面向对象分类法.ppt
- 文档编号:11289348
- 上传时间:2023-05-30
- 格式:PPT
- 页数:82
- 大小:9.24MB
面向对象分类法.ppt
《面向对象分类法.ppt》由会员分享,可在线阅读,更多相关《面向对象分类法.ppt(82页珍藏版)》请在冰点文库上搜索。
面向对象分类法,1.问题提出,大多遥感影像自动提取方法的共同点:
以像元为基本单元描述地表模式。
参与信息提取的因子是像元的光谱信息,很少考虑类别内部的结构,纹理以及相邻像元之间的关联信息。
Inreality,however,thetypesanddistributionoftheobjectsarecomplexandmulti-scales,andthegroundfeaturesgroupthemselvesbymeansofinnercharacteristics.,地物的自组织现象小尺度,地物的自组织现象中尺度,自组织常见特征光谱特征:
吸收,反射,发射空间特征:
位置,纹理,形状地形特征:
分布时相差异:
日较差,季相,年际变化通常只考虑一种特征或很难全面描述,1.问题提出,针对基于像元的方法的局限性,在20世纪70年代,KettingandLandgrebe(1976)在遥感影像的解译中提出了同质性对象提取的概念,并推出了一种分割算法称为ECHO(ExtractionandClassificationofHomogenousObjects)。
面向对象与基于像元(Object-basedandpixel-based)的影像分析方法最明显的区别是分析的基本实体,是有意义的影像对象,而不是单个像元,参与信息提取的因子不仅是影像对象的光谱信息,还有对象的空间信息与语义信息。
1.问题提出,ArigialisandHarlow(1990):
面向对象技术促进了影像分析的发展,从基于数学与统计的方法,发展为基于逻辑与启发的分析技术。
Willhauck(2000)使用两种方法对SPOT数据与航空影像数据进行森林类别的识别,结果表明面向对象的分类方法优于传统的分类方法。
Baueretal.(2001)对奥地利维也纳市进行航空影像土地利用分类,面向对象方法速度快精度高,是高分辨率影像自动分类的理想选择。
Willhaucketal.(2002)采用面向对象的影像分析方法,集合了多种数据如ERSSAR影像、植被图及NOAA数据完成了印尼在1997与1998年严重森林火灾后的制图任务。
1.问题提出,面向对象方法的应用研究国内也有一些初步的应用研究。
利用航片和TM影像融合技术,采用OO方法对大庆市城市绿地信息调查(黄慧萍,2004);结合IKONOS高分辨率遥感数据,利用面向对象分类法实现土地覆盖精确分类,并探讨面向对象分类法在地物分类应用中的潜力(杜凤兰等,2004.2);利用面向对象分类法,实现株洲土地覆盖信息提取(莫登奎,2005);利用Quickbird影像分割后的影像对象提取树冠信息(覃先林等,2005.4),2.面向对象影像分析的基本思想与方法,影像对象是光谱信息相似的相邻像元集合体.其大小由影像分割尺度与影像空间结构特征决定。
面向对象影像分析有两个独立的模块:
对象生成与信息提取(Metzleretal.,2002)。
1.对象生成:
是采用影像分割技术生成不同的影像对象的过程。
一般是根据影像的颜色(DN)和形状特征进行分割。
成功的影像分割是面向对象的影像分析的必要的前提;2.影像信息提取:
是基于模糊逻辑的分类系统。
根据每个对象的属性隶属概率和空间相关特征,进行语意信息提取。
分两步,给定尺度的影像分割图,2.1影像分割的概念,影像分割(imagesegmentation)是一种重要的影像分析技术,是指把影像分成各具特性的区域的技术和过程。
意义:
1.它是要素表达的基础,对特征和属性测量有重要影响;(如位置,形状,大小)2.影像分割的要素提取、特征提取和参数测量等可以将原始影像转化为更抽象更紧凑的形式,使得更高层次的影像分析和理解成为可能。
影像分割算法总体上可分为基于边界和基于区域的算法。
1、基于边界的分割算法1)先检验目标的边缘,然后以组成目标的边界实现分割,如:
微分算子法、Hough变换、分水岭算法等;2)先确定边界起始点,然后根据某种策略进行顺序搜索,确定目标的边界实现分割,如:
边界跟踪、曲线拟合等。
基于边界的分割方法适合处理区域内部一致性高,边界变化明显的情况,尤其适合对特定目标的提取,如桥梁,机场。
但对于遥感影像信息提取而言,自然环境复杂多样,各环境要素之间的变化大部分是渐变的,这种方法很难对整景影像进行合理的分割,因此很少采用基于边界的分割方法。
