| 标题 | 基于eCognition高分辨率影像的分类研究 |
| 范文 | 帅慕蓉 谢贻文 杨鹏飞 摘要：文章针对株洲县堂市乡某部分区域高分辨率影像，采用eCognition的多尺度分割和面向对象的最邻近法对影像进行分类，同时与ENVI5.3软件平台下的最大似然法分类结果进行了对比分析，并以野外验证后的目视解译为基准进行精度评价。结果表明：基于eCognition平台下的面向对象的分类方法避免了传统分类结果噪声严重、精度低的缺陷，其总体分类精度为80%，Kappa系数为0.739 7，比传统分类结果精度高，比目视解译效率高。 关键词：eCognition；面向对象分类；高分辨率影像；最大似然法；Kappa系数 近年来矿山地质环境调查是以遥感技术为手段，如何高效地从高分辨率影像中自动提取高精度地理信息已是当今遥感分类重点研究的问题。传统的分类法是基于光谱信息的智能算法（如支持向量机（Support Vector Machine，SVM）算法[1]等），即使解译人员可以根据专业知识提高分类效果，但也不能解决“同谱异物”和“同物异铺”问题[2]。针对传统分类方法存在诸多的局限性，不仅耗时耗力，而且精度低等问题，Baatz等[3]提出了面向对象的分类技术，克服了传统遥感影像分类方法的不足，能够在一定程度上提高影像的解译效率和质量。为了使矿山周边环境可持续发展，面向对象的技术在矿山调查中的应用就显得格外重要。因此，本文应用eC。gniti。n8.9软件对研究区进行影像分类实验研究，为湖南省矿山地质环境调查提供基础的地理信息数据，在野外调查中具有一定的指导意义。 1 面向对象的分类技术 面向对象的分类技术是基于目标对象的信息提取技术，以影像分割后的对象作为分类的基础。目前，基于eCognition平台下的分割算法有棋盘分割、四叉树分割、多尺度分割及光谱差异分割。本文选用了常用的多尺度分割技术。多尺度分割是一个基于像素层的自下而上的分割技术，从一个像素的对象开始进行相邻像素的区域归并或者将小的分割对象归并到大的分割对象中去。为了达到最优分割效果，必须保证分割对象间的平均异质性最小，分割对象内部每个像元间同质性最大。建立影像对象的层次网络，可以在不同的尺度同时表征影像信息，根据应用的需求选择最优的分割对象层作为进一步分类的信息源。传统的最大似然法以概率数理统计为理论基础，而面向对象的最近邻分类法是以分割得到的影像对象作为分类的基本单元，优选对象的特征如纹理、几何、层次等，构建对象的特征空间，以最小间隔为测度进行判别分类。 2 精度评价 分类结果精度评价有混淆矩阵和工作特征（Receiver Operating Characteristic，ROC）曲线两种方式。本文采用比较常用的混淆矩阵来评价分类精度，有6种评价因子分别为混淆矩阵、总体分类精度、Kappa系数、错分误差、生产精度和用户精度。混淆矩阵是基于位置的评价，因此样本点的空间分布及选取样本点个数都极其重要。 为了使分类精度评价尽可能精准，样本点数量的选定极其重要。Foody[4]认为样本点数量太多或者太少在一定程度上都会影响分类精度的评价。Tortom等[5]提出过用于混淆矩阵分类结果精度评价的样本个数的计算公式： n=B/4b2（1） 式中：n为采样点数量；B是自由度为1的卡方检验（1-P/M）的临界值，其中P为置信度误差，M为分类数；b为置信度误差。本文解译5类地物，假设对置信水平的要求为95%以上，置信度误差允许范围5%，在假定的情况下，卡方检验下自由度为1的临界值B=γ2（1，0.99）=6.635，故本次研究至少要664个采样点。 3 实验结果与分析 3.1 研究区概况 研究区为株洲县堂市乡某部分区域。堂市乡位居湖南省株洲县的西南部，东边以湘江为邻，总占地面积达77.23 km2。数据由湖南省国土资源厅所提供，影像是空间分辨率达0.2m的1：2 000数字正射影像，其面积有2 km2。影像的成像时间为2009年11月，数据采用的大地基准是CGCS2000国家大地坐标系，高程基准是1985国家高程基准，地图投影是高斯-克吕格投影，3度分带，中央子午线114°。 