CN115512159A - 面向对象的高分辨率遥感影像地表覆盖分类方法及*** - Google Patents
面向对象的高分辨率遥感影像地表覆盖分类方法及*** Download PDFInfo
- Publication number
- CN115512159A CN115512159A CN202211185530.9A CN202211185530A CN115512159A CN 115512159 A CN115512159 A CN 115512159A CN 202211185530 A CN202211185530 A CN 202211185530A CN 115512159 A CN115512159 A CN 115512159A
- Authority
- CN
- China
- Prior art keywords
- classification
- remote sensing
- segmentation
- land
- surface coverage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及遥感影像处理技术领域,公开了一种面向对象的高分辨率遥感影像地表覆盖分类方法及***,包括以下步骤:获得高分一号卫星及哨兵二号卫星的遥感影像,并对所获得的哨兵二号遥感影像进行预处理;基于所获得的高分一号遥感图像和哨兵二号遥感图像进行图像分割,获得高分像元和哨兵像元;基于所获得的高分像元和哨兵像元构建多源特征空间,并保证一个高分像元中至少包括一个哨兵像元;基于所构建的多源特征空间进行机器学习,并进行地表覆盖分类。本发明使用成本低且区分效果好。
Description
技术领域
本发明涉及遥感影像处理技术领域,具体涉及一种面向对象的高分辨率遥感影像地表覆盖分类方法及***。
背景技术
地表覆盖物,包括铺设在地表的有机物覆盖物和无机覆盖物,地表覆盖类型包括耕地、森林、草地、灌木地、湿地、水体、苔原、人造地表、裸地、冰川和永久积雪;地表覆盖及其变化的研究是作为环境变化研究、地理国情检测、可持续发展规划等是不可或缺的基础信息和关键参量。
传统的地表覆盖调查耗时耗力,而遥感技术以其获取影像范围广、信息量大、获取方式受地面条件限制少等特点,为地表覆盖数据的快速获取提供了新的技术手段。如何从影像中提取特征信息并进行分类,从而准确的得到地表覆盖信息是遥感领域的热点问题。随着影像分辨率的提高,高分辨率遥感影像能够清晰、准确地表达被拍摄地物的光谱、形状、纹理等特征信息。传统基于像元的分类方法仅从单个像素的光谱特征对其进行分析,不能充分利用其他有用信息,容易出现错分漏分的现象,而面向对象的分类方法综合考虑了光谱、形状、纹理等特征,比基于像素的方法有更强大的信息提取能力,有利于提升分类的效果。
目前面向对象的高分辨率遥感影像地表覆盖分类方法研究还存在一些不足,导致分类精度还不够理想。如在影像分割方面,由于确定分割尺度时受人为主观和分割时受复杂地表形态的影响导致分割准确度降低;在特征提取方面,大多研究采用单一高分影像数据源,波段数据较少,难以构建全面、有区分度的特征空间;在分类结构方面,单层次的分类结构难以对不同地类在分割尺度和特征空间上做出调整,影响信息提取和分类的效果。
而为了解决以上问题,人们通常会从采集的输入数据集合上入手,购买经过复杂处理的由多个卫星的数据源形成的高精度输入数据集合。但是,这种基于高精度输入数据集合来源进而提高分类结果精度的方法,因其高昂的投入成本并不具备推广潜力。因为,现在所有提供这种高精度输入数据集合服务的企业,基本都是根据用户的使用需求进行一对一专门处理多个不同卫星数据源后才得到的特定的高精度输入数据集合,这种处理方式一是不具备通用性,本身已经不具备推广前提;二是,因为用户的使用需求千差万别,在选取何种卫星数据源以及如何达到指定精度,都有非常大的主观调整空间,不确定性大,且处理数据量庞大,致使整体处理成本高,非常不利于大规模推广。
发明内容
本发明意在提供面一种向对象的高分辨率遥感影像地表覆盖分类方法,以达到成本低且区分效果好的目的。
为达到上述目的,本发明采用如下技术方案:
面向对象的高分辨率遥感影像地表覆盖分类方法,包括以下步骤:
S1、初始遥感影像获取,从高分一号卫星获取高分一号遥感影像,从哨兵二号卫星获取哨兵二号遥感影像,并对哨兵二号遥感影像进行数据预处理;将高分一号遥感影像和哨兵二号遥感影像配准形成高分一号配准影像;
S2、影像分割,对高分一号配准影像进行影像分割,得到分块影像,每个分块影像中至少包含一个哨兵像元;
S3、对象特征提取,构建多源特征空间;
S4、基于对象分类,形成多层次分类结构;
S5,基于所构建的多源特征空间和多层次分类结构,进行地表覆盖分类。
本方案的原理及优点是:
本方案可直接利用可以免费获取的高分一号卫星及哨兵二号卫星的遥感影像,成本较低;通过高分一号遥感影像和哨兵二号遥感影像的互补使用,尽可能消除彼此的缺点,在图像分割时,使分块影像中至少包含一个哨兵像元,保证有效数据量,为后面分类精准度提供前提;然后,进行多源特征空间的构建;最后,基于对象分类,形成多层次分类结构,实现地表覆盖分类;
本方案与现有的地表覆盖分类方法不同的是,在固有认知里,地表覆盖分类需要较多的高质量、高分辨率的遥感图像资源才能有好的分类效果;但本方案采用几乎未加工的,可免费获取的数据源,成本较低。同时,通过与哨兵二号的结合,利用其波段多的优势弥补高分一号在近红外波段缺失的问题,既能充分利用高分一号遥感数据的空间分辨率优势,又能充分利用哨兵二号遥感数据的光谱分辨优势,实现了用低成本数据库实现更好的分类效果。
相比于现在面向对象分析方法在分割上的短板,尽管存在一些最优分割尺度定量计算的方法,但由于方法理论性和科学性较强,确定过程较复杂,缺乏直观性,尤其是最优分割尺度点,存在较大的主观性,在地物种类较多、差异明显的场景难以判断以及受高分辨率影像数据中复杂的地表形态的影响,导致分割的准确性较低。本方案,通过特殊构建的多元特征空间,克服了这方面的问题,即使对于一般高分辨率遥感影像数据的波段较少,难以构建全面、有区分度的特征空间,在区分相似地类还存在局限性的前提下,仍然能够达到目标精准度,有效解决了现在采用一般遥感数据源精度较差的问题。
1.作为一种改进,步骤S2中,通过Moran’s I指数与面积加权标准差构成的分割质量函数,以及RMAS指数定量计算分割尺度,得到全局最优分割尺度和不同地表覆盖类型的最优分割尺度;
所述分割质量函数为:
GS=Vnorm+MInorm
式中GS为分割质量函数,Vnorm为归一化加权标准差,MInorm为归一化Moran’s I
