免费文献传递   相关文献

Application of object-oriented image analysis to land-cover classification in hilly areas

基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类



全 文 :第 34 卷第 12 期
2014年 12月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.34,No.12
Dec.,2014
http: / / www.ecologica.cn
基金项目:中国科学院战略性先导科技专项———应对气候变化的碳收支认证及相关问题(XDA05050106)
收稿日期:2013鄄10鄄14; 摇 摇 修订日期:2014鄄10鄄23
*通讯作者 Corresponding author.E鄄mail: zhaosh@ nju.edu.cn
DOI: 10.5846 / stxb201310142476
谭磊,赵书河,罗云霄,周洪奎,王安,雷步云.基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类.生态学报,2014,34(24):7251鄄7260.
Tan L, Zhao S H, Luo Y X,Zhou H K, Wang A, Lei B Y.Application of object鄄oriented image analysis to land鄄cover classification in hilly areas.Acta
Ecologica Sinica,2014,34(24):7251鄄7260.
基于对象特征的山东省丘陵地区多时
相遥感土地覆被自动分类
谭摇 磊,赵书河*,罗云霄,周洪奎,王摇 安,雷步云
(1. 卫星测绘技术与应用国家测绘地理信息局重点实验室,南京大学,南京摇 210023;
2. 江苏省地理信息技术重点实验室,南京大学,南京摇 210023; 3. 南京大学地理与海洋科学学院,南京摇 210023)
摘要:对于基于像元的土地覆被分类来说,植被的分类是难点。 使用多时相面向对象分类方法可以较好的解决这个问题。 以山
东省烟台市丘陵地区为研究区,采用 Landsat TM( Landsat Thematic Mapper remotely sensed imagery)、DEM(Digital Elevation
Model)、坡度、坡位、坡向等多种数据,利用基于对象特征的多时相分类方法对研究区进行土地覆盖自动分类。 首先对影像进行
多尺度分割并检验分割结果选取合适的分割尺度,然后分析对象的光谱、纹理、形状特征。 根据各类地物的光谱特征、地理相关
性、形状、空间分布等特征,明确类别之间的差异。 建立决策树使用隶属度函数进行模糊分类,借助支持向量机提高分类精度。
研究结果表明,通过使用多时相影像采用面向对象分类方法,相对于传统的基于像素的分类可以明显提高分类精度,尤其是解
决了乔灌草的区分问题。
关键词:对象特征;丘陵地区;土地覆被分类;支持向量机
Application of object鄄oriented image analysis to land鄄cover classification in
hilly areas
TAN Lei, ZHAO Shuhe*, LUO Yunxiao,ZHOU Hongkui, WANG An, LEI Buyun
1 Key Laboratory for Satellite Mapping Technology and Applications of State Administration of Surveying, Mapping and Geoinformation of China, Nanjing
University, Nanjing 210023, China
2 Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, Nanjing University, Nanjing 210023, China
3 School of Geographic and Oceanographic Sciences, Nanjing University, Nanjing 210023, China
Abstract: Remotely sensed imagery classification based on object鄄oriented image analysis plays an important role in
mapping land cover. The object鄄oriented classification method is more useful than that based on pixel classification. Texture,
shape and other features can be included in the object, which is generated after the segmentation. For a large area to be
