基于面向对象和多尺度影像分割技术的城市用地分类研究——以武汉市城市中心区为例

对城市用地进行分类研究.可为城市土地的合理规划布局与有效管理提供即时信息支撑.利用Quik-Bird高分辨率遥感影像,采用面向对象的影像分析技术与多尺度影像分割技术,运用eCognition软件对武汉市城市中心区用地进行分类研究.针对研究区各用地类型,构建优化分类模型,选择适宜的影像分割尺度和分割特征、按照合理的顺序逐步提取城市用地分类信息.评价结果表明:该方法分类速度快、精度高,为高分辨率遥感影像城市用地分类研究提供了新思路.     

基于无人机遥感可见光影像的农作物分类

[目的]无人机遥感具有高空间、高时间分辨率的优点,并可同时获得光谱和空间信息,因此在农作物分类中备受研究者的青睐。与侧重于从高分辨率RGB图像中提取纹理特征的分类方法不同,文章重点研究如何利用作物在光谱和空间维度上的联合特征尤其是作物高程特征,以实现农作物精细分类。[方法]首先,我们进行研究区域选择和地面实际情况调查,用无人机遥感系统进行可见光影像采集;其次,确定研究区域内农作物分类类别,分别对可见光遥感影像进行可见光植被指数计算及纹理滤波;针对数字表面模型(DSM)数据特点,对两期DSM数据进行差值处理,获得差异数字表面模型数据(DDSM),提取作物高度信息,并根据农作物冠层特性对差异数字表面模型进行滤波处理;最后,进行特征优选及组合,使用SVM方法进行农作物分类。[结果]确定最优分类特征为RGB、红波段对比度、绿波段二阶矩、蓝波段方差、DDSM、DDSM方差、DDSM对比度,分类精度由71.86%提高到92.30%,验证了由DSM影像提取的空间特征可以提高农作物分类精度。[结论]该研究探索了一种基于可见光及空间联合特征的农作物精细分类方法,方法简单可行,设备成本低,在基于无人机低空遥感的样方调查领域中有较大的应用前景。     

利用高空间分辨率遥感数据的农作物种植结构提取

农作物种植结构是掌握粮食种植面积和产量的重要前提,也是进行作物结构调整与优化的依据。该研究以黑龙江肇东市为研究区域,以高空间分辨率RapidEye影像为遥感数据, 基于最大似然监督分类方法提取了肇东市2011年农作物种植结构空间分布,利用地面样方调查数据进行了线状及细小地物扣除系数计算,实现遥感提取的农作物种植面积的精细提取,然后从面积数量和空间位置两个方面对遥感提取的农作物种植结构进行了精度评价。研究结果表明,利用RapidEye数据提取的农作物种植面积数据总体精度为97.00%,位置精度为96.15%,高空间分辨率数据在农作物种植结构遥感提取中具有重要潜力,线状及细小地物扣除系数可以有效减小线状及细小地物对高分提取的农作物种植结构的精度。     

黄河河口湿地信息遥感提取研究

本文通过几何校正、图像选取以及图像增强等方式进行了遥感影像的预处理,为准确地提取湿地信息提供了数据基础.在舍弃单纯的传统监督分类和非监督分类的前提下提出了一种利用分层提取地物信息的新方法:即,首先根据地物的光谱特征采用模型法对有水的湿地进行提取,然后用非监督分类对其它湿地类型进行提取,最终得到了湿地类型分布图及其相应的面积.     

