融合时间特征的高分辨率遥感影像分类
李亮, 应国伟, 文学虎, 何鑫
四川省第三测绘工程院,成都 610500

第一作者简介: 李 亮(1987-),男,博士,主要从事遥感影像的智能化解译研究。Email:liliang1987wuda@163.com

摘要

为了充分利用历史矢量数据,并考虑地物类别的时间关联,提出了一种融合时间特征的高分辨率遥感影像分类方法。将历史时期矢量数据与新时期遥感影像相结合,利用二次分割获取像斑,通过支持向量机(support vector machine,SVM)算法获取像斑类别及像斑的单时期后验概率; 依据历史时期及新时期像斑类别属性的关联,获取定量表达时间特征的地物类别转移概率; 加权组合像斑的单时期后验概率与转移概率,采用迭代方法获取影像最终分类结果。在QuickBird影像上的实验表明,该方法能够有效引入时间特征及先验知识,提高影像分类的精度。

关键词: 矢量数据; 遥感影像分类; 像斑; 支持向量机; 时间特征; 转移概率
中图分类号:TP 79 文献标志码:A 文章编号:1001-070X(2016)02-0091-08 doi: 10.6046/gtzyyg.2016.02.15
Classification of high spatial resolution remotely sensed images by temporal feature fusion
LI Liang, YING Guowei, WEN Xuehu, HE Xin
The Third Academy of Engineering of Surveying and Mapping, Chengdu 610500, China
Abstract

In order to make full use of the vector data in the historical period and the temporal relationship of the feature classes, the authors propose a classification method based on temporal feature fusion for high spatial resolution remotely sensed imagery in the paper. Image objects are generated using subdivision based on the vector data in the historical period and the remotely sensed imagery in the present period. SVM algorithm is adopted to get the initial class and posterior probability with a single period of the object. Class transition probabilities for description of temporal feature are calculated according to the class of the image objects in the historical and present periods. The iterative method is employed to get the final classification results after weighted combination of the posterior probability with a single period and the transition probability of the image objects. The experiment on QuickBird imagery shows the proposed method can exploit the temporal feature effectively and improve the accuracy of the image classification.

Keyword: vector data; image classification; object; SVM; temporal feature; transition probability
0 引言

遥感影像分类是通过地物特征及判别法则确定影像中地物类别属性的过程[1], 广泛应用于土地覆盖分类、信息提取[2, 3]、变化监测[4]等领域。随着传感器技术的不断发展, 遥感影像的空间分辨率越来越高。面向对象的方法是高分辨率遥感影像分类中一种重要的方法[5, 6, 7, 8, 9, 10], 可以有效抑制影像中椒盐噪声的影响。对象是指一系列空间上相邻、光谱相似的像元的集合, 又可以称之为像斑[11]。像斑的可用特征丰富, 包括光谱特征[12, 13]、纹理特征[14]、几何特征[15]及空间特征[16]。利用像斑的单一特征进行影像分类的精度有限, 融合多特征的影像分类方法可显著改善影像分类的精度[17]

从时间上来看, 地物类别的变化不是随机的, 而呈现出一定的关联性。时间特征可以用来表达地物类别的时间关联。在一定时期内, 地物类别的改变相当程度上取决于人类活动。例如, 人类对地表土地的利用和改造活动遵循当前的土地政策, 在退耕还林时期, 耕地转换为林地的概率较大; 而在城市化建设时期, 耕地转换为居民地的概率就较大。目前, 地物的时间特征在变化检测方面已有不少研究[18, 19, 20], 然而在影像分类中应用还较少。在土地利用分类领域, 现有影像分类方法仅以地物新时期的特征向量为依据, 未能顾及地物历史时期的土地利用类别, 无法充分利用历史时期土地利用矢量数据, 限制了影像分类精度的提高。

本文针对高分辨率遥感影像分类问题, 提出一种面向对象的融合时间特征的影像分类方法。以历史时期土地利用矢量图为基础, 对新时期遥感影像进行二次分割获取像斑, 利用地物类别转移概率定量表达地物类别的时间特征。

