基于GF-2面向?qū)ο笸恋乩梅诸愌芯俊?/h1>
2024-04-02 08:25:04郝旋捷馮曉天趙燕伶張巧玲
山西建筑 2024年7期
郝旋捷，馮曉天，趙燕伶，張巧玲
(自然資源陜西省衛(wèi)星應(yīng)用技術(shù)中心,陜西 西安 710082)
當(dāng)前國(guó)際和國(guó)內(nèi)在軌運(yùn)行的地球觀測(cè)遙感衛(wèi)星有700多顆,隨著遙感技術(shù)的發(fā)展,遙感影像分辨率不斷提高,高分辨率遙感技術(shù)已經(jīng)成為遙感技術(shù)不可或缺的一部分,衛(wèi)星采集精度實(shí)現(xiàn)從米到亞米級(jí)的飛躍,因其具有速度快、效率高、空間分辨率高等優(yōu)勢(shì),目前已經(jīng)得到了廣泛應(yīng)用。然而,傳統(tǒng)的基于像元信息提取技術(shù),基本處理單元為單個(gè)像元。高分辨率遙感影像的空間信息量大,運(yùn)用傳統(tǒng)信息提取技術(shù),經(jīng)常會(huì)出現(xiàn)錯(cuò)分、漏分的問(wèn)題,容易出現(xiàn)“同譜異物”或“同物異譜”現(xiàn)象,這些結(jié)果經(jīng)常會(huì)出現(xiàn)“椒鹽噪聲”污染問(wèn)題,嚴(yán)重影響信息提取精度[1]。為了更好地利用高分辨率遙感影像高效有用的信息,出現(xiàn)了更為有效的信息提取方法:面向?qū)ο蠓诸惙椒āＲ虼?本文以高分二號(hào)影像數(shù)據(jù)作為數(shù)據(jù)源,采用面向?qū)ο蠓诸惙椒ㄩ_(kāi)展研究。
1 面向?qū)ο蠓诸惢驹怼⒎椒ā⒉僮髌脚_(tái)
1.1 面向?qū)ο蠓诸惢驹?/h3>
目前遙感領(lǐng)域研究的分類方法多種多樣,面向?qū)ο蟮姆诸惙椒ㄒ殉蔀橹髁鞣较蛑?在影像數(shù)據(jù)的分析中具有很大的優(yōu)勢(shì)。該方法可以充分發(fā)揮高分辨率遙感影像的優(yōu)點(diǎn),利用影像的光譜、紋理、幾何形狀等屬性信息進(jìn)行影像信息提取,克服了傳統(tǒng)的基于像元分類方法的不足,不僅提高了分類結(jié)果的精度,同時(shí)也提高了分類的整體效率。該方法關(guān)鍵的兩個(gè)環(huán)節(jié)是影像分割和面向?qū)ο蠓诸?主要是把遙感影像按照一定的準(zhǔn)則將原始的影像進(jìn)行分割,將相似的區(qū)域合并為一個(gè)“對(duì)象”,分割后的影像對(duì)象具有豐富的語(yǔ)義信息,可以根據(jù)其信息提取光譜、形狀、大小、紋理和鄰域等諸多特征,然后根據(jù)遙感影像分類要求或者土地利用信息提取的具體要求,選擇和提取影像對(duì)象的特征,建立分類規(guī)則,從而完成土地利用信息提取[2]。本文技術(shù)路線如圖1所示。
1.2 面向?qū)ο蠓诸惢痉椒?/h3>
1.2.1 多尺度分割
影像分割是分類過(guò)程中極為重要的一個(gè)環(huán)節(jié),分割的好壞將會(huì)影響影像分類結(jié)果的準(zhǔn)確度。具體是利用影像的屬性信息,選取合適的分割算法、模型將同質(zhì)像元組成大小不同的對(duì)象,將各類地物劃分開(kāi)來(lái),最終分離和提取影像目標(biāo)內(nèi)感興趣區(qū)域的過(guò)程。目前影像分割的算法已有成百上千種,其中多尺度分割算法是用不同尺度、不同層次對(duì)遙感影像進(jìn)行分割,依據(jù)地物的顏色、形狀、紋理等特點(diǎn)對(duì)形狀不同的地物使用不同尺度分割,然后根據(jù)其形狀特征獲取信息的方法,是目前使用最廣泛的分類方法。這種分割方法在保證影像信息損失最小的前提下,以任意尺度生成對(duì)象與對(duì)象之間平均異質(zhì)性最小、對(duì)象內(nèi)部像元之間同質(zhì)性最大,防止有些地物影像對(duì)象出現(xiàn)“分割不足”或者“過(guò)度分割”等不利于分類的情況。設(shè)定合適的閾值,規(guī)定合適的分割準(zhǔn)則,把那些特征類似的鄰近像元組合成滿足要求的影像對(duì)象。根據(jù)影像不同波段中各波段權(quán)重、均質(zhì)性因子和尺度選擇進(jìn)行分割,這些參數(shù)共同決定分割結(jié)果的精度與地物信息的分析。多尺度分割流程如圖2所示。
