面向对象最优分割尺度下的茶园提取

发布时间：2021-12-12 07:31

　　针对现有的高分辨率遥感影像面向对象分类确定最优分割尺度研究中,大多仅考虑了对象光谱特征而忽略了对象空间特征的局限性,采用RMNE（the ratio of mean difference to neighbors（Abs） to entropy）方法,以高分二号（GF-2）影像为数据源,利用影像纹理信息熵作为对象内部同质性指标,对象光谱均值与邻域光谱均值差分绝对值作为对象之间异质性指标,并结合目视确定茶园最优分割尺度为170,进而利用面向对象分类方法实现了茶园提取。结果表明,基于RMNE方法确定最优分割尺度获取的分割结果,较为符合真实的茶园对象边界,并且该分割尺度下的茶园提取生产者精度达到96.76%,用户精度达到83.60%。 

【文章来源】：测绘与空间地理信息. 2020,43(12)

【文章页数】：4 页

【部分图文】：

研究区融合影像

影响影像多尺度分割好坏的因素有分割尺度、形状因子、紧致度因子、波段权重等。通过预实验发现，分割尺度小于50时，分割对象过于破碎;分割尺度大于230时单个分割对象内含有两种及以上地物类别。因此，本文实验设定多尺度分割的分割尺度范围为50—230，以20为步长进行分割;考虑到高分辨率影像具有较明显的形状特征，因此适当调高形状因子权重为0.2，光谱因子权重为0.8，紧致度因子和光滑度因子权重各为0.5;影像4个波段权重均设为1。在设定分割参数后，依次计算每个分割尺度下RMNE的值。根据公式(1)至公式(5)计算不同分割尺度的F(ENT)、F(ΔCL)以及RMNE，结果如图2所示。由图2(a)可知，分割尺度从50到110时，影像对象信息熵先增大后减小，在尺度为110时达到一个局部极小值，同理，在尺度为170和230时F(ENT)也出现了极小值点，即在这3种尺度下影像对象内部同质性最好;由图2(b)可知，分割尺度从50到110时，影像对象与领域均值差分绝对值在呈缓慢上升，在尺度为110时达到一个局部极大值，同理，在尺度为170和230时，F(ΔCL)也出现了极大值点，在极大值点处，3种尺度下影像对象之间异质性最好;由图2(c)可知，RMNE在尺度为110、170和230时出现极大值点。因此，根据最优分割尺度的选择依据，分割尺度为110、170和230时即为最优分割尺度。选择这3种尺度进行多尺度分割实验，图3为3种尺度的局部分割结果，影像为标准假彩色NIR、R、G合成。不同的地物对应着不同的最优分割尺度，由于本文是对研究区茶园进行提取，因此需要获得较为准确的茶园边界。从目视分析来看，相比于图3(b)的结果，图3(a)茶园对象较为破碎，存在轻微过分割现象;图3(b)的结果相对符合真实茶园种植边界，并且该尺度下(Scale=170)所计算的RMNE的值最大，而图3(c)矩形框中茶园与部分林地没有完全分割开，存在轻微欠分割现象。综合整幅影像分割结果目视分析，本文研究的茶园最优分割尺度为170。

根据2.2节中所选的影像对象特征，采用随机森林分类器进行茶园提取。随机森林分类器由一组决策树进行预测的集成分类器，可以在少量训练样本情况下构建分类规则，泛化能力强且不容易过拟合，分类性能优异。根据3.1节所确定的茶园最优分割尺度为170，本文基于该尺度下的分割结果进行茶园提取，并选用生产者精度(Producer accuracy,PA)、用户精度(User accuracy,UA)、总体分类精度(Overall accuracy,OA)和Kappa系数作为精度评价指标进行茶园提取效果定量评价。同时，为比较轻微的欠分割与过分割对茶园提取精度的影响，对110和230尺度下的分割结果进行茶园提取，茶园提取的精度评价结果见表1，分割尺度下170茶园提取的PA、OA、Kappa系数最高，分别为96.76%、90.02%、0.80，表明良好的分割尺度是提高分类精度的前提;同时，分割尺度为110和230下的OA相比于170分割尺度下的OA小1%—2%,Kappa系数小0.1—0.3，表明轻微的欠分割与过分割对分类精度无明显影响，这与文献[4]得出的结论是一致的。茶园3种尺度下的茶园提取结果如图4所示，经与同时期Google Earth影像对照发现，茶园与水体、建筑及裸地能较好地区分，少数错分区域主要集中在林地，这是因为部分林地在光谱、颜色、亮度特征上与茶园较为接近，而且茶树生长发育情况不一样也会影响最终的分类结果。从总体的目视分析结果看，170分割尺度下茶园提取结果与真实茶园分布较为符合，表明本文所选取最优分割尺度下的茶园提取结果具有较高的准确度。4 结束语

【参考文献】：
期刊论文
[1]基于RMNE方法的多尺度分割最优分割尺度选取[J]. 毛宁,刘慧平,刘湘平,张洋华.  国土资源遥感. 2019(02)
[2]基于中尺度光谱和时序物候特征提取南方丘陵山区茶园[J]. 马超,杨飞,王学成.  国土资源遥感. 2019(01)
[3]基于易康软件的QuickBird遥感影像林分类型识别——以福建省将乐林场为例[J]. 毛学刚,姚瑶,陈树新,刘家倩,杜子涵,魏晶昱.  南京林业大学学报(自然科学版). 2019(01)
[4]利用模糊综合评判进行面向对象的遥感影像变化检测[J]. 冯文卿,张永军.  武汉大学学报(信息科学版). 2016(07)
[5]基于资源三号卫星影像的茶树种植区提取[J]. 徐伟燕,孙睿,金志凤.  农业工程学报. 2016(S1)
[6]赣州稀土矿山高分辨率遥感影像分割的最优尺度选取[J]. 袁秀华,罗卫,王聪颖.  测绘与空间地理信息. 2013(09)
[7]高分辨率遥感图像分割的最优尺度选择[J]. 刘兆祎,李鑫慧,沈润平,朱枫,张凯,王恬,王媛媛.  计算机工程与应用. 2014(06)
[8]一种面向对象的高分辨率影像最优分割尺度选择算法[J]. 张俊,汪云甲,李妍,王行风.  科技导报. 2009(21)



本文编号：3536264