指数。
效果:本方案采用Moran’s I指数再加上与面积加权标准差构成的分割质量函数,可以避免现有的分割尺度存在的主观性太强的问题。
作为一种改进,所述地表覆盖类型,包括耕地、林地、建筑用地、交通用地、水域和未利用地。
效果:采用以上地表覆盖类型,能够满足大多数的地表覆盖物分类。
作为一种改进,所述全局最优分割尺度范围为10-150;耕地、林地、建筑用地、交通用地、水域和未利用地的最优分割尺度范围分别为50-60、75-85、25-35、55-65、70-80、120-130。
效果:分别确立全局最优分割尺度及不同地表覆盖类型的最优分割尺度范围,这样在对于不同地类及全局采用不同的分割尺度,可以避免面积较大地类碎片化,面积较小地类漏分的情况。
作为一种改进,所述全局最优分割尺度为45;耕地、林地、建筑用地、交通用地、水域和未利用地的最优分割尺度分别为55、80、30、60、75、125。
效果:将最优分割尺度按照此设置,能够同时兼顾全局分割和最主要地表覆盖类型分类,是在保证能准确划分的前提下,数据计算量最小。
作为一种改进,在分割完成后,采用Canny边缘检测算法进行分割优化,按照低阈值为150,高阈值为400提取的影像边缘信息参与分割。
效果:可以很好地解决高分遥感影像中相同地类间同质性和不同地类间异质性的减弱,部分地类边缘呈渐变式,不再有明显的突变,导致影像采用最优分割尺度分割后仍存在部分分割对象边缘轮廓不准确的问题;同时与现有方案相比,分割方面的改进对建筑等形状规则的地类的查全度提升明显,总体精度提高了2.6%。
作为一种改进,所述多源特征空间包括全局多源特征空间和各个地表覆盖类型多源特征空间,每个多源特征空间中均包括光谱特征、几何特征、指数特征和纹理特征。
效果:能够使建立的多源特征空间,尽可能地和实际区域表现特征一致。
作为一种改进,在S3中,先建立初始多源特征空间,再对初始多元特征空间进行优化,采用递归消除法,剔除冗余特征;然后选取随机森林模型作为特征优化模型,分别对全局多源特征空间和各个地表覆盖类型多源特征空间进行优化,得到全局最优多源特征空间和各个地表覆盖类型最优多源特征空间。
效果:使得到全局最优多源特征空间和各个地表覆盖类型最优多源特征空间更加贴合实际区域情况。
作为一种改进,在S4中,对于已构建的多源特征空间进行单层次分类,根据单层次分类所获得的混淆矩阵对不同的地表覆盖类型进行可分离度计算得到可分离度计算结果;根据可分离度计算结果,构建先易后难的分类顺序,再利用层次聚类算法,将多分类问题分解为每一层提取一个地表覆盖类型的二分类问题,构建多层次分类结构。
效果:通过单层次分类计算地类之间的可分离度,再根据地类之间的可分离度构建地类分离的难易顺序,最后根据难易顺序采用二分类法进行分类;这样的分类计算量小,同时以实际的可分离度作为依据,可以避免现有多层次分类中主观性较强的问题。
本申请还提供了一种面向对象的高分辨率遥感影像地表覆盖分类***,其采用上述的分类方法进行分类。能够对不同的地表覆盖类型进行精准快速区分。
附图说明
图1为本发明实施例一中地表覆盖分类方法流程图。
图2为本发明实施例一中分割优化结果对比图。
图3为本发明实施例一中多层次分类结构示意图。
图4为本发明实施例一中不同分类实验的总体精度和Kappa系数比较图。
图5为本发明实施例一中不同分类实验的生产精度比较图。
图6为本发明实施例一中不同分类实验的用户精度比较图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例1基本如附图1所示:本实施例中的面向对象的高分辨率遥感影像地表覆盖分类方法,包括以下内容:
第一步,初始遥感影像获取,从高分一号卫星获取高分一号遥感影像,从哨兵二号卫星获取哨兵二号遥感影像,并对哨兵二号遥感影像进行数据预处理;将高分一号遥感影像和哨兵二号遥感影像配准形成高分一号配准影像。
高分一号和哨兵二号卫星的大部分遥感影像均可从公开免费的数据库中获取,本方案对初始数据来源没有过多的要求,即使是普通大众能获取的免费数据源,也能够通过本方法完成一定精度的地表覆盖分类。
其中,高分一号遥感影像为,经融合处理,仅有R、G、B三波段,分辨率可以为2米、8米、16米,云量小于2%-5%。本实施例中的高分一号遥感影像为分辨率为2米,云量小于3%。
高分一号卫星是中国自主研发的第一颗高分辨率卫星,攻克了空谱分辨率不兼容的关键问题,采用较宽的幅宽进行有效探测。获取时,高分一号遥感影像已经经过几何校正、镶嵌、融合、裁剪、辐射定标、大气校正等常规预处理过程,无需进行额外的预处理。
本实施例中的哨兵二号遥感影像为,直接从欧空局下载的L1C级影像,是已经经过上述除大气校正预处理步骤的影像,云量小于4.5%。
欧空局将大气校正后数据定义为L1A级数据,其提供Sen2cor插件工具,可以将L1C级影像经过大气校正形成L1A级影像,但不能直接下载L1A级影像。本实施例中,将直接获取的L1C级哨兵二号遥感影像通过Sen2cor插件,使用CMD命令配置调用,进行大气校正,并将所有波段在SNAP软件中重采样至10米,完成数据预处理,得到处理后的哨兵二号遥感影像。预处理后图像比处理前饱和度更高,颜色更暗,更加有利于后面与高分一号遥感影像配准和特征提取。
将哨兵二号数据与高分影像配准,使用最邻近法重采样至同高分一号影像分辨率相同的分辨率。将处理好的哨兵二号数据导入ENVI进行layerstack操作,剔除分辨率较低的Water vapour、Coastal aerosol、Cirrus三波段后组加成10波段的遥感数据。
本实施例中高分一号遥感影像和哨兵二号遥感影像的图像配准采用现有通用图像配准方式即可。
第二步,影像分割,对高分一号配准影像进行影像分割,得到分块影像,每个分块影像中至少包含一个哨兵像元,使其既能充分利用高分一号遥感数据的高空间分辨率优势,又能充分利用哨兵二号遥感数据的高光谱分辨优势。
首先,确定最优分割的分割尺度。
通过Moran’s I指数和面积加权标准差的分割质量函数以及RMAS指数,定量计算不同分割尺度下的分割指标,分别找到对象内部同质性最大、对象间异质性最大的全局最优分割尺度和满足多层次分类结构不同层需要的不同地类最优分割尺度;本实施例中,地表覆盖类型简称地类。
具体地,先确定全局的最优分割尺度;再确立不同地表覆盖类型的最优分割尺度。通过确定全局最优分割尺度,使分割后对象内部异质性尽可能小、对象之间的异质性尽可能大,平衡一整幅影像对象内部和对象之间的异质性,从而达到更好的区分效果,为单层次分类提供尺度。