1.2.2 面向?qū)ο蠓诸?/p>
將影像分割成大小不同的合適的對(duì)象后進(jìn)行面向?qū)ο蠓诸?這種分類方法不僅結(jié)合影像的光譜信息,而且也包括影像對(duì)象的空間、紋理、層次信息等高維度特征信息進(jìn)行區(qū)分,劃分為不同的類別。最重要的是也會(huì)結(jié)合各個(gè)對(duì)象之間的關(guān)系特征進(jìn)行分類。這樣分類出的結(jié)果精度高,能夠準(zhǔn)確的表達(dá)各個(gè)地物的信息。面向?qū)ο蠓诸愔凶钪匾囊稽c(diǎn)是在多種分類方法中選取合適的分類方法,建立目標(biāo)明確的特征或特征集合進(jìn)行區(qū)分,從而保證分類結(jié)果的準(zhǔn)確性。最鄰近分類法也稱最小距離分類法,是將每一個(gè)影像對(duì)象按照對(duì)應(yīng)的對(duì)象特征尋找與其最鄰近的樣本匹配,最終完成分類的過(guò)程。即已經(jīng)知道地物的類別信息,首先可以確定分類所有的類別信息,然后選擇可以代表每一個(gè)類別的明顯地物作為樣本,設(shè)置一定要求的規(guī)則對(duì)沒(méi)有選取類別的其他地物進(jìn)行分類。樣本點(diǎn)的選取必須準(zhǔn)確而且全面是分類的關(guān)鍵,主要的操作步驟如下:1)根據(jù)研究?jī)?nèi)容和分類類別,建立合適的分類體系。2)依據(jù)分類體系選擇每類中具有明顯代表性的一些樣本點(diǎn)。3)構(gòu)建特征空間,選擇一些特性鮮明的特征參與到分類中。4)選擇合適的分類規(guī)則和算法將特征空間應(yīng)用到待分類別進(jìn)行分類。5)完成分類對(duì)結(jié)果進(jìn)行分析確保其準(zhǔn)確度。主要流程如圖3所示。
1.3 操作平臺(tái)
本文選擇eCognition軟件作為技術(shù)平臺(tái)開(kāi)展面向?qū)ο笸恋乩梅诸愌芯?eCognition軟件是由德國(guó)Definiens Imaging公司開(kāi)發(fā)的智能化影像分析軟件,它是世界上第一個(gè)面向?qū)ο蟮膱D像分析軟件,其成功研制與發(fā)布,在一定程度上推廣了面向?qū)ο蟮姆诸惙椒?提高了高分辨率數(shù)據(jù)的識(shí)別精度和圖像分類效率,滿足了圖像處理技術(shù)需求[3]。
2 實(shí)驗(yàn)過(guò)程與分析
2.1 數(shù)據(jù)來(lái)源
高分二號(hào)衛(wèi)星(GF-2)是我國(guó)自主研制發(fā)射的第一顆空間分辨率優(yōu)于1 m的民用光學(xué)遙感衛(wèi)星,搭載有2臺(tái)高分辨率相機(jī),有效地提升了衛(wèi)星綜合觀測(cè)效能[4],其全色影像的分辨率為1 m,多光譜影像的分辨率為4 m,其中全色數(shù)據(jù)僅含一個(gè)波段,多光譜數(shù)據(jù)包括藍(lán)光波段、綠光波段、紅光波段、近紅外波段4個(gè)波段[5]。本文的實(shí)驗(yàn)數(shù)據(jù)源為高分二號(hào)影像,研究區(qū)為秦嶺北麓段長(zhǎng)安區(qū)與鄠邑區(qū)交界處北部(見(jiàn)圖4),研究區(qū)面積為60 km2,位于陜西省關(guān)中平原中部。本次研究主要提取研究區(qū)耕地、林草地、建設(shè)用地、水體和其他用地。
2.2 實(shí)驗(yàn)步驟
2.2.1 數(shù)據(jù)預(yù)處理
遙感影像在成像時(shí),存在傳感器姿態(tài)、成像時(shí)間、大氣影響、地形干擾等因素影響,后期影像分類的結(jié)果準(zhǔn)確性將會(huì)受到影響。使用ENVI 5.3軟件對(duì)原始影像數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、幾何校正,減少相關(guān)影響造成的差異,然后將全色數(shù)據(jù)和多光譜數(shù)據(jù)進(jìn)行圖像融合,最后對(duì)研究區(qū)域進(jìn)行裁剪。
