变窗口纹理在SPOT5影像土地覆盖分类中的应用研究

纹理作为有效的空间信息,在遥感信息提取中有着广泛的应用,其中纹理窗口的选择对分类精度影响较大,而且遥感影像中不同地物类型具有多尺度特性,利用单一窗口纹理信息进行分类不能使得各地物类型同时达到较高精度。该文采用SPOT5影像对研究区进行长序列窗口纹理分类实验,并提出变窗口纹理分类方法,实验区分类实验及精度对比表明:长序列窗口纹理分类实验中,7×7窗口分类精度最高,但在这一窗口下建设用地、耕地、裸地等地类的精度仍低于总体精度;而采用基于长序列窗口纹理分类后验概率的变窗口纹理分类方法,总精度达到86.17%,Kappa系数达到0.8230,与7×7窗口分类精度相比各地物类型的生产者精度与用户精度都有进一步提高,验证了变窗口纹理分类方法的可行性。

纹理特征对森林蓄积量反演模型的影响

【目的】蓄积量是反映森林资源质量的重要指标,传统人工蓄积量调查方式费时耗力。遥感技术在林业中的应用能有效地弥补人工调查的缺陷,采用遥感技术进行森林蓄积量的反演是区域范围内蓄积量估测的一种重要手段。现有的遥感蓄积量估测方法中,对于纹理特征因子的选取没有得到足够的重视。随着高分辨遥感影像的不断涌现,影像纹理特征越来越明显,将纹理特征引入到森林蓄积量估测模型当中,是一个很好的尝试。但纹理特征是否有利于森林蓄积量的估测,以及如何影响森林蓄积量的估测,目前并不清楚。【方法】利用国产GF-1号为数据源,在数据预处理基础上,采用不同窗口大小提取的纹理信息,以及对纹理因子进行改进,研究其对于森林蓄积量反演模型精度的影响。【结果】1)改进纹理特征能有效提高蓄积量反演模型的精度。通过计算出遥感影像纹理均值改进指数、波段纹理均值改进植被指数和均值改进植被指数,结合地理因子,采用多元逐步回归方法构建森林蓄积量反演模型,结果精度有较大改善。2)纹理窗口大小为9×9时,森林蓄积量反演模型精度最高。提取3×3、5×5、7×7、9×9、11×11这5种窗口大小的纹理特征参数,分别构建森林蓄积量估测模型,并进行不同窗口下蓄积量反演精度进行检验。当窗口大小为9×9时模型效果最好,R^2最大,达到0.652,RMSE值最小(25.3545 m^3/hm^2),说明此时的窗口大小是最优模型窗口。【结论】当窗口为9×9时模型效果最好,此时的窗口大小是最优模型窗口。但是对于不同研究区在同一数据源下使用9×9窗口模型并不一定效果是最好的,纹理因子在建模中仍需根据研究区实际情况进行使用。

SVM多窗口纹理土地利用信息提取技术

针对单一窗口纹理分类时地物破碎,分类精度不高等问题,提出了一种基于支持向量机多窗口纹理的遥感图像分类方法。该方法在对SPOT5遥感影像进行纹理特征提取的基础上,构建了结合多窗口纹理的SVM模型。以陕西省佛坪县长角坝乡为试验区,利用此模型对该区域的土地利用类型进行分类研究,并将分类结果与单一窗口纹理SVM分类和单元数据(光谱)SVM分类结果进行了比较分析。结果表明:多窗口纹理参与的土地利用分类总精度达到85.33%,比单一窗口纹理分类提高了13.11%,而与单元数据SVM分类相比提高了近24.10%,取得了较好的分类效果,有效地解决了单一窗口纹理分类时地物破碎、分类精度不高等问题。

自动获取肝脏纤维化定量指数的图像分割方法

为自动获取肝脏纤维化定量分析指数——计算机形态学评分(CM评分),提出一种肝脏病理切片图像的分割方法.该方法首先利用窗口纹理粗糙度图像分割背景,然后利用Fisher准则函数选取最优颜色特征空间分割纤维,最后由分割结果求得纤维与组织的面积比(CM评分).实验结果表明,用该方法自动获取CM评分可大大地提高肝脏纤维化临床诊断的客观性和效率.

结合Sentinel-2光谱与纹理信息的冬小麦作物茬覆盖度估算

作物茬覆盖度的估算对于探究农业耕作方式对周围环境的影响具有十分重要的意义。目前,基于多光谱影像的作物茬指数是作物茬覆盖度估算的常用方法。然而,在作物茬高覆盖区域,指数法容易出现“饱和”现象。已有研究结果表明结合影像的光谱与纹理信息有助于改善指数法的“饱和”问题。Sentinel-2作为一颗多光谱卫星,空间分辨率可达10 m,与Landsat OLI相比,具有更丰富的纹理信息。因此,探究Sentinel-2光谱与纹理信息相结合在作物茬覆盖度估算上的潜力具有重要意义。本文以山东省禹城市为研究区,分析了Sentinel-2各波段反射率、归一化差值指数以及不同窗口大小下灰度共生矩阵统计量等遥感因子与野外实测作物茬覆盖度的相关性,并利用最优子集法对遥感因子进行筛选,构建作物茬覆盖度的最优估算模型。同时,使用留一法交叉验证对模型进行评价。结果表明在单因子分析中,归一化差异耕作指数NDTI(Normalized Difference Residue Index)与作物茬覆盖度的相关性最好,相关系数达0.735。使用NDTI、5×5窗口下Sentinel-28A波段的相关性统计量以及12波段的方差统计量构建的多元方程是作物茬覆盖度估算的最优模型,相关系数为0.869,均方根误差为11%。与仅使用光谱信息的最优模型相比,相关系数提高了0.094,均方根误差下降了3.5%。可见,结合Sentinel-2的纹理信息有助于提高作物茬覆盖度的估算精度。