2.1影像分割的基本方法,2.1影像分割的基本方法,2、基于区域的分割方法
(1)区域增长(从下到上)根据同一物体区域内象素的相似性来聚集象素点的方法。
从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到当前的区域中从而逐步增长,直至没有可以归并的点或小区域为止。
区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等特征。
区域增长方法是一种比较普遍的方法,在没有先验知识可以利用时,可以取得最佳的性能,可以用来分割比较复杂的影像,如自然景物。
这种分割方法对种子点的选择有很大依赖,不同的种子点设置一般会有不同的分割结果,而且在区域之间过渡平缓的情况下会把不同类型的区域合并到一个区域。
同时区域增长方法是一种迭代的方法,空间和时间开销都比较大。
2.1影像分割的基本方法,
(2)分裂、合并混合法(从上到下)从整幅影像开始按区域的相似性,通过不断分裂得到各个同质区域的过程。
实际应用中常常先把影像分成任意大小且不重叠的区域,然后再分裂这些区域以满足分割的要求。
最常用的是一种利用影像四叉树表达的简单分裂算法。
图.四叉树表达方法,2.2基于异质性最小原则的区域合并算法,遥感影像分割原理根据地理学第一定律(Tobler,1970)该定律描述了地物的空间依赖性,即相邻像元具有相近光谱属性的概率很高。
把光谱信息相似的邻近像元合并为一个同质的影像对象。
影像分割过程中综合考虑影像对象的空间特征、光谱特征和形状特征,因此生成的影像对象”不仅包括了Tobler所描述的光谱同质性,而且包括空间特征与形状特征的同质性。
异质性最小的区域合并算法,是一种从像元开始由下至上、逐级区域合并的过程。
经过多次叠代过程,小的同质区域变成大的同质区域。
分割过程中多边形对象不断增长而异质性最小,实现整幅影像在给定分割尺度的情况下所有影像对象平均异域性最小。
2.2基于异质性最小原则的区域合并算法,异质性最小的两方面含义:
光谱异质性和空间异质性1.光谱异质性为了保证影像分割生成的多边形对象内部的同质性与相邻多边形对象的光谱异质性的适宜程度,在区域合并的分割过程中需要考虑光谱异质性两个标准:
同类像元合并的准则与停止像元合并的条件。
这二个标准在分割过程中控制像元的归属,因此标准设置的合理与否将直接影响分割后影像对象有效性。
2.空间异质性仅仅考虑光谱异质性最小会导致分割后影像对象的多边形边界比较破碎,因此常把光谱异质性的标准和空间异质性的标准配合使用。
区域合并算法的目的是实现分割后影像对象的异质性最小化,因此,在分割前需要确定影响异质性的两个因子:
光谱因子与形状因子,才能达到整幅影像所有对象的平均异质性最小。
异质性标准光谱异质性式中W为各层中的权重和标准差。
形状异质性紧质性式中为对象边界长度、为影像对象的最短边界长度。
光滑性,异质性最小原则的影像分割的具体步骤,1.设置分割参数,包括设定尺度阈值即停止像元合并条件;2.确定光谱因子与形状因子的权重:
在形状因子中,根据大多数地物类的结构属性确定紧密度和光滑度因子的权重。
3.以影像中任意一个像元为中心开始增长,第一次分割时单个像元被看作一个最小的多边形对象参与异质性值的计算;第一次分割完成后,以生成的多边形对象为基础进行第二次分割,同样计算异质性值,判断f与预定的阈值之间的差异,若f小于阈值s,则继续进行多次的分割,相反则停止影像的分割工作,形成一个固定尺度值的影像对象层。
异质性最小图象分割算法的计算流程,s为分割尺度阈值。
Y,2.3尺度参数的确定遥感图象区别于其他图象的本质所在,1.尺度的概念这里的尺度均指空间尺度空间尺度是指在研究某一物体或现象时所采用的空间单位,同时又可指某一现象或过程在空间上所涉及到的范围。
尺度值越大,所生成的对象的面积越大而数目越小,反之亦然。
不同目标在地理空间具有不同的尺度特征。
因此不同分析目的所关注的尺度也会不同,特定的目标分析要在特定的尺度上来进行。
当景观尺度发生变化时,所量测到的空间异质性也随之变化,因此尺度对景观空间异质性的测量与理解有着重要的影响。
景观尺度分析主要面临两方面的问题:
尺度选择与尺度推绎。
遥感数据的多分辨率特征形成了不同空间分辨率的影像数据层次体系,为不同景观分析提供多种尺度选择的数据源。
2.3尺度参数的确定,2.分割尺度的选择多尺度影像分割就是给不同的景观现象设置不同的分割停止阈值。
从而生成不同尺度的影像对象层。
对于复杂的景观地物,由于尺度效应十分明显,分割阈值的设置就非常关键。