2.2.2 影像分割
本研究影像分割方法選取多尺度分割算法,該算法是通過(guò)合并相鄰的像素或小的分割對(duì)象,通過(guò)多次尺度分割實(shí)驗(yàn)來(lái)選出最優(yōu)的分割尺度,是不斷進(jìn)行局部?jī)?yōu)化的過(guò)程,以確保分割后異質(zhì)性最小,同質(zhì)性最大[6]。在進(jìn)行多尺度分割時(shí)需要設(shè)置幾項(xiàng)分割參數(shù),其中參數(shù)包括尺度參數(shù)、光譜因子和形狀因子[7],根據(jù)對(duì)象的光譜特征,結(jié)合幾何、紋理特征以及對(duì)象之間相鄰關(guān)系來(lái)進(jìn)行更加精確地分割。1)尺度參數(shù),與空間分辨率大小不一樣,分割尺度的設(shè)置是確定并限制分割結(jié)果中生成的區(qū)域形狀的尺度范圍。分割尺度參數(shù)大小決定影像分割區(qū)域的大小,以及分割區(qū)域數(shù)目的多少,對(duì)其分割質(zhì)量及信息提取的精度造成影響,若尺度過(guò)小容易讓區(qū)域過(guò)于破碎,過(guò)大則會(huì)讓不同地物對(duì)象出現(xiàn)凝塊。2)均質(zhì)性因子,均質(zhì)性因子由對(duì)象的顏色因子和形狀因子確定(兩者之和為1),分別代表了影像分割時(shí)“顏色”和“形狀”各自所占的權(quán)重,光譜信息是遙感影像信息采集的來(lái)源,可以通過(guò)設(shè)置其中一個(gè)標(biāo)準(zhǔn)來(lái)定義另一個(gè)標(biāo)準(zhǔn)。3)形狀因子,形狀因子由光滑度和緊致度組成(兩者之和為1),分別代表了影像分割時(shí)平滑邊界消除邊緣鋸齒和規(guī)則對(duì)象的形狀各自所占的權(quán)重。
影像分割的好壞直接決定了遙感影像地物信息提取的精度,因此尺度參數(shù)的選擇尤為重要,尺度參數(shù)選擇過(guò)大就會(huì)出現(xiàn)過(guò)分割現(xiàn)象,地物分界不清晰,如圖5(a)所示,如果尺度參數(shù)過(guò)小會(huì)出現(xiàn)分割地物過(guò)小、分割后的地物與實(shí)際情況不符合的現(xiàn)象,如圖5(b)所示。本文經(jīng)過(guò)多次實(shí)驗(yàn)通過(guò)目視解譯的方式最終選擇出最優(yōu)的分割尺度參數(shù)、形狀因子和緊致度因子分別為100,0.8,0.3,分割結(jié)果如圖5(c)所示。因此,選擇合適的參數(shù)有利于提高影像分割質(zhì)量,提高土地利用信息提取精度。
2.2.3 影像分類
根據(jù)研究區(qū)的實(shí)際地物分布情況,將本次分類體系設(shè)置為耕地、林草地、建設(shè)用地、水體和其他用地五類。其中,耕地是指種植和生長(zhǎng)農(nóng)作物的土地;林草地是指將林地和草地合為一類,這是因?yàn)椴莸睾枯^少,分離度差,對(duì)分類結(jié)果影響較大;建設(shè)用地是指建造建筑物、構(gòu)筑物的土地,通過(guò)工程手段,提供各項(xiàng)建設(shè)的土地;水體是指水的集合體,主要包括河流、湖泊、坑塘水面等水域;其他用地為除上面幾類以外的其他土地,例如裸露無(wú)植被覆蓋的未利用地。
訓(xùn)練樣本對(duì)選取、分類結(jié)果會(huì)產(chǎn)生一定的影響,因此,在選取訓(xùn)練樣本時(shí)需要同時(shí)考慮所選樣本的準(zhǔn)確性和代表性,盡可能在樣本選取過(guò)程中保證選取樣本類型準(zhǔn)確和土地利用類型全面。這里需要注意樣本數(shù)量不是選取的越多越好,選取數(shù)量過(guò)多會(huì)導(dǎo)致分類精度變低。在樣本選取結(jié)束之后根據(jù)光譜特征和紋理特征進(jìn)行最近鄰特征空間的建立,并將其應(yīng)用到5個(gè)類當(dāng)中,然后進(jìn)行最近鄰分類,分類結(jié)果如圖6所示。
2.2.4 分類結(jié)果對(duì)比分析