基于残差U-Net的遥感影像土地覆盖类型自动分割

研究目的:土地覆盖的准确分割对于土地调查和规划具有重要意义。针对传统方法对于高分辨率遥感影像分割存在精度和效率较低等问题,提出了深度学习遥感影像分割方法。研究方法:以2 m高分辨率遥感影像为数据源,选用一种加入残差块的U-Net模型(ResU_Net),对目标区域进行基于深度学习的土地覆盖分割,并与SVM、PSPNet、U-Net分割方法进行对比。研究结果:ResU_Net能够更加准确地表达高分辨率遥感影像的地物信息,该方法总体分割精度达到85.50%,Kappa系数为0.7603,总体精度和Kappa系数均高于SVM、PSPNet和U-Net分割方法(总体精度:ResU_Net(85.50%)>U-Net(79.44%)>PSPNet(78.90%)>SVM(66.80%))。研究结论:ResU_Net模型对高分辨率遥感影像的土地覆盖分割效果更优。     

若羌绿洲特色林果种植信息遥感提取方法适用性分析

目的 为快速掌握若羌绿洲特色林果业种植信息,提高特色林果资源调查的信息化水平,服务若羌特色林果业的发展。方法 文章通过野外调查和室内文献资料分析建立遥感分类的先验知识,采用面向对象的影像分析方法,构建多尺度分割结果的光谱、植被指数、形状、纹理等特征,采用CART和随机森林算法进行遥感分类,分析使用不同分类算法、特征集对分类结果的影响。结果 （1）随机森林算法相比于CART算法总体分类效果好,分类精度高,特征数据集的加入对CART算法的分类精度影响较小,而对随机森林算法分类精度的提升较为明显。（2）形状特征对形状差异较大的地物具有较强的识别能力,植被指数特征能有效识别植被和非植被地物,纹理特征则对分类精度的影响较小。（3）综合所有特征集并结合随机森林算法的分类结果最优,总体精度88.43%,Kappa系数85.47%,面积精度96.89%。结论 形状、植被指数、纹理等特征集的加入对各个地类的分类精度的影响不同,应具体问题具体分析,随机森林算法比CART算法更适用于多维特征数据集的作物遥感分类任务。     

基于GF-1 PMS影像的柠檬种植面积估算

为应用国产高空间分辨率影像快速、准确估算丘陵区柠檬种植面积,文章基于GF-1 PMS影像使用不同数据预处理及分类法估算柠檬种植面积。通过对影像进行大气校正、数据融合、滤波等处理,分别得到光谱反射率数据、融合影像和纹理特征数据(分辨率分别为8m、2m、2m)。通过可分离性分析,发现荒草地和未成林柠檬的可分性最差,二者在光谱反射率数据、融合影像和纹理图像中的可分性数值均小于1.8,是影响柠檬分类精度的主要因素。基于最大似然法的分类精度评价结果显示,纹理图像数据估算精度好于8m分辨率的多光谱反射率数据和2m分辨率的融合图像,适当的影像预处理有助于提高监督分类精度。对比基于最大似然法的精度,基于面向对象法的柠檬面积估算精度达95.09%,高于监督分类法的,使用GF-1 PMS影像估算柠檬面积最优方法为面向对象法。该研究为应用国产高分辨率遥感数据快速、准确估算丘陵地区果树种植面积提供了相关参考。     

结合独立分量分析和支持向量机的遥感影像土地覆盖分类

在高分辨率遥感影像中地物的光谱分布非常复杂,同质异谱、异谱同质的现象广泛存在,相互混杂的光谱使得传统的光谱解译方法面临困难。独立分量分析是由信源分离技术发展起来的智能信号处理方法,可将多通道信号按照统计独立的原则通过优化算法分解为若干独立成分,将其引入到高分辨率遥感影像处理中．可以减少地物光谱分布的混杂性,增强目标和背景的反差,从而提高分类精度。支持向量机是在统计学习理论基础上发展出的一种新的模式识别方法,本文将其与独立分量分析结合对高分辨率影像进行分类,以北京地区QuickBird多光谱影像为例,实验证明该方法能有效提高高分辨率影像的分类精度．     