多尺度影像分析就是要选择合适的尺度的影像层进行感兴趣景观地物的分析。
每种地物在其适宜尺度的影像层中进行提取分析,这比不同性质地物在同一尺度的数据中进行提取分析要理想得多,得到的结果也精确得多。
2.3尺度参数的确定,3.最优尺度的选择一般准则对于一种确定的地物类型,最优分割尺度值是分割后的多边形能将这种地物类型的边界显示十分清楚,既不能太破碎,也不能边界模糊。
遥感影像中的地表特征在一定空间尺度范围内表现为有规律地变化,而一旦越过某一个尺度阈值则发生本质性的变化,所以最优分割尺度是一个范围值,而不是一个断点值。
最优分割尺度是针对一种类别和景观而言的。
目前对遥感影像分割尺度分割的最佳参数还是一个重要的研究课题,最佳尺度参数的选择依赖于影像数据的分辨率和应用目的,基于试验对比获得。
eCognition给出了一些分割参数选择的基本原则(DefiniensImaging,2004a):
a.尽量以最大可能分割尺度区分差异最大区域(在满足必要的精细的条件下尽可能使用大尺度)。
b.在满足必要的形状标准前提下尽可能采用颜色标准。
c.使用较大的光滑度提取边界光滑的对象。
d.使用较大的紧致度提取形状紧致的对象。
2.4多尺度鉴别标准,黄慧萍提出了最大面积法确定分割尺度参数:
分割尺度提高时,影像对象大小并非一味增大,有些对象的大小在一定的尺度范围内会保持不变,即在一个范围值内。
最大对象面积随着分割尺度变化的曲线呈阶梯状的形态,每一个曲线平台即为一种类别的适宜尺度区间,符合地理实体空间分布特征连续性和突变性共存的现象。
1、最大面积法的实验采用最大面积法确定城市植被中的乔木作分割试验,试图确定最优尺度。
乔木分为三种状态:
分散种植的单个乔木,如广场前景观树;分布的间隔比较小的小片乔木,如行道树;树冠相连,成片分布的乔木,如公园、植物园。
使用4米分辨率的IKONOS多光谱影像进行试验,分割尺度为5,10,15,20,95,100,形状0.1,紧致度0.5。
由上图曲线确定的最优分割尺度,三类乔木依次为:
10-25,30-45,50-65,但实际分割时,单个乔木5-10之间效果较好,小片乔木,在25-35之间较好,成片的乔木在50-80较好。
改进的面积相对差,根据影像分割后对象最少、边界清楚的分割目的,采用改进的面积相对差指标来衡量不同分割尺度下影像的分割效果,用来选择分割的最优尺度。
n为手工确定的对象范围内分割对象的个数。
S0代表对象实际面积,而Sf代表手工确定的范围内所有分割对象的面积和,相对差R由下式计算:
R的值反比于分割质量:
值越小说明分割质量越好。
分割尺度小于最优尺度时,面积相对差较小,但分割对象较多,n增大,R值增大;反之分割尺度大于最优尺度时,面积相对差增大,R值增大,Theformulationindicatesthattherelevantdeviation(R)increaseswhenthesegmentscale(M1)islargerthanthesuitablescale(M0).Whereas,whenM1M0,thenumberofthesegmentpolygonincreases,therelevantdeviationalsoincreases.isafactorfortheimageresolution.takessmallvaluewhentheimagespatialresolutionishigher.InourresearchusingIKONOSimage,thetakes2.Thecriterionalsoindicatesthatthesuitablescaleisexistenttheoreticallyforthedifferenturbanobject.However,thevalueofthesuitablescaleexistsrangeforthesametype,astheurbanobjectsareofthecomplexityinthecomposing,andthefragmentationintheformanddistribution.,表分割效果评价,表不同类型植被最优分割尺度,尺度50提取道路,尺度30提取建筑物及不渗透地面,尺度80提取林地和草地,尺度30提取建筑物,色彩与形状因子,尺度确定后,还要确定色彩与形状因子。
试验对比:
A色彩因子0.9,紧致度0.5B色彩因子0.8,紧致度0.7,A色彩因子0.9,紧致度0.5B色彩因子0.8,紧致度0.7,A色彩因子0.9,紧致度0.5B色彩因子0.8,紧致度0.7,eCognition(http:
/www.Definiens-)是世界第一个面向对象的图象处理软件。
eCognition基本思路,面向对象的影像分析采用一种影像多尺度分割的法则(两大模块)1.以任意尺度生成属性信息相似的影像多边形对象2.运用模糊数学方法获得每个影像对象的属性信息,以影像对象为基本单元,实现类别信息自动分类的目的。
基于eCognition的影像分类四个步骤,*Creatingahierarchicalnetworkofimageobjectsusingthemulti-resolutionsegmentation.生成一个分层分类的结构网.*Classifyingthederivedobjectsbytheirphysicalproperties.Thisalsomeansthattheclassnamesandtheclasshierarchyarerepresentativewithrespecttotwoaspects:
themappedreal-worldandtheimageobjectsphysicallymeasurableattributes.分类*Describingthe(semantic)relationshipsofthenetworksobjectsintermsofneighborhoodrelationshipsorbeingasub-orsuper-object.Thisusuallyleadstoanimprovementofthephysicalclassificationres.语意描述。
*Aggregatingtheclassifiedobjectstosemanticgroupswhichcanbeusedfurtherforasocalledclassification-basedsegmentation.Thederivedcontiguous(邻近的)segmentsthencanbeexportedandusedinGIS.Thesemanticgroupscanalsobeusedforfurtherneighborhoodanalyses.,Figure.Hierarchicalnetworkofimageobjects(afterWillhauck,2000),基于eCognition的影像分类,1.生成一个分层分类的结构网,1.生成一个分层分类的结构网,基于eCognition的影像分类,2.分类1)确定3个参数尺度色彩/形状光滑/紧凑度compactness-形状系数大于0时选用2)分类方法最近邻模糊分类,分类实验,1.确定3个参数尺度的确定Scaleparameter:
thisparameterindirectlyinfluencestheaverageobjectsize.Infactthisparameterdeterminesthemaximalallowedheterogeneityoftheobjects.Thelargerthescaleparameterthelargertheobjectsbecome.最大面积法相对误差法经验确定,分类实验,1、确定3个参数色彩/形状TheDNsofpixelsareveryimportantelementsinpixel-basedclassification.Theyalsoplayessentialrolesinsegmentingthehomogeneousimageobjectsinthesegmentationprocedure.DN:
决定色彩光滑/紧凑度:
决定形状weightedwithanempiricalvariable,whichrangesbetween0to1,A色彩因子0.9,紧致度0.5B色彩因子0.8,紧致度0.7,分类实验,2)分类方法基于最近邻分类器的模糊分类为样本对象对于特征f的特征值,如样本的NDVI为影像对象对于特征f的特征值对于特征f的特征值的标准差光谱特征(均值、方差、灰度比值);形状特征(面积、长度、宽度、边界长度、长宽比、形状因子、密度、主方向、对称性,位置等);纹理特征(对象方差、面积、密度、对称性、主方向的均值和方差等,提取策略与流程,尺度350时区分城区、郊区;尺度80提取水;尺度50提取植被、非植被、竹子;尺度15提取单个乔木。
在初步分割的基础上,进行基于分割的边界修正,对象提取,将尺度15的层中小植被对象提取到尺度为50的层中,在尺度为50的层中进行植被的精细分类。
