顾及特征离散程度的SEaTH特征优化选择方法

特征选择是面向对象信息提取的关键步骤之一。本文针对分离阈值(separability and threshold,SEaTH)这一特征选择方法在实际应用中存在的不足,例如未考虑特征值的离散程度,仅利用J-M距离评判单一特征,特征间可能存在较强相关性,以及无法有效确定出分类顺序,提出了一种改进的SEaTH算法(optimized SEaTH,OPSEaTH)。OPSEaTH算法首先在J-M距离基础上构建了一类特征评价指标(E值),有效解决了特征值的离散度问题;然后,基于E值构建出特征组合评价指标(C_(e)值),可有效评估得到每种地物的最佳特征组合并自动确定出地物的分类顺序;最后基于eCognition等分类器可完成对地物对象的最终有效分类。利用高分二号遥感影像数据对本文方法进行了测试,并将结果分别与SEaTH算法、DPC、OIF和最近邻分类器的分类结果进行了对比,结果表明:OPSEaTH算法不仅能有效降低特征维数、优化特征空间,还能够对分类顺序进行自动化合理确定,总体精度和Kappa系数及其他精度指标,均显著优于基于SEaTH算法的特征选择结果。本文方法无论从特征降维效果、分类结果精度还是计算效率方面均优于DPC、OIF和最近邻分类器结果。OPSEaTH是一种更优的特征选择方法。

基于SEaTH算法的芦山地震无人机低空遥感影像信息对象级分类

在地震这种重大自然灾害面前,快速有效地从遥感影像中提取震区土地利用信息,在灾情评估及灾后重建中发挥着重要作用。选取四川省芦山地震灾区无人机影像为数据源,运用面向对象的影像分析方法,首先研究了多尺度分割中参数的选择,获取了研究区最优分割参数;然后考虑了各个"影像对象"的数字化特征值,利用改进的SEaTH算法进行特征值优化处理;最后采用了隶属度信息提取方法,获得了芦山地震灾区无人机低空遥感影像分类图,并进行了分类精度评估,结果表明:研究区影像的分类总精度为87.5%,kappa系数为0.835。

基于SEaTH的决策树方法在区域尺度土地覆被分类中的应用

利用最大值合成法处理洮河流域2000年MODIS数据,得到归一化植被指数年最大值栅格数据,结合该区数字地面模型构造土地覆被分类数据集,采用SEaTH算法提取不同地类的特征阈值,构建决策树,对洮河青藏片区和黄土片区进行土地覆被分类,与NLCD-2000数据相对比进行精度评价.结果表明:决策树法能够较好实现洮河流域主要地物的识别并反映其宏观分布格局.青藏片区地物分类的总体精度为74%, Kappa系数为0.71;黄土片区地物分类的总体精度为63.8%, Kappa系数为0.57;青藏片区的分类效果总体要好于黄土片区.与最大似然法相比,决策树法在青藏片区的分类精度提高约10%,黄土片区分类精度提高约5%.

利用高分二号影像对城市黑臭水体遥感监测--以南京市主城区为例

城市河道水质黑臭直接影响人们生存环境和生活质量,准确识别城市黑臭水体对城市生态文明建设具有重大意义。基于GF-2 PMS数据,利用TSUWI(Two-Step Urban Water Index)指数提取研究区水体分布,在此基础上,分别计算影像的黑臭水体归一化比值指数BOI和NDBWI值,采用面向对象的最优特征选择搜索算法SEaTH(Seperability and Thresholds),确定黑臭水体与一般水体的4个分离特征,构成特征空间,利用K-mean算法进行多特征聚类分析,进行黑臭水体的识别与分类。结果表明,南京市研究区范围内共有6条河道15段存在不同程度的黑臭情况,面积约为0.38km^(2),占城区水域(剔除长江南京段面积)面积的1.98%,经实地调查验证,黑臭水体的识别精度为81%。研究表明该方法可以实现对城市河道黑臭水体的监测与评价,为城市水环境治理提供技术支撑。

面向无人机影像的改进FNEA分割方法

针对无人机影像光谱信息量不足导致的影像分割精度较低和同类地块过度分割问题,本文设计了一种面向无人机影像的改进FNEA分割方法。首先,利用特征提取方法,构建原始RGB影像的不同纹理和植被指数特征影像;然后,基于改进分离阈值法选择最佳植被指数和纹理特征;最后,将最佳特征与原始RGB数据融合,采用FNEA算法进行影像分割。将改进FNEA方法与多种分割方法对比,结果表明改进FNEA方法的分割精度更高,同一地块内过度分割可得到较好控制,适合无人机影像的分割。