本实施例采用基于分割质量函数的最优分割尺度计算模型(Johnson and Xie,2011),通过统计不同分割尺度下的分割质量,定量计算全局最优分割尺度。该方法与其他全局最优分割尺度计算不同,不仅考虑了对象内部的同质性信息,还加入了Moran’s I指数统计全局对象间的相关性,考虑了对象之间异质性的原则。较传统目视和ESP软件确定全局最优分割尺度的方法更客观、准确,能有效减少人为主观影响,以提高分割的准确性。
(1)分割质量函数计算模型理论
该函数使用分割后对象的面积加权标准差来衡量对象内部光谱同质性,并利用空间自相关性指数中的全局Moran’s I指数来衡量对象间异质性。
1)对象内部光谱同质性表达式为
式中wVar表示面积加权光谱标准差,vi为方差,ai为对象i的面积,n为影像中经分割后对象的总数。当wVar越大对象内部异质性就越大,同质性越小。
2)对象间异质性表达式为
式中MI为全局Moran’s I指数,wij为对象i和对象j之间的空间邻接关系,如果对象i与对象j相邻(即共享边界的区域)则wij=1,不相邻则为0,yi和yj表示对象i和对象j的光谱均值,为整幅影像光谱均值。当MI越低表示对象间的相关性越低,异质性越高,也即可分离度越高。
3)归一化表达式
由于在影像分割过程中对所有波段都计算上述两个指数度量,为了使波段内和波段间的指数得到同等考虑,使用公式中的归一化公式将两者重新调整到相似的[0,1]范围内。
(X-Xmin)/(Xmax-Xmin)
式中Xmin和Xmax分别是光谱面积加权标准差或Moran’s I指数的最小值和最大值。归一化使具有低面积加权标准差或Moran’s I指数的各波段归一化值相对接近于零。
4)分割质量函数表达式为
GS=Vnorm+MInorm
式中GS为分割质量函数,Vnorm为归一化加权标准差,MInorm为归一化Moran’s I指数。全局最优分割尺度的确定通过分别计算每个光谱波段的GS值,并进行平均,使用平均后GS值对分割质量进行评估。平均GS值最低的尺度即为最优分割尺度,因为在该尺度上光谱的加权标准差和空间自相关组合最低即对象内同质性最高,对象间异质性最大。
(2)全局最优分割尺度实现
将全局最优分割尺度的范围设置为10-150,并以5的步长进行多次分割,并统计每次分割所得每个波段的分割质量函数,这样能够在满足精准度要求的前提下尽可能少的减少分割次数,减少计算量。考虑到研究区部分区域的不同尺度分割效果,当研究区内分割尺度小于10时出现过分割,即使面积最小的地类也会被分为多个对象,不利于后续特征提取的完整性;当分割尺度超过150时出现欠分割,一个对象内包含多种地类,大大增加错分率,给后续准确分类造成困难。因此选取尺度范围为10-150,为最优选择。
实施时,首先将高分一号配准影像的高分数据导入eCognition进行多尺度分割,再将分割后对象三波段的标准差和面积信息导出至Excel,通过Excel计算三波段的面积加权标准差;其次将分割结果矢量导出至Arcgis,在Arcgis中使用空间统计工具计算三波段的Moran’s I指数;最后统计计算归一化Moran’s I指数和加权标准差。
在确定全局的最优分割尺度范围为10-150的基础上,再确立不同地表覆盖类型的最优分割尺度。
由于影像内地类大小、光谱差异明显,单一分割尺度难以保证每一地类的分割对象边界都能较好的贴合地类真实的轮廓,因此需要针对每一种地类设置不同的分割尺度,即确定不同地类的最优分割尺度,为多层次分类结构提供分割尺度。本实施例采用对象与领域均值差分绝对值和对象标准差的比值——RMAS指数(The Ratio Of Mean DifferenceTo Neighbors To Standard Deviation),通过计算不同分割尺度下不同地类的RMAS值,得到不同地类最优分割尺度,以减少人为主观影响,提高分割准确度。在考虑了对象内部同质性的情况下,还利用了对象与领域均值差分绝对值考虑对象间的异质性,能够为高分一号遥感影像进行精准分割提供前提。
(1)RMAS指数理论
1)RMAS指数计算公式为
式中ΔCl为领域均值差分绝对值,表示对象间异质性,根据相邻对象间的边长来计算波段l的平均值的差分,也可利用相邻对象的面积来计算,本实施例采用领域边长;σl为标准差,表示对象内部同质性,根据一个对象的所有n个像素的灰度值运算所得。
2)标准差表达式为
3)领域均值差分绝对值表达式为
式中l为对象边长,lsj为与第j个对象相邻对象公共边的长度,ΔCl越大表示对象间差异越大,异质性越大。
在尺度较小时,分割对象边缘小于真实地物,对象内部为同一类地物,而相邻对象也为同一类地物,此时σl较小,ΔCl也较小,因此RMAS值较小;随着尺度的增加,分割对象边缘逐渐与真实地物贴合,此时对象内部仍为同类地物,相邻对象则为不同类地物,σl逐渐增大,ΔCl也变大,直到他们的比值RMAS指数达到最大;当分割对象边缘大于真实地物时,对象内部为不同种地物,σl逐渐增大,ΔCl逐渐减小,RMAS指数相应减小。因此可以建立不同地类的RMAS曲线图,当RMAS值达到最大时所对应的尺度为该地类的最优尺度。
本实施例中,不同地类最优尺度的评价使用SSI指数和SDI指数。当达到最优分割尺度时,分割对象与实际地物边缘吻合度高时,分割对象与实际地物的位置应大致相同,光谱相似。
1)光谱相似性表达式为
式中DN1为参考对象的平均亮度值,DN2为分割对象的平均亮度值。
2)位置相似性表达式为
式中x1为验证对象重心的横坐标,x2为分割对象重心的横坐标,y1为验证对象重心的纵坐标,y2为分割对象重心的纵坐标。当光谱相似度SSI和位置相似度SDI越接近0时,说明分割对象与验证对象相似度较高,分割效果较好。
(2)不同地类最优分割尺度实现
1)不同地类最优分割尺度确定
利用Arcgis在高分遥感影像上分别对本研究区设定的6种地类选取像素点作为训练样本点,并在eCognition软件中进行不同尺度的分割,分割尺度范围为10到150,步长为5。分割完成后计算训练样本点所在对象不同尺度下的RMAS值,再参考资料勾勒不同地类真实轮廓作为验证样本面,在验证样本面中选取验证样本点,用于确定不同尺度分割后验证样本点所在分割对象,进而计算分割对象与验证样本面间在面积、光谱和空间距离等方面的吻合程度以评价分割效果,定量评价计算公式采用SDI和SSI。
