基于WorldView-2影像数据对杭州西湖区绿地信息提取研究

以杭州市西湖区为例,根据研究区域地物在World View-2遥感影像的特征差异进行区域划分。在每个分区内采用不同的多尺度和方式进行分割,构建多层次结构,综合利用光谱、形状、纹理等特征变量;采用CART决策树分类算法,选择最优特征及节点阈值分区域对杭州市西湖区的植被绿地信息进行提取;采用Jeffries-Matusita(J-M)距离法,确定纹理窗口尺度并筛选纹理特征。结果表明:本研究利用可分离指数J-M距离法得到影像地物草地、农用地、灌木、乔木最佳纹理窗口尺寸分别为5×5、11×11、13×13、13×13,对纹理尺度的选择和纹理特征的降维极大地提高了信息提取的精度及效率;基于面向对象的CART决策树分类法的总体分类精度相比基于像元的最大似然法的精度从76.53%提高到88.56%,Kappa系数从0.711 7提高到0.862 3,绿地平均用户精度从72.73%提高到84.63%;同时比常规的面向对象的方法更快速灵活地确定分类特征及阈值,大幅度地提高了提取效率及精度。     

偃师市土地利用遥感分类研究

为了掌握河南省偃师市真实、准确的土地利用数据,根据其Landsat8影像,采用支持向量基(SVM)和最大似然法(ML)对其2016年用地类型进行分类。结果表明,2种方法都具有较高的分类精度,但SVM的分类精度略低,这可能与所选参数、核函数及训练样本的影响有关,需做进一步研究。     

基于纹理信息的森林类型遥感识别技术

为提高大区域TM影像对针阔混交林的识别精度,充分考虑遥感影像像元值的随机性和空间性,以盘古林场有林地TM遥感影像为例,结合地统计学知识,利用变异函数计算图像纹理信息,分析了影像纹理信息提取的重要因子,确定选取绝对变差函数为计算方法,以9×9像元为窗口,4像元为步长,计算方向为全方向对盘古林场有林地部分提取纹理信息并与原始光谱信息及归一化植被指数相结合,采用经典分类器最大似然法对影像进行分类。结果表明,辅以纹理信息的最大似然法分类精度为85.333 3%,Kappa指数为0.78,达到了区别针阔混交林的目的。     

结合灰度纹理和支持向量机分类的三江源草地信息提取

以三江源地区地形地貌特征、草场分布较为典型的班玛县为例,以HJ环境星多光谱影像为主要数据,基于支持向量机SVM超平面理论,结合灰度共生矩阵寻找最适宜的分类核函数,选取了三江源地区草地信息提取的最适宜SVM分类模型,并与传统的监督分类方法最大似然法和SVM分类方法进行比较,进行三江源草地分类方法的优化。结果表明,与传统监督分类方法相比,除Sigmoid核函数外,其余结合方法的分类精度均有所提高,其中结合纹理和高斯核函数的SVM分类模型有着较理想的识别效果,精度达到91%,Kappa系数为0.856 0,能为三江源地区草地可持续利用以及生态系统恢复提供基础数据。     

基于SVM的乌伦古湖湿地遥感分类研究

以提取乌伦古湖湿地信息为目的,采用该地区2010年Landsat5/TM影像,使用支持向量机SVM的多项式函数对湿地信息进行分类。使用精度评估法(混淆矩阵)对分类结果进行精度评价并与传统的最大似然法(MLC)、非监督分类(ISODATA)法分类结果进行对比。结果表明,SVM分类法不仅能够很好地提取河流信息并且能够区分湖泊湿地与坑塘湿地,分类总精度达到94.000%,Kappa系数为0.932,明显高于MLC、ISODATA两种方法,同时各类别的用户精度和制图精度都在不同程度上高于传统分类方法。SVM是一种有效的提取湿地的方法 ,非常适用于干旱区湿地信息提取与监测。     

基于高分二号影像结合纹理信息的茶园提取

为提高高分辨率遥感影像分类精度,针对高分二号影像发展一种综合利用遥感影像光谱和纹理信息的茶园种植区提取方法。该方法首先利用归一化植被指数(NDVI)和修正的归一化植被指数(MNDVI)构建新的光谱特征——差异归一化差分植被指数(DNDVI),通过灰度共生矩阵(GLCM)构建新的纹理特征——灰度共生纹理(GLCT),然后结合光谱和纹理特征运用支持向量机(SVM)的方法进行分类。试验采用2种方案(原始波段+光谱特征,原始波段+光谱特征+纹理特征)对影像进行分类,分类总体精度分别为79. 6%、89. 8%,Kappa系数分别为0. 659、0. 788。结果表明,结合纹理信息能明显地提高分类精度,并较好地实现对高分二号影像茶园种植区的分类提取。     

