多尺度分割是面向對象圖像分析技術的前提和關鍵,多尺度分割的質量直接影響著面向對象分類的精度,但尺度選擇仍然是多尺度分割中的一個難題。針對此問題,根據(jù)遙感影像的最優(yōu)分割尺度與影像上目標復雜度密切相關的事實,提出了一種自上而下基于分割對象復雜度選取最優(yōu)尺度的方法。該方法在分割過程中,提取每一對象的影像特征構建其復雜度函數(shù),通過設置閾值,經迭代計算來確定每一對象的最優(yōu)分割尺度,進而得到具有全局最優(yōu)尺度的分割結果,并將其應用于ZY-3多光譜數(shù)據(jù)和GF-2融合影像,得到分割和分類結果。并將其與單一最優(yōu)尺度和非監(jiān)督評價法的分割及分類結果進行比較,結果表明:該方法能夠獲取與地面目標相匹配的分割尺度,改善了分割效果,提高了分類精度,具有一定實用價值。 

【文章來源】：遙感技術與應用. 2020,35(03)北大核心CSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

技術路線圖

選擇ZY-3多光譜數(shù)據(jù)和GF-2融合數(shù)據(jù)作為數(shù)據(jù)源（圖2所示），選取影像中不同的試驗區(qū)（從城市區(qū)到半自然景觀）來評估本研究方法的性能。采用RPC文件和DEM數(shù)據(jù)對ZY-3多光譜數(shù)據(jù)和GF-2數(shù)據(jù)進行正射校正，并進行快速大氣校正；采用Gram-Schmidt sharping方法對GF-2多光譜和全色影像進行融合；根據(jù)研究區(qū)的矢量數(shù)據(jù)對影像進行裁剪。有關研究區(qū)影像數(shù)據(jù)的詳細信息及地物類型如表1所示。并將所有數(shù)據(jù)都歸化到UTM WGS84(Zone 48N-WGS84）投影系中。4 實驗與分析

首先對兩幅影像采用多分辨率分割算法以10步長進行一系列分割（尺度范圍為10～250），分別計算每一分割結果的全局莫蘭指數(shù)（MI）和加權方差（WVar）來衡量對象間的異質性和對象內的同質性，對兩者進行歸一化并取和得到每一分割結果的全局得分（GS），以GS值最小的分割結果為單尺度下的最優(yōu)分割結果，此時的分割尺度即為最優(yōu)尺度。經計算，基于ZY-3多光譜影像及GF-2融合影像的單一最優(yōu)尺度分別為80和130。兩者的分割結果如圖4(a）、（d）所示。4.3 U-E實驗

【參考文獻】：
期刊論文
[1]一種面向對象的最優(yōu)分割尺度計算模型[J]. 白韜,楊國東,王鳳艷,劉佳為.  吉林大學學報(地球科學版). 2020(01)
[2]高分影像樹種分類的最優(yōu)分割尺度確定方法[J]. 劉金麗,陳釗,高金萍,高顯連,孫忠秋.  林業(yè)科學. 2019(11)
[3]一種遙感影像自適應分割尺度的分類方法[J]. 王芳,王建,謝兵,何陽陽,陳愛玲,敬遠兵.  測繪科學. 2019(11)
[4]高分二號數(shù)據(jù)的城市生態(tài)用地分類方法探討[J]. 王芳,楊武年,鄧曉宇,任金銅.  測繪科學. 2018(03)
[5]面向對象影像多尺度分割最大異質性參數(shù)估計[J]. 馬燕妮,明冬萍,楊海平.  遙感學報. 2017(04)
[6]綜合多層優(yōu)選尺度的高分辨率影像分割[J]. 楊海平,明冬萍.  地球信息科學學報. 2016(05)
[7]基于均值漂移的遙感圖像海陸邊界分割算法[J]. 張毅飛,呂科,代雙鳳,楊磊.  光學技術. 2016(01)
[8]面向對象的高分辨率遙感影像分割精度評價方法[J]. 朱成杰,楊世植,崔生成,程偉,程晨.  強激光與粒子束. 2015(06)
[9]大規(guī)模遙感影像Mean Shift并行分割優(yōu)化算法研究[J]. 王衛(wèi)紅,徐文濤,夏列鋼,方趙林.  小型微型計算機系統(tǒng). 2015(05)



本文編號：3115352