本文使用ENVI5.3軟件基于像元進(jìn)行監(jiān)督分類,根據(jù)監(jiān)督分類結(jié)果與面向?qū)ο蠓诸惤Y(jié)果進(jìn)行對(duì)比分析,并對(duì)分類結(jié)果進(jìn)行基于樣本的精度評(píng)價(jià)得出結(jié)論。監(jiān)督分類采用該類型中分類效果最好的最大似然法對(duì)研究區(qū)進(jìn)行分類,該方法參考光譜特征,計(jì)算待分類像元屬于某訓(xùn)練樣本的似然度,最后歸入似然度最大的類別中,具有精度高、速度快的優(yōu)點(diǎn)[8]。主要流程為建立興趣區(qū),選擇樣本,最大似然分類,后處理。分類結(jié)果如圖7所示。
為使分類結(jié)果更具有準(zhǔn)確性,更有效的對(duì)比分類結(jié)果,使用基于樣本的精度評(píng)價(jià)方法,選擇與分類依據(jù)不同的樣本區(qū)作為評(píng)價(jià)依據(jù),對(duì)兩種分類方法結(jié)果進(jìn)行精度評(píng)定。
整體精度計(jì)算公式為:
Kappa系數(shù)計(jì)算公式為:
其中,P0為整體精度,
將分類結(jié)果進(jìn)行過(guò)濾處理,然后將驗(yàn)證點(diǎn)值與分類結(jié)果值一一對(duì)應(yīng)建立關(guān)聯(lián),生成混淆矩陣(見(jiàn)表1)。結(jié)果顯示,監(jiān)督分類的總體分類精度為75.50%,Kappa系數(shù)為0.569。
表1 監(jiān)督分類混淆矩陣
經(jīng)驗(yàn)證,面向?qū)ο蠓诸惿苫煜仃?見(jiàn)表2),總體分類精度為90.05%,Kappa系數(shù)為0.857。
表2 面向?qū)ο蠡煜仃?/p>
將面向?qū)ο蟮淖钹徑诸惡突谙裨谋O(jiān)督分類的結(jié)果進(jìn)行對(duì)比可知,監(jiān)督分類的總體精度為75.50%,Kappa系數(shù)為0.569。面向?qū)ο蠓诸惪傮w精度為90.05%,Kappa系數(shù)為0.857,分類精度高出14.55%,Kappa系數(shù)高出0.288。通過(guò)對(duì)比兩種分類的精度,面向?qū)ο蠓诸愑行岣吡朔诸惥?分類結(jié)果較為滿意。
3 結(jié)論與討論
本文利用eCognition和ENVI軟件分別對(duì)秦嶺北麓段長(zhǎng)安區(qū)與鄠邑區(qū)交界處北部地區(qū)高分二號(hào)影像進(jìn)行面向?qū)ο蠓诸?結(jié)果表明:面向?qū)ο蟮姆诸惙椒〞?huì)在一定程度上克服傳統(tǒng)分類方法中的缺陷,有效減少地物分類混淆,提高分類可靠性。運(yùn)用eCognition軟件采用面向?qū)ο蠓诸惙椒ㄖ械淖钹徑诸惙?充分利用高分辨率影像豐富的空間結(jié)構(gòu)關(guān)系和上下文語(yǔ)義信息,分類結(jié)果總體精度為90.05%,Kappa系數(shù)為0.857,比傳統(tǒng)的監(jiān)督分類方法精度高出14.55%,Kappa系數(shù)高出0.288。面向?qū)ο蠓诸惙椒ㄔ诟叻直媛视跋穹诸愔锌傮w分類效果較好,有效提高分類精度,是一種有效土地利用分類方法,在遙感影像信息的分析中有著巨大潛力。
猜你喜歡
分類算一算數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56 垃圾分類的困惑你有嗎大眾健康(2021年6期)2021-06-08 19:30:06 學(xué)習(xí)方法兒童故事畫(huà)報(bào)(2019年5期)2019-05-26 14:26:14 分類討論求坐標(biāo)中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32 數(shù)據(jù)分析中的分類討論中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06 教你一招：數(shù)的分類初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46 用對(duì)方法才能瘦Coco薇(2016年2期)2016-03-22 02:42:52 四大方法 教你不再“坐以待病”！Coco薇(2015年1期)2015-08-13 02:47:34 賺錢(qián)方法小雪花·成長(zhǎng)指南(2015年7期)2015-08-11 15:03:12 給塑料分分類吧少兒科學(xué)周刊·少年版(2015年3期)2015-07-07 21:00:00
