目前大多數(shù)面向像元、面向?qū)ο筮b感影像分類對比研究算法、軟件、樣本均不同,引入多方面系統(tǒng)誤差導(dǎo)致結(jié)果一定程度上不嚴謹。為更準確比較2種分類方法,本文采用面向像元、面向?qū)ο?種分類方式,在同軟件平臺、同分類器、同訓(xùn)練樣本、同驗證樣本,即"四同"條件下對2018年4月17日高分一號周口城區(qū)融合影像進行分類對比研究,并完成主、客觀評價精度評價。結(jié)果表明:①"四同"條件下2種分類方式、CART(Classification and Regression Tree)、SVM(Support Vector Machine)、RF(Random Forests)3種機器學(xué)習(xí)算法均能識別周口城區(qū)主要地物類型,而面向?qū)ο蟮姆诸愋Ч黠@優(yōu)于面向像元分類,與前人研究結(jié)論一致。其中面向像元分類效果最好的是RF算法,總體分類精度為78.02%,Kappa系數(shù)為0.72;面向?qū)ο蠓诸愋Ч詈玫氖荝F算法,總體分類精度為93.40%,Kappa系數(shù)為0.92;②盡管由于光譜特征相似、分布交叉,單類別建筑用地、交通用地用戶精度與生產(chǎn)者精度較低,但面向?qū)ο蠓诸愝^面向像元分類效果明顯提升,以RF分類為例,建筑用地生產(chǎn)者精度... 

【文章來源】：地球信息科學(xué)學(xué)報. 2020年10期 北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

2018年4月17日周口城區(qū)GF-1融合影像

本文面向?qū)ο蟮姆诸惙椒鞒桃来螢橛跋穹指�、最�?yōu)特征集確定、機器學(xué)習(xí)分類、精度評價，具體如圖2所示。(1）影像分割。分割是面向?qū)ο蠓诸惖那疤�。目前e Cognition軟件多尺度分割算法應(yīng)用較成熟[17]，因此本研究采用多尺度分割進行影像分割。該分割效果主要由影像圖層權(quán)重、形狀因子和緊致度因子、分割尺度決定[18]。

本文所涉及的樣本包括訓(xùn)練樣本、驗證樣本。訓(xùn)練樣本容量每類應(yīng)至少包含10～30n個，n為影像波段數(shù)，以保證某些分類算法中需要的方差-協(xié)方差矩陣計算[23]。本實驗中高分一號融合影像共計4個波段，故n=4，即每類應(yīng)至少包括40個訓(xùn)練樣本。驗證樣本參考最小樣本數(shù)規(guī)則，即每類至少50個[24-25]。另外，為減小樣本受地物規(guī)則分布的影響，兩樣本分布均采用隨機分布；為了使精度驗證更科學(xué)，參考高分辨率近時相Google地圖。結(jié)合實地踏勘數(shù)據(jù)，基于目視解譯在Arc GIS中生成隨機點完成研究區(qū)訓(xùn)練樣本、驗證樣本制作，如圖3所示。3.5 機器學(xué)習(xí)分類器

【參考文獻】：
期刊論文
[1]基于無人機影像和面向?qū)ο箅S機森林算法的巖溶濕地植被識別方法研究[J]. 耿仁方,付波霖,蔡江濤,陳曉雨,藍斐蕪,余杭洺,李青遜.  地球信息科學(xué)學(xué)報. 2019(08)
[2]K-means和ISODATA聚類算法的比較研究[J]. 陳平生.  江西理工大學(xué)學(xué)報. 2012(01)
[3]多時相影像的典型區(qū)農(nóng)作物識別分類方法對比研究[J]. 彭光雄,宮阿都,崔偉宏,明濤,陳鋒銳.  地球信息科學(xué)學(xué)報. 2009(02)

碩士論文
[1]基于GF-2遙感影像的城鎮(zhèn)地物信息提取分割尺度研究[D]. 袁澤.新疆大學(xué) 2016
[2]基于面向?qū)ο蟮母叻直媛蔬b感影像水體信息提取優(yōu)勢研究[D]. 杜斌.云南師范大學(xué) 2014
[3]高分辨率影像面向?qū)ο蠓诸愄卣鬟x擇方法研究[D]. 楊寧.西安科技大學(xué) 2012
[4]面向?qū)ο笈c基于像素的高分辨率遙感影像分類在土地利用分類中的應(yīng)用比較[D]. 梁艷.太原理工大學(xué) 2012



本文編號：2947493