面向對象的遙感影像分類技術

關于面向對象的遙感影像分類技術面向對象的高分辨率遙感影像分類技術研究1.面向對象的遙感分類概述是一種基于目標的分類方法，這種方法可以充分利用高分辨率影像的空間信息，綜合考慮光譜統(tǒng)計特征，形狀，大小，紋理，相鄰關系等一系列因素，得到較高精度的信息提取結果。最主要特點：分類的最小單元是由影像分割得到的同質影像對象（圖斑），而不再是單個像素。技術關鍵：多尺度影像分割技術基于規(guī)則的模糊分類技術。第2頁,共26頁，星期六，2024年，5月2.面向對象的遙感分類優(yōu)勢（1）針對分割形成的影像對象單元進行其特征的提取，可以充分地利用高分影像數(shù)據的光譜、紋理和形狀特征等空間幾何屬性信息。（2）基于區(qū)域同質性原則和多尺度分割的基礎上，減少了影像像元光譜差異影響，針對不同地物能取得較好的分類效果。（3）以影像分割的對象單元為單位進行影像的分類，將大大地提高遙感影像的分類的速度。（4）有效減少了遙感影像數(shù)據的“同質異譜”及“異質同譜”和基于像素分類的“椒鹽”現(xiàn)象。（5）面向對象的分類技術還能促進多源GIS數(shù)據之間的利用和融合。面向對象的高分辨率遙感影像分類技術研究第3頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究3.研究方法將遙感影像分割成與實際的地物類別相對應的一個個影像對象的實體單元，然后針對影像的對象分割單元提取對象的多空間特征值進行處理分析，建立多特征對象的分類體系，面向對象的分類技術充分使用了高分遙感影像的空間幾何、紋理特征和光譜等特征屬性信息，最后利用影像的分類算法完成了最終的分類步驟第4頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究4.遙感影像分類技術方法的總體比較第5頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究5.遙感圖像的分割技術——面向對象分類的關鍵技術之一基本思想是將一幅遙感圖像依據區(qū)域異質性規(guī)則分割成一個個有意義的子區(qū)域的集合，分割結果的質量直接決定了分類精度的高低。主要方法

基于邊界分割的方法基于區(qū)域分割的方法第6頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究5.1基于邊緣的分割基本原理

是首先先要確定邊緣的象素，并通過連接這些邊緣像素在一起來形成所要的邊界。邊緣之所以存在就是由于兩個相鄰的區(qū)域之間具有了不同的大小灰度值，邊緣的檢測主要就是利用一階的導數(shù)和二階的導數(shù)來進行檢測。階梯形狀表明了處于圖像里兩個擁有不等的灰度大小的相鄰區(qū)域，脈沖形狀則表示了對應的灰度值發(fā)生突變的圖像區(qū)域的集合，針對圖（a）和（b）來說，一階導數(shù)表示了在圖像中從暗變明整個變化過程的位置處有1個階躍，即用其來檢測邊界是否是存在的，邊緣位置的檢測則是通過利用求解二階導數(shù)的過0點來具體得到的；相對(c)來講，其脈沖的上升沿與下降沿正好就分別對應了2個二階導數(shù)過0點的位置；針對(d)來說，屋頂形狀的邊緣來檢測屋頂?shù)奈恢脛t是由剖面的一階導數(shù)過0點來統(tǒng)一確定的。第7頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究5.1基于邊緣的分割邊緣檢測梯度算子：是一種矢量，對應的就是圖像的一階單數(shù)算子，檢測邊緣灰度值變化敏銳的效果較好拉普拉斯算子：一個二階導數(shù)，是沒有方向性的標量算子，相比于梯度算子的計算量要小，由于不提供邊緣方向信息，一般用在邊緣像素已知的情況之后，主要是來確定該像素在圖像的明暗哪個區(qū)域第8頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究5.1基于邊緣的分割邊緣連接由于邊緣檢測的方法，圖像噪聲會產生間斷現(xiàn)象，因此需要通過邊緣連接的方法形成完整有意義的封閉邊界主要方法：鄰域連接法全局鏈接法

霍夫變換第9頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究5.2基于區(qū)域的分割基本原理：將各個圖像象元劃歸到各個子區(qū)域中，依據相似性準則直接取出滿足特征相似條件的圖像區(qū)域。主要方法：