其次从定量的角度计算分割质量评价指数SSI和SDI。当SSI越小说明分割对象与验证样本面的光谱相似度越高,当SDI越小,说明分割对象与验证样本面重心相差越小。因此两者越小则分割对象与真实轮廓的验证样本面越接近,分割效果越好。在eCognition中导出验证点所在对象的平均亮度和重心坐标,与其相对应的验证面计算分割质量评价指数SSI和SDI,计算结果表中除耕地和未利用地以外各地类分割尺度均在RMSA值达到峰值时SSI与SDI取得最小值且两者之和最小,与RMAS变化相一致。经过计算,不同地表覆盖类型的最优分割尺度中耕地、林地、建筑用地、交通用地、水域和未利用地的最优分给尺度范围分别为50-60、75-85、25-35、55-65、70-80、120-130,时不同地类在分割时在保证有限分割次数的基础上,分割精准度更高,更加便于识别。
本实施例中,全局最优分割尺度确立为45;所述不同地表覆盖类型的最优分割尺度中耕地、林地、建筑用地、交通用地、水域和未利用地分别为55、80、30、60、75、125;将全局分割尺度确立为45,可以避免在进行地表覆盖分类时将面积较小的地类遗漏,以上各个主要地类的最优分割尺度能够保证在对应地表覆盖类别精准识别的基础上,计算量最小。
其次,分割优化。
本实施例在完成全局最优分割尺度和主要地类分割尺度确定后,进行分割优化,引入Canny边缘检测算法,将高分影像中渐变式较粗,较模糊的边缘通过极大值抑制,拟合地类准确的边缘信息,并通过设定合适的参数提取适量拟合后边缘信息,再结合高分影像采用上述计算所得的最优分割尺度进行分割,进一步使分割更加精准。
边缘是指一地类结束和另一相邻的不同地类开始之间的像素,是影像中不同地类之间像素突变的部分。边缘检测主要通过方向和幅值的变化速率进而判断是否为边缘点。影像中像素点的灰度值在边缘方向上变化速率较小,在边缘垂直方向上变化速率较大。根据变化特点,通常采用求导的方式进行边缘信息的提取。常用的边缘检测算法有Sobel算子、Laplacian算子等,但这些算子或多或少存在边缘定位不准确、边缘线较粗、边缘信息缺失等问题且容易受到噪声干扰,将噪声误提取成边缘,存在一定误差。Canny边缘检测算子是John F Canny提出的并被广泛认可和大量引用,他在一般边缘检测的基础上进行优化,加入非极大值抑制,将边缘稀疏化,提高边缘提取精度。其步骤主要分为四步,分别为影像降噪、计算梯度和方向、非极大值抑制、边缘检测和连接。
本实施例通过设置合适的参数得到适量边缘信息,并将边缘信息作为单独波段加入分割,实现分割效果的优化。本实施例中的边缘信息为低阈值等于150,高阈值等于400。当高阈值等于400时边缘轮廓明显,且不包含过多或过少不必要的轮廓信息,但边缘存在不连通的情况,因此需设置合适的低阈值增加其连通性,当低阈值小于150时,边界信息过于丰富,会产生如耕地田垄或房屋详细轮廓等过多不必要的信息;当低阈值大于150时,边界信息大幅减少,出现缺损的现象;当低阈值等于150时边界信息较完善,可以有效提取地物轮廓,且不会过于丰富导致后续处理难度大。
将低阈值为150,高阈值为400提取的影像边缘信息作为单独一层加入eCognition进行分割。分割尺度选择为前述计算所得的全局最优分割尺度和不同地类最优分割尺度下的进行分割优化,具体过程为前述通用,不在此赘述。
在全局最优分割尺度下的分割优化效果作为展示,波段权重设置为高分蓝波段:高分绿波段:高分红波段:边缘信息=1:1:1:1,部分分割结果对比如图2所示,明显看出加入边缘信息后可以优化相邻相似地物粘连,建筑轮廓琐碎,道路不连通等分割对象边缘轮廓不准确的问题。
本实施例不仅通过确定最优全局分割尺度和不同地类最优分割尺度,使分割更加精准,为高分辨率地表覆盖分类提供前提,同时,已经确立了最优分割尺度后,还采用Canny边缘检测算法,利用极大值抑制拟合地类边缘信息,并将提取的边缘信息赋予权重加入分割过程,可以较大的提升进行地类分割的准确度,有效解决了因为高分遥感影像中存在相同地类之间的同质性和不同地类间的异质性减弱而影响地类分割准确度的问题。
相比于现在在面向对象的高分辨率分类方法中,分割尺度的确定一般都采用试错法,需要具有一定的经验且存在主观性,针对地物种类较多、差异明显的场景难以判断,对分割准确度存在影响;本实施例通过定量计算最优分割尺度的方法,为单层次分类和多层次分类确定最优分割尺度,同时引入边缘检测算法,优化在最优尺度分割下受高分遥感影像复杂地表形态的影响,导致分割对象边缘轮廓仍不准确的问题,进一步提高分割的准确性,从而提升后续特征提取的完整度和分类的精度。
第三步,对象特征提取。
在保证一个被分割形成的分块图像中至少包括一个哨兵像元的基础上,构建多源特征空间,进行特征提取。
首先,多源特征空间构建。
本文在高分一号数据的基础上加入哨兵二号部分波段数据构成多源数据,通过提取哨兵影像与高分遥感影像相同区域的波段特征构建全面的多源特征空间,协同分类。
本文在高分一号配准影像获取的高分数据的基础上加入了10个哨兵波段数据构建多源数据,多源数据波段信息如表1所示:
表1多源数据波段对应表
表2多源特征空间
建立如表2所示的多源特征空间,多源特征空间中光谱特征共个28个,几何特征共32个,纹理特征12个,指数特征4个,共76个特征。
其中,多元特征空间中的各个特征采用以下表达式表征计算:
(1)光谱特征:记录对象光谱反射信息,是分辨地类最有效的特征,主要包含以下几类。
1)均值表达式为
2)亮度均值表达式为
3)标准差表达式为
4)最大方差表达式为
(2)形状特征(几何特征):用于描述对象的几何信息,不同对象的形状表现不同,如道路、河流呈条带状;房屋,农田呈矩形面状等。主要包含像素数、面积、长度、骨架分支度、宽度、最大封闭椭圆半径、线段数、相对边界、最大分支长度、圆度、形状指数、不对称性、体积、最小封闭椭圆半径、密度、矩形拟合、边界长度、紧凑度、边界指数、椭圆拟合、多边形边数、多边形边长标准差、多边形最长边长度、多边形紧凑度、多边形内部对象数、多边形平均边长、多边形周长、包括内部多边形的面积、不包括内部多边形的面积、多边形自相交、线段表示平均面积、线段表示面积标准差。
(3)纹理特征:用于描述影像内地物表面属性,如地物纹理的疏密、粗细、均匀等。纹理特征采用灰度共生矩阵一阶统计和灰度差分二阶统计,分别得到灰度共生矩阵特征量和灰度差值向量,其类别及说明采用通用纹理特征定义即可。
(4)自定义指数特征:可针对使用需求,对影像的各波段进行波段运算,以突出在某类地物与其他类地物之间存在明显差异的指数特征,如植被指数、土壤指数、水体指数、建筑指数等。
其次,多源特征空间优化。
特征空间优化主要分为特征提取和特征选择。
特征提取是使用变换手段进行特征计算,组合成新特征,从而实现降维。特征选择则是删除一些次要特征。现在的特征空间优化,为探究原始波段对分类的影响,往往采用不变换的特征选择的方法进行特征空间优化。
