面向对象和基于像元的草原地图分类外文翻译资料

 2021-11-14 10:11

英语原文共 10 页

面向对象和基于像元的草原地图分类

作者：Timothy G. Whiteside, Guy S. Boggs, Stefan W. Maier

摘要：适合于中高分辨率卫星图像的的基于对象的分类方法的强劲发展为“传统的”基于像素的方法提供了一个有效的替代品。本文比较了澳大利亚北领地北部的热带地区基于对象的分类结果和逐项像元的监督分类的结果。基于对象的方法包括将影像数据分割成多个尺度级别的对象。通过训练对象和最近邻监督模糊分类算法将对象分成指定类。基于像素的监督分类涉及到训练区域的选择和使用最大释然分类算法。。在256个参考站点的基础上，采用两种分类的混淆矩阵对指定点的精度进行了评估。比较结果表明，该方法具有一定的统计学意义，面向对象的分类总体精度明显高于基于像元的分类。将数字高程模型(DEM)图层和相关的分类规则合并到面向对象的分类中，总体和某些类的精度略高;然而这是在仅使用光谱信息的面向对象的研究中，没有统计学意义。结果表明，面向对象的分析方法在从拍摄于澳大利亚热带地区的空间异质性的土地覆盖的卫星图像中提取土地覆盖信息方面具有良好的应用前景。

  1. 引言

澳大利亚北部的特征是幅员辽阔、面积小，人口少。这种情况适合于获取遥感数据和分析用于反应自然资源信息。。之前已有过一系列的用于绘制澳大利亚北部的土地覆盖图的遥感数据，但在此之前的研究中，大部分土地覆被分类的研究都是基于传统的基于像元的方法(Ahmad 等1998 ;Hayder等，1999; Menges 等, 2000),尽管近年来流行在北部地区在采用面向对象的方法进行土地覆盖分类 (Crase and Hempel, 2005; Whiteside and Ahmad，2004)。

澳大利亚热带地区土地覆盖的性质给基于像元的分类方法带来了一些问题(Whiteside, 2000)。

澳大利亚北部大部分的原生植被是相对而言的完整，除了放牧和火灾(Wilson等，1990)。因此，有大面积的光谱相似但成分不同的植被覆盖或连续的不同密度的树木覆盖 (Hayder, 2001)这可能会导致这些植被难以区分，潜在地加大了分类不确定性。在成像中热带稀树草原内部树木覆盖的不连续特性也导致了热带稀树草原的异质性 (Hutley and Setterfield, 2008; Pearson,2002)。同样，为了在群落尺度上绘制植被覆盖专题图而进行逐像元分类时，特定土地覆盖范围内的光谱异质性可能导致在类中出现虚假(在该尺度上被错误分类)像素，从而产生“椒盐”效应(Blaschke 等，2000)。此外，高分辨率图像(像元大小小于5 m)的应用提高产生新的问题，因为使用传统的基于像元的方法很难准确地反映群落尺度的类。土地覆盖类中光谱异质性的增加常常导致像元的分类不一致。

面向对象的影像分类(OBIA)发展，适用于中等(像元大小为10-30 m)到高(像元大小为2-10 m)空间分辨率卫星图像的分类，为 “传统”基于像素的(PB)方法提供了一个有效的替代方案用于遥感影像的分析和分类(Baatz等，2004;本茨等，2004)。使用对象的一个好处是，除了光谱信息(例如，每个对象的波段的平均值)之外，对象还具有许多地理/几何特征，例如形状和长度，以及拓扑实体，例如邻接和，可以在其中找到(Baatz 等，2004)。这些属性为示例对象创建了一个知识库，该知识库的信息要比单个像素丰富得多，并且可以在形成基于规则的分类过程中使用。

本文介绍了一种面向对象的监督分类方法和一种基于像元的监督分类方法的比较，使用了在澳大利亚北部的热带季风区域稀树草原土地的中等空间分辨率ASTER数据进行分类。

1.1面向对象的影像分类

面向对象的影像分类是将图像分割成同质对象，然后对这些对象进行分析和分类。分割的优点之一是它创建了一个对象来表示土地覆盖类型，这些类型在像元层次上可能是频谱可变的，因此它消除了基于像元的分类相应的椒盐效应。另一个优点是面向对象的分类使用非任意单位用于分析，而不是像元;对象比像元更接近真实世界的特征。此外，使用形状特征、对象和类的层次结构以及与对象相关的拓扑特征是面向对象方法的其他一些优点。面向对象的分类支持规则集的构建，这些规则集可用于生成可重复方法的各种场景。面向对象的影像分类的缺点之一是必须对正在调查的地区和土地覆盖类型有一定的先验知识，而这些知识可能不一定能掌握。另一个缺点是分割过程和对象之间拓扑关系的后续计算会占用大量的计算机内存。此外，对于创建影像对象，并没有确定的算法或参数。尽管最近已经使用局部方差来确定合适的分割尺度，但大部分的分割适宜性评估都是通过目视评估来进行的。