3.2 数据预处理 利用面向对象的分类技术对影像进行分类，而多尺度分割得到的影像对象层为影像分类奠定基础，因分割的优劣直接影响着分类精度的高低，为了获取最优的分割尺度，使分割后的对象与真实地物斑块能够达到较好的拟合程度，所以各参数权重的合理设置显得极其重要。若80作为分割尺度起始值，0.3作为形状因子权重及0.5作为紧致度权重，此后每间隔80取一个尺度参数，经过反复试验，最终得出当scale parameter=240， shape=0.3， compactness=0.5时，分割效果最佳。以分割后的影像为基础，利用算法配置特征空间，然后建立样本集，优化特征空间，最后进行最邻近法分类。本文分类用到的特征函数有平均值、反射率标准差、亮度值、形状指数等。此外，在ArcmaplO.2 软件平台下对影像进行目视解译，其精度检验通过高分辨率影像结合野外调查方法来实现。 3.3 结果分析 基于eCognition软件对株洲县堂市乡某部分区域影像进行地物提取，提取了耕地、水体、人工表面、林地、园地。将面向对象分类结果图与目视解译结果对比，发现地物的空间分布呈现出高度一致性。此外，传统分类难以划分出地类的边界、纹理、形状等信息，导致分类结果粗糙且存在“椒盐现象”，而自动解译表面光滑且类别清晰，可以解决传统分类存在的问题。实验记录目视解译和自动解译两种作业方式下所消耗的时间分别为10 h和4 h，由此可知，自动解译工作效率远远高于人工解译。采用野外核查修正过的目视解译结果作为正确的分类图层，结合样本点，对面向对象的分类及传统的分类结果进行精度评价。将各类样本点与分类结果进行连接，然后统计各地类分类正确样本数和错分样本数，同时记录错分样本落入相应地类的个数，计算分类总体精度及Kappa系数，由精度评价混淆矩阵结果可知，面向对象的自动解译总体精度达到了80%， Kappa系数为0.739 7，具有高度一致性，整体上能满足精度需求，而传统最大似然法的分类结果总体精度达到了66.72%，Kappa系数为0.569 9，只具备中等的一致性，整体上精度偏低。 4 结语 本研究以目视解译作为参照基准，从定性和定量两个角度，将面向对象的分类与面向像元的分类结果进行对比分析，在各类面积占比相似的情况下，突出了面向对象分类技术在时间上的高效。面向对象的分類精度远远高于传统分类精度，各地类轮廓线分明，能更理想地鉴别各类地物，面向对象分类技术突破了仅基于光谱信息传统分类的局限性，可为湖南省矿山地质环境调查提供技术支撑和精准的基础数据，同时可以降低野外调查成本，大幅提高工作效率。 [参考文献] [1]邓曾，李丹，柯樱海，等.基于改进SVM算法的高分辨率遥感影像分类[J].国土资源遥感，2016（3）：12-18. [2]颜梅春.高分辨率影像的植被分类方法对比研究[J].遥感学报，2007（2）：235-240. [3]BAATZ M， SCHAPE A.An optimization approach for high quality multi-scale image segmentation [JJ.Beitrage Zum Agit-symposium，2000（12）：12-23. [4]FOODY G M.Sample size determination for im- age classification accuracy assessment and comparison [J].International Journal ofRemote Sensing， 2009（20）：5273-5291. [5]TORTORA R D.A note on sample size estimation f-or multinomial populations [J].American Statistician， 1978（3）：100-102. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。