在特征选择中主要包括过滤式选择(Filter)和包裹式选择(Wrapper)。过滤式首先根据分析特征的发散性和相关性等进行特征选择,其次再将经过筛选后的特征输入分类器加以训练,筛选过程与分类器无关;其优点是快速、直观,但没有考虑特征间关联作用,难以估计相关性的标准且相关的子集对于分类器模型可能不是最优的。而包裹式将分类器最终的分类精度作为评判特征选择优劣的标准,根据分类器进行特征优化。所以从最终分类器性能上来看,包裹式胜于过滤式。
递归特征消除法(Recursive Feature Elimination,RFE)是一种典型的包裹式方法,本实施例结合哨兵数据构建了全面的多源特征空间后,首先通过递归特征消除法有效消除冗余特征,然后选取随机森林模型作为本文特征优化的模型,分别对全局多源特征空间和各个地类多源特征空间进行优化,得到全局最优多源特征空间和各个地类最优多源特征空间。
因为随机森林模型相较其他模型具有更低的计算复杂度和更高的可解释性,学习复杂分类函数的能力强,且易于使用,不需要太多的参数;更重要的是,无论是基于像元的随机森林分类研究,还是与面向对象的耦合研究,都是本方案特意设计的,本方案通过与随机森林模型结合,既能够利用随机森林计算特征变量的重要性来优化特征空间,也能够有效降低计算量,在不影响精准度的前提下,使消耗的计算成本尽可能地少,提高整体分类速度。
(1)全局最优多源特征空间
首先,训练样本矢量点和多源数据组成的图像导入eCognition。训练样本矢量点为:
在Arcgis中进行随机选点作为训练样本和测试样本,并在谷歌地球中对照高分辨率遥感图像进行人工判读,对所选样本点人工解译并标记地类类别。在随机选取训练样本点后适当加入各地类典型样本点制作成矢量数据集。样本点数量统计如表3所示,训练集共1080个,测试集共1658个。
表3样本数点量统计
本实施例使用多尺度分割,由于尺度差异导致每一尺度分割后对象不同,实际样本属性为样本点所在位置上对象的属性。为方便数据的获取,样本以点的形式选出。在分割完成后,提取样本点所在对象的属性作为样本数据集进行训练和测试,当多个样本点落在同一对象内,则重复统计。
然后,在eCognition中进行多尺度分割,提取分割后样本点所在对象的76维特征至Excel,组成如表4所示的特征值表,再将其输入随机森林分类器中进行训练。
表4对象特征值属性
训练完成后对76维初始特征空间进行了重要性排序,初始多源特征空间中重要性排序靠前的是建筑、水体和植被等指数特征,紧随其后的是光谱特征,排名靠后的多是纹理特征和几何特征,这也证实了在地表覆盖分类中光谱贡献较高,纹理和几何特征贡献较小。
再根据上述初始特征空间的重要性排序,将每次递归消除步长设定为1,利用每次去除1个排名最靠后的特征之后的新特征空间训练分类器并对分类后的结果进行精度预测。建立预测精度与特征数量关系曲线图,随着特征数量的减小预测精度不断波动,当特征数为30时精度达到最高,低于30时精度开始逐渐下降,当特征数量小于一定值时精度下降明显,因此选取30维特征作为全局最优多源特征进行训练、分类。最终全局最优多源特征空间如表5所示,光谱特征18个,几何特征5个,纹理特征4个,指数特征3个,共30个特征。
表5全局最优多源特征空间
通过以上全局最优多源特征空间,能够在有限计算量的前提下,使对象特征提取更加符合各个地类对影像的真实贡献,使在对影像中的地类进行分类识别时更加精准。
本实施例,经过多源特征空间优化,将初始多源特征空间中76维特征空间数据降低至30维,在不过多影响精度的前提下,有效降低了数据量,去除冗余特征,进而得到单层次分类的和多层次分类的特征空间。以往特征空间优化大多通过多次不同特征组合的分类实验的精度,人工确定最优的分类特征,这种方法不但费时费力,需要一定的经验且主观性强,而本方案有效解决了这些问题,能够更加客观更加精准且在有限计算量下完成特征空间优化。
(2)不同地类最优多源特征空间
根据多层次的分类顺序,依次构建多个的特征值属性表,每个属性表计算本层需要剥离地类样本与其他剩余地类样本的最优特征空间,如某地类已剥离则在下一层特征值属性表中删除此地类样本的信息,并将每个属性表中需要剥离的类与其他剩余类的“类别”设为两个不同值,如表6所示。再根据将其顺序输入随机森林分类器中进行训练。
表6对象特征值属性
训练完成后对各层特征的重要性排序,使用特递归特征消除法,将每次递归消除步长设置为1,并利用每次去除1个排名最靠后的特征之后的新特征空间训练分类器并进行精度预测。经过递归消除后不同地类最优多源特征空间如表7所示。
表7不同地类最优多源特征空间
水域与其他五类区分效果最好的特征共44维,林地与其他四类区分效果最好的特征共17维,耕地与其他三类区分效果最好的特征共28维,未利用地与其他两类区分效果最好的特征共5维,最后建筑用地和交通用地区分效果最好的特征共72维。
在建立全局最优多源特征空间的基础上,针对不同地类建立各个地类最优多源特征空间,使在降维精简的同时,能够保证各个地类分类的精准度。
面向对象分类是据特征差异进行的,因此,对象特征的提取是关键步骤。本方案利用有用特征在不同地类上存在巨大差异,增强模型分类过程中的判别能力,提高分类精度,而冗余特征与其相反,影响分类的精度。目前在地表覆盖分类领域研究中,大多采用单一数据源,但高分辨率遥感影像数据大多波段较少,难以构建全面、有区分度的特征空间,在区分相似地类存在局限性,且结合中低分辨率和基于像元分类研究中已有采用多源数据分类的方法,大多将多种数据源的光谱信息进行融合,但融合需要人为地根据特定的对象、目的选择融合数据、融合方法等,较为繁琐。本方案通过特殊的影像分割和对象特征提取,利用多源数据协同分类,提取不同遥感影像的特征构建多源特征空间,提升地类特征区分度,并通过特征优化的方法剔除冗余特征,为单层次和多层次分类提供最优特征空间。
第四步,基于对象分类。
首先,多层次分类结构设置。
本实施例采用全局最优分割尺度下结合边缘检测信息优化分割以及采用全局最优多源特征空间进行单层次的分类,旨在提高分类精度,得到准确的混淆矩阵,为多层次结构提供数据基础。以上述改进后的单层次分类为例,通过混淆矩阵构建多层次分类结构过程如下:
通过改进后单层分类结果得到混淆矩阵M,如表8所示。混淆矩阵中第i行、第j列的元素为Mij,Mij的值表示为将类别i分为类别j的样本个数。
(2)其次再通过以下表达式构建表10所示重叠矩阵O中各元素Oij。
(3)然后通过以下表达式构建表11所示类间距离矩阵D中各元素Dij。
Dij=1-Oij
表8混淆矩阵M
表10重叠矩阵O
表11类间距离矩阵D
得到类间距离矩阵后,通过计算各地类之间的平均距离作为可分离,计算公式如下所示。
