基于无人机遥感影像和面向对象技术的荒漠草原植被分类

探究适合荒漠草原植被遥感分类方法,明确荒漠草原地区植物物种类型及其分布状况,可以提高荒漠草原精细化生物多样性监测能力,对于荒漠草原的保护管理与生态可持续发展均具有重要意义。以贺兰山东麓洪积扇荒漠草原典型植被短花针茅、松叶猪毛菜、刺旋花、斑子麻黄为研究对象,利用无人机遥感影像,采用面向对象的分类回归树(classification and regression tree,CART)、K最邻近(K-nearest neighbor,KNN)、随机森林(random forest,RF)和支持向量机(support vector machine,SVM)分类方法,结合特征优选算法对影像特征进行优选,在此基础上选择最优特征进行荒漠草原植被精细化分类研究。结果表明:1)特征优选能够有效提高分类精度,应予以充分利用,当选取的特征组合为贡献度大于1.00%时,分类精度最高;2)基于无人机遥感影像挖掘的植被光谱、纹理特征,结合面向对象分类方法能有效实现贺兰山东麓荒漠草原典型植被精细化分类,其中RF分类精度最高,分类总体精度达到87.77%,Kappa系数为0.79。研究结果可为荒漠草原植被分类研究提供参考,对荒漠草原生物多样性保护管理与生态可持续发展均具有重要意义。

应用无人机可见光影像和面向对象的随机森林模型对城市树种分类

为及时准确的了解城市树种空间分布信息,提升城市居民生活水平和推动城市生态系统可持续发展。以福州市仓山区城市森林为研究对象,应用无人机(UAV)监测城市树种空间分布及其动态变化的可见光影像,根据最佳尺度对影像进行分割,并提取分割对象的光谱、地形、指数、纹理和几何特征。通过对不同类型特征的组合构建不同的分类方案,利用递归特征消除法(RFE)筛选出优选特征子集,利用面向对象方法结合随机森林(RF)模型对城市树种进行分类。结果表明:在随机森林模型分类的过程中,利用光谱特征对树种分类的总体分类精度为82.12%;地形特征对树种分类的贡献度率为14.96%;指数特征和纹理特征的引入,在一定程度提高了树种的分类精度;几何特征的贡献较小,在分类过程中没有明显的贡献。特征优选子集的S10方案分类精度最高,总体精度达92.42%,Kappa系数为0.91。说明特征优选能够降低高维度特征的复杂性,在大幅减少数据冗余的同时提高了分类精度。在最优特征子集下,随机森林(RF)算法分类的总体精度比极致梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)和k最近邻算法(KNN)分别提高了1.15%、1.81%和15.15%,Kappa系数分别提高了1%、2%和17%。

应用面向对象结合多时相哨兵-2A影像特征优选的毛竹林分布信息提取

提出一种面向对象及随机森林特征优选的分类方法,为毛竹林分布信息提取提供参考。依据多时相哨兵-2A(Sentinel-2A)卫星数据提取光谱特征、植被指数及红边植被指数特征、纹理特征共69个特征;设计8种特征组合方案,方案1~5为多时相方案,其中方案1——光谱特征波段;方案2——光谱特征波段+植被指数特征+红边植被指数特征;方案3——光谱特征波段+纹理特征;方案4——光谱特征波段+植被指数特征+红边植被指数特征+纹理特征;方案5——光谱特征波段+植被指数特征+红边植被指数特征+纹理特征+特征优选;方案6、7和8为3个单时相影像分类,将其分类结果与其他多时相方案进行对比。采用随机森林算法进行特征优选的毛竹林分布信息提取。结果表明:(1)多时相Sentinel-2A数据的短波红外波段特征、红边波段特征及红边植被指数特征在分类时重要性程度高,对毛竹林分布信息提取贡献度大;(2)使用随机森林面向对象的分类方法能够有效的减少“椒盐现象”;(3)所有特征参与并由随机森林算法特征优选的方案5对毛竹林的分布信息提取效果最佳,总体精度为85.94%,Kappa系数为0.7852,表明随机森林算法能够进行特征优选同时保持精度较高的毛竹林提取效果。因此,面向对象结合多时相Sentinel-2A影像,利用随机森林进行特征优选和分类的方法能够较为有效地提取毛竹林分布信息。