classified, Landsat Thematic Mapper (TM) remotely sensed imagery can be used as the data source. Therefore, we used
TM images for object鄄oriented classification here. After selection of parameters for segmentation, we investigated how to
optimize the TM temporal resolution, thereby improving the classification accuracy. In the study area ( the city of Yantai,
China), pixel鄄based classification of vegetation can be a challenge. The use of object鄄oriented classification combined with
ancillary data such as multi鄄temporal characteristics, digital elevation model, slope, and slope direction can be a better
solution to this problem. This study is organized as follows. First, a segmentation algorithm, the multiresolution segmentation
based on the Fractal Net Evolution Approach (FNEA), is applied to the images. The shape parameter was set to 0.1 to
http: / / www.ecologica.cn
highlight the homogeneous pixels for imagery segmentation. The compactness parameter was set to 0.5 to equally balance the
compactness and smoothness of objects. Image layer weights of band1, band2, band3, band4 and band5 were all 1. We
then tested the segmentation results to evaluate whether the scale parameter was suitable for classification. Ten objects of
varying scale were visually selected from each category, and we then developed statistical spectral information of each band
to obtain the mean as spectral values of each category for small variances. Ten pure pixels of each corresponding category
were selected in the original image, the mean of which represented the spectral values of each band. We used linear
regression analysis in which y was the mean spectral value of the objects and x was mean spectral value of pure pixels. If
there was a good fit of y and x, the scale was considered reasonable. We chose L20, L40, and L80 scales ( the scale
parameters were set to 20 m, 40 m and 80 m) for classification based on the above results. According to spectral
characteristics, geographic origin, shape, and location, an interpretation signs library was established. We distinguished
categories by the characteristics of various types of objects. A decision tree was created, and we then used the membership
function for classification. When the membership of a segment was less than the default threshold values for all relevant