基于HJ-1影像的大棚菜地遥感监测技术研究 ———以山东寿光市为例

利用温室、大棚等设施进行蔬菜种植,一直是我国北方蔬菜种植的主要方式之一,因此,及时、 准确地获取大棚菜地的面积及分布状况,是确保政府“菜篮子”工程顺利实施的需要,也是关系民生的一 项重要工作。为探索及时准确提取大棚菜地信息的技术方法。该研究以山东省寿光市为例,采用HJ-1卫 星图像,在分析各主要地物光谱特征的基础上,结合研究区的背景资料以及专家知识,对遥感影像进行分 类,准确提取了大棚菜地的信息。通过在影像上随机抽取样本点,结合RGB假彩色合成影像及部分实地调 查资料进行精度分析,得出样本点总体精度为92.01%。该研究表明,在HJ-1影像中大棚菜地光谱特征 明显,易于同其他地类区别,利用遥感影像提取大棚菜地信息的方法,适合北方地区大棚菜地信息提取。     

基于全极化SAR与多光谱的喀斯特山区农村林地提取

[目的]为加快推动贵州省"互联网+"林业建设,打破贵州喀斯特高原山区遥感监测瓶颈,选取了空间分辨率8m的Radarsat-2全极化SAR数据与空间分辨率6m的SPOT 6多光谱影像作为数据源,探究微波与光学遥感结合在喀斯特山区农村地区的林地提取技术。[方法]首先采用ENVI SARscape与NEST软件对SAR图像预处理。将Radarsat-2全极化数据与SPOT 6标准假彩色影像进行HSV融合。计算融合图像的平均梯度、信息熵、标准差与均值,评价出最优融合效果的极化方式。基于K均值(K-means)与最大期望(EM聚类)聚类算法分割图像,选择合适的算法,基于聚类分割的阈值进行面向对象的林地分类。最后,基于像素的混淆矩阵精度评价,结合贵州省林业厅调查数据、野外样方和航拍图,建立参考样本评价分类结果。[结果](1)融合之后,目视解译出林地边缘明显但较粗糙;对于在林地中小面积建筑物、农田中的较分散的林地小图斑能够识别,但边缘粗糙;有林地和灌木林地在色调上区分明显;在融合后的明度图中的灌木林地有明度较大的像元,此类像元为石旮旯地。(2)通过定量分析,融合之后的影像较SAR和光学数据信息量大。同极化平均梯度大于交叉极化,HH极化方式下各指标最大。图像EM聚类分割比K-means聚类更加细化。EM聚类图像的特征区分明显;(3)研究分类出了有林地、灌木林地和其他林地。面向对象的林地分类总体分类精度达到85.71%。[结论]研究将微波与光学遥感结合,为喀斯特山区中农村地区的林地提取提供新思路,与传统的林地监测相比,数据获取快捷,提高工作效率,精度准确。有助于通过遥感的手段解决地块破碎区域的林地提取问题,为提高多源遥感技术在喀斯特农村地区中的林地智能监测的能力提供借鉴。     

基于多时相遥感影像的花生种植面积提取——以彰武县北部为例

本文以彰武县北部4个乡镇(大冷乡、章古台镇、四合城乡和阿尔乡)种植花生的耕地为研究对象,基于不同农作物类型之间的物候特征差异,借助3个时期的遥感影像提取农作物的不同NDVI特征值和影像的特征信息,采用监督分类的方法提取花生的种植面积及空间分布情况。结果表明该方法对于区分不同物候特征下的作物分类精度高,较好的反映作物的分布状况,可为该地区主要作物种植分布情况提供科学依据。     

基于多尺度分割的面向对象分类方法提取冬小麦种植面积

应用面向对象方法,对遥感图像进行多尺度分割,即首先进行大尺度分割,结合NDVI提取植被信息,将图像分为植被和非植被;然后在植被信息类内再进行小尺度分割,利用NDVI并融入几何特征进一步提取冬小麦种植面积及空间分布。在遥感分类的基础上,将线性数据按宽度缓冲,从分类结果中扣除。将扣除结果与地面样方实测数据对比分析。结果表明,监测结果减轻了传统分类方法的椒盐效应,监测结果与验证样方数据比较精度为94.06%。     

