5种不同空间分辨率的遥感影像,对西宁市东部一区域开展土地覆被分类研究,旨在探索CNN在不同空间分辨率下进行影像分类的差异性和对不同地物的提取能力。为提高样本的选择效率,引入了窗口滑动方法进行辅助选样。研究表明5种不同空间分辨率影像的总体分类精度均达89%以上,Kappa系数达0.86以上,分类精度较高。在所涉及的分辨率尺度范围内,空间分辨率越高,CNN分类结果越精细,并能保持较高的分类精度,表明CNN更适合高空间分辨率影像分类;但同时影像空间分辨率越高,地物表现出较高的类内变异性和低类间差异性,分类精度有降低的趋势。相比较而言,SPOT 6影像的分类精度最高,同时窗口滑动是一种有效的样本辅助选择方法。研究对今后同类工作具有一定的借鉴意义。     

顾及面积和位置差异的高分遥感影像分割质量评价方法

高分遥感影像分割质量对面向对象分类精度有着重要的影响,良好的影像分割质量有利于得到较高的分类精度。对高分遥感影像分割质量进行评价,从而找到最优的分割结果就显得十分重要。通过对比参考对象和分割对象之间的面积和位置差异,提出了一种新的高分遥感影像分割质量评价方法。将该评价方法应用于GeoEye-1高分遥感影像分割质量评价,试验结果表明:该评价方法能客观地评价影像分割质量,所得到的最优分割结果与参考对象边界匹配程度高,有利于影像后续的分类。     

基于多层分割的面向对象遥感影像分类方法研究

利用ALOS数据,在Definiens Developer 7软件中用分形网络演化法(FNEA)进行多级分割,获取影像对象。综合运用对象的光谱、空间特征和不同层对象之间的关系,提取了湖北省洪湖市试验区土地覆盖与土地利用信息。最后,用一种基于单层分割的面向对象分类方法和基于像素的最大似然法与这种基于多级分割的面向对象分类方法进行了对比分析。结果表明,基于多级分割的面向对象分类方法,不仅克服了基于像素的最大似然法出现的“椒盐”现象,在分类精度上较这两种分类方法也有大幅度的提高。