对象分类论文范文

对象分类论文范文（精选6篇）

对象分类论文 第1篇

遥感技术因其各方面的优势已成为养殖水面调查和监测的一种重要手段, 但是传统基于像元的图像处理技术容易产生噪声现象[1,2]。面向对象的分类方法综合考虑了地物的形状、纹理、结构等空间信息, 能更好的解决特定地物的提取[3]。文章在实验中将验证和解答以下问题:面向对象方法相对于传统基于像元分类方法的优越性及其表现;面向对象方法中的最优尺度分割问题;面向对象方法提取养殖水面的规则。

1 实验区数据源及预处理

1.1 实验区及数据源

研究中主要采用了两种不同分辨率的数据源, 即高分辨率数据SPOT-5影像和中等分辨率的Landsat TM影像, 实验区选择了珠江口东岸的一块矩形区域, 纬度、经度范围分别为北纬22°45′3″~22°34′3″和东经113°45′7″~113°55′13″。该区域内的水体类型丰富, 含有近海、河流、水库、养殖水面等多种类型, 适宜作为实验区。

1.2 数据预处理

由于TM影像已经经过了几何校正, 故不再做处理, 而是以该图像为基准对SPOT影像进行几何精校正, 以满足实验需要。应用三次多项式对该影像进行几何精校正, 均方根误差小于0.5个像元, 采用双向线性插值法进行重采样, 并进行了线性拉伸和影像信息增强处理。

1.3 实验区水体分类系统

实验目的是为了提取养殖水面, 但由于养殖水面的特征与其他水体较为接近, 因此实验中也相应的对所有水体类型进行了分类, 也便于后期的分别类精度评价。通过对各类型水体进行进行详细观察和描述, 建立了实验区的水体类型识别标志, 以便有利于各种水体类型的特征识别和提取。 (表1)

2 SPOT-5影像提取实验

2.1 最优尺度分割实验

通过对比, 实验采用了2个尺度对影像进行分割, 形成多层次的网状对象架构, 对不同类别层次的地物采取不同的分割尺度, 以提高分类精度。 (图1) 实验中多尺度分割的具体参数因子设置见表2。

2.2 实验区水体属性特征提取

对于SPOT-5影像, 其不同的波段各自反映了地物不同方面的特征, B4短波红外波段主要反映植物和土壤含水量;B3近红外波段和B2红光波段对植被的覆盖、生长、病害等变化较敏感;B1绿光波段对植被的叶绿素较敏感。对于水体的提取方法, 主要有单波段阈值法、水体指数法、谱间关系法、改进的归一化水体指数法、植被指数法、特征波段PRWI法[4,5,6,7,8,9,10]等。实验中选取的特征包括波段均值、亮度值、面积、长宽比、矩形拟合度等单一特征或特征组合。

2.3 实验区养殖水面提取

提取的步骤和规则见表3。

2.4 精度检验 (表4)

通过对比可以发现, 面向对象的方法在很大程度上克服了“同物异谱”、“异物同谱”、“边界过渡”等现象对分类结果的影响, 多尺度的分割更好的利用了各地类的差异, 生成的地物对象较为完整, 充分利用形状、纹理、与相邻对象的关系等空间特征来综合提取, 精度得到了较大的提高, 分类的总体精度为89.34%, Kappa系数为0.8528, 养殖水面的生产者精度提高到78.63%, 用户精度达85.24%。面向对象方法也存在一定的错分误分, 对于混在水库、近海中的一些不规整的养殖水面, 未能有效的提取出来。从总体上看, 面向对象的分类方法在SPOT-5影像中进行水体的分类和养殖水面的提取方面, 其实用性和优越性要高于基于像元的方法。

参考文献

[1]申晋利.吉林省莫莫格地区面向对象湿地遥感分类方法研究[D].北京:中国地质大学, 2006:19-21.

[2]李俊杰, 何隆华.基于遥感影像纹理信息的湖泊围网养殖区提取[J].湖泊科学, 2006, 18 (4) :337-342.

[3]戴昌达, 姜小光, 唐伶俐著.遥感图像处理应用与分析[M].北京:清华大学出版社, 2004.

[4]McFeeters S K.The Use of Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features[J].International Journal of Remote Sensing, 1996, 17 (7) :1425-1432.

[5]陆家驹, 李士鸿.TM资料水体识别技术的改进[J].环境遥感, 1992, 7 (1) :17-23.

[6]孙晓宇, 苏振奋, 周成虎等.基于RS和GIS的珠江口养殖用地时空变化分析[J].资源科学, 2010, 32 (1) :71-77.

[7]王海君, 乐成峰.应用基于纹理的面向对象分类模糊方法提取水田信息[J].地理与地理信息科学, 2008, 24 (5) :40-43.

[8]徐涵秋.利用改进的归一化差异水体指数 (MNDWI) 提取水体信息的研究[J].遥感学报, 2005 (5) :589-595.

[9]杨存建, 徐美.遥感信息机理的水体提取方法的探讨[J].地理研究, 1998, 17 (增刊) :86-89.

对象分类论文 第2篇

传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富,地物间光谱差异较为明显的基础上进行的.对于只含有较少波段的高分辨率遥感影像,传统的分类方法,就会造成分类精度降低,空间数据的大量冗余,并且其分类结果常常是椒盐图像,不利于进行空间分析.本文采用面向时象的`影像分类方法,考虑了对象的不同特征值,例如光谱值,形状和纹理,结合上下文关系和语义的信息,这种分类技术不仅能够使用影像属性,而且能够利用不同影像对象之间的空间关系.在时诸多对象进行分类后,再进行精度分析.在此研究提出了一种面向对象的方法结合模糊理论把许多的对象块分成不同的类别.这一过程主要有两个步骤:第一个步骤是分割.图像分割将整个图像分割成若干个对象,在这个过程中,分割尺度的选择会影响到后续的分类结果和精度.第二个步骤是分类.在这个步骤中,特征值的选择和隶属度函数的选择都对分类结果有着至关重要的影响.

作 者：郑文娟 ZHENG Wen-juan  作者单位：宝鸡市市政工程管理处,陕西宝鸡,721001 刊 名：北京测绘 英文刊名：BEIJING SURVEYING AND MAPPING 年，卷(期)： “”(3) 分类号：P237 关键词：面向时象   多尺度分割   模糊分类  

对象分类论文 第3篇

随着上世纪80年代Smalltalk80等一系列描述能力较强、执行效率较高的面向对象编程[1]语言的诞生, 标志着面向对象的方法与技术开始走向实用, 面向对象 (00) 已成为现代计算机领域的主流技术。人们对面向对象的研究重点, 从面向对象的编程 (OOP) , 转移到面向对象的分析与设计 (OOA与OOD) 当中。

依据文本的内容, 由计算机根据某种自动分类算法, 把文本判分为预先定义好的类别, 这个过程就称作文本分类 (Text Categorization) [2]。

本文主要探讨面向对象思想在文本分类过程中的体现, 并且阐述文本分类过程和面向对象程序设计中抽象类过程的区别与联系。

1 面向对象思想

现实世界是由不同的客观对象组成的。广义上来说, 众多的对象可以分门别类, 同一类对象突显出其相同的属性, 相同的动作状态特征, 不同的对象之间的属性和动作状态特征则不尽相同。要体现同一类事物之间的差异性, 只有用于刻画类的属性的数量趋于无穷大时, 才能完全地去模拟客观世界。由于人类认识能力的局限性, 我们只关心对于我们有用的属性信息, 无意识地过滤掉了对于我们没有用的属性信息。

从《大英百科全书》“分类学理论”中可知, 人类在认识和理解现实世界的过程中普遍运用着3个构造法则[3]: (1) 区分对象及其属性。 (2) 区分整体对象及其组成部分。 (3) 不同对象类的形成及区分。面向对象思想中无形地渗透了上述3个常用法则。

2 文本分类过程简介

文本自动分类是分析待定文本的特征, 并与已知类别中文本所具有的共同特征进行比较, 然后将待定文本划归为特征最接近的一类并赋予相应的分类号。

文本分类一般包含了文本的表达、分类器的选择与训练、分类结果的评价与反馈等过程, 其中文本的表达又可细分为文本预处理、索引和统计、特征抽取等步骤。文本分类系统的总体框架如图1所示, 其主要功能模块为: (1) 预处理:将原始语料格式化为同一格式, 便于后续的统一处理; (2) 索引:将文档分解为基本处理单元, 同时降低后续处理的开销; (3) 统计:词频统计, 项 (单词、概念) 与分类的相关概率; (4) 特征选择:从文档中抽取出反映文档主题的特征; (5) 分类器:分类器的训练; (6) 评价:分类器的测试结果分析。

3 文本分类和抽象类的区别与联系

抽象类是将一组具有共同特性的实体结合起来, 并以某种抽象机制来描述实体共性的一种抽象手段。存在于实体域中的实体经过抽象形成概念。在面向对象方法中, 实体对应于对象, 具有共同特性的对象经过抽象而成为一类。类型是一种重要的抽象机制, 按不同的类型值可划分具有共同属性和操作的等价类。

文本分类则是在知道已有的类别情况下, 确定待测文本和已有类别的相似度。与某类文本相似度越高则表明待测文本属于该类文本的可能性越高。并且把待测文本归为该类文本。通过重复上述过程, 把所有待测文本归类, 即是文本分类的全过程。

类的抽象过程把关注的重点放在人类对客观事物的抽象概括的层面上, 而文本分类则是在已给出的类别的基础上, 把关注的重点放在如何让机器自动去把待测文本归类的层面上。两者相互区别, 又相互联系。文本分类相对类的抽象过程显得更加具体, 类的抽象又是文本分类的前提。通过人类的抽象概括能力作为前驱, 机器自动的判断待测文本的类别。文本分类可以大大的减少劳动力, 为后续的信息挖掘提供了可行性。但是机器只是通过一些固定的形式化符号和公式去判别待测文本的类别。这就是在文本分类中制定评价标准的缘由。

4 对象聚合与文档聚类

聚合是描述一类对象的结构方面共性的抽象手段。类的聚合反映了概念间的属性关系。

文档聚类主要是依据著名的聚类假设:同类的文档相似度较大, 而不同类的文档相似度较小。作为一种无监督的机器学习方法, 具有一定的灵活性和较高的自动化处理能力, 已经成为对文本信息进行有效地组织、摘要和导航的重要手段, 为越来越多的研究人员所关注。

聚类[4]是一个将数据集划分为若干组或类的过程, 并使得同一个组内的数据对象具有较高的相似度;而不同组中的数据对象是不相似的。相似或不相似的描述是基于数据描述属性的取值来确定的。通常就是利用对象距离来进行表示。将一组物理的或抽象的对象, 根据它们之间的相似程度, 分为若干组。其中相似的对象构成一组, 这一过程就称为聚类过程。

文档聚类可以看作是机器按照某种算法来体现对象之间某种聚合性的具体表现形式。把某种聚合思想用机器语言和算法来描述, 并且最终把文档对象聚为一类, 对象聚合显得层次性较高, 文档聚类则显得更加具体。

5 泛化与特征选择

从一个或多个类中抽取出某些共同的属性, 掩盖和忽略另外一些属性, 形成这些类的一个父类 (或称超类、上位类) 的过程称作泛化。

一个文本通过预处理以后, 可以得到表达文本内容的简化形式。其向量模型的表现形式中, 每一维向量代表其中某个词。选择最能表达该篇文本的一些词作为其向量表达中的分量, 对后续的分类起了举足轻重的作用。

特征选择[5]指从一组特征中挑选出一些最有效的特征以降低特征空间维数的过程。如何从原始文本特征集合中选取最能表示文本主题内容的特征子集则成为了文本特征选择算法的研究目标。

实际上, 特征选择可以看作是对文档对象属性的一个泛化过程。它从一组数量为D的特征中选择出数量为d (D>d) 的一组最优特征, 过滤掉一些对分类不太重要的特征, 降低了时间和空间复杂度, 为后续的分类工作奠定了坚实的基础。通过泛化, 找出待测文档对象所属的父类 (指定的一类文档) , 从而达到分类的目的。

6 结束语

面向对象思想的精髓在于高度抽象化。类作为OO中的重要抽象机制, 代表一组具有共性的对象, 它的一系列抽象能力主要体现在分类, 聚合, 泛化。这三种抽象能力在文本分类中都有所体现。事实上, 面向对象思想本身是认识客观事物的一种方法论[6]。正是这种方法论造就了的面向对象程序设计, 并为其提供了一个哲学环境与哲学基础。在长期的生产社会实践中人类认识事物的方法论在不断的丰富。面向对象思想已经无形地渗透到各个领域。随着人类认知能力的不断提升, 新的程序设计思想在解决缩小现实和虚拟世界距离问题上, 会得到广泛认可。

摘要：结合文本分类的过程和面向对象方法学理论, 讨论面向对象思想在文本分类过程中的体现。阐述文本分类过程和面向对象程序设计中抽象类过程的区别与联系。

关键词：面向对象,文本分类,泛化,特征选择

参考文献

[1]钱能.C++程序设计教程[M].北京:清华大学出版社, 1999.

[2]Sebastiani F..Machine learning in automated text categorization.ACM Computing Surveys, 2002, 34 (1) :1～47.

[3]徐宝祥, 刘风勤, 张海涛.面向对象方法学的理论基础[J].情报学报, 2001 (6) .

[4]刘远超, 王晓龙, 徐志明, 等.文档聚类综述[J].中文信息学报, 2006 (3) .

[5]周茜, 赵明生, 扈曼.中文文本分类中的特征选择研究[J].中文信息学报, 2004 (4) .

对象分类论文 第4篇

关键词：eCognition,高分辨率遥感,面向对象

传统的遥感影像信息提取主要是基于中低分辨率的遥感卫星数据或航片,通过目视判读或是基于像素的计算机分类方法,信息提取的精度和效率不能兼顾。而高分辨率的遥感影像虽然结构、纹理等信息非常突出,但是所含波段较少,光谱信息不足。所以仅依靠像素的光谱信息进行分类而忽略整片图斑的纹理、结构等信息,必然会造成分类精度降低,空间数据大量冗余,并且其分类结果常是椒盐图像,不利于进行空间分析。eCognition 正是基于影像空间波谱两方面信息直接面向高分辨影像和雷达影像的分类处理,采用全新的面向对象的图像分类技术来进行影像的分类和信息提取[1]。

1 影像分析的技术核心

面向对象的分类方法是一种智能化的自动影像分析方法,它的分析单元不是单个像素,而是由若干个像素组成的像素群,即目标对象。目标对象比单个像素更具实际意义,特征的定义和分类均是基于目标进行的。

1.1 基于图像对象进行影像分析

eCognition对图像进行分类并不以像素作为识别的基本单元,而是充分利用图像对象及其相关信息,对地物特征进行详细划分。可用于对象分类的特征主要有:形状特征、纹理特征、灰度特征和层次特征。通过这些特征的提取可以较容易地区分不同类型的对象,例如利用对象之间的距离特征,可以区分出水体和房屋的阴影。

1.2 多尺度影像分割

多尺度影像分割就是给影像目标多边形一个特定的阈值,根据指定的色彩和形状的同质准则,基于对象异质性最小原则,将光谱信息类似的相邻像元合并为有意义的对象,使整幅影像的同质分割达到高度优化的程度。影像分割的目的是将影像划分成一个个有意义的分离区域,形成初级的影像对象,为下一步分类提供信息载体和构建基础。因此,分割得好坏直接影响着分类的精度[2]。

eCognition允许以任意分辨率进行影像同质区域的分割,故亦称多分辨率分割。利用 eCognition 多分辨率对象分割方法,生成的一个项目能包含一个有不同分辨率、不同对象分割水平的分类网络,这些类的结构同时代表了不同尺度图像信息。利用不同的分割技术生成影像对象的网络层次结构。每一次分割循环就生成网络层次中的一个层。同时,层结构代表不同尺度的影像对象信息。精对象是粗对象的子对象,这样每一个对象都了解自己的上下文、邻对象、子对象以及父对象。网络层次上的操作,可以定义对象间的关系。可见,图像对象与单个像元用于分类的特征相比,提高了分类信息的信噪比,即多数外加信息的独立性使得分类更加精确。eCognition分割的结果作为目标对象用于下一步分类[3,4]。

1.3 面向对象的分类方法

eCognition提供了两种不同类型的分类器:最近邻分类器和隶属度函数分类器。最近邻分类相似于监督分类,需要选择样本。样本是一个类的典型代表,在声明每个类的样本对象后,每个影像对象都赋为特征空间中最邻近样本所代表的类中。当无法描述特征空间时,允许用户通过模糊的规则明确地表达分类要求,对类进行描述可用不确定性。隶属度函数法是基于可利用目标特征的模糊逻辑来分类,可以精确定义对象属于某一类的标准,是基于一个特征的。因此,如果仅用一个或少数特征就可以将一个类同其他类区别开时,可以使用隶属度函数分类器[5,6,7]。

2 两种分类方法的结果对比

eCognition面向对象分类的结果与 ERDAS的监督分类的结果精度和效果评价如图2所示。

图2中ERDAS主要依据地物的光谱信息进行图像分类,在区域分割或边界跟踪的基础上抽取遥感图像形态、纹理特征和空间关系等特征。这种基于像素的分类方法往往产生散布式的分类效果,不利于进一步的空间分析。图2为耕地和道路的细节对比。

图2中eCognition是在面向图像对象的基础上进行的分类,该分类方法兼顾考虑地物的形状特征和结构特征,同时考虑影像的形状和纹理因素,可以有效地识别河道、道路、建筑物的形状,克服了“椒盐”现象。同时由于对象内部相对均一性在一定程度上解决了“同物异谱”和“同谱异物”现象,使得分类精度有了较大提高。

3 结束语

与传统像元的面积提取方法相比,eCognition面向对象分类方法可以充分考虑地物本身的信息,包括光谱信息、形状信息、纹理信息、结构信息等,影像分割后形成若干个互不交叠的非空子区域,每个子区域的内部都是连通的并且具有相同或者相似的特性,从而有效减少了“椒盐效应”。分类后对影像数据的样本可再选择、删除、再分类,便捷的手工操作使得只要能够被分割出的对象都可以根据实际类别被赋到对应类上,产生与人类思维更加接近的分类结果。因此,eCognition面向对象的分类方法可以充分利用高分辨率遥感影像丰富的空间信息,弥补传统的基于像素统计特征分类方法的不足,极大地提高了高分辨率遥感影像自动识别的精度。

参考文献

[1]李宗华,王新洲,彭明军,等.高分辨率卫星遥感影像在土地利用变更调查中的应用[J].测绘信息与工程,2005,30(4):13-16.

[2]丁晓英.eCognition在土地利用项目中的应用[J].测绘与空间地理信息,2005,28(6):116-117.

[3]曹宝,秦其明,马海建,等.面向对象方法在SPOT5感图像分类中的应用-以北京市海淀区为例[J].地理与地理信息科学,2006,22(2):46-54.

[4]曹雪,柯长青.基于对象级的高分辨率遥感影像分类研究[J].遥感信息,2006(5):27-30.

[5]杜凤兰.面向对象的地物分类方法分析与评价[J].遥感技术与应用,2004,19(1):20-23.

[6]明冬萍,骆剑承,沈占锋,等.高分辨率遥感影像信息提取与目标识别技术研究[J].测绘科学,2005,30(3):18-20.

对象分类论文 第5篇

随着国内外遥感技术的不断发展, 近年来, 多光谱高分辨率遥感影像提高了地物识别等各方面的研究精度, 逐渐成为遥感领域的主流研究对象。土地利用/土地覆被信息的研究是遥感研究领域的主要问题之一, 其地物识别分类是后续研究土地利用现状及扩张模型的基础。当前主要将遥感影像分类为计算机分类和人工解译。人工解译需要专家拥有丰富的基础知识和对遥感研究区域的充分了解, 分类成本较高;计算机分类又分为监督分类和非监督分类, 非监督分类无需对遥感影像有先验知识, 分类成本低, 但是由于其分类精度低, 所以监督分类为遥感影像主流分类方法[1]。此外, 还有如神经网络、模糊分类等较新的分类方法不断出现。

传统的遥感图像分类主要是以像素点为基础, 利用其光谱信息进行分类, 但是随着高分辨率图像的不断出现, 基于像素点的分类方法无法利用影像丰富的纹理信息。 在此基础上, 面向对象的遥感影像分类方法应运而生, 改变传统的基于像素点的分类弊端, 通过对遥感图像进行分割, 将研究转为面对基元或单元。面向对象的方法更加注重基元之间的光谱、纹理及拓扑关系, 利用丰富的信息来综合分类, 与传统的基于像元的分类方法相比精度有明显提高。

1数据预处理

本文研究对象为武汉市某街区的公共遥感影像, 地理坐标为114.175 573~114.181 599E, 30.512 207~30.515 825N, 影像来源于由谷歌公司开发的google earth软件, 用getscreen截下此区域1km高度图 (图1) 作为实验区域。武汉市为湖北省省会, 是中国内陆重要的交通枢纽城市, 属于亚热带季风性湿润气候区, 是全世界水资源最丰富的特大城市之一, 被称为“百湖之市”, 水域面积占市区的1/4。由于其特殊的地理位置, 加上近年来城市发展迅速, 不断向外扩张, 使得对此区的研究尤为必要。

将截得的卫星图加地理坐标系进行配准, 再进行相应的几何校正和大气校正。为了使得影像更加明晰, 各类地物更加便于分类处理, 对图像作简单的去噪以及图像增强。 此处实验在ENVI软件中得以完成, 处理后的图像见图2。

2影像分类

面向对象的遥感影像分类方法主要包括如下步骤:影像分割、区域合并、规则建立、区域分类。分类步骤如图3所示。

2.1影像分割与合并

影像分割是面向对象分类方法的基础, 其实质是将一幅图像分割成与实际地物对象相对应的部分, 分割技术既利用了影像的光谱信息, 又将空间信息考虑其中。影像分割的标准为:1分割对象的平均异质性最小化;2像素的平均异质性最小化。而多尺度分割为现今主要的分割方法, 采用自上而下的区域合并算法形成研究对象, 小的对象通过调整形成大的对象, 合并后对象的异质性必须确保小于给定阈值, 区域异质性由光谱异质性和形状异质性共同确定。

基于ENVI的特征提取模块, 将分割尺度进行可视化操作, 可随时预览分类结果, 具有较高的可操作性。本文采用的是基于边缘的分割算法, 计算速度快, 只需一个参数就能产生多尺度分割的效果。通过不同尺度边界差异控制产生从细到粗的多尺度分割, 通过边缘检测试图找到不同地物的边界, 被边界包围的像元形成的图像区域为不同的分割区域。分割尺度的选择对于后续分类精度有很大影响, 高尺度将分割出很少的图斑, 而尺度较低则会出现较多图斑, 理想的分割尺度需通过反复试验进行选择。 此处设置阈值为34, 分割图见图4。

在进行影像分割时, 由于阈值过低, 会有一些特征量被错分, 也可能出现一个特征被分为很多部分的情况, 所以在分割完之后, 需通过进行合并来解决上述问题。通过设置合并参数使影像分割成需要的实物对象, 形成分类所需的对象层 (见图5) , 合并参数为90。

2.2样本选择与影像分类

面向对象的分类方法实质上也是一种监督分类方法, 与传统基于像素光谱值的监督分类不同, 其在分类过程中需要选择各类别的样本建立规则, 并对各分类类别的光谱、空间、纹理等各方面信息充分了解的情况下进行训练区选择, 最后通过各类分类方法在ENVI中提供基于样本的面向对象分类模块。此例中采用该方法进行影像分类, 通过人机交互选择样本, 将上面的遥感影像分为5类:民房、树木、道路、厂房、荒地。

在具体分类时, 本文采用支持向量机 (SVM) 的分类方法进行图像分类, 此方法是基于结构风险最小化原则, 建立一个足够高维的超平面, 对实际训练中有限样本进行分类的方法, 具有无需进行数据降维、收敛性好、分类精度高等优点。分类结果如图6所示。

2.3精度评价

由于缺乏此区参考分类, 所以在进行精度评价时, 采用实际感兴趣的区域Ground Truth ROIs (ROI) 建立混淆矩阵, 图像具有较高的可辨识性, 加上笔者实地考察, 对ROI进行选区, 最终计算出此实验区地物分类的精度混淆矩阵, 见表1。Kappa系数达到0.859 4, 总体精度达到89.991 3%, 可见分类效果非常好。且面向对象的分类可以有效避免“异物同谱”和“同谱异物”的问题, 具有很高的实用性。

3结语

本文以武汉市某街区的公共遥感图像为研究对象, 采用面向对象的分类方法对地物进行识别分类, 分类精度高, 避免了昂贵的遥感图像购物支出, 具有很高的实用价值。面向对象的遥感图像分类方法可有效避免传统的基于像素的分类方法中存在的分类碎块多、精度低的问题。 结合SVM支持向量机分类方法, 将光谱特征和纹理特征相结合, 收敛性好。但是本文所采用方法人工干预较多, 且文章只采用了一个街区影像。因此, 应进一步研究计算机自动识别技术, 并将遥感图像范围扩展到武汉市市区图, 并作深入的城市扩展分析。

参考文献

[1]钱巧静, 谢瑞.面向对象的土地覆盖信息提取方法研究[J].遥感技术与应用, 2005, 20 (3) :338:342.

[2]刘恩勤, 周万村, 周介铭, 等.基于光谱和纹理特征的ALOS影像土地利用信息提取[J].地理与地理信息科学, 2012, 28 (4) :52:54.

[3]RICHARD O DUDA, PETER E HART, et al.Pattern classification[M].Second Edition.机械工业出版社, 2003.

[4]杨长保, 丁继红.面向对象的遥感图像分类方法研究[J].吉林大学学报:地球科学版, 2006, 36 (4) :642:646.

[5]陈云浩, 冯通.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报:信息科学版, 2006, 31 (4) :316:320.

[6]谭衢霖, 刘正军, 沈伟.一种面向对象的遥感影像多尺度分割方法[J].北京交通大学学报, 2007, 31 (4) :112:119.

对象分类论文 第6篇

土地利用现状遥感信息提取主要是依据《全国土地分类》标准, 从遥感影像上提取土地利用类型, 即遥感影像分类。传统的遥感影像分类方法是基于像元的分类方法, 包括监督分类和非监督分类法, 前者如最小距离法、平行六面体法、最大似然法等;后者如循环集群法 (ISODATA) 和K-mean法。这些方法都是根据遥感数据的光谱统计值特征与训练样本数据之间的统计关系来进行地物分类的, 对地物形状信息的分析几乎没有涉及。在高分辨率的卫星影像上, 地物的形状结构及不同地物的空间关系信息变得非常丰富, 因此, 传统的根据光谱值进行分类的方法就失去了有效性。虽然人眼可以很容易地识别出高分辨率彩色影像上的地物, 但通过目视解疑进行分类和制作专题图工作量大、周期长, 失去了高分辨率影像反应迅速的优势。同时, 解译结果的好坏往往与解译人员的专业素质高度、密切相关。

面对高分辨率数据分类的难题, 面向对象的分类方法应运而生。面向对象的分类方法是基于影像空间和波谱两方面信息的提取, 它处理的对象不再是单个像素, 而是影像对象或片断。它不仅利用了高分辨率影像的光谱特征, 而且能有效利用其几何信息和结构信息。因而充分利用了高分辨率影像所提供的地物形状结构及空间关系信息, 是高分辨率影像的一种有效的分类方法。

1 面向对象的分类方法

面向对象的分类方法是一种智能化的自动影像分析方法, 与传统的影像处理方法相比, 面向对象的影像分析的基本处理单元是影像对象或片段 (segments) , 而不再是单个像素。即使是分类, 也是对影像对象来进行的。目标对象比单个像素更具有实际意义, 特征的定义和分类均是基于目标进行的。德国Definins Imaging GmbH公司开发了第一个面向对象的遥感信息提取软件eCognition, 成为面向对象分类的代表软件。eCognition的分类思想包括两个方面:多分辨率分割和模糊逻辑分类。

为了生成影像目标, 首先要进行影像分割, 多分辨率分割是面向对象分类中很重要的一步, 它是基于比例参数、光谱和形状等特征将像素群组成像素块即目标。eCognition允许以任意分辨率进行影像同质区域的分割, 以满足不同目的的分类需要。分割的结果作为目标对象应用于下一步的分类。

eCognition提供了两种不同类型的分类器最近邻法和成员函数, 二者均作为分类描述符。最近邻分类相似于传统分类方法中的监督分类法, 需要选择训练区, 即样本。样本是一个类的典型代表。当无法描述特征空间时, 最近邻分离器是最好的选择。成员函数法是基于可利用的目标特征的模糊逻辑分类的。对比基于像素的统计分类器, 模糊分类不像严格分类只用“是”或“不是”来表示, 而是用0～1之间的连续数字描述分类成员的一个连续状态。模糊逻辑分类法是一种基于知识和概念的方法, 且容易使用。因此, 如果仅用一个特征或很少的特征, 就可以将一个类同其他类区分开时, 建议使用成员函数分类器;否则, 应该选择最近邻分类器。最近邻分类器比成员函数能更好地处理多维特征空间的联系。

2 信息提取与本底数据库建设

2.1 面向对象分类步骤

面向对象分类方法过程包括影像预处理、图像特征分割与提取、空间对象特征表达、特征信息学习与分类, 以及高层知识系统推理等几个部分。具体来说包括以下几个步骤:

(1) 预处理

影像预处理几何校正、辐射校正以及融合、镶嵌等过程, 从而得到处理的目标图像。

(2) 影像对象生成图像特征分割

面向对象方法处理的目标是对象而不是像素, 因此, 图像特征分割是面向对象分类的基础。

(3) 创建类层次模型空间对象特征表达

根据对分类地区的了解以及操作者的经验, 创建相应复杂程度的类层次模型, 并对各类别进行描述, 即给各类指定相应的判别函数来区分各类。目前涌现出了各种分类器, 根据操作者的熟练程度和经验可以选择使用。

(4) 分类并优化特征信息学习

利用迭代的方法对影像进行分类。初始的分类结果可以通过类层次的扩展和对象层次的重建来优化。在建立决策分类系统时, 建立不同尺度的分类层次, 在每一层次上分别定义对象的光谱特征、形状特征、纹理特征和相邻关系特征。其中光谱特征包括均值、方差、灰度比值;形状特征包括面积、长度、宽度、边界长度、长宽比、形状因子、密度、主方向、对称性、位置;纹理特征包括对象方差、面积、密度、对称性、主方向的均值和方差等。通过定义多种特征并指定不同权重, 建立分类标准, 然后对影像进行分类。

(5) 信息输出

面向对象的分类方式一般可以有两种输出形式:1) 以专题图的方式输出栅格影像;2) 输出分类结果的矢量文件。

2.2 本底数据库建设

以上获得的分类结果虽然可以输出矢量格式文件, 但不能直接拿来进行本底数据库的建设, 需要经过后处理。后处理包括如下几步: (1) 节点平滑。Ecognition输出的矢量文件保留了像素的特征, 存在过多的节点, 需要进行平滑处理。 (2) 小图斑剔除。分类过程存在面积过小的图斑, 根据检测任务要求进行剔除。 (3) 个别错分类别进行更正。对获得的分类结果要对照卫星影像图进行确认, 个别类别因为薄云、薄雾等覆盖造成错分的, 要进行更正。 (4) 转成入库文件格式。土地利用动态监测项目要求提交MAPGIS格式, 因此, 所得矢量文件要进行线面转化、拓扑关系重建、属性注记等步骤转成入库格式。

在接图表文件、数据字典、行政辖区文件的基础上, 建立土地利用工程, 并向项目中添加地类图斑等文件, 建立土地利用类型数据库。对已经入库的土地利用数据, 在进行数据综合处理、逻辑错误检查、属性常规检查、数据预处理等系列检查与处理后, 进行数据运算和报表的输出。根据需要, 输出各县 (市、区) 四大地类统计数据并进行成果分析。

本底数据库建设流程图见图1。

3 应用实例

以贵阳市白云区SPOT5 2.5 m融合数据为例进行土地利用类型信息自动提取。根据本次监测任务的要求, 土地利用类型的提取包括耕地 (11) 、非耕农用地 (10B) 、建设用地 (20) 和未利用地 (30) 四种, 具体解释内容参见《全国土地分类》标准。原贵阳市白云区卫星影像图见图2。土地利用四大类型信息自动提取结果见图3。

根据已有土地利用数据库对试验结果进行精度分析, 发现贵阳市白云区遥感自动分类总体精度在80%以上, 其中, 耕地 (地类代码11) 、建设用地、未利用地 (地类代码30) 和非耕农用地 (地类代码10B) 的精度分别为87.39%、91.24%、88.81%和82.39%。基本符合本次监测任务的精度要求。其中, 未利用地在该区主要表现为荒草地等, 因而与部分耕地和非耕农用地混淆, 造成该类精度下降。同时也影响了耕地和非耕农用地的分类精度。

4 结论与讨论

采用面向对象的分类方法完成本底数据库建设的分类工作, 不仅保证了监测任务对精度的要求, 同时缩短了工作周期、减少了人为工作量, 体现了高分辨率影像反应迅速的优势, 但是, 这种方法也存在一些问题, 需要后期不断的完善和提高, 具体包括以下几个方面:

(1) 完善面向对象分类方法建设本底数据库的技术流程。目前, 大部分研究停留在地物类型的分类上, 很少涉及到与后续数据库建立方面的衔接问题, 其中, 矢量文件的分类后处理不同于栅格数据, 显得尤为复杂和繁琐, 必须建立一套规范的操作程序, 提高工作效率, 减少人为误差。

(2) 面向对象分类斑块边界锯齿化问题严重, 它不仅影响了分类结果的美观, 而且对后续的GIS处理造成了困难。因此, 研究如何在保证面积变化较小的情况下得到平滑的边界是一个重要的问题。

(3) 进行面向地类边界精确提取的图像分割技术研究。目前的影像分割方法仍然存在混分的现象, 研究面向地块边界精确提取的分类技术也尤为重要。

参考文献

[1]赵英时.遥感应用分析原理与方法.北京:科学出版社, 2004

[2]张永生, 巩丹超.高分辨率遥感卫星应用——成像模型、处理算法及应用技术.北京, 科学出版社, 2005

[3]明冬萍, 骆剑承, 周成虎, 等.高分辨率遥感影像特征分割计算法评价分析.地球信息科学, 2006; (1) 3:103—109

[4]Zhang Yujin.Image segmentation.Beijing:Science Press, 2001