land鄄use categories, the segment was marked as unknown. Finally, a support vector machine was used to classify these
unknown category objects. We obtained 216 sample points from the Yantai study area. We assessed the accuracy of results
by the methods described above. This assessment gave an overall accuracy of 82.7%. We classified the same imagery using
the maximum likelihood method, together with the same ancillary data and expert knowledge. Overall accuracy of the results
was 64. 2%. Using the object鄄oriented classification method with multi鄄temporal images can significantly improve
classification accuracy compared with traditional pixel鄄based classification, especially in vegetation classification to
distinguish shrubs and grasses.
Key Words: object鄄oriented; hilly areas; land cover classification; support vector machine
摇 摇 传统的基于像素的分类方法都是利用影像的光
谱信息,根据待分类像元与某类像元的亮度特征的
相似性来将它们划分归类。 但是遥感图像中存在
“同物异谱冶和“同谱异物冶的现象,导致分类的复杂
性,从而引起错分和漏分的现象,使分类精度降
低[1鄄2]。 基于像元的分类方法仅仅利用了单一的光
谱信息,无法充分挖掘遥感数据中的纹理、形状及空
间关系等信息,造成了数据的浪费。 在很多情况下,
只有图像被分割为同质对象时,通过操作可以获得
这些对象的形状、纹理等在单个像元中无法获取的
信息,分类时操作的也不再是单个像素,而是把这些
分割出来的对象作为分类对象[3鄄7]。 这样,图像分析
的结果才有意义。
Kettig, Landgrebe 通过提取同质对象对多光谱
影像进行分类[8]。 通过同质对象的提取,使得具有
相似光谱特征的像元集合成一个对象,从而减少了
基于像元分类的错分和漏分现象。 Yu 等在北加利
福尼亚州的实验中证明了对于植被的面向对象分类
可以克服基于像元分类中的椒盐噪声的问题[9]。
Benz用多尺度分割的方法对多光谱图像进行了面向
对象的模糊分类[10]。 发现通过多尺度分割可以获
取更加合理尺度的对象,从不同尺度来区分地物类
别。 Su等在对影像进行分割之后,又用移动窗口计
算了对象的灰度共生矩阵(GLCM)以提高纹理信息
在分类中的应用[11]。 Pakhale 等对使用 Landsat鄄 7
Etm+ 数据进行基于像元分类和面向对象分类的结
果进行了比较[12],发现面向对象分类的效果要明显
优于基于像元分类。 Myint 等使用高分辨率影像分
别用基于像元和面向对象分类方法对城市地区地物
进行提取,并比较了结果[13],证明了针对复杂地物
分类时,面向对象分类方法的优越性。
面向对象分类方法的应用越来越广泛。 但是,
目前面向对象分类中分割参数的设置多用经验参
数,即考虑影像的空间分辨率和地物的大小进行多
次尝试后,选择分割较好的结果。 同时,没有对于参
数是否合适的定量评判。 再者,以往的面向对象分
类研究中多使用高空间分辨率图像[14鄄17],而高分影
像不适合大面积区域的分类。 大面积地区分类一般
使用的 TM影像无法照搬很多高分影像面向对象分
类的方法。 面向对象分类应用到省域土地覆被的相
2527 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
关研究也较少。
因此,本文将提出一个适用性强的大范围区域
分类方法,面对土地覆盖分类任务时提高自动分类
比例,确保满足精度要求的前提下减少人为干预。
由于使用 Landsat TM 影像对乔灌草分类的精度较
低,所以充分利用 DEM、slope 等辅助数据再加以多
时相数据和相关的自然地理知识的参数化来尽可能
的准确区分乔灌草,同时将分类系统的类别细化到
二级类。
1摇 研究区和数据
1.1摇 研究区概况
研究区如图 1所示,烟台市地处山东半岛东部,
位于东经 119毅34忆—121毅57忆,北纬 36毅16忆—38毅23忆,
南部和北部靠海。 烟台地形是低山丘陵区,山丘起
伏和缓,沟壑纵横交错。 山地占 36. 62%,丘陵占
39郾 7%,平原占 20.78%,洼地占 2.90%。 低山区位于
市域中部, 海拔在 500 米以上,最高峰为昆嵛山,海
拔 922.8 m。 丘陵区分布于低山区周围及其延伸部
分,海拔 100—300 m。 烟台为暖温带大陆性季风气
