摘要：针对中分辨率遥感数据面向对象分类,以河北省北部山区和南部平原Landsat8 OLI,Landsat5 TM及高分一号(GF1)数据为研究对象,对支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、决策树(decision tree,DT)及朴素贝叶斯(naive Bayes,NB)4种分类器的土地覆盖分类效果进行对比,并分析SVM,RF和DT中关键参数对分类结果的影响。结果表明:在2个研究区,各分类器结果略有差异,从整体上看其优劣排序为SVM,NB,RF和DT。其中SVM和DT分类精度随参数变化波动较大:对于SVM,当参数C取值不小于103且gamma不大于10^(-1)时,无论哪种情况其分类精度均优于90%;对于DT,当参数树深(Depth)大于3时,各情况下的分类精度相对较高且趋于稳定。RF分类精度随参数变化波动较小且没有明显的变化规律。研究结果可为中分辨率遥感数据面向对象土地覆盖分类研究提供参考。

摘要：利用多尺度分割技术和面向对象分类方法对SPOT5遥感数据进行土地的分类及森林采伐信息提取。在面向对象的图像分析中,采用图像分割——基于规则的分类——基于分类的分割的多尺度分割方法,在综合最优分割尺度下,用最邻近分类器对SPOT5影像进行分类;采用两期图像特征比较,提取森林采伐区信息,并结合二类调查成果和伐区设计资料,使用交互式补充判读和修正。结果显示:研究区各地类的分类精度都在85%以上,对森林采伐图斑判读的加权综合正判率达到90.8%,其中皆伐图斑个数正判率92.8%,非皆伐图斑个数正判率83.3%。利用多期高分辨率遥感图像可以进行森林采伐监测,研究结果为提高森林采伐限额监测效率、采伐区识别准确度和面积估算精度提供了有效途径。

摘要：[目的]研究基于无人机低空遥感影像的面向对象分类技术在开发建设项目水土保持监测中的应用,为水土保持监测工作的信息化能力提升提供技术支撑。[方法]利用旋翼无人机获取水土保持监测目标区域的低空遥感影像,通过倾斜摄影技术构建数字表面模型,结合ESP分割尺度评价工具获取最优分割尺度参数,采用多元特征空间指标参与最邻近分类法的监督分类,并依据位置信息的评价方法和误差矩阵对分类解译精度进行验证。[结果]本研究的水土保持监测目标区域的地物分类总体精度达到了86.10%,Kappa系数为0.841,有较好的一致性,能够满足精度需求。[结论]利用无人机低空遥感影像的面向对象分类技术实现了开发建设项目水土保持监测区域地物的快速、精确识别和分类。

摘要：针对改扩建公路沿线地物信息提取难度大、工期紧等问题,以成南高速扩容项目(成都螺狮坝立交附近)的机载高分辨率DOM遥感影像为研究对象,运用KNN、CART、SVM等3种面向对象分类方法,对该扩容高速沿线左右约300 m范围内带状区域进行主要地物信息提取与分类研究。结果表明:1)最优分割尺度的确定是一个复杂过程,且受到多种因素的制约,通过运用ESP工具简化获取最优分割尺度,并取得了较好影像分割效果;2)3种面向对象分类结果基本满足了改扩建公路工程前期规划、设计和施工建设的精度要求,3种方法在基于同一训练样本与验证样本数据基础上,就分类精度而言,SVM>CART>KNN,就具体地物而言,居民用地、交通运输用地、植被和水体等地物的分类精度相对较高,裸地、大棚和其他等地物的分类精度相对较低;3)3种分类方法技术先进、经济高效,且对于改扩建公路沿线地物自动化智能化提取及其在数字化交通中的应用具有显著的实际价值。

摘要：有效的PolSAR影像分类技术是PolSAR成功应用的基础,然而相比于比较成熟的PolSAR成像技术与系统设计,PolSAR影像分类技术的发展相对滞后,针对PolSAR影像面向对象分类研究中存在的问题,提出了一种新的结合多种目标极化分解、ReliefF-PSO_SVM和集成学习的PolSAR影像面向对象分类方法。该方法首先采用多种方法对PolSAR影像进行目标极化分解;然后将利用不同极化分解方法提取的极化参数组合成一幅多通道影像;接下来对多通道影像进行分割、特征提取;采用ReliefF-PSO_SVM算法进行特征选择,并保留适应度最高的N个特征子集进行分类,每一个特征子集对应一个分类结果;最后利用集成学习技术对各分类结果进行集成。以吉林省长春市部分区域为研究区,Radarsat2影像为数据源,将提出的方法应用于土地利用分类中,取得了较好的分类效果,总体精度和Kappa系数分别达到了85.06%和0.8006。此外,还构建了3种对比方法用于分类,对比结果进一步证明了所提方法在PolSAR影像分类中的优越性。