1.2面向对象的影像分类和基于像元的影像分类的比较

虽然有一些比较面向对象和基于像元的分类技术的研究，但很少有以澳大利亚北部进行研究的。许多出版物声称对分辨率更高的图像进行分类时面向对象的分类比基于像元的方法更有潜力s (Mansor et al., 2002; Oruc et al., 2004; Willhauck et al., 2000).。然而，Dingle Robertson和King（2011)在使用McNemar的比例差异非参数检验的研究中发现，两种方法之间没有统计学上显著的差异，虽然在视觉上有差异。检验表明，面向对象的方法在均匀覆盖面积较大的区域误差较小，对土地覆被变化的时间分析效果较好。Niemeyer和Canty(2003)认为面向对象的分类在检测高分辨率图像的变化方面具有更大的潜力。Castillejo-Gonzalez等人(2009)发现基于对象的方法比五种基于像素的监督分类算法(平行六面体、最小距离、

马氏距离分类器、光谱角映射器和最大释然法)用于制定作物和农业环境相关措施。基于他们的数据参考，Gao等人(2006)使用面向对象的方法与基于像元的方法对比，在分类12个土地覆被类别时获得了更高的精度(分别为83.25%和46.48%)，而Gao和Mas(2008) 在使用SPOT 5 (10 m空间分辨率)数据绘制覆被时面向对象的方法优于最大释然法和基于像元的神经网络的方法。然而，作者注意也到，在对图像进行平滑滤波后，基于像元的方法的精度提高了，而面向对象的精度反而降低了。

Jobin 等人(2008)指出，面向对象分类方法的优势之一是知识库的实用性，它超越了纯粹的光谱信息，包括与对象相关的特征，如形状、纹理和上下文/关系，以及包含辅助数据的能力。Manakos等人(2000)发现，在面向对象的分类中使用辅助数据可以提高分类精度。同样，Devhari和Heck(2009)发现了面向对象的分类优于基于像元的分类，在分割中引入辅助表面数据(DEM和轮廓线)效果会更好。Myint等人(2011)发现，在面向对象的规则集分类中包含主成分图像和归一化植被指数，其准确率显著高于最大释然法。Yu等人(2006)利用4波段机载数码相机图像结合辅助和衍生数据(IHS转换、高程坡度和坡向，以及一个水道GIS图层)，使得Douglas-fir、California Bay和Coast live oak社区绘制出的植被覆被类型总精度超过60%。

  1. 方法

2.1研究区域

研究区位于澳大利亚北领地西北部的Litchfield国家公园的Florence Creek区域(图1)，面积1373公顷，位于公园的两个主要特征点Florence Falls和Buley Rockhole附近。该地区的气候特点是潮湿/干燥的热带;由长旱季(5月- 9月)组成，降雨量很少或没有，超过75%的年降雨量(1500毫米)发生在11月至3月之间。日最高气温从6月和7月的32摄氏度以下到10月和11月的36摄氏度以上不等。研究区域内的植被以开放森林和稀树草原林地为主，间断性桉树(主要为四重桉树和小桉树)以冠层和连续一年生草本下层为主(Griffiths et al.，1997)。季风雨林的斑块位于悬崖底部和其他永久水域附近的泉水上。千层树沿着溪流生长，与季风雨林(如桉树脲黄茎和乳状茎)共享重叠的物种(Lynch and Manning, 1988)。研究区南部一般为被排水管线相交的高原表面，北部为易被淹没的低洼地区。在景观的北端，排水线与高原边缘相交，出现了许多峡谷和相关的瀑布。这个地形会产生阴影区和斜坡效应，影响辐照度，尽管影响的面积很小。

2.2遥感数据

2000年7月28日获得该地区的ASTER数据，其提供15个光谱波段;4个可见光和近红外(0.52-0.86 m) (VNIR)在15 m标称的像元大小下，6个短波红外(1.6 - 2.43 m)在30 m, 5个热红外在90 m (8.12-11.65 m，Yamaguchi等，1998)。数据经地形校正后，处理为水平表面反射率。近红外(NIR)波段3在最低点(3N)和向后看(3B)时被捕获，产生一对立体图像，可用于创建DEM (Hirano et al.， 2003)。由ASTER波段3N和3B获得的相对DEM图像是NASA EROS数据中心于2002年10月获得的，从DEM图像中提取的坡度图层(%)也包含在其中。