基于无人机影像的天山云杉林更新类别划分及提取

森林伐后更新对森林资源的有效利用密不可分,对森林的经营管理和动态监测具有重要意义。为了对不同皆伐迹地林分进行主要特征选取并实现高精度提取,本研究通过分析天山云杉皆伐迹地更新群落特征,并利用R软件进行聚类分析,将其划分为4个类别(Ⅰ、Ⅱ、Ⅲ、Ⅳ),其林分平均年龄为33、28、25 a和20 a;平均胸径分别为25.62、17.95、13.03 cm和10.05 cm;平均树高为12.25、10.02、8.92 m和7.53 m。基于eCognition Developer 9.0软件,对研究区进行多层次、多尺度分割,以无人机影像的纹理、光谱等特征为辅助信息进行SEaTH算法结合面向对象分类。结果表明,研究区皆伐迹地林分生长状况主要为类别Ⅰ状态,类别Ⅱ、Ⅲ和Ⅳ分布面积相对较少。SEaTH算法结合隶属度分类方法,不仅准确地识别出皆伐迹地空间分布情况,还精确地提取出不同类别的天山云杉林,总体精度达到80.22%,Kappa系数为0.73,平均面积吻合度为81.34%。该方法取得了较好的分类效果,可精确地对伐后更新林分进行分级提取,为森林经营管理提供一定的参考依据。

基于无人机影像天山云杉林主伐迹地提取研究

【目的】通过分析天山云杉主伐迹地更新群落特征,将其划分为三个等级的主伐迹地,基于无人机影像,以实现提取不同等级主伐迹地的面积以及确定其分布,为新疆天保工程实施后山区森林资源更新恢复及评价提供科学依据。【方法】采用eCognition软件面向对象多尺度分割技术对研究区进行分割,通过最邻近分类以及SEaTH算法相结合的分类方法筛选分类特征,并建立类别层次结构及分类规则集,以实现提取不同等级主伐迹地面积,并进行精度评价。【结果】利用最邻近分类方法与SEaTH算法相结合的分类方法提取不同等级的主伐迹地,其总体分类精度达到81.82%,Kappa系数为0.74。提取主伐迹地Ⅰ、Ⅱ、Ⅲ的面积吻合度分别为87.09%、79.86%和66.33%;提取主伐迹地总面积为72.574 3 hm 2,目视解译面积为92.174 9 hm 2,面积相对误差为21.26%,面积吻合度为78.74%。【结论】该方法用于研究区提取主伐迹地信息是可行的。主伐迹地Ⅰ提取的面积吻合度最高,由于主伐迹地Ⅰ内的天山云杉林分株数密度较低,其林分平均冠幅、平均年龄等因子均相对较小,因此在影像上更好区分。主伐迹地Ⅱ分布面积最大,主伐迹地Ⅰ和Ⅲ分布面积较小,研究区内主伐迹地林分生长状况主要为主伐迹地Ⅱ状态。

面向对象的特征自动选择的建筑物信息提取

针对建筑物信息提取存在低效率、高成本的问题,提出了一种利用分离阈值算法(seperability and thresholds,SEaTH)的高精度建筑物信息提取方法。采用高分二号遥感影像,通过半自动化信息提取构建分类规则的方法对天津市西青区的建筑物信息进行提取。通过运用SEaTH算法构建知识规则,选取训练样本并输出训练样本的特征值,将输出的特征值运用SEaTH算法进行自动确定阈值和特征优选,进而采用像素对象调整优化建筑物轮廓。将基于面向对象的最邻近分类法与该方法进行了精度评价对比。结果表明,该方法在提取建筑物信息时出现的错分漏分现象较少,且总体精度和Kappa精度都要高于基于面向对象的最邻近分类法,验证了其在提取建筑物信息方面的可行性。

利用改进SEaTH算法的面向对象分类特征选择方法

针对分离阈值法(SEaTH)仅从类间距离评价特征,没有考虑类内距离和特征之间相关性的不足,提出了一种改进的SEaTH算法——ISEaTH。该算法分别依据特征相关性、类间距离和类内距离对特征进行评价,然后综合利用多种评价结果获取最优的特征子集。采用新疆喀什地区的QuickBird数据进行了特征选择的实验。结果表明,该方法不但能降低特征维数,有效优化特征空间,还能提高分类精度。

面向对象分类特征优化选取方法及其应用

分离阈值算法SEaTH是一种有效的自动选取分类特征并计算阈值的方法,但其只考虑了类间距离,容易存在信息的冗余,从而对分类精度造成一定影响。本文在SEaTH算法的基础上,综合考虑了特征间的相关性、类间距离以及类内距离,对SEaTH算法进行了优化,并将改进前后的两种方法运用到广东省肇庆市TM影像及环境一号卫星影像土地覆盖分类中进行对比分析。实验结果表明,改进后的方法筛选出的特征在提取地物上更为有效,尤其使耕地的分类精度提高了12.26%,使分类总体精度由80%提高到85.26%。耕地与林地分类精度的提高,对不易获取质量较好的多时相数据地区的土地覆盖分类具有重要意义。