候。 因烟台市域降水较充沛,空气湿润,气候温和,
低山丘陵一年四季林木葱茏。 水文方面,市域内,河
网较发达,中小河流众多,长度在 5 km以上河流 121
条。 天然植被为暖温带落叶阔叶林。 针叶树以日本
赤松为代表。 植物区系中有亚热带成分,还有东北
区系成分。 20 世纪初引种了黑松、日本落叶松等树
种。 滨海草甸植被在莱州湾胶莱河口东岸盐滩和南
部海湾滩分布有盐生草甸。 建成区面积 495.6 km2,
道路长度 2899 km,道路面积 6065 m2。 农作物播种
面积 557794 hm2。
图 1摇 烟台市地理区位图
Fig.1摇 The location of study area
1.2摇 数据
本文中主要使用的影像数据如表 1 所示。 另
外,还使用 ASTER GDEM数据。
Landsat影像数据经过几何校正、辐射定标、大
气辐射校正、云监测和补云覆盖区域等预处理。 利
用冬季影像经计算得到冬季 NDVI 数据。 利用 DEM
数据处理获得坡度、坡向和坡位数据。
表 1摇 研究区影像列表
Table 1摇 The remote sensing data
季节
Season
标号
Label
卫星
Satellite
行列号
Path
行列号
Row
日期
Date
云量 / %
Cloud cover
夏季 Summer 01 Landsat 5 119 34 2010鄄09鄄13 0
02 Landsat 5 120 33 2010鄄08鄄16 1
03 Landsat 5 120 34 2009鄄07鄄15 5
冬季 Winter 04 Landsat 7 119 34 2010鄄03鄄27 0
05 Landsat 7 120 34 2010鄄02鄄16 1
06 Landsat7 119 34 2010鄄01鄄24 0
07 Landsat7 120 34 2009鄄10鄄27 2
3527摇 24期 摇 摇 摇 谭磊摇 等:基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类 摇
http: / / www.ecologica.cn
2摇 研究方法
本文根据不同类别地物的特征进行多尺度分
割。 讨论分割参数的选取,并对分割结果进行检查,
评价其适合性。 根据各类地物的光谱特征、地理相
关性、形状、位置特征等,明确类别之间的差异。 建
立决策树使用隶属度函数模糊分类。 最后借助支持
向量机分类器进行分类精度的提高。 得到分类结果
后用实地验证点进行精度评价,并与基于像元的最
大似然分类进行比较。 本文的技术路线如图 2
所示。
图 2摇 面向对象与基于像元分类技术流程图
Fig.2摇 Technique flowchart of object鄄oriented classification and pixel鄄based classification Flow chart
2.1摇 多尺度分割方法与分割结果评价
在本文中使用了基于分形网络演化法的多尺度
分割。 多尺度分割是针对不同土地覆盖类型的尺度
效应,解决所产生斑块与真实地物边界拟合的问
题[18]。 每个土地覆盖类型都有各个的拟合尺度,多
尺度分割可以让每个类型在各自的尺度上有较好的
空间斑块信息表达,分割后避免了分类中出现的“椒
盐冶现象,产生丰富的地物斑块的内部纹理信息、几
何属性、空间关系、尺度关联等信息。
分割参数为 shape (形状), compactness (紧致
度),scale(尺度)。 Shape和 compactness两个参数可
以设置 0 到 1 之间的任意值,这两个参数用于控制
对象 的 同 质 性。 Shape 调 节 光 谱 的 同 质 性,
compactness平衡紧致度和平滑度使对象的形状介于
平滑边界和紧密边界之间。 Compactness 参数仅在
shape大于 0时会起作用。 Scale 参数控制对象的大
小来满足用户对其送包含细节的要求,被认为是分
割中最重要的参数。 Scale 的值越大分割的对象尺
度越大类似于小比例尺的制图要求,值越小生成的
对象的尺寸就越小。 在分割中还可以修改图像不同
波段对分割影像的权重值,TM6 波段不参与分割权
重为 0,其余波段权重为 1。
4527 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
在本实验中 shape 设置为 0.1,比起几何形状给
予光谱信息更大的权重。 compactness 设置为 0.5 来
均衡考虑对象的紧致度和平滑度。 在尝试了不同的
尺度等参数后进行定性的评价,10—100的尺度是比
较适于用来研究的。
为了评价分割的尺度是否适于分类,在 10 到
100之间以 10递增共 10 个不同的尺度中每个一级
类别分别选择 10 个对象来用于分析。 这十个对象
是通过目视的方法进行选取的,在同一类中尽可能
的选取差异大的对象。 用这些对象每个波段的均值
来生成判别函数,然后看这些对象是否能够被有效
的分开。 分割结果可分性检查如表 2 和图 3 所示。
最后评价的结果是尺度越小,各类别的可判别性
越好。
图 3摇 分割结果可分性检查
Fig.3摇 The analysis of segmentation results
另外,为了评价选择分割尺度的合理性,本文提
出一种“纯像元比对法冶。 鉴于之上的分析结果,在