基于特征异质性优选的面向对象建筑物提取

利用面向对象方法提取遥感影像中的建筑物是当前研究热点之一。针对此方法中特征选择问题,文章基于面向对象的分析方法,充分考虑影像特征与多种地物在空间异质性上的相似程度,提出了一种特征优选方法,进而完成建筑物的提取。具体方法是:首先,计算对象内同质性与对象间异质性,基于均值变点原理确定全局最优尺度;其次,利用地理探测器基于空间异质性相似度对分割对象的光谱、纹理、高度、形状等特征进行优选;最后,根据优选出的特征进行建筑物提取,并辅以邻域高程比对算法进行优化,获得建筑物较完整、可靠的轮廓。结果表明,该方法对建筑物提取更加高效且精度更高。

基于改进指数特征的永城市冬小麦面向对象提取研究

本研究以Sentinel-2影像3个红边波段分别计算归一化红边指数NDVIre1、NDVIr2、NDVIr3,并与其他指数进行面向对象多特征构建,然后带入到面向对象分类器中进行多特征分类提取,以此获取永城市精确的冬小麦种植面积。结果表明:基于Sentinel-2影像的植被时序变化分析在永城市冬小麦生长变化中具有良好的适用性及监测效果,较显著地表明了农作物生长变化情况;并且通过波段组合计算得出的3个红边指数与植被指数均具有良好的相关性;且扩充特征空间后的面向对象分类整体精度为97%,相较于最大似然法分类、支持向量机分类分别有11%、9%的提升。

基于极化特征变化的面向对象燃烧区提取

针对利用SAR影像提取林火燃烧区主要侧重于单极化后向散射系数,而从火灾导致散射机制变化的角度开展双极化燃烧区提取的研究较少,本文提出了一种基于极化特征变化的面向对象燃烧区提取方法。以两景Sentinel-1A影像为数据源,构建极化特征变化参数集,使用多尺度分割方法结合随机森林算法提取燃烧区,并采用混淆矩阵精度评价方法对燃烧区提取结果进行评价。实验结果表明,分类总体精度为89.13%,Kappa系数为0.76,说明极化特征变化参数在燃烧区提取方面具有良好的应用能力。

面向对象特征融合的高分辨率遥感图像变化检测方法

针对高分辨率遥感图像变化检测的难点和传统像元级变化检测方法的局限性,提出了基于面向对象的思想,利用分割后图像对象的光谱特征、纹理特征、形状特征分别进行变化检测,然后将不同对象特征检测结果进行融合得到最终结果。实验表明了本方法比传统的像素级方法对高分辨率遥感图像变化检测有较强的优势。

基于ReliefF和PSO混合特征选择的面向对象土地利用分类

针对面向对象土地利用分类存在特征维数过高的问题,提出了一种结合Relief F和粒子群优化算法(particle swarm optimization,PSO)的混合特征选择方法,即首先利用Relief F作为特征预选器滤除相关性小的特征,然后以PSO作为搜索算法,以支持向量机(support vector machine,SVM)的分类精度作为评估函数在剩余特征中选择出最优特征子集。该文以吉林省长春市部分区域为研究区,采用Landsat8遥感影像为数据源,首先对其进行多尺度分割,然后提取影像对象的光谱、纹理、形状和空间关系特征,利用提出的混合特征选择方法选取最优特征子集,最后使用SVM分类器对研究区进行土地利用分类,总体分类精度和Kappa系数分别为85.88%和0.8036,与基于4种其他特征选择方法的土地利用分类结果进行比较,基于Relief F和PSO的混合特征选择方法利用最少的特征获得最高的分类精度,能够有效地用于面向对象土地利用分类。

面向对象分类的特征空间优化

为提高图像处理效率,探讨了面向对象分类的特征空间优化方法。以区域增长算法获得的对象为处理单元,根据植被在IKONOS影像上的表征,初步选择了6个形状、2个位置、17个光谱和6个纹理特征,共计31个作为初始特征空间。首先根据每组中特征所代表的信息量和特征之间的相关性,去掉与其他特征相关性强而方差较小的特征,将特征空间维降到23;以识别城区植被为目标,根据220个植被样本计算2—23维特征空间的类间J-M距离,以最小J-M和平均J-M距离为依据选择最优特征空间,将特征空间维降到14;最后利用类间离差矩阵代替协方差矩阵的K-L变换对特征空间进行压缩,分组压缩后将维数降低到7,而对整个特征空间压缩将维数降低到4。为验证特征空间优化对识别结果的影响,采用CART分类方法对城市植被进行了识别。构建的决策树表明,利用分组K-L变换后的特征空间比利用整体K-L变换获得的训练精度高12%;与K-L压缩前的特征空间获得的决策树相比,结构复杂程度相当(前者包含14个结点,后者包含12个结点),训练精度仅低1%。分类结果也表明,利用分组K-L变换的特征空间比利用不进行K-L变换的特征空间分类,总精度和Kappa系数分别降低了1.5%和2.3%,但是特征空间却压缩了50%,提高了面向对象分类方法的处理效率。