1 本文方法

首先将历史时期土地利用矢量图套合在新时期遥感影像上, 以矢量图的边界为约束对遥感影像进行二次分割获取像斑; 然后提取像斑的光谱特征及纹理特征, 在训练样本基础上, 利用支持向量机(support vector machine, SVM)算法对像斑进行初始分类, 获取像斑的单时期后验概率; 统计像斑在两个时期的地物类别, 计算地物类别转移概率, 将像斑的单时期后验概率及转移概率加权组合构建像斑的联合后验概率; 依据联合后验概率最大原则, 对像斑重新进行分类, 进而更新地物类别转移概率, 迭代此过程直到算法收敛。方法流程图如图1所示。

图1 分类流程图Fig.1 Flowchart for classification

1.1 二次分割

二次分割以历史时期土地利用矢量图为边界约束, 对新时期遥感影像进行分割。通过栅矢套合将矢量格式的历史时期土地利用图叠加到栅格影像上, 建立矢量图中多边形几何要素到遥感影像的映射。多边形要素在新时期遥感影像上会发生局部变化, 导致多边形内部光谱匀质性较低, 因此对多边形内部进行影像分割, 获取光谱匀质性较高的像斑。图2所示的是矢量多边形的二次分割示意图。图中灰色背景填充的单元格表示像元, 单元格中的数字表示像元的灰度值。从图中可以看出, 矢量多边形A经过二次分割后, 内部新增2个多边形B和C像斑, 表示多边形A在新时期发生了局部变化。

图2 二次分割示意图Fig.2 Schematic diagram for subdivision

1.2 融合时间特征的像斑分类方案

令地物类别数目为m, 地物类别集合Ω ={Ω 1, Ω 2, …, Ω m}, 新时期影像二次分割后的像斑数目为n, 像斑在历史时期土地利用矢量图中的类别集合为C={C1, C2, …, Cn}, 其中Ci表示第i个像斑的地物类别(1≤ in), Ci∈ Ω 。令新时期遥感影像上像斑的特征向量集合为X={X1, X2, …, Xn}, 其中Xi表示第i个像斑的特征向量(1≤ in); 像斑在新时期遥感影像上的类别集合为T={T1, T2, …, Tn}, 其中Ti表示第i个像斑的地物类别(1≤ in), 且Ti∈ Ω 。本文立足于历史时期的地物类别C和新时期遥感影像上的特征向量X, 寻找新时期遥感影像上的最优分类结果T。利用像斑的单时期后验概率及转移概率的加权平均来构建像斑的联合后验概率。考虑特征向量为Xi、历史时期地物类别为Ci的第i个像斑, 其在新时期遥感影像上地物类别为Ω k(1≤ k≤ m)的联合后验概率, 即

pk/Xi, Ci)=(1)pk/Xi)+λ pk/Ci) , (1)

式中, pk/Xi, Ci)为第i个像斑在新时期特征向量为Xi, 历史时期地物类别为Ci的条件下, 其新时期地物类别为Ω k的联合后验概率; pk/Xi)为像斑的单时期后验概率, 表示新时期遥感影像上第i个像斑特征向量为Xi时, 其地物类别为Ω k的条件概率; pk/Ci)为地物从类别Ci转变为Ω k的转移概率; λ 为时间特征的归一化权重, 取值位于区间[0, 1]上。λ 决定了时间特征对影像分类的贡献大小。λ 值越大, 则时间特征对应的权重越大。

式(1)中λ 取值为0时, 公式转换为

pk/Xi, Ci)=pk/Xi) 。 (2)

式(2)是基于最大后验概率的传统影像分类方法的依据。其假设新时期的地物类别仅取决于像斑的特征向量, 而与像斑过去的地物类别无关, 依据像斑的单时期后验概率来获取影像分类结果。

式(1)中的λ 取值为1时, 公式转换为

pk/Xi, Ci)=pk/Ci) 。 (3)

式(3)表明仅利用时间特征时, 像斑在新时期遥感影像上的类别仅由像斑历史时期的类别决定, 而与新时期遥感影像的特征向量无关。

利用式(1)获取了像斑的联合后验概率后, 依据联合后验概率最大的原则, 将像斑判别为联合后验概率最大值对应的类别, 判别公式为

Ti=arg maxΩkpk/Xi, Ci) 。 (4)