小于尺度 80 时除了草地其它类别的可分性高于
80%。 选取 20、40、60、80 等 4 个尺度进一步进行纯
像元比对法。 在分割之后的对象中每个一级类别目
视选取 10 个对象,然后统计其每个波段的光谱信
息,获得均值和方差,在方差较小的前提下用均值代
表该类别的各波段光谱值。 在原始图像中选取对应
类别的纯像元 10 个,同样获取其光谱的均值方差,
用均值代表该类别的各波段光谱值。 将对象各波段
均值和纯像元各波段均值分别作为两个变量然后进
行线性回归分析,若较好的满足 y= x关系,则说明该
分割尺度合理。 实验结果如表 2所示。
可见尺度越大,R2越小。 合适分割尺度的选取
需要综合考虑以上两次的检验结果,在保证可分性
和光谱信息纯净的条件下再挑选尺度。 在本实验
中,挑选了 L20、L40、L80 共 3 个尺度。 在 L80 下水
体和人工表面是可分的,L40 用于分旱地,L20 用于
区分林地和草地的二级类。 本文挑选的 3 个分割尺
度与原图的对比如图 4所示。
表 2摇 分割结果纯像元比对法线性回归结果
Table 2摇 Linear regression to results of segmentation
R2 L20 L40 L60 L80
水体 Water 0.982 0.975 0.97 0.951
人工表面 Building 0.967 0.939 0.923 0.905
林地 Forest 0.916 0.892 0.866 0.821
草地 Grassland 0.878 0.864 0.837 0.763
旱地 Nonirrigated farmland 0.948 0.913 0.881 0.836
摇 摇 L20,L40,L60,L80是 Scale为 20、40、60和 80的分割结果
L20,L40,L60 and L80 are the results of segmentation when scale are 20,
40,60 and 80
图 4摇 分割尺度与原图对比(上 L20,左 L40,右 L80)
Fig.4摇 Comparison original image and segmentation results
2.2摇 特征提取分析
特征提取是通过图像变换对原数据进行压缩。
在本文中对 TM影像的夏季数据进行了主成分变换
和缨帽变换。
因为经过分析从下表可以看出变换后的前 3 个
分量包含了影像的 99.78%信息,本实验选择输出主
成分变换前 3个分量。
PCA变换后的第一波段中,水体道路信息十分
明显,植被与非植被也有很好的区分,如图 5所示。
缨帽变换的第二分量绿度,它是可见光波段植
物光合作用吸收与近红外植物强反射的综合响应,
与植被覆盖、叶面积指数和生物量有很大的相关性,
在植被分类可以起到良好辅助作用。
5527摇 24期 摇 摇 摇 谭磊摇 等:基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类 摇
http: / / www.ecologica.cn
表 3摇 主成分变化后各分量信息量
Table 3摇 The component of PCA
分量 Component 1 2 3 4 5 6 7
特征值 Eigenvalue *********** 100178.284 67643.1694 17591.056 1343.3137 425.8484 360.4417
百分比 Percent 97.92% 99.03% 99.78% 99.98% 99.99% 100.00% 100.00%
图 5摇 PCA变换第一波段灰度图
Fig.5摇 The first principal component of PCA
2.3摇 分类
采用人工与自动相结合的方法,对于影像光谱
划分机理清楚的类型采用人工建树方法,对于类型
的光谱变化比较大、规律不清楚的类型采用自动方
法,既可提高效率、又能达到一定的精度。 人工建树
方法主要针对大光谱特征、时间过程有明显的差异
的一级分类或大类,规律性较强,如植被与非植被、
落叶与非落叶等,在此基础上进一步自动方法细分
类型。 生成的决策树尽可能的采用二叉分类,如图 6
所示。
图 6摇 分类决策树
Fig.6摇 The decision tree of classification
摇 摇 在使用隶属度函数分类时主要用的判别函数类
型有以下 3种,如图 7所示。
(1)植被与非植被
决策树第一层的分类对于整个分类结果的影像
至关重要。 本文中确定以植被和非植被的区分来作
为第一层分类。 为了避免植被边界的错误造成之后
分类的累积误差,所以选取了 L40 分割尺度用于分
类。 使用的特征有 NDVI、缨帽变换后的绿度分量。
NDVI> 0. 45 ( Midpoint) 和 GVI > 900 ( Midpoint ) 为
植被。
6527 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
(2)人工表面和水体
在非植被中区分人工表面和水体。 选取 L80 分
割尺度,使用的特征有 band4、band5、缨帽变化后的
湿度分量。 band4 臆 1800, band5 臆 1400。
(3)水体二级类区分
图 7摇 分类判别函数
Fig.7摇 The Discriminant function of classification