通过计算,耕地、林地、建筑用地、交通用地、水域和未利用地类的平均距离分别为0.965、0.9686、0.9384、0.9638、0.9796、0.9786,因此水域为最容易区分的地类,故提取水域作为第一层后继续第二次计算其余5类之间的平均距离,如此循环直到只剩两种地类。最终根据平均距离的大小得到分类的顺序依次为水域(与其他5类平均距离为0.9796)、未利用地(与其他4类平均距离为0.9733)、耕地(与其他3类平均距离为0.9572)、林地(与其他2类平均距离为0.9600)、交通用地和建筑用地。因此通过层次聚类的方法将不同类别以平均距离的大小从大到小生成多层次分类结构如图3所示,此分类结构中X表示为分类器,且在多层次结构中每一层都可使用上文计算所得符合当前层的不同地类最优分割尺度并加以边缘信息进行优化分割,再采用不同地类最优特征空间进行训练分类。
针对单层次分类结构难以对面积差异明显的地类做出调整,导致面积较大的地类分类破碎,面积较小的地类漏分的问题,本方案通过构建多层次分类结构,在不同的层采用适合不同地类的分割尺度和特征空间。通过一次单层次分类的混淆矩阵计算某一类与其他类的距离均值,求得类间可分离度,根据可分离度划分类间区分的难易,根据先易后难确定分类的顺序。结构上采用层次聚类算法,每一层剥离一个地类。先易后难的分类顺序保证每次分类都将混淆最小的类先进行分类,确保后续分类的准确性;二分类的结构将多分类问题简化为多个二分类问题,降低每层分类的复杂度,提高分类的性能。
此外,由于二分类结构的最后一层与之前每一层剥离一个地类不同,需要剥离最后两类地物,因此存在两个最优分割尺度,本文选用分割尺度较小的作为最后一层的分割尺度,避免分割尺度过大导致欠分割。
相比于现有的多层次分类结构大多采用经验构建,存在主观性,本方案通过各地类之间的差异,合理设置地类分类顺序,并采用二分类的思想将多分类问题简化为多个二分类问题,合理的多层次分类结构,使多层次分类结构不依赖于经验而直接根据各地类的区别性构建,使整个结构更加客观,更符合各地类实际情况。
其次,分类器训练、分类设置。
按照前述设置的样本点,代入到多层次分类结构中进行训练计算,对样本点对应的高分一号配准影像进行地表覆盖物分类得到分类结果。
第五步,精度评价。
对于分类结果,按照现有技术,从总体精度、Kappa系数、用户精度和制图精度对分类结果进行综合评定。
对比实验例设置
为保证科学性和有效性,本文选用当前地表覆盖分类中最常用、分类性能最佳、最稳定的随机森林分类器(Ma et al,2017)作为本文方法和对比方法的分类器。在此分类器上构建传统面向对象的单层次分类作为对比实验,并通过控制变量,在此分类器基础上将影像分割、对象特征提取、分类结构依次替换成本文构建的分类体系中所使用的方法进行分类实验,共构建五种对比实验方案见表12。
表12对比实验例
实验A:为本文的基础对比实验,在影像分割方面的最优分割尺度确定上采用ESP软件结合目视判别,对象特征提取方面采用单一高分特征空间,并使用特征递归消除法优化,分类结构方面采用单一层次分类结构。
实验B:在实验A基础上将影像分割方面替换,采用定量计算最优分割尺度并结合边缘信息优化分割,通过与实验A对比,探究影像分割方面的优化是否提高分割准确度,进而提升分类效果。
实验C:对本文结合的哨兵特征空间采用实验B相同的方法进行单独的分类实验。为后续结合多源特征数据协同分类实验提供佐证。
实验D:在实验B基础上将对象特征提取方面替换,采用多源特空间并通过特征优化后的全局最优多源特征空间,该实验为构建多层次分类结构提供分类结果的实验,也作为对比试验。与实验B和实验C进行对比,探究在对象特征提取方面的优化是否弥补了缺失波段的特征、提升地类之间的区分度,进而提升分类效果。
实验E:在实验D基础上将分类结构方面替换,采用多层次分类结构并在不同层中采用适合不同地类的最优分割尺度并结合边缘信息优化分割和适合不同地类的最优多源特征空间。该实验是经本文完整分类体系构建的多层次分类方法,通过与实验D对比,探究本文在分类结构方面的优化是否有效解决了单层次分类方法对面积差异明显的地类难以做出调整,导致面积较大的地类分类破碎,面积较小的地类漏分的问题,并通过与实验A的对比,总结经本文完整分类体系构建的多层次分类方法相较于传统单层次方法的优劣。
上述实验的具体参数设置如下:
(1)数据
实验A、B、C、D、E的波段数据如表13、表14、表15所示。
表13实验A和实验B的波段数据对应表
表14实验C的波段数据对应表
表15实验D和实验E的波段数据对应表
(2)分割参数
1)波段权重:实验A、B、C设置为波段1:波段2:波段3=1:1:1;实验D由于哨兵数据分辨率低于高分数据,分割精细程度远不如高分数据,因此仅使用分辨率较高的高分数据进行分割,哨兵数据仅用于后续的特征提取,波段权重设置为波段1:波段2:波段3:波段14=1:1:1:1;实验E为多层次分类实验,因此每一层均设置为波段1:波段2:波段3:波段14=1:1:1:1。以上实验中未提及波段均设置为0(不同实验的波段分别对应不同实验数据对应表中的波段)。
2)均质性因子:本文通过试错法对所有均质因子组合实验,最终确定实验A、B、C、D、E的均质因子权重为颜色因子:形状因子=0.7:0.3,且研究区内地物形状不一,既有形状规整的地物,也含形状凌乱的地物,因此设置为形状因子中的紧致度因子:光滑度因子=0.5:0.5。
3)分割尺度:实验A通过ESP软件结合目视判别,最后确定实验A分割尺度为40时,全局地类分割效果最佳;实验B、C、E采用前面定量计算所得的全局最优分割尺度45;实验F采用前面定量计算所得的各地物最优分割尺度,分层分别设定为75、125、55、80、60。
(3)特征空间
实验A、B特征空间如表16所示,光谱特征8个,几何特征23个,纹理特征12个,共52个特征;实验C特征空间如表17所示,光谱特征22个,几何特征32个,纹理特征12个,指数特征4个,共70个特征;实验D采用全局最优特征空间,如表5所示;实验E采用不同地类最优特征空间,如表7所示。
表16实验A和实验B的特征空间
表17实验C的特征空间
将前面随机选取的验证点矢量数据导入eCognition,使用eCognition中ErrorMatrix based on Samples函数统计混淆矩阵,并通过混淆矩阵计算用户精度、制图精度、总体精度以及Kappa系数等精度评价指标,实验A、B、C、D、E的分类精度如表18、表19、表20、表21、表22所示。
表18实验A的分类精度
表19实验B的分类精度
表20实验C的分类精度
表21实验D的分类精度
表22实验E的分类精度