1.3 像斑分类方案求解

表达像斑联合后验概率的式(1)中有两个待求解的概率: 像斑的单时期后验概率pk/Xi)和转移概率pk/Ci)。

像斑的单时期后验概率依据像斑在新时期遥感影像上的特征, 度量其属于某种地物类别的概率。文中采用SVM算法来获取像斑的单时期后验概率pk/Xi)。SVM是一种建立在VC维理论和结构风险最小化原理基础上的机器学习方法, 能够较好地解决小样本和高维度的分类问题。基于像斑的影像分类方法中, 样本像斑数目较少, 像斑的特征向量维度较高, SVM算法可以较好地克服这些问题。传统的SVM分类算法不支持后验概率的输出, 许多学者对其进行了改进, 使其能够有效输出后验概率[21]。文中利用libsvm软件工具包来获取像斑的类别及单时期后验概率。svmtrain是该软件工具包中对训练样本进行训练的函数, 将函数中参数b值设置为1, 则利用svmpredict函数对测试样本进行分类时既可输出类别也可输出后验概率。

转移概率用来表达地物类别之间相互转变的概率。转移概率的获取包括先验知识和数据挖掘两种方法。本文采用数据挖掘的方法来获取地物类别转移概率。通过SVM算法获取像斑在新时期的地物类别, 结合历史时期地物类别, 遍历所有像斑, 依据式(5)获取地物类别转移概率, 即

pk|Ω j)= CiΩj, TiΩkS(i)CiΩjS(i)。 (5)

式中: S(i)表示第i个像斑的面积; CiTi分别表示第i个像斑在历史时期和新时期的地物类别。 CiΩjS(i)表示历史时期地物类别为Ω j的像斑面积之和; CiΩj, TiΩkS(i)表示历史时期地物类别为Ω j且新时期地物类别为Ω k的像斑的面积之和。

所有地物类别的转移概率组成一个大小为m× m的地物类别邻接矩阵M, 即

M= p(Ω1/Ω1)p(Ωj/Ω1)p(Ωm/Ω1)p(Ω1/Ωi)p(Ωj/Ωi)p(Ωm/Ωi)p(Ω1/Ωm)p(Ωj/Ωm)p(Ωm/Ωm)。 (6)

式中pji)表示历史时期地物类别为Ω i, 新时期地物类别为Ω j的转移概率。矩阵M中每行元素之和为1, 且每个元素均不小于0。

从上述分析可以看出, 融合时间特征的影像分类方法中, 为了计算表达时间特征的地物类别转移概率, 需要已知新时期影像的分类结果, 而获取新时期影像分类结果需要已知地物类别的转移概率, 因此本文采用迭代的方法获取最终的影像分类结果。算法步骤如下: ①结合历史时期土地利用矢量图, 对新时期遥感影像进行二次分割获取像斑; ②提取像斑的光谱及纹理特征, 构建特征向量, 选取若干样本像斑, 利用SVM算法获取影像初始分类结果及像斑的单时期后验概率; ③遍历像斑, 依据像斑在历史时期和新时期的地物类别属性, 计算地物类别转移矩阵; ④加权组合像斑的单时期后验概率及转移概率构建像斑的联合后验概率, 依据联合后验概率最大原则更新影像分类结果; ⑤重复执行③④两步, 直到地物类别转移矩阵不再发生改变。

2 实验分析

本次研究的实验数据是武汉市武昌城区2002年的土地利用矢量图和2005年的QuickBird多光谱影像(图3)。土地利用矢量图采用高斯-克吕格投影, 投影中央经线为114° E, 共有多边形几何要素220个, 包含7种地物类别。影像包含蓝、绿、红、近红外4个波段, 大小为3 492× 2 818像元, 重采样后影像的空间分辨率为2 m。经过预处理后, 矢量数据和影像数据均对应地面同一区域。图3(a)为2002年的土地利用矢量图, 其中不同类别的多边形要素用不同的颜色填充; (b)为2005年的QuickBird模拟真彩色影像; (c)为将矢量图套合在遥感影像上的结果, 其中红色线条为多边形边界。