郝旋捷，馮曉天，趙燕伶，張巧玲
(自然資源陜西省衛(wèi)星應(yīng)用技術(shù)中心,陜西 西安 710082)
當(dāng)前國(guó)際和國(guó)內(nèi)在軌運(yùn)行的地球觀測(cè)遙感衛(wèi)星有700多顆,隨著遙感技術(shù)的發(fā)展,遙感影像分辨率不斷提高,高分辨率遙感技術(shù)已經(jīng)成為遙感技術(shù)不可或缺的一部分,衛(wèi)星采集精度實(shí)現(xiàn)從米到亞米級(jí)的飛躍,因其具有速度快、效率高、空間分辨率高等優(yōu)勢(shì),目前已經(jīng)得到了廣泛應(yīng)用。然而,傳統(tǒng)的基于像元信息提取技術(shù),基本處理單元為單個(gè)像元。高分辨率遙感影像的空間信息量大,運(yùn)用傳統(tǒng)信息提取技術(shù),經(jīng)常會(huì)出現(xiàn)錯(cuò)分、漏分的問(wèn)題,容易出現(xiàn)“同譜異物”或“同物異譜”現(xiàn)象,這些結(jié)果經(jīng)常會(huì)出現(xiàn)“椒鹽噪聲”污染問(wèn)題,嚴(yán)重影響信息提取精度[1]。為了更好地利用高分辨率遙感影像高效有用的信息,出現(xiàn)了更為有效的信息提取方法:面向?qū)ο蠓诸惙椒āＲ虼?本文以高分二號(hào)影像數(shù)據(jù)作為數(shù)據(jù)源,采用面向?qū)ο蠓诸惙椒ㄩ_(kāi)展研究。
1 面向?qū)ο蠓诸惢驹怼⒎椒ā⒉僮髌脚_(tái)
1.1 面向?qū)ο蠓诸惢驹?/h3>
目前遙感領(lǐng)域研究的分類方法多種多樣,面向?qū)ο蟮姆诸惙椒ㄒ殉蔀橹髁鞣较蛑?在影像數(shù)據(jù)的分析中具有很大的優(yōu)勢(shì)。該方法可以充分發(fā)揮高分辨率遙感影像的優(yōu)點(diǎn),利用影像的光譜、紋理、幾何形狀等屬性信息進(jìn)行影像信息提取,克服了傳統(tǒng)的基于像元分類方法的不足,不僅提高了分類結(jié)果的精度,同時(shí)也提高了分類的整體效率。該方法關(guān)鍵的兩個(gè)環(huán)節(jié)是影像分割和面向?qū)ο蠓诸?主要是把遙感影像按照一定的準(zhǔn)則將原始的影像進(jìn)行分割,將相似的區(qū)域合并為一個(gè)“對(duì)象”,分割后的影像對(duì)象具有豐富的語(yǔ)義信息,可以根據(jù)其信息提取光譜、形狀、大小、紋理和鄰域等諸多特征,然后根據(jù)遙感影像分類要求或者土地利用信息提取的具體要求,選擇和提取影像對(duì)象的特征,建立分類規(guī)則,從而完成土地利用信息提取[2]。本文技術(shù)路線如圖1所示。
1.2 面向?qū)ο蠓诸惢痉椒?/h3>
1.2.1 多尺度分割
影像分割是分類過(guò)程中極為重要的一個(gè)環(huán)節(jié),分割的好壞將會(huì)影響影像分類結(jié)果的準(zhǔn)確度。具體是利用影像的屬性信息,選取合適的分割算法、模型將同質(zhì)像元組成大小不同的對(duì)象,將各類地物劃分開(kāi)來(lái),最終分離和提取影像目標(biāo)內(nèi)感興趣區(qū)域的過(guò)程。目前影像分割的算法已有成百上千種,其中多尺度分割算法是用不同尺度、不同層次對(duì)遙感影像進(jìn)行分割,依據(jù)地物的顏色、形狀、紋理等特點(diǎn)對(duì)形狀不同的地物使用不同尺度分割,然后根據(jù)其形狀特征獲取信息的方法,是目前使用最廣泛的分類方法。這種分割方法在保證影像信息損失最小的前提下,以任意尺度生成對(duì)象與對(duì)象之間平均異質(zhì)性最小、對(duì)象內(nèi)部像元之間同質(zhì)性最大,防止有些地物影像對(duì)象出現(xiàn)“分割不足”或者“過(guò)度分割”等不利于分類的情況。設(shè)定合適的閾值,規(guī)定合適的分割準(zhǔn)則,把那些特征類似的鄰近像元組合成滿足要求的影像對(duì)象。根據(jù)影像不同波段中各波段權(quán)重、均質(zhì)性因子和尺度選擇進(jìn)行分割,這些參數(shù)共同決定分割結(jié)果的精度與地物信息的分析。多尺度分割流程如圖2所示。