摇 摇 先依据 length逸45pxl and length / width逸2.4 将
水体划分为河流和面状水体两类。 将水体对象进行
Merge region将已经划分为水体类别的相邻对象合
并成大对象。 在面状水体中 Area ( including inner
polygons)逸850pxl可以分为湖泊,Area<850pxl 的为
水库 /坑塘。
(4)人工表面中的二级类区分
先依据 length / width逸3.8 将人工表面划分为交
通用地和面状人工表面。 然后在面状人工表面中
Band5<2680为居住地。 Rel.border to 居住地>0.5 为
裸土,Rel.border to 林地>0.5 or Rel. border to 草地>
0郾 5为裸岩。 其余为盐碱地。
(5)林地和非林地
在植被大类中,由表 4 林地与非林地的 GLCM
contrast 统计量可知,对于林地和非林地 GLCM
contrast 有明显差异,两类之间可分性强。 因此,
GLCM Contrast>710划分为林地,其余为非林地。
表 4 摇 林地与非林地 GLCM contrast统计量
Table 4摇 The GLCM contrast of woodland and non鄄forest
灰度共生矩阵统计量
GLCM contrast statistics
林地
Woodland
非林地
Non鄄forest
数量 Quantity 85 75
均值 Mean 1083.23 556.66
标准差 Standard deviation 253.47 86.51
极小值 Minima 709.68 373.88
极大值 Maxima 1857.07 718.06
(6)非林地中的二级类区分
在非林地中 EVI < 0. 44 和 Mean DEM > 80 和
Mean slope>5.7为草地,否则为旱地。 在草地中根据
Rel.border to 居住地>0.5 归为草本绿地,Rel. border
to盐碱地>0.5归为草甸。 Rel.border to 旱地>0.5 为
草丛。
(7)林地中的二级类分类
winter NDVI>0.38 划分为常绿林,winter NDVI<
0.38为落叶林。 根据华北植物区系,山东省内无自
然常绿阔叶林分布,人工绿化的常绿阔叶林由于面
积小多分布于城市内故划归为乔木绿地。 常绿林直
接归类为常绿针叶林,落叶林中又分为落叶阔叶林、
落叶针叶林、落叶阔叶灌木林和乔木绿地。 mean
DEM>300、slope direction<22.5、slope direction>192.5
和 -1SD CLCM mean < 300 为落叶阔叶灌木林;TPI > 1SD 和
CLCM mean<300为落叶阔叶林;Rel.border to居住地
>0.5为乔木绿地。
因为在植被分类中,二级类的区分难度较大,存
在着隶属度函数未能分出的不确定类,所以利用野
外采样点来进行样本训练以进行监督分类。 由于野
外采样点的数量有限,常用的最近邻分类就显得捉
襟见肘不足以应对,而支持向量机(SVM)可以提供
稳定的分类精度支持[19]。 图 8 是基于 SVM 的分类
结果,将之前的无法进行类别提取的区域(左图黑色
斑块)进行了归类。
3摇 分类结果与精度评价
图 9为使用上述方法得到的山东省烟台市土地
覆盖分类结果图。
7527摇 24期 摇 摇 摇 谭磊摇 等:基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类 摇
http: / / www.ecologica.cn
利用野外采样点对分类结果进行精度检验,得
出分类结果的总体精度为 82.7%。 为了更细致的分
析分类精度,剔除旱地类别,着重对植被分类结果进
行评价。 通过计算植被分类结果的混淆矩阵进行精
度评价。
图 8摇 支持向量机分类效果图
Fig.8摇 The result of SVM
表 5摇 分类结果精度评价的混淆矩阵
Table 5摇 The Error Matrix of classification result
分类结果
Classification results
实际地类 The real situation
乔木绿地
High鄄forest
草地
Grassland
湖泊
Lake
人工表面
Building
常绿针叶林
Evergreen
coniferous
forest
落叶阔叶林
Deciduous
broad鄄leaved
forest
落叶针叶林
Deciduous
coniferous
forest
落叶阔叶
灌木林
Deciduous
broad鄄leaved
shrub forest
总体
overall
生产者
精度 / %
The producer
accuracy
乔木绿地 High鄄forest 30 3 0 1 0 1 0 0 35 85.7
草地 Grassland 5 17 0 0 0 0 0 0 22 77.2
湖泊 Lake 0 0 13 1 0 0 0 0 14 92.9
人工表面 Building 2 0 0 12 0 0 0 0 14 85.7
常绿针叶林
Evergreen coniferous
forest
0 1 0 0 18 2 2 2 25 72.0