图3 实验数据Fig.3 Data for experiment

本文利用eCognition软件对新时期遥感影像进行二次分割, 即以2002年土地利用矢量图为专题数据层, 对2005年遥感影像进行多尺度分割。设置的分割尺度参数为400, 形状因子权重为0.25, 紧致度权重为0.85。二次分割后, 共获取像斑323个。图4是二次分割的示意图。图4(a)为二次分割后矢量图与遥感影像的套合结果, (b)为原始矢量图的一个矢量多边形, (c)为该多边形二次分割后的结果。

图4 二次分割示意图Fig.4 Results of subdivision

图4(b)(c)中可以看出, 该多边形2002年的类别属性为裸地, 在2005年影像上这部分裸地一部分开发为居民地, 另一部分则尚未开发, 长满青草; 经过二次分割后, 多边形被划分为3个像斑。

在二次分割的像斑基础上利用SVM算法进行初始影像分类。SVM算法是一种监督分类方法, 需要选取训练样本。高分辨率遥感影像中同类地物间的特征差异较大, 例如湖泊由于叶绿素和泥沙含量不同, 光谱差异较大, 因此选择训练样本像斑时要尽可能覆盖地物类别的所有子类。文中共选取训练样本像斑22个, 其中江水类别像斑3个、湖泊类别像斑3个、农田类别像斑3个、居民地类别像斑5个、裸地类别像斑2个、道路类别像斑3个、林地类别像斑3个。经过多次尝试与对比, 文中选取多项式核函数, 设定多项式次数为3, 在不顾及时间特征的条件下(λ =0), 利用SVM获取初始分类结果(图5(a))及像斑隶属于各地物类别的单时期后验概率。为了进行精度评定, 通过目视解译的方法人工制作了标准分类结果(图5(b))。

图5 初始分类结果和标准分类结果Fig.5 Initial and Standard classification result

对比图5(a)(b)可以看出, 影像初始分类结果中大量的道路被分类器错分为居民地, 部分居民地也被错误划分为裸地。这主要是因为道路、居民地和裸地均有着较强的反射, 在遥感影像上对应的灰度值较高, 光谱特特相似, 因此分类器容易混淆。初始影像分类结果中还将部分湖泊错误划分为林地(图5(a)中箭头所指区域), 这是因为部分湖泊中的叶绿素含量较高, 导致光谱特征与林地相似, 分类器无法正确将两者区分, 导致湖泊误分为林地。

2.1 权重确定实验

时间特征权重λ 不同, 则影像分类的结果也不同。为了研究时间特征权重对影像分类精度的影响, 文中将λ 从0.1逐渐增大到0.9, 分别进行影像分类, 分类结果如图6所示。

图6 不同时间特征权重的影像分类图Fig.6 Image classification maps with different weights of temporal feature

当时间特征权重为0.1时, 初始分类结果中部分误分为居民地的道路区域(图6(a)中黑色箭头所指区域)被正确分类。这些区域2002年的地物类别为道路, 在时间上, 道路转变为道路的概率大于道路转变为居民地的概率, 因此融合时间特征后, 这些区域在2005年影像上能得到正确分类; 图中部分居民地被误分为裸地(图6(a)中白色箭头所指区域), 这部分区域在2002年的地物类别为居民地, 虽然在时间上, 居民地转变为居民地的概率大于居民地转变为裸地的概率, 然而由于时间特征权重过小, 导致居民地无法被正确划分。时间特征权重增大为0.2时, 图6(a)中被误分为居民地的道路区域进一步得到正确分类。时间特征权重为0.3时, 图6(b)中被错误划分为居民地的湖泊得到正确判别(图6(c)中箭头所指区域)。时间特征权重增大为0.4时, 图6(a)中错误划分为裸地的居民地区域被正确划分。时间特征权重为0.5和0.6时, 影像分类结果相同。图6(e)中大量的湖泊被误分为农田(箭头所指区域), 这是因为时间特征权重较大, 像斑的转移概率与单时期后验概率结合后, 将湖泊误判为农田。当时间特征权重上升到0.7后, 影像分类的结果不再改变。此时图6(g)中部分居民地被错误判别为农田(箭头所指区域), 这是因为在时间上农田类别具有一定的稳定性, 发生改变的概率较小; 当时间特征占主导时, 这部分2002年为农田的像斑在新时期仍然被划分为农田。