1.2.2 面向?qū)ο蠓诸?/p>
將影像分割成大小不同的合適的對(duì)象后進(jìn)行面向?qū)ο蠓诸?這種分類方法不僅結(jié)合影像的光譜信息,而且也包括影像對(duì)象的空間、紋理、層次信息等高維度特征信息進(jìn)行區(qū)分,劃分為不同的類別。最重要的是也會(huì)結(jié)合各個(gè)對(duì)象之間的關(guān)系特征進(jìn)行分類。這樣分類出的結(jié)果精度高,能夠準(zhǔn)確的表達(dá)各個(gè)地物的信息。面向?qū)ο蠓诸愔凶钪匾囊稽c(diǎn)是在多種分類方法中選取合適的分類方法,建立目標(biāo)明確的特征或特征集合進(jìn)行區(qū)分,從而保證分類結(jié)果的準(zhǔn)確性。最鄰近分類法也稱最小距離分類法,是將每一個(gè)影像對(duì)象按照對(duì)應(yīng)的對(duì)象特征尋找與其最鄰近的樣本匹配,最終完成分類的過(guò)程。即已經(jīng)知道地物的類別信息,首先可以確定分類所有的類別信息,然后選擇可以代表每一個(gè)類別的明顯地物作為樣本,設(shè)置一定要求的規(guī)則對(duì)沒(méi)有選取類別的其他地物進(jìn)行分類。樣本點(diǎn)的選取必須準(zhǔn)確而且全面是分類的關(guān)鍵,主要的操作步驟如下:1)根據(jù)研究?jī)?nèi)容和分類類別,建立合適的分類體系。2)依據(jù)分類體系選擇每類中具有明顯代表性的一些樣本點(diǎn)。3)構(gòu)建特征空間,選擇一些特性鮮明的特征參與到分類中。4)選擇合適的分類規(guī)則和算法將特征空間應(yīng)用到待分類別進(jìn)行分類。5)完成分類對(duì)結(jié)果進(jìn)行分析確保其準(zhǔn)確度。主要流程如圖3所示。
1.3 操作平臺(tái)
本文選擇eCognition軟件作為技術(shù)平臺(tái)開(kāi)展面向?qū)ο笸恋乩梅诸愌芯?eCognition軟件是由德國(guó)Definiens Imaging公司開(kāi)發(fā)的智能化影像分析軟件,它是世界上第一個(gè)面向?qū)ο蟮膱D像分析軟件,其成功研制與發(fā)布,在一定程度上推廣了面向?qū)ο蟮姆诸惙椒?提高了高分辨率數(shù)據(jù)的識(shí)別精度和圖像分類效率,滿足了圖像處理技術(shù)需求[3]。
2 實(shí)驗(yàn)過(guò)程與分析
2.1 數(shù)據(jù)來(lái)源
高分二號(hào)衛(wèi)星(GF-2)是我國(guó)自主研制發(fā)射的第一顆空間分辨率優(yōu)于1 m的民用光學(xué)遙感衛(wèi)星,搭載有2臺(tái)高分辨率相機(jī),有效地提升了衛(wèi)星綜合觀測(cè)效能[4],其全色影像的分辨率為1 m,多光譜影像的分辨率為4 m,其中全色數(shù)據(jù)僅含一個(gè)波段,多光譜數(shù)據(jù)包括藍(lán)光波段、綠光波段、紅光波段、近紅外波段4個(gè)波段[5]。本文的實(shí)驗(yàn)數(shù)據(jù)源為高分二號(hào)影像,研究區(qū)為秦嶺北麓段長(zhǎng)安區(qū)與鄠邑區(qū)交界處北部(見(jiàn)圖4),研究區(qū)面積為60 km2,位于陜西省關(guān)中平原中部。本次研究主要提取研究區(qū)耕地、林草地、建設(shè)用地、水體和其他用地。
2.2 實(shí)驗(yàn)步驟
2.2.1 數(shù)據(jù)預(yù)處理
遙感影像在成像時(shí),存在傳感器姿態(tài)、成像時(shí)間、大氣影響、地形干擾等因素影響,后期影像分類的結(jié)果準(zhǔn)確性將會(huì)受到影響。使用ENVI 5.3軟件對(duì)原始影像數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、幾何校正,減少相關(guān)影響造成的差異,然后將全色數(shù)據(jù)和多光譜數(shù)據(jù)進(jìn)行圖像融合,最后對(duì)研究區(qū)域進(jìn)行裁剪。
2.2.2 影像分割
本研究影像分割方法選取多尺度分割算法,該算法是通過(guò)合并相鄰的像素或小的分割對(duì)象,通過(guò)多次尺度分割實(shí)驗(yàn)來(lái)選出最優(yōu)的分割尺度,是不斷進(jìn)行局部?jī)?yōu)化的過(guò)程,以確保分割后異質(zhì)性最小,同質(zhì)性最大[6]。在進(jìn)行多尺度分割時(shí)需要設(shè)置幾項(xiàng)分割參數(shù),其中參數(shù)包括尺度參數(shù)、光譜因子和形狀因子[7],根據(jù)對(duì)象的光譜特征,結(jié)合幾何、紋理特征以及對(duì)象之間相鄰關(guān)系來(lái)進(jìn)行更加精確地分割。1)尺度參數(shù),與空間分辨率大小不一樣,分割尺度的設(shè)置是確定并限制分割結(jié)果中生成的區(qū)域形狀的尺度范圍。分割尺度參數(shù)大小決定影像分割區(qū)域的大小,以及分割區(qū)域數(shù)目的多少,對(duì)其分割質(zhì)量及信息提取的精度造成影響,若尺度過(guò)小容易讓區(qū)域過(guò)于破碎,過(guò)大則會(huì)讓不同地物對(duì)象出現(xiàn)凝塊。2)均質(zhì)性因子,均質(zhì)性因子由對(duì)象的顏色因子和形狀因子確定(兩者之和為1),分別代表了影像分割時(shí)“顏色”和“形狀”各自所占的權(quán)重,光譜信息是遙感影像信息采集的來(lái)源,可以通過(guò)設(shè)置其中一個(gè)標(biāo)準(zhǔn)來(lái)定義另一個(gè)標(biāo)準(zhǔn)。3)形狀因子,形狀因子由光滑度和緊致度組成(兩者之和為1),分別代表了影像分割時(shí)平滑邊界消除邊緣鋸齒和規(guī)則對(duì)象的形狀各自所占的權(quán)重。
影像分割的好壞直接決定了遙感影像地物信息提取的精度,因此尺度參數(shù)的選擇尤為重要,尺度參數(shù)選擇過(guò)大就會(huì)出現(xiàn)過(guò)分割現(xiàn)象,地物分界不清晰,如圖5(a)所示,如果尺度參數(shù)過(guò)小會(huì)出現(xiàn)分割地物過(guò)小、分割后的地物與實(shí)際情況不符合的現(xiàn)象,如圖5(b)所示。本文經(jīng)過(guò)多次實(shí)驗(yàn)通過(guò)目視解譯的方式最終選擇出最優(yōu)的分割尺度參數(shù)、形狀因子和緊致度因子分別為100,0.8,0.3,分割結(jié)果如圖5(c)所示。因此,選擇合適的參數(shù)有利于提高影像分割質(zhì)量,提高土地利用信息提取精度。
2.2.3 影像分類
根據(jù)研究區(qū)的實(shí)際地物分布情況,將本次分類體系設(shè)置為耕地、林草地、建設(shè)用地、水體和其他用地五類。其中,耕地是指種植和生長(zhǎng)農(nóng)作物的土地;林草地是指將林地和草地合為一類,這是因?yàn)椴莸睾枯^少,分離度差,對(duì)分類結(jié)果影響較大;建設(shè)用地是指建造建筑物、構(gòu)筑物的土地,通過(guò)工程手段,提供各項(xiàng)建設(shè)的土地;水體是指水的集合體,主要包括河流、湖泊、坑塘水面等水域;其他用地為除上面幾類以外的其他土地,例如裸露無(wú)植被覆蓋的未利用地。
訓(xùn)練樣本對(duì)選取、分類結(jié)果會(huì)產(chǎn)生一定的影響,因此,在選取訓(xùn)練樣本時(shí)需要同時(shí)考慮所選樣本的準(zhǔn)確性和代表性,盡可能在樣本選取過(guò)程中保證選取樣本類型準(zhǔn)確和土地利用類型全面。這里需要注意樣本數(shù)量不是選取的越多越好,選取數(shù)量過(guò)多會(huì)導(dǎo)致分類精度變低。在樣本選取結(jié)束之后根據(jù)光譜特征和紋理特征進(jìn)行最近鄰特征空間的建立,并將其應(yīng)用到5個(gè)類當(dāng)中,然后進(jìn)行最近鄰分類,分類結(jié)果如圖6所示。
2.2.4 分類結(jié)果對(duì)比分析