预处理包括几何校正和为研究区域创建子集。作者使用一阶多项式和最近邻插值对图像进行几何校正，并将1:100,000地形图上的25个地面控制点的DEM合并在一起，生成的RMSE小于0.5像素(7.5 m)。由于受坡度影响的区域相对较小，ASTER DEM不适合准确反映这种小的变化，因此没有对光谱图像进行进一步的地形调整。研究区域的子集由ASTER VNIR波段1、2和3N(分别为绿色、红色和近红外最低段)和DEM(图2)创建。对于15 m 的ASTER图层，其子集的像素尺寸为249(列)times;245(行)。

2.3．面向对象分类

使用Definiens Developer version 7软件进行了两个面向对象的分类。第一个分类仅使用ASTER图像的VNIR波段与基于像元的分类进行比较，第二个分类包含了ASTER DEM的信息。面向对象分类都涉及两个子过程:(i)分割(ii)分类(图3)。

2.3.1．多尺度分割

面向对象的方法首先涉及到图像数据在两个尺度上的对象分割。使用遵循分形网络演化方法的多分辨率分割算法(Baatz和Schape, 2000)将子集图像初始分割为对象图元或片段。图像分割成对象图元受到三个参数的影响:尺度、颜色和形状(Willhauck et al.， 2000)。该算法主要是一种自底向上迭代的分割方法，从单个像素开始，根据像素的异质性和对象的形状和颜色将这些像素进行合并。这些参数在算法中由两个参数确定;(i)规模和(ii)颜色与形式的对比。算法中的尺度参数由算子设定，受像素的异质性影响。颜色参数平衡了物体颜色的均匀性和形状的均匀性。形状参数是线段边界的平滑度和紧度之间的平衡。这些参数的权重为对象图元建立了同质性准则。利用权重的变化对若干分割后的物体进行目视检查，以确定每个尺度级别的参数权重的总体值(表1)。大于10的尺度参数往往会在明显混合了土地覆盖的情况下对图像进行分割。尺度参数小于5时，图像容易发生过割裂，观测到同一地表覆盖的多个相邻物体。由于图像中自然景观中土地覆盖的不规则图案和边界，将重点放在物体的颜色(缺乏光谱变异性)超过其形状的判据上(分别为60%至40%)。该算法中颜色与形状之比的增加导致了边界极其复杂的物体，而形状参数的增加使规则形状的线段不能代表可识别的土地覆盖边界。选择了两个层次作为第一个层次，提供对象在合适的比例进行映射，但是一些对象仍然包含明显的光谱变异性。因此，引入了一个更细的尺度来生成较小的、可变性较小的对象，然后可以将这些对象组合到适当的类中。

2.3.2 分类

根据研究区植被的结构形成和特征分类单元(表2)，共确定了10个土地覆被类群，其中两个类群包括研究区最近被烧毁的区域。面向对象分类包括监督分类，即根据训练对象的类别选择训练数据的对象，并结合实地观察和航空照片解释来确定。将训练对象的平均谱值作为输入到最近邻算法中，该算法利用特征空间根据最近的训练实例对目标进行分类，并将一个目标分配到其大部分近邻的类中。

结合DEM数据的面向对象分类过程包括监督分类和基于平均光谱特征的分类规则的形成，以及对象的DEM和坡度值。从图像对象中选择每个类的样本作为分类的训练区域。

多级面向对象分类的详细信息如图5所示。利用最近邻(NN)分类算法对宽尺度(Level 2)分割进行初始分类，相关训练样本如图4所示。神经网络分类利用所有三个光谱波段的目标均值来创建五个大类(河岸类、EOF类、EW类、GL类和MF类)。较精细的第1级对象最初是根据分配给其第2级超级对象的类进行分类的。然后利用基于样本对象的神经网络监督分类进行进一步的分类(图4)，并将样本作为定义中数据模糊分类的基础(Baatz et al.， 2004)。模糊分类使用模糊逻辑来解释中等空间分辨率图像中像元(或在本例中为对象)的异质性(由多个土地覆盖组成)，以及自然界中缺乏硬的、尖锐的边界，在这些边界中，类之间彼此分级(Foody, 1992)。当存在m个类时，像元被分配m个类成员关系，使得像元(或对象)属于每个类的真实程度(Jensen, 2005)。拥有最高成员(或真值)值的类被指定为每个对象的最佳和最终类(Baatz et al.， 2004)。第1级分类步骤完成后，将临时WF(林地单位)和CFl(溪滩单位)对象合并为MW(混合林地)类，生成10个类，与基于像元的分类和参考数据进行比较(图5)。

2.4 用辅助的DEM数据图层进行面向对象的分类

本次结合DEM数据进行了第二次面向对象的分类。使用训练样本对象和神经网络算法的过程与初始基于对元的分类过程相同;为了对受坡度影响的区域进行分

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章