面向对象的高光谱遥感影像分类方法研究资料.docx
- 文档编号:27290950
- 上传时间:2023-06-28
- 格式:DOCX
- 页数:11
- 大小:104.79KB
面向对象的高光谱遥感影像分类方法研究资料.docx
《面向对象的高光谱遥感影像分类方法研究资料.docx》由会员分享,可在线阅读,更多相关《面向对象的高光谱遥感影像分类方法研究资料.docx(11页珍藏版)》请在冰豆网上搜索。
面向对象的高光谱遥感影像分类方法研究资料
面向对象的高光谱遥感影像分类方法研究
尹作霞,杜培军
(中国矿业大学地理信息与遥感科学系,江苏徐州221008
摘要:
在基于像素的高光谱影像分类方法的基础上,结合面向对象图像分析理论与方法,提出面向对象的高光谱遥感影像分类方法,并具体分析探讨了面向对象高光谱遥感影像分类的关键技术,包括多尺度分割、最优波段选择、人机交互和知识库的建立等。
试验表明,面向对象的分类方法应用于高光谱影像较传统分类方法有较高的精度,有很大的应用潜力。
关键词:
高光谱遥感;面向对象的图像分析;分类;图像分割;尺度
中图分类号:
P237.9 文献标识码:
A 文章编号:
-(-收稿日期:
2007-01-04
修订日期:
2007-01-24基金项目:
国家自然科学基金(40401038、地理空间信息工程国家测绘局重点实验室开放基金和中国矿业大学科学基金(D200403
资助项目作者简介:
尹作霞(1981.7~,女,汉族,山东省新泰市人。
中国矿业大学摄影测量与遥感专业硕士研究生,主要研究方向为高光谱
遥感与应用。
E2mail:
yin113zx@163.com
1类,的空间关系(如图像纹理、大小、形状、方向性、复杂
性和结构等进行分类。
传统基于像元(pixel2to2
pixel的分类方法对单个影像像元或邻近像元进行单独处理,分类也是对单个像元进行监督或非监督分类,主要利用光谱特征,缺乏对均质性区域的重视,未能整合邻域像元的信息,在很大程度上影响了信息提取的精度,而且分类结果中往往会存在许多的小斑块[1]。
面向对象的遥感信息提取首先进行像素合并和对象分割,从而减少待处理的单元数,同时综合考虑了光谱统计特征及形状、大小、纹理、相邻关系等一系列因素,结合人的思维,通过人机交互构成知识库,自动提取出真正现实世界中的地理目标,输出带有属性表的多边形,提高了分类精度,为地物的分类提供更多的依据。
由于高光谱遥感数据具有波段多、光谱分辨率高、信息量丰富等特点,在分类中也面临特征选择、波段组合等难题,应用面向对象分类技术在进行地表物质的识别、分类和信息提取方面具有很大的优势,有望促进解决当前高光谱遥感分类面临的问题。
2 高光谱遥感影像相对普通遥感影像而言,主要体现在其多波段、精细光谱特征表达方面。
面向对象的高光谱遥感影像分类方法充分利用其光谱信息并综合应用其他特征,通过特征值的显示,选择特征作为隶属函数,赋以函数值即可用于不同地物的分
割。
面向对象的多尺度分割技术采用不同的分割阈
值生成多尺度对象,构建与地表实体相似的层次等
级结构,为同一研究区域中不同的地物提供多尺度
影像数据,实现了用固有分辨率影像数据描述不同
地理特征的目的。
面向对象的遥感影像分类是以对
象(objects作为基本处理单元的图像分析方法。
所
谓对象是具有光谱、纹理或空间组合关系等相同特
征的均质单元,是光谱域和空间域上的统一定义。
面向对象的影像分类技术通过影像的多尺度分割来
获得对象,分类时不仅依靠对象对应地物的光谱特
征,更多的是要利用其几何信息和结构信息,后续的
图像分析和处理也都基于对象进行[2]。
面向对象的高光谱遥感分类基本步骤为:
首先
获取高光谱影像数据的先验知识和背景并进行数据
预处理,然后根据分类任务的不同需要加载数据(波
段形成影像层,进行多尺度分割得出不同的影像对
象层,建立多边形对象,最后选择影像特征隶属函数9
22007.4 遥感应用 遥感信息
或建立样本库进行影像的分类并进行精度评价,分
类技术流程如图1所示
。
图1 3多尺度分割、最优波段选择等,以下结合研究进行探讨。