落叶阔叶林
Deciduous broad鄄leaved
forest
3 1 0 0 0 22 1 0 27 81.5
落叶针叶林
Deciduous coniferous
forest
0 0 0 1 0 6 2 9 66.7
落叶阔叶灌木林
Deciduous broad鄄leaved
shrub forest
0 0 0 0 2 1 0 7 10 70
总体 overall 40 22 13 14 21 26 9 11 156 —
用户精度 / %
The producer accuracy 75 77.2 100 85.7 85.7 84.6 66.7 63.6 — —
总体精度摇 摇 摇 = 80.1%;摇 Kappa系数摇 摇 摇 摇 = 0.76
Overall accuracy摇 摇 摇 摇 摇 摇 Kappa Coefficient
摇 摇 为了与面向对象的分类结果进行比较,本文对
同研究区进行了最大似然法分类。 在研究区内选取
了各地物类别的典型样本,然后利用最大似然法进
行分类,采用了和面向对象分类相同的特征参数和
辅助数据。 最大似然法分类结果的精度为 64.2%。
最大似然法分类后,对于草地、林地的分类结果差,
8527 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
图 9摇 面向对象分类结果图
Fig.9摇 The result of object鄄oriented classification
是导致分类精度低的主要原因。 由上可见,多时相
影像面向对象分类相比于基于像元的分类,可以很
好的改善分类结果的精度。
4摇 结论与讨论
面对大区域的土地覆盖分类问题时,高精度、快
速的自动分类方法的研究显得尤其重要和迫切。 因
为唯有如此才能将工作者从繁重的目视解译工作中
解放出来。 本文使用的分类方法为利用多时相图像
的面向对象分类方法结合支持向量机分类器的辅助
以进行分类。 通过精度评价和与基于像元分类方法
的比较,可以确信这种方法可以有效的提高分类精
度。 尤其是在植被分类中,本文使用多时相面向对
象分类方法,相对于基于像素的分类可以明显提高
分类精度,尤其是解决了乔灌草的区分问题,可以很
好的区分各植被的子类,能够满足土地利用分类的
要求。 基于像元分类方法和面向对象分类方法对耕
地、建筑用地、水体的分类精度十分接近,精度的差
别主要在林地和草地。 基于像元分类之所以对林地
和草地的分类精度低于面向对象分类,是由于面向
对象方法一开始就通过多尺度分割形成了内部均质
的对象,后期的分类过程中不会拆解这些对象,从而
保证了对象内部像元不会有部分出现错分的现象。
而基于像元的分类过程中,难免会出现部分像元的
错分。
实验区位于北方,地物分布相对规范且聚集性
较好。 在江南地区水系密集地区(地物之间互相交
错分布)可能此方法的实用性会受到限制,需要诉诸
于更高空间分辨率的图像。
在分割过程中本文先进行了多个尺度的分割再
评价其适合性,接下来应该研究最适尺度和图像中
的地物光谱信息的相关性,以期可以通过地物光谱
信息推算出分割的最佳尺度。 同时,分类中对于道
路信息的提取不足,提取出的道路连贯性欠佳。 荷
花塘等有水生植物覆盖的水体未能正确提取。 这些
问题都有待解决。
References:
[ 1 ] 摇 Guo Hang, Zhang Xiaoli.Current Status and Developing Trend in
Vegetation Classif ication Based on RS Technology. World Forestry
Research, 2007, 20(3):14鄄19.
[ 2 ] 摇 Zhang Yinhui, Zhao Gengxing. Classification Methods of Land
Use / Land Cover Based on Remote Sensing Technologies. Journal
of China Agricultural Resources and Regional Planning. 2002, 23
(3): 21鄄25.
[ 3 ] 摇 Linke J, McDermid G J. A conceptual model for multi鄄temporal
landscape monitoring in an object鄄based environment. IEEE
Journal of Selected Topics in Applied Earth Observations and
Remote Sensing, 2011, 4(2): 265鄄271.
[ 4 ] 摇 Budreski K A, Wynne R H, Browder J O, Campbell J B.
Comparison of segment and pixel鄄based non鄄parametric land cover
classification in the Brazilian Amazon using multitemporal landsat
TM / ETM + imagery. Photogrammetric Engineering and Remote
Sensing, 2007, 73: 813鄄827.