摘要：地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。

摘要：现有的基于深度学习的面向对象分类方法存在特征表达不充分,难以处理蕴含复杂信息的高分辨率遥感影像等问题。为了实现高分辨率遥感影像高精度分类目的,本文提出了一种结合密集连接和特征重标定的影像分类方法。首先构建具有密集连接方式的DenseNet网络作为基础网络,密集连接的方式能实现每一层输入都是前面所有层信息的汇总;然后引入可实现特征重标定功能的SE模块,以增加特征代表性和区分性;最后设计得到最优SE_DenseNet网络模型,提取特征表达更充分的多层次融合影像,提高影像分类精度。基于ISPRS公开数据集,将本文方法与传统方法和其他深度学习分类模型进行对比,实验结果表明:本文方法优于其他方法,SE_DenseNet网络模型提取的多层次特征较其他方法表达更加充分,可实现高分辨率遥感影像的高精度分类。

摘要：近年来,随着人类活动范围扩大以及人类活动日益频繁,饮用水源地的生态环境受到人类活动影响,对饮用水源地生态环境保护任务越来越艰巨。文章以遥感自动解译技术为基础,研究适合某饮用水源保护区的自动解译模型,提取饮用水源保护区的土地覆被信息,可用于分析土地覆被变化情况和动态变化趋势,为饮用水源保护区环境保护、管理和生态恢复提供科学的决策依据。利用监督分类和面向对象分类两种方法分别对饮用水源保护区遥感影像进行自动解译,并对比分析两种方法得到的土地覆被分类结果,最终得出的结论是面向对象分类的精度更高,且面向对象分类结果更利于进行变化监测,也与GIS分析有更好的兼容性。

摘要：以地处半干旱地区的北京西部山区为例,利用研究区森林类型的季相特征、已有的少部分林相图、Google Earth免费影像数据等信息选择不同坡向的相同森林类型做训练样本,通过加入其他辅助数据(海拔和坡向数据),来提高Landsat TM影像的森林类型分类精度,同时对比了基于像元和面向对象方法提取森林类型的效果。结果表明:1)就半干旱山区的森林类型划分来说,TM影像的TM4、TM5、TM4-TM2及辅助数据DEM和坡向可作为TM影像森林类型划分的最佳数据源。2)单独加入海拔信息,阔叶林的提取精度提高23%,针叶林和混交林的分类精度只提高了4%~5%;单独加入坡向信息,阔叶林的提取精度只提高21%,但是针叶林和混交林的分类精度则分别提高了13%、18%,显著优于单独加入海拔信息的效果。同时加入海拔信息和坡向信息,至少可以准确区分出约70%以上的针叶林、阔叶林和混交林。3)就本研究区而言,坡向比海拔更有效地辅助提高森林分类精度。4)就混淆矩阵数据而言,面向对象的分类方法比基于像元分类结果总体精度低3%,Kappa系数低4%,但面向对象的分类结果更加符合研究区实际情况。该研究对中分辨率影像应用于半干旱山区森林类型划分具有一定的借鉴意义。

摘要：为客观评价GF-1影像的质量及其在矿区土地利用分类的应用潜力,选择黄土高原区平朔矿区为研究对象,以同季相的SPOT 6影像作对比分析。在工程质量上,从灰度信息、纹理特征两个方面选取评价指标对其进行研究,统计结果表明:GF-1影像所含信息层次复杂,地物类型表达丰富;纹理特征明显,能用于复杂地类的提取。在应用角度上,构建基于像元的最大似然法和基于面向对象的最邻近两种分类器分别对研究区进行土地类型提取,对比分类结果表明,GF-1影像整体分类效果略次于SPOT 6影像,但GF-1影像仍能够满足用户快速获取矿区土地状况和其周边环境信息的应用要求,具有监测矿区土地变化和分析复垦植被生长状况等方面的潜力,可以为矿山土地生态复垦的整体规划设计和技术实施等提供基础数据。