基于高分辨遥感影像的围填海演变分析——以长兴岛附近海域为例

本文利用2005年、2017年2期高分辨率遥感影像作为数据源,采用基于面向对象的方法,得到长兴岛及其附近海域的围填海分类信息,并对各类型分布情况及演变进行分析评价。     

基于中分辨TM数据的水稻提取方法对比研究

水稻种植面积监测是当前农业土地变化科学的热点问题,但运用遥感技术对水稻种植面积精确实施监测一直是难点。中分辨率遥感影像能够满足我国大面积水稻作物监测,成为业务化运行的主要数据源。为此,该研究尝试以中分辨率 TM影像为数据源,结合神经网络和面向对象 (SVM)两种算法对对黑龙江省富锦市2010年两期不同时相影像分别进行水稻分类提取,并对分类结果进行滤波处理及混淆矩阵精度评定。结果表明:(1)在高纬度单季稻生长区,面向对象分类算法的精度显著高于神经网络的分类精度,水稻用户精度和生产者精度在6月份分别高0.55%、1.37%,在8月份分别高0.62%、2.34%;(2)对神经网络分类的结果进行 Majority滤波处理,在一定程度上可以改善水稻分类的精度,水稻用户精度和生产者精度在6月份分别提高0.14%、0.5%,在8月份分别提高1.56%、1.43%;(3)选取关键水稻物候期的遥感影像获取水稻种植面积的精度更高,返青期水稻提取精度要高于乳熟期,其中神经网络算法的水稻用户精度及生产者精度分别提高 2.67%、3.45%;面向对象算法的水稻用户精度及生产者精度分别提高 2.6%、2.48%。未来需要重点考虑建立全国水稻物候历信息、面向对象算法中自动化最优尺度分割方法来提高水稻分类的精度。     

基于多时相HJ卫星的渭干河-库车河绿洲主要农作物种植信息提取

在3S技术的支持下全面、快速、客观地监测农作物种植信息,对于正确的把握该区域的农业结构和布局,进行作物种植空间格局的调整和优化有着十分重要的意义.本文以渭干河-库车河洲绿洲为研究区,根据农作物的物候规律和季相节律的差异性特点,选取2012年的3景不同时相的HJ卫星CCD遥感数据,ENVI下基于CART算法的决策树规则自动提取主要农作物覆盖信息,然后以野外GPS调查点为依据,对决策树方法预分类结果进行修正,成功提取了研究区的玉米、棉花和小麦的种植面积,总体精度达到了91.73％.结果表明HJ卫星CCD影像可以很好地应用于农作物提取,而且CART算法的分类精度较高,能较好地反映作物的分布状况,可为该地区主要作物种植结构调整提供一定的依据.     

基于松弛策略和多分类器的半监督高光谱图像分类

高光谱图像分类是高光谱遥感研究的热点之一。然而高光谱地物标签难以获取,包含噪音点等特征使得分类困难。基于不连续松弛和多分类器策略,本文提出了一种高光谱图像半监督分类方法,可以达到去噪和改善分类精度的目的。实验结果编码,在有限标记样本的情况下,所提出方法能够获得良好的分类结果。     

鄂州矿山塌陷区基于ENVI的提取方法研究

本文以湖北鄂州矿山塌陷区为研究对象,利用多时相worldview-2遥感影像数据,针对研究区的光谱特征和空间结构特征的特点,采用面向对象的提取方法,提出了基于ENVI软件操作下的矿山塌陷区提取规则。实验结果表明:利用该规则提取塌陷信息是快速准确并能取得良好效果的。     

尺度变化对油菜种植面积遥感监测精度的影响

农作物种植面积监测是遥感估产的基础工作之一,监测结果的精度直接影响到数据的可信度和可用性。随着多光谱和多空间分辨率数据集的日益普遍,多尺度遥感数据源的综合应用是进行大范围农作物种植面积遥感监测业务化运行的必然趋势,因此尺度变化对农作物种植面积遥感监测精度影响的研究势在必行。该研究采用高空间分辨率的多光谱遥感影像进行油菜种植面积提取,对其提取结果进行基于简单多数原则的尺度转化,得到不同空间分辨率的提取结果,通过与地面实测样方数据构建误差矩阵进行精度分析,分析不同空间分辨率影像对作物种植面积遥感信息提取精度的影响。运用多种精度评价指标,从不同空间分辨率、不同监测方法、不同遥感监测时相等角度系统分析了农作物种植面积遥感测量中的尺度效应问题。为基于多尺度遥感数据综合应用的农作物种植面积遥感监测业务化运行中的数据选择和精度保证问题提供理论与实验基础。     

