針對現(xiàn)有的高分辨率遙感影像面向?qū)ο蠓诸惔_定最優(yōu)分割尺度研究中,大多僅考慮了對象光譜特征而忽略了對象空間特征的局限性,采用RMNE（the ratio of mean difference to neighbors（Abs） to entropy）方法,以高分二號（GF-2）影像為數(shù)據(jù)源,利用影像紋理信息熵作為對象內(nèi)部同質(zhì)性指標,對象光譜均值與鄰域光譜均值差分絕對值作為對象之間異質(zhì)性指標,并結(jié)合目視確定茶園最優(yōu)分割尺度為170,進而利用面向?qū)ο蠓诸惙椒▽崿F(xiàn)了茶園提取。結(jié)果表明,基于RMNE方法確定最優(yōu)分割尺度獲取的分割結(jié)果,較為符合真實的茶園對象邊界,并且該分割尺度下的茶園提取生產(chǎn)者精度達到96.76%,用戶精度達到83.60%。 

【文章來源】：測繪與空間地理信息. 2020,43(12)

【文章頁數(shù)】：4 頁

【部分圖文】：

研究區(qū)融合影像

影響影像多尺度分割好壞的因素有分割尺度、形狀因子、緊致度因子、波段權(quán)重等。通過預實驗發(fā)現(xiàn)，分割尺度小于50時，分割對象過于破碎;分割尺度大于230時單個分割對象內(nèi)含有兩種及以上地物類別。因此，本文實驗設(shè)定多尺度分割的分割尺度范圍為50—230，以20為步長進行分割;考慮到高分辨率影像具有較明顯的形狀特征，因此適當調(diào)高形狀因子權(quán)重為0.2，光譜因子權(quán)重為0.8，緊致度因子和光滑度因子權(quán)重各為0.5;影像4個波段權(quán)重均設(shè)為1。在設(shè)定分割參數(shù)后，依次計算每個分割尺度下RMNE的值。根據(jù)公式(1)至公式(5)計算不同分割尺度的F(ENT)、F(ΔCL)以及RMNE，結(jié)果如圖2所示。由圖2(a)可知，分割尺度從50到110時，影像對象信息熵先增大后減小，在尺度為110時達到一個局部極小值，同理，在尺度為170和230時F(ENT)也出現(xiàn)了極小值點，即在這3種尺度下影像對象內(nèi)部同質(zhì)性最好;由圖2(b)可知，分割尺度從50到110時，影像對象與領(lǐng)域均值差分絕對值在呈緩慢上升，在尺度為110時達到一個局部極大值，同理，在尺度為170和230時，F(xiàn)(ΔCL)也出現(xiàn)了極大值點，在極大值點處，3種尺度下影像對象之間異質(zhì)性最好;由圖2(c)可知，RMNE在尺度為110、170和230時出現(xiàn)極大值點。因此，根據(jù)最優(yōu)分割尺度的選擇依據(jù)，分割尺度為110、170和230時即為最優(yōu)分割尺度。選擇這3種尺度進行多尺度分割實驗，圖3為3種尺度的局部分割結(jié)果，影像為標準假彩色NIR、R、G合成。不同的地物對應著不同的最優(yōu)分割尺度，由于本文是對研究區(qū)茶園進行提取，因此需要獲得較為準確的茶園邊界。從目視分析來看，相比于圖3(b)的結(jié)果，圖3(a)茶園對象較為破碎，存在輕微過分割現(xiàn)象;圖3(b)的結(jié)果相對符合真實茶園種植邊界，并且該尺度下(Scale=170)所計算的RMNE的值最大，而圖3(c)矩形框中茶園與部分林地沒有完全分割開，存在輕微欠分割現(xiàn)象。綜合整幅影像分割結(jié)果目視分析，本文研究的茶園最優(yōu)分割尺度為170。

根據(jù)2.2節(jié)中所選的影像對象特征，采用隨機森林分類器進行茶園提取。隨機森林分類器由一組決策樹進行預測的集成分類器，可以在少量訓練樣本情況下構(gòu)建分類規(guī)則，泛化能力強且不容易過擬合，分類性能優(yōu)異。根據(jù)3.1節(jié)所確定的茶園最優(yōu)分割尺度為170，本文基于該尺度下的分割結(jié)果進行茶園提取，并選用生產(chǎn)者精度(Producer accuracy,PA)、用戶精度(User accuracy,UA)、總體分類精度(Overall accuracy,OA)和Kappa系數(shù)作為精度評價指標進行茶園提取效果定量評價。同時，為比較輕微的欠分割與過分割對茶園提取精度的影響，對110和230尺度下的分割結(jié)果進行茶園提取，茶園提取的精度評價結(jié)果見表1，分割尺度下170茶園提取的PA、OA、Kappa系數(shù)最高，分別為96.76%、90.02%、0.80，表明良好的分割尺度是提高分類精度的前提;同時，分割尺度為110和230下的OA相比于170分割尺度下的OA小1%—2%,Kappa系數(shù)小0.1—0.3，表明輕微的欠分割與過分割對分類精度無明顯影響，這與文獻[4]得出的結(jié)論是一致的。茶園3種尺度下的茶園提取結(jié)果如圖4所示，經(jīng)與同時期Google Earth影像對照發(fā)現(xiàn)，茶園與水體、建筑及裸地能較好地區(qū)分，少數(shù)錯分區(qū)域主要集中在林地，這是因為部分林地在光譜、顏色、亮度特征上與茶園較為接近，而且茶樹生長發(fā)育情況不一樣也會影響最終的分類結(jié)果。從總體的目視分析結(jié)果看，170分割尺度下茶園提取結(jié)果與真實茶園分布較為符合，表明本文所選取最優(yōu)分割尺度下的茶園提取結(jié)果具有較高的準確度。4 結(jié)束語

【參考文獻】：
期刊論文
[1]基于RMNE方法的多尺度分割最優(yōu)分割尺度選取[J]. 毛寧,劉慧平,劉湘平,張洋華.  國土資源遙感. 2019(02)
[2]基于中尺度光譜和時序物候特征提取南方丘陵山區(qū)茶園[J]. 馬超,楊飛,王學成.  國土資源遙感. 2019(01)
[3]基于易康軟件的QuickBird遙感影像林分類型識別——以福建省將樂林場為例[J]. 毛學剛,姚瑤,陳樹新,劉家倩,杜子涵,魏晶昱.  南京林業(yè)大學學報(自然科學版). 2019(01)
[4]利用模糊綜合評判進行面向?qū)ο蟮倪b感影像變化檢測[J]. 馮文卿,張永軍.  武漢大學學報(信息科學版). 2016(07)
[5]基于資源三號衛(wèi)星影像的茶樹種植區(qū)提取[J]. 徐偉燕,孫睿,金志鳳.  農(nóng)業(yè)工程學報. 2016(S1)
[6]贛州稀土礦山高分辨率遙感影像分割的最優(yōu)尺度選取[J]. 袁秀華,羅衛(wèi),王聰穎.  測繪與空間地理信息. 2013(09)
[7]高分辨率遙感圖像分割的最優(yōu)尺度選擇[J]. 劉兆祎,李鑫慧,沈潤平,朱楓,張凱,王恬,王媛媛.  計算機工程與應用. 2014(06)
[8]一種面向?qū)ο蟮母叻直媛视跋褡顑?yōu)分割尺度選擇算法[J]. 張俊,汪云甲,李妍,王行風.  科技導報. 2009(21)



本文編號：3536264