閾值分割

區(qū)域增長

分裂-合并第10頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究5.2基于區(qū)域的分割閾值分割：通過預設閾值大小將圖像進行分割，基礎則是圖像灰度的直方圖。主要分為全局、自適應和最佳的閾值分割區(qū)域增長：是以種子像素為基本單位不斷合并周圍像素進行圖像分割的過程，算法基本思想是首先選擇種子點，然后確定區(qū)域增長過程中像元合并的規(guī)則，最后制定區(qū)域增長的停止條件。分裂-合并：是將整幅圖像分裂為小的子區(qū)域再合并相似區(qū)域的過程。算法流程是首先四等份均分圖像中灰度不同的子區(qū)域，然后合并滿足特征相似性準則的像素，重復上述操作直到沒有新的分裂-合并情況為止.第11頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究5.3基于區(qū)域增長的多尺度分割技術多尺度分割技術：是一種既能自動生成遙感影像的影像對象，又能將這些影像對象按等級結構連接起來的一門技術。借助于這種技術，就可以理解遙感影像對象如何在不同尺度區(qū)域之間相互作用，從而反映地表物體的固有形態(tài)。a.等級網絡的底層是像素層，及分割的原始影像；b.小尺度的對象層“一級”放在網絡結構的底部，這一層包括的多邊形最多；c.大尺度的對象層“二三級”放在網絡的最頂部，這些對象

層中的多邊形面積較大，且對象的多邊形的數(shù)量較少。

網絡結構中的不同層可以提取不同尺度的地物信息，如“一級”主要提取灌木，”三級“主要提取大尺度的道路等。第12頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究分割的主要參數(shù)：尺度參數(shù)：是分割過程中最重要的一個參數(shù)，它直接影響影像對象的大小和數(shù)量，以及最終的分類精度。分割尺度不同，生成的影像對象的多邊形的大小和數(shù)量也不同。一般而言，分割尺度越大，生成的多邊形數(shù)目越少，面積越大。最適宜的分割尺度值是分割得到的多邊形能將某種地物類型的邊界勾勒清晰，并且能用一個或者幾個對象表現(xiàn)這種地物，分割對象既不太破碎也不太籠統(tǒng)。均質性因子：

顏色因子為影像的光譜特征，對很多地物而言，如水體和植被，顏色因子是生成對象的重要因子，通常被設為較高的值。可以根據各個波段對分割結果的貢獻程度而取不同的權重。某個波段的權重越高,在分割過程中這個層的信息使用的越多,對分割結果的影響越大。

形狀因子形狀因子由光滑度、緊密度兩個參數(shù)構成，可以避免影像對象過于破碎，使分割出的影像具有實際物體的形狀特征。提取道路時應更加注重形狀因子。5.3基于區(qū)域增長的多尺度分割技術第13頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究分割的主要參數(shù)——尺度參數(shù)5.3基于區(qū)域增長的多尺度分割技術第14頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究分割的主要參數(shù)——均質因子之形狀因子5.3基于區(qū)域增長的多尺度分割技術影像對象多邊形的大小與形狀(shape)因子成正比，隨著shape不斷增大，形狀規(guī)則的道路、建筑物和農田被完整分割，但當shape>0.4時，由于光譜因子過小，會把鄉(xiāng)間道路和裸地分割成一個影像對象，忽略了影像的光譜信息，所以此實驗區(qū)分割的形狀(shape)參數(shù)選擇0.1~0.4的取值范圍比較合適，具體的數(shù)值取決于其實際提取的地物類別。第15頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究分割的主要參數(shù)——均質因子之緊致度因子5.3基于區(qū)域增長的多尺度分割技術當緊致度(compact)因子逐步增加時，道路和建筑物更趨近于規(guī)則矩形，且分割結果比較完整，但當緊致度過大時，水體或一些不規(guī)則地物邊緣被分割的不夠準確光滑第16頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究建立多尺度分割的層次結構5.3基于區(qū)域增長的多尺度分割技術Level1：能夠較好的區(qū)分林地和非林地，分割產生的影像對象單元對應多邊形的面積比較大，主要考慮根據顏色的不同進行分割，此時光譜因子所占比重較大，不太考慮形狀因子。Level2：在此分割尺度下能較好地區(qū)分裸地、建筑物和道路，此時較多考慮形狀因素