[ 5 ] 摇 Blaschke T. Object based image analysis for remote sensing.
ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65
(1): 2鄄16.
[ 6 ] 摇 Lu D, Weng Q. A survey of image classification methods and
techniques for improving classification performance. International
Journal of Remote Sensing, 2007, 28(5): 823鄄870.
[ 7 ] 摇 Blaschke T. Object based image analysis for remote sensing.
ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65
(1): 2鄄16.
[ 8 ] 摇 Kettig R L, Landgrebe D A. Classification of multispectral image
data by extraction and classification of homogeneous objects. IEEE
Transactions on Geoscience Electronics, 1976, 14(1): 19鄄26.
[ 9 ] 摇 Yu Q, Gong P, Clinton N, Biging G, Kelly M, Schirokauer D.
Object鄄based detailed vegetation classification with airborne high
9527摇 24期 摇 摇 摇 谭磊摇 等:基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类 摇
http: / / www.ecologica.cn
spatial resolution remote sensing imagery. Photogrammetric
Engineering and Remote Sensing, 2006, 72(7): 799鄄799.
[10] 摇 Benz U C, Hofmann P, Willhauck G, Lingenfelder I, Heynen M.
Multi鄄resolution, object鄄oriented fuzzy analysis of remote sensing
data for GIS鄄ready information. ISPRS Journal of Photogrammetry
and Remote Sensing, 2004, 58(3 / 4): 239鄄258.
[11] 摇 Su W, Li J, Chen Y. Textural and local spatial statistics for the
object鄄oriented classification of urban areas using high resolution
imagery. International Journal of Remote Sensing, 2008, 29(11):
3105鄄3117.
[12] 摇 Pakhale G K, Gupta P K. Comparison of advanced pixel based
(ANN and SVM) and object鄄oriented classification approaches
using Landsat鄄 7 Etm+ Data. International Journal of Engineering
and Technology, 2010, 2(4): 245鄄251.
[13] 摇 Myint S W, Gober P, Brazel A, Grossman鄄Clarke S, Weng Q H.
Per鄄pixel vs. object鄄based classification of urban land cover
extraction using high spatial resolution imagery. Remote Sensing of
Environment, 2011, 115(5): 1145鄄1161.
[14] 摇 Yu Q, Gong P, Clinton N, Biging G, Kelly M, Schirokauer D.
Object鄄based detailed vegetation classification with airborne high
spatial resolution remote sensing imagery. Photogrammetric
Engineering and Remote Sensing, 2006, 72(7): 799鄄811.
[15] 摇 Chen X, Yu S X. Multi鄄level forest classification of quickbird
remote sensing image based on objects. Remote Sensing
Technology and Application, 2009, 24(1): 22鄄26.
[16] 摇 Zhang J, Yu Q G, Hou J H. Object鄄oriented classification and
information extraction based on high spatial resolution remote
sensing image. Remote Sensing Technology and Application,
2010, 25(1): 112鄄117.
[17] 摇 Qiu J X, Wang X K. A comparative study on object鄄based land
cover classification in high spatial resolution remote sensing
imagery of urban areas. Remote Sensing Technology and
Application, 2010, 25(5): 653鄄661.
[18] 摇 Peng H T, Ke C Q. Study on object鄄oriented remote sensing image
classification based on multi鄄levels segmentation. Remote Sensing
Technology and Application, 2010, 25(1): 149鄄154.
[19] 摇 Tzotsos A, Argialas D. Support vector machine classification for
object鄄based image analysis. Object鄄Based Image Analysis. 2008.
663鄄677.
参考文献:
[ 1 ] 摇 郭航, 张晓丽. 基于遥感技术的植被分类研究现状与发展趋
势. 世界林业研究, 2007, 20(3): 14鄄19.
[ 2 ] 摇 张银辉, 赵庚星. 土地利用 /土地覆盖遥感分类方法的研究综
述. 中国农业资源与区划 2002, 23(3): 21鄄25.
0627 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