面向对象的遥感影像最优分割尺度监督评价

面向对象的遥感影像分类质量和精度,不仅取决于分类算法的好坏,而且取决于遥感影像的分割质量。以定量方法确定最优分割尺度,排除主观因素干扰,已成为影像分割质量评价的重点。以往的分割质量评价方法往往忽视了对象识别在影像分割质量评价中的重要性,因此,在分析地表真实地物和影像分割对象之间空间关系的基础上,构造出一种基于面积和位置的影像分割最优尺度评价指数;并对World View2多光谱影像进行分割实验,确定了不同地物的最优分割尺度。研究结果表明,该方法在影像分割结果评价和参数优化方面具有更大的优势,不仅可以评价遥感影像分割质量、进行分割尺度参数优化,而且在分割质量评价过程中减少了人为干预,提高了方法的客观性。

基于最优特征空间构建的随机森林算法在WorldView-2影像分类中的适用性研究

目前面向对象的分类研究中,对于研究区影像的分割尺度问题多以试验者的多次试验以及主观推断为主,缺乏定量化的评价标准。同时,在对遥感影像分类的算法选择以及在分类过程中,有效特征空间的选取均存在一定程度的主观性。针对遥感影像面向对象分类过程中分割尺度选择盲目及分类空间构造主观性较强的问题,以World View-2遥感影像数据为例,首先利用改进的全局最优分割尺度的方法获取研究区影像的最优分割尺度,在此基础上选取了研究区分割对象的48个特征,利用OOB误分率对各个特征的重要性排序;然后按重要性顺序以5为步长讨论特征数量对分类精度的影响,构建了用于分类的最优特征空间;最后将采用最优特征空间的随机森林算法获得的最佳分类结果,与面向对象的最邻近像元、决策树以及支持向量机分类算法进行了比较。结果表明,用于分类的特征数量与分类精度之间,并不是简单的正相关关系;与面向对象的最邻近像元、决策树以及支持向量机分类算法相比,利用最优特征空间进行随机森林分类的分类精度最高,表明该方法更适合于高分辨率World View-2数据的分类。

基于特征值和Singh分解的全极化Radarsat-2图像分类

基于模型的分解发展较快,但存在负功率、体散射过估计、未充分利用相干矩阵等问题,考虑到基于模型分解的优点,采用Singh分解提取极化信息,同时用散射角、极化熵和极化总功率进行补充,再利用SVM对山东禹城地区全极化Radarsat-2数据进行分类。为验证该方法的有效性,将其与H/α/A-Wishart和Yamaguchi-SVM两种分类方法进行比较。结果表明,该方法分类效果较好,总体精度分别提高了6.4%和3.48%。