基于对象和特征的高分影像最临近监督分类研究论文_祝彦敏

浙江省测绘科学技术研究院 浙江杭州 330110

摘要:人们对于遥感影像的应用需求不断增强,特别是对于高分辨率遥感影像,传统信息提取方法已不能满足要求。本文通过确定分类方案、面向对象图像分割、选择样本、根据类别选定特征,对高分辨率遥感影像进行分类,并与基于像素的最邻近分类法的分类结果进行比较;结果表明基于对象和特征的分类方法具有明显优越的分类效果,更能满足实际需要。

关键字:面向对象分割;多尺度分割;特征;最邻近分类

引言:现阶段,土地、测绘等行业对于遥感影像的应用需求不断增强,高分辨率影像逐渐替代低分辨率影像在实际应用中的地位,影像目标识别和信息提取精度的要求不断提高,传统的影像处理方法已经不能满足用户需求。将对象和特征用于遥感信息提取的研究已经深入开展;陈云浩等进行了基于面向对象和规则的遥感影响分类研究,讨论了面向对象和规则的光学遥感影像分类方法,并且通过实验验证[1];唐伟等提出面向对象的高空间分辨率遥感影像道路信息的提取方法,充分利用对象的光谱、形状、纹理等特征,提高了道路提取准确率[3];陈金丽研究与实现了面向对象的最邻近算法,深入研究了基于对象的高分辨率遥感影像分类技术,并取得良好试验效果[2];李春干等进行了面向对象的SPOT5图像森林分类研究,在对象和特征的基础上,探索了森林分类的有效方法[4]。

本文采用基于对象和特征的分类思想,借助最邻近分类器,对研究区影像分类,并与传统的最邻近监督分类方法比较,通过目视解译进行定性评估。

1主要研究方法

根据分类的具体情况,设定分割参数(如分割尺度),对图像进行面向对象分割;在所得的图像对象层上选择各个类别的训练样本,选择对象的特征或者特征组合;最后使用最邻近监督分类器执行分类。

1.1面向对象分割

面向对象分割即通过一定的算法将图像分成同质性的斑块,已有多种面向对象分割算法,本文采用区域相互最佳适配法,是一种区域增长和合并的方法。合并过程中种子像元的最佳适配邻域对象的确定以及合并限定阈值的比较与分割的参数设置有关。决定最佳适配邻域对象的标准为对象的异质性,而合并阈值即为尺度。

1.1.1异质性

通过选择训练样本,采用传统得最小分类监督分类法进行分类,结果如图2。结合原始图像,比较两种分类结果,差异明显存在,首先,基于对象的最邻近分类结果更具整体性,基于像素的分类结果比较零散,类别随机性比较强;其次,分类过程利用光谱因素易导致光谱特征相似地物的混淆分类,如建筑、道路、裸地,最邻近分类结果也存在错分、漏分现象,但是明显提高了分类准确率。

3结论

基于像素的最邻近分类,即最小距离分类,只依赖于图像的光谱特征,对噪声比较敏感。基于对象和特征的最邻近分类,结合了对象和特征的优越性;多尺度分割根据光谱异质性和空间异质性生成层次性的对象层,适宜于图斑大小不同的地物分类;对象衍生出众多特征,根据具体类别特点选择不同的特征组合,可以更好地表征类别。实验证明,通过多尺度分割、选择特征等,基于对象和特征的最邻近分类取得了更好的分类效果。

参考文献:

[1]陈云浩,冯通等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报(信息科学版),2006,31(4):316-320

[2]陈金丽.面向对象的最邻近算法研究与实现[D].北京:中国地质大学地球探测与信息技术,2009

[3]唐伟,赵书河等.面向对象的高空间分辨率遥感影像道路信息提取[J].地理信息科学,2008,10(2):257-262

[4]李春干,邵国凡.面向对象的Spot5图像森林分类[J].林业科学,2010,46(8):130-139

[5]Z.J.LIU,J.WANG.BuildingExtractionfromHighResolutionImagery

basedonMulti-scaleObjectOrientedClassificationandProbabilisticHoughTransform[J].IEEE,2005

论文作者:祝彦敏

论文发表刊物:《防护工程》2018年第19期

论文发表时间:2018/11/9

标签:;  ;  ;  ;  ;  ;  ;  ;  

基于对象和特征的高分影像最临近监督分类研究论文_祝彦敏
下载Doc文档

猜你喜欢