基于特征优选的面向对象毛竹林分布信息提取

【目的】提出一种基于Relief F特征优选的面向对象分类方法,为解决面向对象森林资源遥感分类提供参考。【方法】以SPOT5高分辨率遥感影像为数据源,以浙江省安吉县山川乡为研究区,通过影像分割,选取8个地物类别的370个对象样本,并设置SPOT5影像每个波段的8个灰度共生矩阵纹理、每个波段及NDVI的平均值和标准差等42个对象特征。利用Relief F算法对设置的42个对象特征进行优选,采用面向对象的最近邻方法提取研究区毛竹林分布信息。为了比较基于最优特征的面向对象的分类结果,另采用CART决策树方法在相同的分割参数和训练样本前提下,通过样本构建决策树分类规则,对研究区进行分类并提取竹林信息。【结果】1)通过Relief F特征优选方法对分类特征进行优选,大幅提高了毛竹林样本的分类精度,与特征优选前相比,毛竹林样本分类精度由68%提高到88%,优选的红波段均值、绿波段均值、红波段均质纹理、红波段熵纹理和NDVI植被指数均值5个特征能够精确地提取研究区毛竹林分布信息,其用户精度和生产者精度分别达到97%和95%;2)基于CART决策树面向对象的研究区毛竹林用户精度和生产者精度均低于基于最优特征的最近邻分类结果,主要原因是CART决策树中毛竹林、针叶林和阔叶林之间的误分相对较高。【结论】Relief F算法特征优选时注重特征的分类能力,筛选的特征参与面向对象分割提取的毛竹林分布信息高于同类研究,可为面向对象多尺度分割森林资源遥感分类时特征的选取提供一个更为科学合理的方法。

基于多目标遗传随机森林特征选择的面向对象湿地分类

以多时相Landsat8影像和SRTM DEM为数据源,对南瓮河流域进行了面向对象湿地分类。为削弱高维特征集对分类精度的影响,提出一种多目标遗传随机森林组合式特征选择算法(MOGARF)进行特征集优化。利用Relief F算法对完整特征集进行特征初选,再以基于随机森林的封装式多目标遗传算法进一步提取优化特征集。将所得特征集结合随机森林分类法提取湿地信息。并将结果分别与基于完整特征集和仅采用Relief F算法及Boruta算法提取的优化特征集的3种随机森林分类结果对比。试验结果表明,采用MOGARF算法特征选择后,特征维度降低至原来的10%,且分类精度最高,总体精度为92.61%,比其他分类方案提高0.35%~1.94%,Kappa系数为0.907 5,袋外误差为7.77%,比其他分类方案降低0.91%~1.48%。利用MOGARF特征选择的随机森林分类法是湿地分类的有效方法。

基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类

针对如何提高中低分辨率遥感影像分类精度,该研究以河北省石家庄市Landsat 8 OLI遥感影像为研究对象,对灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理与伽博(Gabor)滤波器下的Gist纹理特征进行对比,应用J-M(Jeffries-Matusita)距离可分离性分析GLCM最优纹理特征,并利用最佳指数法(optimum index factor,OIF)获取GLCM与Gist纹理特征的最佳特征组合;其次对面向对象分类的分割尺度进行研究,提出整体最优分割尺度计算方法;最后进行基于纹理特征的面向对象分类识别与精度评价,并与基于原始数据的面向对象分类结果进行对比。研究表明:Gist纹理特征使分类精度有了一定的提高,基于纹理数据的面向对象支持向量机(support vector machine,SVM)分类及面向对象K邻近法(K-nearest neighbor,KNN)分类的总体分类精度(overall accuracy,OA)分别比基于原始数据的2种方法分类精度提高3.67和3.33个百分点,基于纹理的面向对象SVM方法具有最高的精度,OA达到85.67%。不管是基于原始数据还是纹理数据,面向对象分类精度远高于最大似然分类(maximum likelihood classification,MLC)、马氏距离分类(mahalanobis distance classification,MDC)和SVM分类精度,且面向对象分类方法对纹理数据更为敏感。该文提出的基于纹理的面向对象分类方法有效提高了遥感影像分类精度,为区域土地利用/覆盖信息提取提供了有效的途径。

