CN115512159B 面向对象的高分辨率遥感影像地表覆盖分类方法及系统 （成都理工大学）

A008-445.面向对象的高分辨率遥感影像地表覆盖分一种面向对象的高分辨率遥感影像地表覆盖分一号遥感图像和哨兵二号遥感图像进行图像分2所述多源特征空间包括全局多源特征空间和各个地表覆盖类型多源特在S3中，先建立初始多源特征空间，再对初始多元特征在S4中，对于已构建的多源特征空间进行单层次分类，根2.根据权利要求1所述的面向对象的高分辨率遥感影像地表覆盖分类方法，其特征在3.根据权利要求2所述的面向对象的高分辨率遥感影像地表覆盖分类方法，其特征在4.根据权利要求2所述的面向对象的高分辨率遥感影像地表覆盖分类方法，其特征在5.根据权利要求1所述的面向对象的高分辨率遥感影像地表覆盖分类方法，其特征在提取的影像边缘信息参与分割。一项所述的面向对象的高分辨率遥感影像地表覆3影像中提取特征信息并进行分类，从而准确的得到地表覆盖信息是遥感领域的热点问题。4补高分一号在近红外波段缺失的问题，既能充分利用高分一号遥感数据的空间分辨率优5分类所获得的混淆矩阵对不同的地表覆盖类型进行可分离度计算得到可分离度计算结果；6[0054]本实施例中高分一号遥感影像和哨兵二号遥感影像的图像配准采用现有通用图影像中至少包含一个哨兵像元，使其既能充分利用高分一号遥感数据的高空间分辨率优7[0059]本实施例采用基于分割质量函数的最优分割尺度计算模型(JohnsonandXie，[0071]式中Xmin和Xmax分别是光谱面积加权标准差或Moran’sI指数的最小值和最大8[0077]实施时，首先将高分一号配准影像的高分数据导入eCognit象边界都能较好的贴合地类真实的轮廓，因此需要针对每一种地类设置不同的分割尺度，领域均值差分绝对值和对象标准差的比值——RMAS指数(TheRatioOfMeanDifference9[0100]利用Arcgis在高分遥感影像上分别对本研究区设定的6种地类选取像素点作为训[0101]其次从定量的角度计算分割质量评价指数SSI和SDI。当SSI越小说明分割对象与SSI和SDI，计算结果表中除耕地和未利用地以外各地类分割尺度均在RMSA值达到峰值时[0104]本实施例在完成全局最优分割尺度和主要地类分割尺度之间像素突变的部分。边缘检测主要通过方向和幅值的变化速率进而判断是否为边缘点。据变化特点，通常采用求导的方式进行边缘信息的提取。常用的边缘检测算法有Sobel算是JohnFCanny提出的并被广泛认可和大量引用，他在一般边缘检测的基础上进行优化，[0108]在全局最优分割尺度下的分割优化效果作为展示，[0115]本文在高分一号配准影像获取的高分数据的基础上加入了10个哨兵波段数据构表示第l波段的光谱均值。B为图像层亮度权重。[0141]在特征选择中主要包括过滤式选择(Filter)和包裹式选择(Wrapper)。过滤式首去除1个排名最靠后的特征之后的新特征空间训练分类器并对分类后的结果进行精度预[0171]本实施例采用全局最优分割尺度下结合边缘检测信息优化分割以及采用全局最多层次结构中每一层都可使用上文计算所得符合当前层的不同地类最优分割尺度并加以[0203]实验C：对本文结合的哨兵特征空间采用实验B相同的方法进行单独的分类实采用适合不同地类的最优分割尺度并结合边缘信息优化分割和适合不同地类的最优多源本文在分类结构方面的优化是否有效解决了单层次分类方法对面积差异明显的地类难以[0225]将前面随机选取的验证点矢量数据导入eCognition，使用eCognition中Error因此在总体精度和Kappa系数方面可以初步证明本方案具有明[0238]从以上各图表中可得，经分类结构优化后的实验E进一步缩小了不同地类生产精的效果，总体精度较基于随机森林分类器的单层次分类方法提升8.81达到87.21在[0242]本方案所提供的的多层次分类方法较目前使用较多的基于随机森林分类器的单[0245]与实施例1不同的是，本实施例在对高分一号遥感影像和哨兵二号遥感影像进行[0249]以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容