面向对象的遥感影像分类技术

面向对象的遥感影像分类技术面向对象的高分辨率遥感影像分类技术研究1.面向对象的遥感分类概述是一种基于目标的分类方法，这种方法可以充分利用高分辨率影像的空间信息，综合考虑光谱统计特征，形状，大小，纹理，相邻关系等一系列因素，得到较高精度的信息提取结果。最主要特点：分类的最小单元是由影像分割得到的同质影像对象（图斑），而不再是单个像素。技术关键：多尺度影像分割技术基于 规则 编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf 的模糊分类技术。2.面向对象的遥感分类优势（1）针对分割形成的影像对象单元进行其特征的提取，可以充分地利用高分影像数据的光谱、纹理和形状特征等空间几何属性信息。（2）基于区域同质性原则和多尺度分割的基础上，减少了影像像元光谱差异影响，针对不同地物能取得较好的分类效果。（3）以影像分割的对象单元为单位进行影像的分类，将大大地提高遥感影像的分类的速度。（4）有效减少了遥感影像数据的“同质异谱”及“异质同谱”和基于像素分类的“椒盐”现象。（5）面向对象的分类技术还能促进多源GIS数据之间的利用和融合。面向对象的高分辨率遥感影像分类技术研究面向对象的高分辨率遥感影像分类技术研究3.研究方法将遥感影像分割成与实际的地物类别相对应的一个个影像对象的实体单元，然后针对影像的对象分割单元提取对象的多空间特征值进行处理 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 ，建立多特征对象的分类体系，面向对象的分类技术充分使用了高分遥感影像的空间几何、纹理特征和光谱等特征属性信息，最后利用影像的分类算法完成了最终的分类步骤面向对象的高分辨率遥感影像分类技术研究4.遥感影像分类技术方法的总体比较面向对象的高分辨率遥感影像分类技术研究5.遥感图像的分割技术——面向对象分类的关键技术之一基本思想是将一幅遥感图像依据区域异质性规则分割成一个个有意义的子区域的集合，分割结果的质量直接决定了分类精度的高低。主要方法基于边界分割的方法基于区域分割的方法面向对象的高分辨率遥感影像分类技术研究5.1基于边缘的分割基本原理是首先先要确定边缘的象素，并通过连接这些边缘像素在一起来形成所要的边界。边缘之所以存在就是由于两个相邻的区域之间具有了不同的大小灰度值，边缘的检测主要就是利用一阶的导数和二阶的导数来进行检测。阶梯形状表明了处于图像里两个拥有不等的灰度大小的相邻区域，脉冲形状则表示了对应的灰度值发生突变的图像区域的集合，针对图（a）和（b）来说，一阶导数表示了在图像中从暗变明整个变化过程的位置处有1个阶跃，即用其来检测边界是否是存在的，边缘位置的检测则是通过利用求解二阶导数的过0点来具体得到的；相对(c)来讲，其脉冲的上升沿与下降沿正好就分别对应了2个二阶导数过0点的位置；针对(d)来说，屋顶形状的边缘来检测屋顶的位置则是由剖面的一阶导数过0点来统一确定的。面向对象的高分辨率遥感影像分类技术研究5.1基于边缘的分割边缘检测梯度算子：是一种矢量，对应的就是图像的一阶单数算子，检测边缘灰度值变化敏锐的效果较好拉普拉斯算子：一个二阶导数，是没有方向性的标量算子，相比于梯度算子的计算量要小，由于不提供边缘方向信息，一般用在边缘像素已知的情况之后，主要是来确定该像素在图像的明暗哪个区域面向对象的高分辨率遥感影像分类技术研究5.1基于边缘的分割边缘连接由于边缘检测的方法，图像噪声会产生间断现象，因此需要通过边缘连接的方法形成完整有意义的封闭边界主要方法：邻域连接法全局链接法霍夫变换面向对象的高分辨率遥感影像分类技术研究5.2基于区域的分割基本原理：将各个图像象元划归到各个子区域中，依据相似性准则直接取出满足特征相似条件的图像区域。主要方法：阈值分割区域增长分裂-合并面向对象的高分辨率遥感影像分类技术研究5.2基于区域的分割阈值分割：通过预设阈值大小将图像进行分割，基础则是图像灰度的直方图。主要分为全局、自适应和最佳的阈值分割区域增长：是以种子像素为基本单位不断合并周围像素进行图像分割的过程，算法基本思想是首先选择种子点，然后确定区域增长过程中像元合并的规则，最后制定区域增长的停止条件。分裂-合并：是将整幅图像分裂为小的子区域再合并相似区域的过程。算法流程是首先四等份均分图像中灰度不同的子区域，然后合并满足特征相似性准则的像素，重复上述操作直到没有新的分裂-合并情况为止.面向对象的高分辨率遥感影像分类技术研究5.3基于区域增长的多尺度分割技术多尺度分割技术：是一种既能自动生成遥感影像的影像对象，又能将这些影像对象按等级结构连接起来的一门技术。借助于这种技术，就可以理解遥感影像对象如何在不同尺度区域之间相互作用，从而反映地表物体的固有形态。a.等级网络的底层是像素层，及分割的原始影像；b.小尺度的对象层“一级”放在网络结构的底部，这一层包括的多边形最多；c.大尺度的对象层“二三级”放在网络的最顶部，这些对象层中的多边形面积较大，且对象的多边形的数量较少。网络结构中的不同层可以提取不同尺度的地物信息，如“一级”主要提取灌木，”三级“主要提取大尺度的道路等。面向对象的高分辨率遥感影像分类技术研究分割的主要参数：尺度参数：是分割过程中最重要的一个参数，它直接影响影像对象的大小和数量，以及最终的分类精度。分割尺度不同，生成的影像对象的多边形的大小和数量也不同。一般而言，分割尺度越大，生成的多边形数目越少，面积越大。最适宜的分割尺度值是分割得到的多边形能将某种地物类型的边界勾勒清晰，并且能用一个或者几个对象表现这种地物，分割对象既不太破碎也不太笼统。均质性因子：颜色因子为影像的光谱特征，对很多地物而言，如水体和植被，颜色因子是生成对象的重要因子，通常被设为较高的值。可以根据各个波段对分割结果的贡献程度而取不同的权重。某个波段的权重越高,在分割过程中这个层的信息使用的越多,对分割结果的影响越大。形状因子形状因子由光滑度、紧密度两个参数构成，可以避免影像对象过于破碎，使分割出的影像具有实际物体的形状特征。提取道路时应更加注重形状因子。5.3基于区域增长的多尺度分割技术面向对象的高分辨率遥感影像分类技术研究分割的主要参数——尺度参数5.3基于区域增长的多尺度分割技术面向对象的高分辨率遥感影像分类技术研究分割的主要参数——均质因子之形状因子5.3基于区域增长的多尺度分割技术影像对象多边形的大小与形状(shape)因子成正比，随着shape不断增大，形状规则的道路、建筑物和农田被完整分割，但当shape>0.4时，由于光谱因子过小，会把乡间道路和裸地分割成一个影像对象，忽略了影像的光谱信息，所以此实验区分割的形状(shape)参数选择0.1~0.4的取值范围比较合适，具体的数值取决于其实际提取的地物类别。面向对象的高分辨率遥感影像分类技术研究分割的主要参数——均质因子之紧致度因子5.3基于区域增长的多尺度分割技术当紧致度(compact)因子逐步增加时，道路和建筑物更趋近于规则矩形，且分割结果比较完整，但当紧致度过大时，水体或一些不规则地物边缘被分割的不够准确光滑面向对象的高分辨率遥感影像分类技术研究建立多尺度分割的层次结构5.3基于区域增长的多尺度分割技术Level1：能够较好的区分林地和非林地，分割产生的影像对象单元对应多边形的面积比较大，主要考虑根据颜色的不同进行分割，此时光谱因子所占比重较大，不太考虑形状因子。Level2：在此分割尺度下能较好地区分裸地、建筑物和道路，此时较多考虑形状因素Level3：此层主要区分建筑物和周边较窄的道路面向对象的高分辨率遥感影像分类技术研究6面向对象的遥感影像分类技术模糊分类体系基本思想：是一种软分类，是以模糊集合论为基础，针对不确定性事物的分析方法。优点：特征值像模糊值的转化，实际上是一个特征 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化的过程，允许特征之间的组合，甚至是范围和大小非常不同的特征也可以组合起来；提供了明确的和可调整的特征描述；通过模糊运算和层次类型的描述，能够进行复杂的特征描述。模糊隶属函数高斯型隶属函数具有很好的光滑性和对称性，图形没有零点并具有比较清晰的物理意义，能很好地描述和逼近隶属函数。三角形隶属函数，若在 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 分类器中，选用宽度固定的等腰三角形，这样隶属的特征参数可以减少到一个，便于规则产生和学习，但可能降低分类性能。若采用任意形状的三角形作为隶属函数，需要三个特征参数，可以较好的反应客观事实，可以提升分类系统的性能。但学习分类规则参数时，因参数较多，学习代价较大。梯形隶属函数隶属度为1的模式x分布比三角形隶属函数的x分布要多。这使得梯形更适合模糊分类器的设计，但特征参数也要多一些。Don’tcare隶属函数即在隶属函数的分布范围内的隶属度均为1，而不再的模式x不列入设计考虑，如此可以精简模糊规则。面向对象的高分辨率遥感影像分类技术研究6面向对象的遥感影像分类技术最邻近规则(KNN)分类核心思想：是基于欧几里得的定理基础上，判断待分的影像对象特征与已知地物类别的对象特征最接近，是广泛应用的多维的特征向量的分类算法。基本思路：假如一个样本其在对象的特征空间中的k个最邻近的样本值，其中大多数都划归为了某一个具体的类别，那么就划归为这个类别。面向对象的高分辨率遥感影像分类技术研究6.基于影像对象的特征提取对象特征的提取是指对原始影像的对象特征进行重组和优化运算，其是空间降维的过程，提取特征的基本原则是满足类别的可分性，要求提取出的新特征空间是能更好地区分地物类别的特征向量，建立分类规则和规则集，典型的影像特征的提取方法主要是包括有经典的主成分法(PCA)、最小噪声分散法(MNF)和噪声适应主成分法(NAPC)。面向对象的高分辨率遥感影像分类技术研究7.影像分类结果比较——分类结果的评价精度评价：遥感影像分类结果质量的好坏需要进行精度的评价，精度评价是指分类后专 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 图像中的特定对象与该类型代表实际地物来进行精度比较，以正确分类的百分比表示分类精度。目前针对遥感影像的分类结果进行精度评价的有效方法包括有混淆矩阵和Kappa系数这两种评价指标。混淆矩阵（ConfusionMatrix）是由m行Xm列个元素组成，利用误差矩阵可以知道每个类别的样本数量、样本错分和漏分数目，并可以进行单一类别及总体类别相应的精度分析。Kappa系数考虑了漏分和错分的情况，充分利用了整个混淆矩阵的数据信息总体精度OA(OverallAccuracy)表示的就是分类图像中正确分类数所占样本总数的比例生产者精度PA(ProducerAccuracy)表示的是实测地物类型第i类中正确分类数目所占的比例用户精度UA(UserAccuracy)表示的是某一类别分类正确数目在用户解译中所占的比例面向对象的高分辨率遥感影像分类技术研究7.影像分类结果比较——分类结果的评价面向对象分类方法的精度相对于传统的分类结果有了比较明显的提高，且抑制了椒盐噪声，没有产生大量的错分或漏分的现象，针对土地覆盖类型较好地完成了土地利用分类面向对象的高分辨率遥感影像分类技术研究8.面向对象的高分辨率遥感影像智能解译系统面向对象的高分辨率遥感影像分类技术研究8.面向对象的高分辨率遥感影像智能解译系统主要步骤如下影像分割经过影像预处理后的高分辨率遥感影像进行迭代分割处理，直到得到质量较好的同质性对象(2)对象生成将分割影像进行矢量化处理，矢量图形与分割影像重叠，判断分割效果，此时可以利用对象编辑工具调整多边形对象，直到得到较好的多边形对象。(3)特征选择与提取(4)分类处理面向对象的高分辨率遥感影像分类技术研究9.面向对象的影像分析平台eCognition易康面向对象分析软件易康模拟人类大脑的认知过程。首先，将同质像素组成有意义的影像对象，通过多尺度分割技术实现不同尺度同时把握认知对象，是计算机高速处理和人类认知原理的完美结合，兼顾了速度和精度。THANKS！面向对象的高分辨率遥感影像分类技术研究分割的主要参数——均质因子之形状因子5.3基于区域增长的多尺度分割技术影像对象多边形的大小与形状(shape)因子成正比，随着shape不断增大，形状规则的道路、建筑物和农田被完整分割，但当shape>0.4时，由于光谱因子过小，会把乡间道路和裸地分割成一个影像对象，忽略了影像的光谱信息，所以此实验区分割的形状(shape)参数选择0.1~0.4的取值范围比较合适，具体的数值取决于其实际提取的地物类别。面向对象的高分辨率遥感影像分类技术研究分割的主要参数——均质因子之紧致度因子5.3基于区域增长的多尺度分割技术当紧致度(compact)因子逐步增加时，道路和建筑物更趋近于规则矩形，且分割结果比较完整，但当紧致度过大时，水体或一些不规则地物边缘被分割的不够准确光滑面向对象的高分辨率遥感影像分类技术研究建立多尺度分割的层次结构5.3基于区域增长的多尺度分割技术Level1：能够较好的区分林地和非林地，分割产生的影像对象单元对应多边形的面积比较大，主要考虑根据颜色的不同进行分割，此时光谱因子所占比重较大，不太考虑形状因子。Level2：在此分割尺度下能较好地区分裸地、建筑物和道路，此时较多考虑形状因素Level3：此层主要区分建筑物和周边较窄的道路面向对象的高分辨率遥感影像分类技术研究6面向对象的遥感影像分类技术模糊分类体系基本思想：是一种软分类，是以模糊集合论为基础，针对不确定性事物的分析方法。优点：特征值像模糊值的转化，实际上是一个特征标准化的过程，允许特征之间的组合，甚至是范围和大小非常不同的特征也可以组合起来；提供了明确的和可调整的特征描述；通过模糊运算和层次类型的描述，能够进行复杂的特征描述。模糊隶属函数高斯型隶属函数具有很好的光滑性和对称性，图形没有零点并具有比较清晰的物理意义，能很好地描述和逼近隶属函数。三角形隶属函数，若在设计分类器中，选用宽度固定的等腰三角形，这样隶属的特征参数可以减少到一个，便于规则产生和学习，但可能降低分类性能。若采用任意形状的三角形作为隶属函数，需要三个特征参数，可以较好的反应客观事实，可以提升分类系统的性能。但学习分类规则参数时，因参数较多，学习代价较大。梯形隶属函数隶属度为1的模式x分布比三角形隶属函数的x分布要多。这使得梯形更适合模糊分类器的设计，但特征参数也要多一些。Don’tcare隶属函数即在隶属函数的分布范围内的隶属度均为1，而不再的模式x不列入设计考虑，如此可以精简模糊规则。面向对象的高分辨率遥感影像分类技术研究7.影像分类结果比较——分类结果的评价精度评价：遥感影像分类结果质量的好坏需要进行精度的评价，精度评价是指分类后专题图像中的特定对象与该类型代表实际地物来进行精度比较，以正确分类的百分比表示分类精度。目前针对遥感影像的分类结果进行精度评价的有效方法包括有混淆矩阵和Kappa系数这两种评价指标。混淆矩阵（ConfusionMatrix）是由m行Xm列个元素组成，利用误差矩阵可以知道每个类别的样本数量、样本错分和漏分数目，并可以进行单一类别及总体类别相应的精度分析。Kappa系数考虑了漏分和错分的情况，充分利用了整个混淆矩阵的数据信息总体精度OA(OverallAccuracy)表示的就是分类图像中正确分类数所占样本总数的比例生产者精度PA(ProducerAccuracy)表示的是实测地物类型第i类中正确分类数目所占的比例用户精度UA(UserAccuracy)表示的是某一类别分类正确数目在用户解译中所占的比例