为了定量评价不同时间特征权重对影像分类精度的影响, 绘制了影像分类精度随时间特征权重变化的折线图(图7)。

图7 影像分类精度同时间特征权重关系Fig.7 Relationship between classification accuracy and weight of temporal feature

图7中可以直观看出, 当时间特征权重为0时, 此时未考虑像斑的时间特征, 影像的总体分类精度为0.90, Kappa系数为0.82; 随着权重从0增大到0.2, 总体分类精度和Kappa系数呈上升趋势; 时间特征权重为0.2时, 总体分类精度和Kappa系数达到最大值, 分别为0.94和0.89; 当权重继续增大时, 总体分类精度和Kappa系数开始下降; 权重增大为0.6后, 总体分类精度和Kappa系数停止下降; 权重为0.7时, 对应的总体分类精度为0.89, Kappa系数为0.81; 此后随着权重增大到1.0, 总体分类精度和Kappa系数均不再发生改变。这表明在影像光谱和纹理特征基础上, 辅以时间特征可以提高影像分类的精度, 然而单独利用时间特征或者赋予时间特征较大的权重, 影像分类的精度会降低。不同时期遥感影像对应的最优λ 值不同, 需要通过多次尝试, 比较分类精度获取最优的λ 值。

文中设定λ =0.2进行影像分类, 影像分类的混淆矩阵如表1所示。其中行表示地物的真实类别, 列表示地物的检测类别, 表格中数字表示像元数目, 单位为个。

表1 影像分类混淆矩阵 Tab.1 Confusion matrix of image classification

表1中可以看出, 除裸地外, 其他地物类别的分类精度均较高。裸地的制图精度仅为0.26, 这是因为2005年真实地物类别为裸地的像斑, 2002年的地物类别为湖泊, 湖泊转变为农田的概率大于湖泊转变为裸地的概率, 融入时间特征后, 这部分像斑被错误划分为农田, 严重降低了裸地的分类精度。

2.2 地物类别转移矩阵

利用SVM算法获取的影像初始分类结果较为准确, 因此影像分类算法收敛速度较快。当λ =0.2时, 经过5次迭代, 算法收敛。稳定的地物类别转移矩阵如表2所示, 表中数据为地类间的转移概率。

表2 地物类别转移概率矩阵 Tab.2 Class transition probability matrix

表2中除了裸地外, 对角线元素的数值都较大。这表明地物类别在时间上存在着一定的稳定性, 不轻易向其他类别发生转变。城市中裸地大部分用来进行居民地开发, 因此裸地转变为居民地的概率较大。湖泊转变为农田的概率较大, 为0.385 2, 这一方面是受围湖造田现象的影响, 另外一方面是由于部分湖泊中叶绿素含量较高, 在新时期遥感影像上可能被错误划分为农田。

3 结论

时间特征是遥感影像分析时的重要信息, 本文方法实现了像斑时间特征和空间-光谱特征的加权组合, 以像斑为单位进行影像分类, 为融合时间特征进行影像分类提供了一条有效途径。本研究在历史时期土地利用矢量图基础上, 结合新时期遥感影像, 通过SVM及迭代算法分别获取了像斑的单时期后验概率及转移概率, 通过加权组合获取了像斑的联合后验概率。

实验结果表明, 该方法能够充分利用像斑的时间特征, 有效提高居民地、道路等存在显著时间特征地物的分类精度。该方法兼顾了时间特征和非时间特征, 适合对同物异谱和同谱异物现象严重的高分辨率遥感影像进行影像分类。对于绝大多数地物类别可以得到较好的划分, 但是对于时间特征存在一定随机性的地类(如裸地), 容易造成误判。为了进一步提高影像分类的精度, 在本文工作的基础上, 还需要针对不同类别地物设定不同的时间特征权重, 同时引入像斑的形状特征。

The authors have declared that no competing interests exist.