3.1 高光谱遥感影像分割图像分割是面向对象影像分析的基础,图像分割的目的是把图像空间分成一些有意义的区域,可使得目标物具有较高的形状与类别一致,便于目标提取和分类。
影像分割降低了用于分类的单元数,分割尺度越大,需要处理的单元数就越少。
面向对象的影像分析中最常用的分割方法是区域生长法。
区域生长法的基本思想是将具有相似性质的像元集合起来构成区域多边形,先对每个需要分割的区域找一个种子像元作为生长的起点,然后将种子像元周围邻域中与种子像元有相同或相似性质的像元合并到种子所在的区域中,将这些新的像
元当作新的种子像元继续进行上面的过程,直到再
没有满足条件的像元,这样一个区域就生成了[3]。
这一分割方法具有其自身的优越性,只要影像
的相邻区域有明显的差别就可以进行分割,因此可
以依据区域本身所具有的某种纹理或噪声将其分
割,甚至是纹理数据也可以进行分割。
遥感影像上各类地物都具有其自身的形状、面
积,使得不同地物需要在不同的尺度下进行分析,因
此需要对遥感影像数据进行多尺度分割。
例如,一
幅影像上大片水体的分割尺度明显大于房屋的分割
尺度。
多尺度分割生成不同尺度的影像对象层,使
得同一分辨率的影像可以采用不同尺度的数据结构
组成;多尺度分割可以方便地调整影像分析所需要的对象,将图像分割成多边形,然后根据多边形的面
积、形状等建立索引[4];多尺度分割是在大尺度条件
下对遥感影像的粗分和在小尺度条件下对影像的细
分,是一个由粗到细,由父类到子类的过程。
但是区
域分割会将影像小的特征淹没,因此还需要利用边
和线跟踪器等附加工具来加以保护[5]。
3.2 降维与最佳波段组合选择的光谱
高光谱遥感影像波段的增加使得影像的光谱分
辨率提高,但也引起了数据冗余;试验表明选取数目
更多、更有代表性的训练样本,,[6],但是
因此面向对
。
波段
选择是实现数据降维的过程,数据降维可以通过特
征提取和特征选择来实现。
最佳波段组合就是选择
一组或多组波段,使它们能够包含影像的最大信息
量,且数据冗余最小。
分类波段的选择可以选用传
统分类波段选择方法,如熵与联合熵等的基于信息
量的最佳波段选择、均值间的标准距离,离散度,B
距离等的基于类间可分性的最佳波段选择等,还可
利用植被指数、分形维数、信息量、方差最大最小值、
信噪比以及波段间的相关性等。
由于高光谱遥感影
像自身的特点,分类应该最大数量的应用其波段。
面向对象的影像分类中波段的选择分两步,一
是在多尺度分割前,利用已有的波段选择方法提取
出要用的波段,加载这些波段生成新的影像对象,二
是加载已有波段在影像分割时对所选用的波段设置
权重为1,其他波段设置权重为0,该权重为0的波
段在分割过程中不予考虑但在分类中仍考虑。
3.3 人机交互与知识库建立面向对象的方法是计算机的监督分类辅以手工分类的人工交互的方法,在信息提取过程中首先进行计算机自动分类然后通过目视解译将错分、漏分的对象作为样本赋到正确的类中,再进行计算机自动分类,重复直到达到满意的效果,或者直接手工将错分、漏分对像赋到正确的类中,目视达到满意效果。
手工赋类的方法比样本的重选择更直接、快捷,但是要求解译人员的业务素质较高,且耗费时间较长。
面向对象的高光谱遥感影像分类知识库是针对高光谱遥感影像分类的需要,采用面向对象方法的知识表示方式在计算机存储器中存储、组织、管理和使用的互相联系的知识片集合。
面向对象的高光谱
03遥感信息 遥感应用 2007.4
遥感影像分类体系以遥感影像的实际地物地貌为事
实知识,充分利用模糊数学的方法构造对象间的隶
属函数,根据隶属函数度来确定对象归属类,同时面
向对象的影像分类体系作为一棵决策树,它包含分
类任务中的所有类,并将这些类组织在一个等级结
构中。
分类体系中的每一类都有其自身属性、上下
继承及相邻属性,这些属性是由各类特征的成员函
数根据一定的逻辑关系组成的。
4 面向对象高光谱遥感分类实例
实验选用的数据是由国家高技术研究计划(863
计划信息获取与处理主题提供的OMIS高光谱遥
感影像,影像为北京中关村地区。
图像大小为536
×512,经纬度:
40.262377°N;116.258722°E本实验分为两部分:
①法进行分类;②,,根据
合三种方法进行分类。
采用软件为ENVI4.1和
eCognition专业版。
将影像分为水体、道路、房屋、植被和空地和阴影,为便于掩模,父类为水体和非水体,植被类下设子类植被1、植被2。
用ENVI对影像进行光谱角SAM、最大似然法和最小距离法分类,对分类结果进行比较,如彩色插页3图1所示。
用eCognition对影像进行分类处理:
①直接分类:
首先打开影像创建窗口加载所有波段并进行任意尺度的分割,选择光谱特征进行显示,通过特征选择显示去除噪声大的波段;再打开影像创建窗口,加载波段创建新的影像层;设置分割权重。
权重为零的波段在分类中被考虑但在分割中不被考虑,选择分割模式设置分割参数进行分割获取对象,如彩色插页3图2所示,设置待分种类名称及颜色;最后在不同对象层上选择分类样本或选择隶属函数设置隶属度进行分类。
对父类水体和非水体类在以普通分割模式分割的对象层上用隶属函数进行分类,如彩色插页3图3所示。
对水体和非水体类的子类采用最邻近法分类,在所有对象层上选择样本集中在光谱分割模式对象层上进行分类,分类结果如彩色插页3图4所示。
②基于主成分分析的分类:
首先用ENVI对影像数据进行主成分分析,提取第1、2、3、4主成分,然后在eCognition工程创建中加载这四个波段,进行
多尺度分割得到不同的对象层,并在各个对象层上选择样本采用最邻近法分类。
分类结果如彩色插页3图5所示。
③基于相关性分析的分类:
计算各波段间的相关性得波段间相关系数全部大于0.9的波段。
对每组分别进行主成分变换选择每组中信息量最大的波段,同时除去噪声大的波段。
建立新工程用最邻近法分类,将初次分类结果与原始影像或实地数据相比较进行查错,将错分对象和未分对象作为样本赋
到正确的类上再次分类,直到达到满意的效果,分类
结果如彩色插页3图6所示。
5 ,运用软件。
由分析结果可得,传统的分类方法较面向对象的分类方法精度要低,尤其体现在对阴影和水体的区分上,在传统的方法中这两类是不能够被区分的,同时由于环境和水深的影响水体的光谱差异大,使得水体在传统的几种分类中大部分不能被区分,“异物同
谱”现象使得道路和房屋等水泥构成物分类混淆。
基于面向对象的三种分类方法精度较传统方法的要
高。
由分类统计结果可知基于主成分分析和相关性
分析的面向对象的方法,由于去除了数据中的噪声
和冗余使得分割出的类特征明显,易于提取。
而直
接处理的方法对水体和阴影的区分度较低,排除人
为的干预外很难进行区分,而在基于相关性的方法
中用基于样本的最邻近法即可区分,但是基于主成
分分析和相关性分析的遥感影像处理方法不能充分
体现高光谱的特点,同时波段的组合和分割尺度的
设置对分类结果的精度影响很大,波段和尺度选择
越好分类效果越好。
面向对象方法的分类统计结果
如表1~3所示:
表1 直接分类的面向对象方法精度
类别
对象数正确分类数错误分类数正确率水体
27270100%道路
3730781.08%植被1
50500100%植被2
3733489.19%房屋
1917289.47%空地
27270100%阴影
4441393.18%分类总精度89.13%
1
32007.4 遥感应用 遥感信息
表2 基于主成分分析的面向对象方法的分类精度类别
对象数正确分类数错误分类数正确率水体
30300100%道路
8071988.75%植被1
119117298.32%植被2
4944589.8%房屋
42420100%空地
4442295.45%阴影
4031977.5%分类总精度91.83%表3 基于信息量的面向对象方法的分类精度类别对象数正确分类数错误分类数正确率水体39390100%道路90751533%植被19090100%植被25415房屋988%空地0100%阴影31977.5%分类总精度90.52%6 结 论本文在研究面向对象的方法应用于高光谱遥感影像分类的基础上,重点研究了高光谱遥感影像分类中的波段选择和多尺度分割等问题,并通过实例
进行了验证。
通过本文的研究,可以得出以下结论:
(1面向对象的高光谱影像分类的方法可以充分利用地物本身的信息,包括光谱信息、形状信息、纹理信息、上下文联系、继承信息等,影像分割后可以建立带有属性的多边形对象,而且由于加入了人的思维可以建立分类知识库,避免了重复作业,提高了分类效率。
采用面向对象的方法可以方便的区别水体和阴影等,因为面向对象的方法不仅仅利用光谱信息来进行分类,还综合考虑其它的信息尤其是
形状、纹理信息结合手工操作就能方便的区分光谱
信息类似的地物。
(2、删除再
使数据
;手工操作使得只要
应类上,产生与人类思维更加接近的分类结果。
面
向对象的高精度需要人为的大量参与,因此对操作
员的业务素质要求很高,而且花费的人力时间相对
于传统的分类方法要多;影像的分割使得某些信息
模糊引起分类中细节的忽略,因此分割尺度的设定
是关键。
(3面向对象高光谱遥感影像的分类精度不仅
仅依赖于分割尺度的大小,还与训练样本以及高光
谱特征空间的选择有关。
参考文献
1 明冬萍,骆剑承,周成虎,等.高分辨率遥感影像信息提取及块状基元特征提取研究[J].数据采集与处理,2005,20(1:
34~39.
2 杜凤兰,田庆久,夏学齐,等.面向对象的地物分类法分析与评价[J].遥感技术与应用,2004,19(1:
20~23.
3 章毓晋.图象分割[M].北京:
科学出版社,2000.1~4.
4 王小玲,谢康林.一种新的基于区域的图像检索方法[J].计算机工程与应用,2005(3:
80~82.
5 BKrishnaMohan.Analysisofimageryusingobjectorientedtechniques.http:
//www.Gisdevelopment.net/magazine/
years/2006/mar/30_1.htm.
6 Pi2FueiHsieh,DavidLandgrebe.Classificationofhighdimensionaldata[D].1998.
StudyonObject2orientedImage
ClassificationforHyperspectralRemoteSensing
YINZuo2xia,DUPei2jun
(ChinaUniversityofMiningandTechnology,Xuzhou221008
Abstract:
Theobject2orientedimageclassificationforhyperspectralremotesensingisproposedbasedontheconventionalpixel2basedprocessingapproachandnovelobject2orientedimageprocessingandanalysismethods.Somekeytechniquesinferredintheobject2orientedimageclassificationforhyperspectralremotesensingareanalyzed,includingmulti2scalesegmentation,opti2malwavebandsselection,man2machineinteractivesystemandestablishmentofknowledgebase.Byexperiment,itisshowedthattheobject2orientedimageclassificationforhyperspectralremotesensingcangethigheraccuracythanconventionalalgo2rithmsandhasmorepotentialapplications.
Keywords:
hyperspectral;object2orientedimageanalysis;classification;imagesegmentation;scale
2
3遥感信息 遥感应用
2007.4
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 面向 对象 光谱 遥感 影像 分类 方法 研究 资料