基于高分与多时相中分影像的苹果园地提取

目的 卫星影像已经被广泛用于小麦、玉米、水稻等种植范围较广的粮食农作物空间分布信息提取和面积估算。但是,利用遥感影像研究苹果园光谱与纹理特征,获取苹果园地面积与分布的应用研究较少。以往的研究已经指出高分纹理特征有利于苹果园地分类,但是中分影像的数据保障性会更强,可提供时序的光谱特征,因此,文章提出了一种综合利用非最佳观测期获得的高分辨率影像纹理信息和多时相中分辨率影像光谱信息提取苹果园地的方法。方法 该方法以GF-2号卫星及哨兵卫星数据为数据源,首先利用灰度共生矩阵（GLCM）提取GF-2的纹理特征,然后将提取的GF-2的纹理特征和光谱特征与5期不同时期的哨兵影像相结合,形成5组GF-2纹理和光谱特征与某一期哨兵影像的组合特征（记录为GF-2+单时相哨兵）,1组GF-2纹理和光谱特征与所有哨兵影像的组合特征（记录为GF-2+多时相哨兵）,以7组不同的组合特征（GF-2纹理和光谱特征、5组GF-2+单相哨兵和1组GF-2+多时相哨兵）为输入,使用3种不同的分类方法（C4.5、CART和Random Forest）提取苹果园地的分布,比较分析不同特征组合对苹果园分类精度的影响以及3种不同决策树学习方法的优劣。结果 苹果园提取时,GF-2+单时相哨兵特征组合与GF-2+多时相哨兵特征组合明显优于GF-2纹理和光谱特征组合,GF-2+4月（花期）哨兵是最佳特征组合,其苹果园的分类精度和整个研究区域的总体精度分别比GF-2单独分类提高至少8.14%和8.29%,比GF-2+多时相哨兵分类提高至少1.14%和0.95%。当采用相同组合特征时,随机森林分类方法提取苹果园地效果最好,苹果园提取精度均在90%以上。结论 利用非最优时相高分影像与花期中分影像提取苹果园能够得到最优的精度;如果没有花期中分影像,其他时相中分影像与非最优时相高分影像组合也能够得到比较优的精度。     

软硬结合分类方法提取特定地物信息*——以冬小麦为例

[目的]针对影像上纯净、混合像元共存的现象,文章结合硬分类方法和软分类方法各自的优势,提出了目标地物信息的软硬结合的分类方法。[方法]该方法将遥感影像划分为典型目标地物像元、非目标地物像元和混合目标地物像元3个部分。典型的目标地物像元和非目标地物像元,采用硬分类方法(ISODATA)聚类确定类型;混合目标地物像元采用非线性支撑向量回归混合像元分解模型,从目标地物端元光谱库和非目标地物端元光谱库中多次随机选择像元,进行目标地物不同丰度值的混合像元模拟,构建样本库进行支撑向量回归,提取出混合像元的目标地物丰度。该文以冬小麦为研究对象,选用2006年4月7日的TM影像,采用软硬结合的分类方法进行冬小麦识别。[结果]较传统的硬、软分类方法,软硬结合分类方法精度高,总体精度达到了90.2%;而软分类方法为86.6%,硬分类方法为81.6%。[结论]软硬结合的分类方法克服了硬分类方法对混合像元信息提取受到光谱不确定影响,也克服了软分类方法受到光谱异质性干扰的问题。该分类方法简便、易操作,适合单目标特定地物的信息提取。