面向对象影像分类中基于最大化互信息的特征选择

高分辨率影像面向对象分割后产生了大量的光谱、形状以及纹理特征,如何抽取出最佳特征子集是遥感影像识别的重要问题。本文利用最大化互信息统计独立准则抽取最优特征子集,提高了面向对象遥感影像分类精度。基本过程包含以下3个方面:首先,利用eCoginition软件对高分辨遥感影像进行对象分割;然后,基于互信息最大关联、最小冗余准则(mRMR)获取优选的特征子集;最后,基于支持向量机分类器完成影像分类。以福建省漳州市QuickBird数据为例的实验表明,该方法能够有效提高遥感影像的分类精度,平均误分率降低了约4%。

利用Sentinel-2A影像的面向对象特征湿地决策树分类方法

苏州市湿地众多、类型多样化、周围环境复杂,使用传统的遥感分类方法很难得到精度较高的湿地分类结果。研究了面向对象特征的湿地决策树分类方法,以苏州市澄湖地区为研究区域,使用欧空局的Sentinel-2A影像,先将研究区域分为湿地水体、植被和非植被3大类型,再分别构建鱼塘、河流、湖泊、农田和裸地等面向对象特征,据此实现湿地遥感分类。研究结果表明,该方法能够有效利用遥感影像提供的光谱特征、几何特征和纹理特征等多种丰富信息,产生较高的分类精度,总体分类精度可达80.67%,Kappa系数为77.80%。与传统的基于中低分辨率遥感影像的分类方法相比,该方法可以有效提取湿地不同地物对象的几何结构和纹理等特征,在提高湿地分类精度的同时实现对大面积湿地的快速动态监测。

一种面向对象分类的特征分析方法

特征分析是面向对象分类成功的先决条件,通常采用试错方式进行。由于时间和成果要求等条件限制,通常不可能测试所有的特征,致使所选取特征常常并不是最佳特征,从而导致分类效果不理想。该文采用SaT特征分析方法,从大量特征集中准确提取特有特征,而且能获取相关联的阈值;通过其计算分离度值,可以实时地比较特征分类质量。实例验证表明,该方法能大大提高面向对象分类方法的精度和速度。

一种基于特征选择的面向对象遥感影像分类方法

针对GF—1多空间分辨率遥感数据空间信息丰富,传统影像分类方法无法满足实际应用需要的问题,提出了一种基于特征选择的面向对象遥感影像分类方法——object-RJMC算法,即在影像分割及特征提取的基础上,运用Relief F算法和J-M(Jeffries-Matusita)距离算法去除无关及冗余特征,筛选出适于各类别分类的特征,然后利用CART算法建立分类规则,完成分类过程。以GF-1号2 m、8 m和16 m空间分辨率的三组影像进行算法验证,并与object-CART和pixel-CART影像分类方法进行对比分析。实验结果显示object-RJMC算法的分类精度均高于object-CART和pixel-CART算法的分类精度;且对高空间分辨率的影像分类效果要优于对中低空间分辨率影像的分类效果。该算法减少了特征选择及规则建立的人工干预,克服了以像素为单位的分类算法中由于缺少空间邻域信息而产生孤立、离散、不连通分类结果的问题,可有效地提高GF-1遥感影像分类精度。

结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。

基于特征增强技术的面向对象分类方法

针对传统基于像元的分类方法不能满足对高分辨率影像（HRI）进行分类的矛盾,提出了基于特征增强技术的面向对象分类方法（FETCOOCA）。并以北京市海淀区的SPOT5影像为例,考虑到影像中植被、水体和建筑物等地物之间的特征差异,对影像中地物的光谱、形状、纹理等信息进行特征增强处理,并结合面向对象的分类方法对其进行分类。最后,对FETCOOCA与传统基于像元的分类方法进行了对比分析。结果表明：提出的FET-COOCA明显优于传统分类方法,它可以大幅度提高HRI的分类精度,有效抑制椒盐现象的发生,使分类后的图像含有更为丰富的语义信息。

面向对象的特征模型研究与实现

提出了一种面向对象的特征模型 ,有效地解决了特征模型中几何信息的表达、特征语义的表达和特征参数化等问题 ,模型采用面向对象原理封装 ,并使用 VisualC+

一种多特征融合的面向对象多源遥感影像变化检测方法

当前,随着遥感影像数据来源越来越丰富,且分辨率越来越高,传统的变化检测方法已经无法满足实际应用的需要。针对这一问题,提出了一种多特征融合的面向对象多源遥感影像变化检测方法。在对象获取和多种特征提取的基础上,利用SVM对高维数据分类的优异特性,将基于SVM的二类分类方法与对象级变化检测有机结合,提高了多源遥感影像变化检测的精度和可靠性。结合人工目视判读,设计了一种面向地物的指标计算方法。实验采用多源多时相的遥感影像进行,并对不同地物变化检测的精度进行统计,验证了提出方法的有效性。