高分辨率遥感影像林地类型精细识别

以内蒙古自治区根河市根河生态站为研究区,探讨在大面积复杂林区、具有红边波段卫星数据支持下,高空间分辨率遥感影像林地类型精细分类方法。以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像为主要数据源,综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息,以及2016年林地类型外业调查样本数据,分别对2种数据源采用传统的监督分类方法[最大似然法（MLC）和支持向量机法（SVM）]和基于IDL语言的ImageSVM和ImageRF分类方法进行林地类型精细识别。最后以外业调查数据和根河森林资源小班数据作为检验样本对分类结果进行精度验证,通过建立混淆矩阵对分类结果进行评价。结果表明:①ImageRF和ImageSVM等2种分类方法对林地类型信息提取精度较高。在RapidEye影像中,针叶林、阔叶林、灌木林等8种地物类型总体分类精度分别为90.26%和90.02%,Kappa系数均大于0.88。ImageSVM和ImageRF分类结果中,灌木林、针叶林和阔叶林制图精度和用户精度均高于支持向量机法和最大似然法;相对于支持向量机法和最大似然法,ImageSVM法总体分类精度分别提高了6.18%和7.06%,Kappa系数分别提高了0.07和0.08;ImageRF法总体分类精度分别提高了5.93%和6.82%,Kappa系数分别提高了0.07和0.08,能确保森林资源调查成果的精细化、准确性、高效性。②在林地类型精细识别中,携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识别精度和可分性。研究证明,ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法,具有精度高和可信度高的优势,是进行复杂山区林地类型精细分类的有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。     

结合多尺度纹理特征的高光谱影像面向对象树种分类

目的基于机载高光谱影像的分类研究中，利用不同尺度纹理特征与面向对象分类相结合的方法在树种分类的研究中应用较少，并且相关研究主要针对单一树种识别而不考虑多种树种，因此对于复杂林分中的树种识别能力有待进一步研究。本研究拟探究不同尺度纹理特征结合面向对象的分类技术在树种精细分类中的应用效果。方法利用机载高光谱数据进行面向对象的树种精细分类。根据研究区内地表类型情况，采用分层分类的方法区分非林地、其他林地与有林地，对有林地进行树种的精细分类。从机载高光谱图像中提取特征变量，包括独立主成分分析ICA变换光谱特征以及空间纹理特征，分析各树种的光谱反射率及所适合的纹理尺度，依据不同尺度纹理特征进行分层分类，比较不同特征利用支持向量机SVM分类的树种分类结果。结果结合单一尺度纹理特征的分类结果总体精度为87.11%，Kappa系数为0.846；结合不同尺度纹理特征的分类总体精度为89.13%，Kappa系数为0.87，相比于仅利用光谱特征的分类精度分别提升了4.03%和6.05%。说明在面向对象的分类中，纹理特征的加入对于提升树种分类的精度具有显著效果。结合不同尺度纹理特征的树种分类精度要高于单一尺度纹理特征的分类精度，尤其在其他阔叶树种和马尾松树种的分类中，制图精度较单一纹理尺度分别提高了5.48%和6.12%。结论利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势，提高了纹理特征在树种分类中的贡献率；综合利用机载高光谱影像的光谱特征和不同尺度纹理特征的面向对象分类方法，使得树种识别更为精细和准确。该方法对于复杂林分树种的分类是有效的，能够满足机载高光谱影像树种精细识别的应用需求。      

基于树种分类的高分辨率遥感数据纹理特征分析

遥感图像尤其是高分辨率（1~4 m）遥感图像在树种分类方面有着广阔的应用前景。利用主成分分析法对遥感数据去相关分析,然后通过对纹理提取过程的分析,探讨不同移动窗口大小对纹理特征的影响,以期为中山陵园风景区的森林调查提供依据,分类方法为经典的最大似然分类器。根据不同移动窗口大小的纹理因子相关性和对保持纹理信息丰富度的影响,来选择合适的窗口大小及纹理因子组合,以对树种分类精度的提高程度为评价标准。研究结果表明,利用窗口大小为19 19下的纹理信息可有效提高分类精度,总精度达到66%,Kappa系数达到0.59,比单纯的光谱信息最大似然法图像分类精度高,其中均值与均匀性、对比度、偏斜度纹理因子组合为最佳纹理组合,能有效减少数据冗余。高分辨率遥感数据纹理信息的运用为树种分类识别时的特征选择提供了有利技术参考。图4表3参19     

基于词袋模型的林业业务图像分类

针对林业业务图像的特点,提出了一种基于稠密尺度不变特征转换(Dense SIFT)特征的词袋(BoW)模型,并联合直方图正交核的支持向量机(SVM)对图像自动分类。首先采用Dense SIFT提取林业业务图像特征,然后使用BoW模型描述各业务图像,最后利用SVM进行分类识别。实验结果表明:采用Dense SIFT特征比SIFT特征训练时间和识别时间更短,并有更高的识别率,更适应实时性较高的场合;SVM采用多项式核函数(Poly),径向基核函数(RBF),多层感知器核函数(Sigmoid)以及直方图交叉核对3类林业业务图像分类时,直方图正交核取得的平均识别率最高;综合Dense SIFT在局部特征上的优势,加上BoW模型和直方图交叉核SVM分类器,平均识别率达到了86.7%,有较好的识别效果。