Level3：此層主要區(qū)分建筑物和周邊較窄的道路第17頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究6面向對象的遙感影像分類技術模糊分類體系基本思想：是一種軟分類，是以模糊集合論為基礎，針對不確定性事物的分析方法。優(yōu)點：特征值像模糊值的轉化，實際上是一個特征標準化的過程，允許特征之間的組合，甚至是范圍和大小非常不同的特征也可以組合起來；提供了明確的和可調整的特征描述；通過模糊運算和層次類型的描述，能夠進行復雜的特征描述。

模糊隸屬函數(shù)高斯型隸屬函數(shù)具有很好的光滑性和對稱性，圖形沒有零點并具有比較清晰的物理意義，能很好地描述和逼近隸屬函數(shù)。三角形隸屬函數(shù)，若在設計分類器中，選用寬度固定的等腰三角形，這樣隸屬的特征參數(shù)可以減少到一個，便于規(guī)則產生和學習，但可能降低分類性能。若采用任意形狀的三角形作為隸屬函數(shù)，需要三個特征參數(shù)，可以較好的反應客觀事實，可以提升分類系統(tǒng)的性能。但學習分類規(guī)則參數(shù)時，因參數(shù)較多，學習代價較大。梯形隸屬函數(shù)隸屬度為1的模式x分布比三角形隸屬函數(shù)的x分布要多。這使得梯形更適合模糊分類器的設計，但特征參數(shù)也要多一些。Don’tcare隸屬函數(shù)即在隸屬函數(shù)的分布范圍內的隸屬度均為1，而不再的模式x不列入設計考慮，如此可以精簡模糊規(guī)則。第18頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究6面向對象的遙感影像分類技術最鄰近規(guī)則(KNN)分類核心思想：是基于歐幾里得的定理基礎上，判斷待分的影像對象特征與已知地物類別的對象特征最接近，是廣泛應用的多維的特征向量的分類算法?；舅悸罚杭偃缫粋€樣本其在對象的特征空間中的k個最鄰近的樣本值，其中大多數(shù)都劃歸為了某一個具體的類別，那么就劃歸為這個類別。第19頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究6.基于影像對象的特征提取對象特征的提取是指對原始影像的對象特征進行重組和優(yōu)化運算，其是空間降維的過程，提取特征的基本原則是滿足類別的可分性，要求提取出的新特征空間是能更好地區(qū)分地物類別的特征向量，建立分類規(guī)則和規(guī)則集，典型的影像特征的提取方法主要是包括有經典的主成分法(PCA)、最小噪聲分散法(MNF)和噪聲適應主成分法(NAPC)。第20頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究7.影像分類結果比較——分類結果的評價精度評價：遙感影像分類結果質量的好壞需要進行精度的評價，精度評價是指分類后專題圖像中的特定對象與該類型代表實際地物來進行精度比較，以正確分類的百分比表示分類精度。目前針對遙感影像的分類結果進行精度評價的有效方法包括有混淆矩陣和Kappa系數(shù)這兩種評價指標。混淆矩陣（ConfusionMatrix）是由m行Xm列個元素組成，利用誤差矩陣可以知道每個類別的樣本數(shù)量、樣本錯分和漏分數(shù)目，并可以進行單一類別及總體類別相應的精度分析。Kappa系數(shù)考慮了漏分和錯分的情況，充分利用了整個混淆矩陣的數(shù)據信息總體精度OA(OverallAccuracy)表示的就是分類圖像中正確分類數(shù)所占樣本總數(shù)的比例生產者精度PA(ProducerAccuracy)表示的是實測地物類型第i類中正確分類數(shù)目所占的比例用戶精度UA(UserAccuracy)表示的是某一類別分類正確數(shù)目在用戶解譯中所占的比例第21頁,共26頁，星期六，2024年，5月面向對象的高分辨率遙感影像分類技術研究7.影像分類結果比較——分類結果的評價面向對象分類方法的精度相對于傳統(tǒng)的分類結果有了比較明顯的提高，且抑制了椒