首先从总体精度和Kappa系数方面对5种实验方案进行综合对比分析,如图4所示。综合了本文在三个方面优化的多层次分类实验E取得了最高的总体精度和Kappa系数。除佐证实验C外,本文在影像分割,特征信息提取和分类结构方面的优化实验较基础单层次分类实验A,在总体精度上分别提高了2.6%、4.22%、1.99%,且在Kappa系数方面也均有提升。因此在总体精度和Kappa系数方面可以初步证明本方案具有明显的优异性。
不同分类实验在生产精度和用户精度方面的比较如图5、图6所示。生产精度代表查全率,精度越低漏分现象越严重,用户精度代表查准率,精度越低错分现状越严重。
从以上各图表中可得,经分类结构优化后的实验E进一步缩小了不同地类生产精度和用户精度之间的差异,降低了错分漏分现象。最终经本文优化后的多层次分类方法在除林地和交通用地生产精度略低于其中一种实验之外,其余地类均大于其它方法,取得了最佳的分类效果。在未利用地率用户精度略低于其他方法,其余地类也均大于或相近于其他方法。在林地方面本文方法的生产精度略低于其他方法是因为在进行不同地类最优分割尺度确定时,林地多为大片集群分布,因此尺度设为较大的80,导致存在细小的林地无法被分割出来,产生漏分情况,但在用户精度方面本文方法远大于其他方法,说明在大片林地中本文最优尺度和最优特征的选择较为正确,选择的尺度和特征能够准确区分大片林地。
通过分析明,本文在影像分割、对象特征提取以及分类结构方面的优化均有明显的效果,总体精度较基于随机森林分类器的单层次分类方法提升8.81%,达到87.21%,在分割方面提高2.6%,对象提取方面提高了4.22%,在层次方面提高了1.99%。
本方案能够从免费公开的数据库中获得部分遥感影像进行地表覆盖分类,相较于现有的地表覆盖分类的数据来源成本低;且充分利用了高分一号和哨兵二号遥感影像的优缺点,有效保证提取的特征能够表征遥感影像对应的实际区域地类分布。
值得说明的是,目前在地表覆盖进行分类时,虽然单层次分类计算量小,结构简单,但通常都不会采用单层次分类的方法,因为单层次分类在地表覆盖分类中存在着难以对面积差异明显的地类做出调整,会导致面积较大的地类分类破碎,面积较小的地类漏分的重大问题;而本方案巧妙的利用单层次分类的结果计算地类之间的可分离度,再采用多层次分类法并利用可分离度进行地表覆盖分类;本方案通过单层次分类法及多层次分类法的结合,避免了现有的多层次分类中存在的主观性强的问题,同时进行具体分类时计算量相较于现有技术更小的优点。
本方案所提供的的多层次分类方法较目前使用较多的基于随机森林分类器的单层分类方法分类精度更高,分类效果更好,总体精度达到87.21%,Kappa系数达到0.8258,能在高分一号波段缺失的情况下,实现较为准确的面向对象的高分辨率遥感影像地表覆盖自动分类。
采用低成本、分类准确且计算量小的面向对象的高分辨率遥感影像地表覆盖分类方法,进行运行的现有计算机***,即为面向对象的高分辨率遥感影像地表覆盖分类***。结合实际需要,该***可以是与云平台连接的***。
实施例2
与实施例1不同的是,本实施例在对高分一号遥感影像和哨兵二号遥感影像进行选取时,采用的是根据天气情况分时段的方式获取。在相同时段内,在云量相差不大的情况下,优选采用无雨情况进行影像获取,且在指定时间段内进行影像对比,选择影像条件更好的作为初始影像进行后续分类操作。例如,在一个小时内,在云量相差在百分之一以下的情况,优选无雨情况进行影像获取,在获取影像后每半小时的间隔对比是否有更好的遥感影像,如果有则将最新的遥感影像替换成为初始遥感影像。这样设置,能够在不明显增加计算量的前提下,使作为分类对象的初始影像能够更加清晰、真实,场景还原度高,不影响后面的分类精准度。
实施例3
与实施例1不同的是,本实施例在进行地表覆盖分类时,针对于地理坐标建立地类块,并针对于不同的地类块进行边缘标注,结合网上爬取的气象信息,动态调整各个地类块的边缘位置。为了方便区分,同一地类在进行标注时采用同一颜色;并在获取新的遥感影像进行分类后与前一次地类块对比,具体包括地类块边缘对比及内部特征对比,所述内部特征包括地类块间的颜色。如在雨季,水域地类块边缘在实施例1中确定后,结合获取的气象信息动态预测接下来的时间段内水域的边缘是外扩还是内缩,根据预测结果,在已经确定的水域地类块边缘向外或者向内形成预测标注线;预测标注线与地类块边缘线之间的距离变化与预测结果变化成正比;预测标注线仅在降水量超过平均降水量的二分之一或者少于平均降水量大三分之一后才进行标注。经过相邻两次遥感影像进行对比,在预测标注线向外扩的距离,超过水域地类块该位置宽度的十分之一时,判断可能发生洪涝,进行警报。
本实施例在基础分类的基础上,结合气象信息,对地类块的面积变化进行了预测,并且合理设置了警报,便于分类结果的更广泛应用。
以上所述的仅是本发明的实施例,方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明技术方案的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.面向对象的高分辨率遥感影像地表覆盖分类方法,其特征在于,包括以下步骤:
S1、初始遥感影像获取,从高分一号卫星获取高分一号遥感影像,从哨兵二号卫星获取哨兵二号遥感影像,并对哨兵二号遥感影像进行数据预处理;将高分一号遥感影像和哨兵二号遥感影像配准形成高分一号配准影像;
S2、影像分割,对高分一号配准影像进行影像分割,得到分块影像,每个分块影像中至少包含一个哨兵像元;
S3、对象特征提取,构建多源特征空间;
S4、基于对象分类,形成多层次分类结构;
S5,基于所构建的多源特征空间和多层次分类结构,进行地表覆盖分类。
2.根据权利要求1所述的面向对象的高分辨率遥感影像地表覆盖分类方法,其特征在于,步骤S2中,通过Moran’s I指数与面积加权标准差构成的分割质量函数,以及RMAS指数定量计算分割尺度,得到全局最优分割尺度和不同地表覆盖类型的最优分割尺度;
所述分割质量函数为:
GS=Vnorm+MInorm
式中GS为分割质量函数,Vnorm为归一化加权标准差,MInorm为归一化Moran’s I指数。
3.根据权利要求2所述的面向对象的高分辨率遥感影像地表覆盖分类方法,其特征在于,所述地表覆盖类型,包括耕地、林地、建筑用地、交通用地、水域和未利用地。
4.根据权利要求3所述的面向对象的高分辨率遥感影像地表覆盖分类方法,其特征在于,所述全局最优分割尺度范围为10-150;耕地、林地、建筑用地、交通用地、水域和未利用地的最优分割尺度范围分别为50-60、75-85、25-35、55-65、70-80、120-130。
