“四同”条件下周口城区高分一号遥感影像分类对比研究

发布时间：2020-12-30 10:31

　　目前大多数面向像元、面向对象遥感影像分类对比研究算法、软件、样本均不同,引入多方面系统误差导致结果一定程度上不严谨。为更准确比较2种分类方法,本文采用面向像元、面向对象2种分类方式,在同软件平台、同分类器、同训练样本、同验证样本,即"四同"条件下对2018年4月17日高分一号周口城区融合影像进行分类对比研究,并完成主、客观评价精度评价。结果表明:①"四同"条件下2种分类方式、CART(Classification and Regression Tree)、SVM(Support Vector Machine)、RF(Random Forests)3种机器学习算法均能识别周口城区主要地物类型,而面向对象的分类效果明显优于面向像元分类,与前人研究结论一致。其中面向像元分类效果最好的是RF算法,总体分类精度为78.02%,Kappa系数为0.72;面向对象分类效果最好的是RF算法,总体分类精度为93.40%,Kappa系数为0.92;②尽管由于光谱特征相似、分布交叉,单类别建筑用地、交通用地用户精度与生产者精度较低,但面向对象分类较面向像元分类效果明显提升,以RF分类为例,建筑用地生产者精度... 

【文章来源】：地球信息科学学报. 2020年10期 北大核心

【文章页数】：10 页

【部分图文】：

2018年4月17日周口城区GF-1融合影像

本文面向对象的分类方法流程依次为影像分割、最优特征集确定、机器学习分类、精度评价，具体如图2所示。(1）影像分割。分割是面向对象分类的前提。目前e Cognition软件多尺度分割算法应用较成熟[17]，因此本研究采用多尺度分割进行影像分割。该分割效果主要由影像图层权重、形状因子和紧致度因子、分割尺度决定[18]。

本文所涉及的样本包括训练样本、验证样本。训练样本容量每类应至少包含10～30n个，n为影像波段数，以保证某些分类算法中需要的方差-协方差矩阵计算[23]。本实验中高分一号融合影像共计4个波段，故n=4，即每类应至少包括40个训练样本。验证样本参考最小样本数规则，即每类至少50个[24-25]。另外，为减小样本受地物规则分布的影响，两样本分布均采用随机分布；为了使精度验证更科学，参考高分辨率近时相Google地图。结合实地踏勘数据，基于目视解译在Arc GIS中生成随机点完成研究区训练样本、验证样本制作，如图3所示。3.5 机器学习分类器

【参考文献】：
期刊论文
[1]基于无人机影像和面向对象随机森林算法的岩溶湿地植被识别方法研究[J]. 耿仁方,付波霖,蔡江涛,陈晓雨,蓝斐芜,余杭洺,李青逊.  地球信息科学学报. 2019(08)
[2]K-means和ISODATA聚类算法的比较研究[J]. 陈平生.  江西理工大学学报. 2012(01)
[3]多时相影像的典型区农作物识别分类方法对比研究[J]. 彭光雄,宫阿都,崔伟宏,明涛,陈锋锐.  地球信息科学学报. 2009(02)

硕士论文
[1]基于GF-2遥感影像的城镇地物信息提取分割尺度研究[D]. 袁泽.新疆大学 2016
[2]基于面向对象的高分辨率遥感影像水体信息提取优势研究[D]. 杜斌.云南师范大学 2014
[3]高分辨率影像面向对象分类特征选择方法研究[D]. 杨宁.西安科技大学 2012
[4]面向对象与基于像素的高分辨率遥感影像分类在土地利用分类中的应用比较[D]. 梁艳.太原理工大学 2012



本文编号：2947493