本文使用ENVI5.3軟件基于像元進(jìn)行監(jiān)督分類,根據(jù)監(jiān)督分類結(jié)果與面向?qū)ο蠓诸惤Y(jié)果進(jìn)行對(duì)比分析,并對(duì)分類結(jié)果進(jìn)行基于樣本的精度評(píng)價(jià)得出結(jié)論。監(jiān)督分類采用該類型中分類效果最好的最大似然法對(duì)研究區(qū)進(jìn)行分類,該方法參考光譜特征,計(jì)算待分類像元屬于某訓(xùn)練樣本的似然度,最后歸入似然度最大的類別中,具有精度高、速度快的優(yōu)點(diǎn)[8]。主要流程為建立興趣區(qū),選擇樣本,最大似然分類,后處理。分類結(jié)果如圖7所示。
為使分類結(jié)果更具有準(zhǔn)確性,更有效的對(duì)比分類結(jié)果,使用基于樣本的精度評(píng)價(jià)方法,選擇與分類依據(jù)不同的樣本區(qū)作為評(píng)價(jià)依據(jù),對(duì)兩種分類方法結(jié)果進(jìn)行精度評(píng)定。
整體精度計(jì)算公式為:
Kappa系數(shù)計(jì)算公式為:
其中,P0為整體精度,
將分類結(jié)果進(jìn)行過(guò)濾處理,然后將驗(yàn)證點(diǎn)值與分類結(jié)果值一一對(duì)應(yīng)建立關(guān)聯(lián),生成混淆矩陣(見(jiàn)表1)。結(jié)果顯示,監(jiān)督分類的總體分類精度為75.50%,Kappa系數(shù)為0.569。
表1 監(jiān)督分類混淆矩陣
經(jīng)驗(yàn)證,面向?qū)ο蠓诸惿苫煜仃?見(jiàn)表2),總體分類精度為90.05%,Kappa系數(shù)為0.857。
表2 面向?qū)ο蠡煜仃?/p>
將面向?qū)ο蟮淖钹徑诸惡突谙裨谋O(jiān)督分類的結(jié)果進(jìn)行對(duì)比可知,監(jiān)督分類的總體精度為75.50%,Kappa系數(shù)為0.569。面向?qū)ο蠓诸惪傮w精度為90.05%,Kappa系數(shù)為0.857,分類精度高出14.55%,Kappa系數(shù)高出0.288。通過(guò)對(duì)比兩種分類的精度,面向?qū)ο蠓诸愑行岣吡朔诸惥?分類結(jié)果較為滿意。
3 結(jié)論與討論
本文利用eCognition和ENVI軟件分別對(duì)秦嶺北麓段長(zhǎng)安區(qū)與鄠邑區(qū)交界處北部地區(qū)高分二號(hào)影像進(jìn)行面向?qū)ο蠓诸?結(jié)果表明:面向?qū)ο蟮姆诸惙椒〞?huì)在一定程度上克服傳統(tǒng)分類方法中的缺陷,有效減少地物分類混淆,提高分類可靠性。運(yùn)用eCognition軟件采用面向?qū)ο蠓诸惙椒ㄖ械淖钹徑诸惙?充分利用高分辨率影像豐富的空間結(jié)構(gòu)關(guān)系和上下文語(yǔ)義信息,分類結(jié)果總體精度為90.05%,Kappa系數(shù)為0.857,比傳統(tǒng)的監(jiān)督分類方法精度高出14.55%,Kappa系數(shù)高出0.288。面向?qū)ο蠓诸惙椒ㄔ诟叻直媛视跋穹诸愔锌傮w分類效果較好,有效提高分類精度,是一種有效土地利用分類方法,在遙感影像信息的分析中有著巨大潛力。
猜你喜歡
數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56
大眾健康(2021年6期)2021-06-08 19:30:06
兒童故事畫(huà)報(bào)(2019年5期)2019-05-26 14:26:14
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06
初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46
Coco薇(2016年2期)2016-03-22 02:42:52
Coco薇(2015年1期)2015-08-13 02:47:34
小雪花·成長(zhǎng)指南(2015年7期)2015-08-11 15:03:12
少兒科學(xué)周刊·少年版(2015年3期)2015-07-07 21:00:00