5.根据权利要求3所述的面向对象的高分辨率遥感影像地表覆盖分类方法,其特征在于,所述全局最优分割尺度为45;耕地、林地、建筑用地、交通用地、水域和未利用地的最优分割尺度分别为55、80、30、60、75、125。
6.根据权利要求2所述的面向对象的高分辨率遥感影像地表覆盖分类方法,其特征在于,在分割完成后,采用Canny边缘检测算法进行分割优化,按照低阈值为150,高阈值为400提取的影像边缘信息参与分割。
7.根据权利要求1所述的面向对象的高分辨率遥感影像地表覆盖分类方法,其特征在于,所述多源特征空间包括全局多源特征空间和各个地表覆盖类型多源特征空间,每个多源特征空间中均包括光谱特征、几何特征、指数特征和纹理特征。
8.根据权利要求7所述的面向对象的高分辨率遥感影像地表覆盖分类方法,其特征在于,在S3中,先建立初始多源特征空间,再对初始多元特征空间进行优化,采用递归消除法,剔除冗余特征;然后选取随机森林模型作为特征优化模型,分别对全局多源特征空间和各个地表覆盖类型多源特征空间进行优化,得到全局最优多源特征空间和各个地表覆盖类型最优多源特征空间。
9.根据权利要求1所述的面向对象的高分辨率遥感影像地表覆盖分类方法,其特征在于,在S4中,对于已构建的多源特征空间进行单层次分类,根据单层次分类所获得的混淆矩阵对不同的地表覆盖类型进行可分离度计算得到可分离度计算结果;根据可分离度计算结果,构建先易后难的分类顺序,再利用层次聚类算法,将多分类问题分解为每一层提取一个地表覆盖类型的二分类问题,构建多层次分类结构。
10.面向对象的高分辨率遥感影像地表覆盖分类***,其特征在于,采用权利要求1-9所述的面向对象的高分辨率遥感影像地表覆盖分类方法进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211185530.9A CN115512159A (zh) | 2022-09-27 | 2022-09-27 | 面向对象的高分辨率遥感影像地表覆盖分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211185530.9A CN115512159A (zh) | 2022-09-27 | 2022-09-27 | 面向对象的高分辨率遥感影像地表覆盖分类方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115512159A true CN115512159A (zh) | 2022-12-23 |
Family
ID=84506994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211185530.9A Pending CN115512159A (zh) | 2022-09-27 | 2022-09-27 | 面向对象的高分辨率遥感影像地表覆盖分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115512159A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522900A (zh) * | 2023-12-13 | 2024-02-06 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
-
2022
- 2022-09-27 CN CN202211185530.9A patent/CN115512159A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522900A (zh) * | 2023-12-13 | 2024-02-06 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
CN117522900B (zh) * | 2023-12-13 | 2024-05-17 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN105608474B (zh) | 基于高分辨率影像的区域自适应耕地提取方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN112101159B (zh) | 多时相林业遥感影像变化监测方法 | |
CN104598908A (zh) | 一种农作物叶部病害识别方法 | |
CN105389559A (zh) | 基于高分辨率遥感影像的农业灾害范围识别***及方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN109829425B (zh) | 一种农田景观小尺度地物分类方法及*** | |
Timilsina et al. | Mapping urban trees within cadastral parcels using an object-based convolutional neural network | |
CN105427309A (zh) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 | |
CN111339947A (zh) | 遥感影像模糊边界地物的提取方法及***、存储介质、设备 | |
CN109063754A (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
CN103077515A (zh) | 一种多光谱图像建筑物变化检测方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN108564588A (zh) | 一种基于深度特征和图割法的建成区自动提取方法 | |
CN108364011A (zh) | PolSAR图像多级特征提取与无监督分类方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN107564016A (zh) | 一种集成地物光谱信息的多波段遥感图像分割及标记方法 | |
CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
CN109886146A (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |