论文部分内容阅读
随着遥感数据获取技术的发展和遥感应用需求的增加,高分辨率遥感影像的获取技术取得巨大发展。面对海量高分辨率遥感影像数据,遥感影像快速分析技术受到严峻考验。单纯地依靠基于像素的分类算法已经不能很好地处理高分辨率遥感影像呈现的新特点,例如,高分遥感影像中地物细节更清晰,光谱特征更复杂,类别内部的光谱差异性增大。为此,学者们提出面向对象的遥感影像分析(Object-Based Image Analysis,OBIA)范式。OBIA作为近年来蓬勃发展的新技术,虽然它有诸多的优势,但是也严重受到各分析阶段的数据质量、技术参数和处理方法等不确定性因素影响。 本文主要开展了OBIA各阶段的不确定性研究,包括面向对象影像分类与面向对象变化检测两方面,也探索了针对分割对象的高效分类技术。首先,系统地研究面向对象遥感影像分析的不确定性,揭示面向对象影像分析不同处理过程对OBIA结果不确定性的影响,从而促进面向对象的高分辨率影像处理技术的发展,更有益于当前海量高分辨率遥感影像数据的处理工作。其次,针对面向对象影像分类的特点,利用分割对象提供的上下文信息,研究特定地物的信息提取方法,克服不确定性因素对分类的影响,构建了一种适用于分割对象单元的非监督分类方法模型,提高了高分遥感影像数据的处理效率。主要研究内容和相关结论包括: (1)多尺度分割的不确定性与分割优化。影像分割是OBIA的前提,影响着OBIA的每一个阶段,多尺度分割是本文使用的分割算法。为确保研究的可信度,研究评估了多尺度分割在不同分割尺度上的分割精度,并测试了不同空间自相关指标的尺度敏感性,包括一致性指标——面积加权平均方差,以及异质性指标——Morans I和Gearys C。基于多尺度分割结果,提出一种有效的基于空间自相关的自上而下遥感影像优化分割方法,使分割对象与不同地物对象都能重合。实验证明提出的方法能够有效改进城区或一致性较高区域的分割效果。 (2)对象特征与尺度效应分析。分割对象的特征与分割尺度是面向对象影像分类的重要影响因素。研究以OBIA过程中的分割对象特征与尺度效应为切入点,研究了分割尺度、特征空间、训练样本大小等对OBIA结果不确定性的影响。结果显示,训练样本大小对面向对象影像分类精度的影响随尺度变化而变化。一般地,利用小训练集比率进行分类,不能将分割尺度设置过大,相反,如果需要在粗糙分割尺度下分类,需要保证较大的训练集比率。结果表明,不同地物的最优分割尺度与目视解译的各类地物的平均面积存在线性相关关系。 (3)特征选择方法的不确定性研究。特征选择方法和监督分类方法存在多样性,导致面向对象遥感影像的监督分类过程不确定,研究系统评估了不同特征选择和分类方法的表现。对于特征选择方法,测试八种监督特征选择算法,包括五种特征重要性评估方法和三种特征子集评估方法。结果显示,特征选择能够提高面向对象影像分类精度,然而,不同特征选择方法的表现存在较大差异。基于支持向量机的回归特征删除方法(Support Vector Machines Recursive Feature Elimination,SVM-RFE)是比较好的特征重要性评估方法,基于相关的特征选择方法(Correlation-Based Feature Selection,CFS)是最好的特征子集评估方法。嵌入基于面积的交叉验证的封装方法有望改进面向对象特征选择结果。 (4)监督分类方法的不确定性研究。由于考虑的影响因素不全面,不同监督分类器在面向对象遥感影像分类中的评估结果并不一致。本文全面考虑训练样本大小、分割尺度、特征选择等不确定性因素,系统地分析常用七种统计或机器学习分类器在不同参数条件下的表现,并定量评估了混合对象对分类结果的影响。实验主要采用可视化方法进行评估,利用多重比较分析(Mutiple Comparisons)、协方差分析(Analysis of Covariance,ANCOVA)等先进的统计测试方法进行比较分析。结果显示,SVM和随机森林(Random Forest,RF)分类器随尺度改变的精度变化趋势符合面向对象分类一般规律的假设,即分类精度随分割尺度的增加而减少;决策树(Decision Tree,DT)和RF对特征选择不敏感,而其它分类器都或多或少会受到特征选择的影响;混合对象对各分类器的影响高度一致。总体而言,不存在一种分类方法在所有的条件下都优于其它分类器。 (5)面向对象变化检测的不确定性研究。类似于面向对象监督分类,不同的特征空间、分割策略和变化检测方法,使得面向对象变化检测结果不确定。研究利用两个时相的WorldView-2影像,测试了四种常用的非监督变化检测方法在不同分割策略和分割尺度下的表现,并评估纹理特征和归一化植被指数(Normalized Difference Vegetation Index,NDVI)对变化检测结果的影响。为面向对象变化检测的分割策略的选择、分割尺度的选择、特征的选择,以及检测方法的选择提供参考信息。结果显示,面向对象变化检测能够削弱错误匹配导致的条形对象的影响,中等分割尺度与多时相分割更有利于变化对象的探测;相比其它预测方法,多元变化检测(Multivariate Alteration Detection,MAD)总体表现更好;非监督变化检测的阈值优化更加重要;实验也证明纹理特征与NDVI不能改进测试的四种方法的探测精度,有必要发展更好的方法,从而利用分割对象提供的纹理等信息。 (6)面向对象非监督分类方法研究。面向对象监督分类过程存在很多不确定性因素,降低了面向对象遥感影像分类的效率。研究在OBIA的不确定性研究基础上,利用不同大小的分割对象提供的上下文信息,构建了一种基于三角网聚类的耕地信息提取方法模型:一方面,耕地集中连片分布,居民区域呈棋盘状分布其中;另一方面,分割后的耕地地块较大,而居民地内部光谱差异大,分割后较破碎;提出的方法利用聚类的方法将破碎居民地剔除,从而达到提取耕地信息的目的。实验表明,该方法与常规监督分类方法相比,提高了高分感影像中耕地信息提取的效率。