城区植被提取,基于eCognition的其它分类实验,航片,IKONOS,Fig.9.Percentagerightclassifiedpixel.(a)Inputimage,(b)pixel-basedclassificationresult,(c)percentagerightclassifiedforestpixels,(d)percentagerightclassifiedsettlementpixels,(e)percentagerightclassifiedgreenlandpixels,Fig.10.Visualisationofthefeaturespaceoftheobject-basedclassification.,(a)GISdataand(b)resultoftheclassification.,Theinputchannelswere:
meangreyvaluebluebandmeangreyvaluegreenbandmeangreyvalueredbandmeangreyvalueNIRbandmeangreyvaluevegetationindexmeangreyvaluetexturefrombluebandvariancebluebandvariancegreenbandvarianceredbandvarianceNIRbandvariancevegetationindexvariancetexturepercentageforestpixelpercentagegreenlandpixelpercentagesettlementpixelpercentagewaterpixel.,Fig.1.IllustrationoftheStainedGlassProcedure.AshowstheMERISimage,inBtheimageisoverlaidwiththepolygonsderivedfromsegmentationoftheimageitself.Cshowsthecorrespondinghigh-spatialresolutionimage,Landsat-TMfrom2003,andinDthepolygonsetfromtheMERISimageisoverlaidontheTMimage.FromthecombinationshowninDtheexplainedvarianceiscalculated.,示例:
利用高分辨率卫星影像,以实验区与验证区城市植被类型信息为对象,在对常用的参数和非参数分类方法进行对比实验的基础上,对SVM的核函数进行了分析,构建了基于SVM决策树的城市植被类型分类模型。
实验表明,该方法具有较高的分类精度和空间稳定性。
图2.实验区IKONOS影像,图3验证区IKONOS影像,图4植被类型训练区,图5植被类型验证区,图6辐射校正前后对比图,(a)草地,实验区影像FigureImageofexperimentarea,(b)阔叶林,(c)针叶林,图7最大似然分类结果图,实验区影像,图8神经网络分类结果图,(a)草地,(b)阔叶林,(c)针叶林,基本方法,SVM用于模式识别的基本思想是构造一个超平面作为决策平面,使正负模式之间的空白最大8,9。
其非线性最优分类面的函数表达式为:
常用的核函数有以下几种:
1)多项式核函数:
2)径向基核函数:
3)神经网络核函数:
3.核函数对城市植被分类的影响分析,1.三种核函数分类精度对比表多项式核函数径向基核函数神经网络核函数训练样本100100100测试样本400400400分类精度(%)97.897.7997.0,3.核函数对城市植被分类的影响分析,2.多项式核函数分类精度随参数d的变化,3.核函数对城市植被分类的影响分析,3.不同训练样本数量与分类精度关系图,基于SVM决策树的城市植被类型分类模型,常用分类方法与基于SVM的决策树方法分类精度比较表Table.1AccuracycomparisonofSVMdecision-makingtreeandotherclassificationapproach,分类方法分类总精度Kappa系数统计值1最大似然分类65.5%0.532最小距离分类66.5%0.553神经网络分类74.5%0.624SVM决策树分类83.5%0.71,4.分类精度与比较,表2实验区基于SVM的决策树分类混淆矩阵Table.2ClassificationconfusionmatrixofexperimentsectionusingSVMdecision-makingtree,类别阔叶林针叶林草总量精度阔叶林5810169
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 面向 对象 分类法