参考文献
[1] 赵红蕊, 阎广建, 邓小炼, . 一种简单加入空间关系的实用图像分类方法[J]. 遥感学报, 2003, 7(5): 358-363.
Zhao H R, Yan G J, Deng X L, et al. A classification method based on spatial information[J]. Journal of Remote Sensing, 2003, 7(5): 358-363. [本文引用:1]
[2] 曹凯, 江南, 吕恒, . 面向对象的SPOT 5影像城区水体信息提取研究[J]. 国土资源遥感, 2007, 19(2): 27-30. doi: DOI: 106046/gtzyyg. 2007. 02. 07.
Cao K, Jiang N, Lyu H, et al. The extraction of water information in urban areas based on SPOT 5 image using object-oriented method[J]. Remote Sensing for Land and Resources, 2007, 19(2): 27-30. doi: DOI:10.6046/gtzyyg.2007.02.07. [本文引用:1]
[3] 孙永军, 童庆禧, 秦其明. 利用面向对象方法提取湿地信息[J]. 国土资源遥感, 2008, 20(1): 79-82. doi: DOI: 106046/gtzyyg. 2008. 01. 18.
Sun Y J, Tong Q X, Qin Q M. The object-oriented method for wetland information extraction[J]. Remote Sensing for Land and Resources, 2008, 20(1): 79-82. doi: DOI:10.6046/gtzyyg.2008.01.18. [本文引用:1]
[4] 何春阳, 陈晋, 陈云浩, . 土地利用/覆盖变化混合动态监测方法研究[J]. 自然资源学报, 2001, 16(3): 255-262.
He C Y, Chen J, Chen Y H, et al. Land use/cover change detection based on hybrid method[J]. Journal of Natural Resources, 2001, 16(3): 255-262. [本文引用:1]
[5] 邓媛媛, 巫兆聪, 易俐娜, . 面向对象的高分辨率影像农用地分类[J]. 国土资源遥感, 2010, 22(4): 117-121. doi: DOI: 106046/gtzyyg. 201004. 24.
Deng Y Y, Wu Z C, Yi L N, et al. Research on object-oriented classification of agricultural land based on high resolution images[J]. Remote Sensing for Land and Resources, 2010, 22(4): 117-121. doi: DOI:10.6046/gtzyyg.2010.04.24. [本文引用:1]
[6] 王琰, 舒宁, 龚龑, . 基于类别光谱变化规律的土地利用变化检测[J]. 国土资源遥感, 2012, 24(3): 92-96. doi: DOI: 106046/gtzyyg. 2012. 03. 17.
Wang Y, Shu N, Gong Y, et al. Land use change detection based on class spectral change rule[J]. Remote Sensing for Land and Resources, 2012, 24(3): 92-96. doi: DOI:10.6046/gtzyyg.2012.03.17. [本文引用:1]
[7] 吴波, 朱勤东, 高海燕, . 面向对象影像分类中基于最大化互信息的特征选择[J]. 国土资源遥感, 2009, 21(3): 30-34. doi: DOI: 106046/gtzyyg. 2009. 03. 06.
Wu B, Zhu Q D, Gao H Y, et al. Feature selection based on maximal mutual information criterion in object-oriented classification[J]. Remote Sensing for Land and Resources, 2009, 21(3): 30-34. doi: DOI:10.6046/gtzyyg.2009.03.06. [本文引用:1]
[8] Blaschke T, Hay G J. Object-oriented image analysis and scale-space: Theory and methods for modeling and evaluating multiscale land scape structures[J]. International Archives of Photogrammetry and Remote Sensing, 2001, 34(4/W5): 22-29. [本文引用:1]
[9] Walter V. Object-based classification of remote sensing data for change detection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3/4): 225-238. [本文引用:1]
[10] 白穆, 刘慧平, 乔瑜, . 高分辨率遥感图像分类方法在LUCC中的研究进展[J]. 国土资源遥感, 2010, 22(1): 19-23. doi: DOI: 106046/gtzyyg. 201001. 03.
Bai M, Liu H P, Qiao Y, et al. New progress in the classification of high spatial resolution satellite images for LUCC[J]. Remote Sensing for Land and Resources, 2010, 22(1): 19-23. doi: DOI:10.6046/gtzyyg.2010.01.03. [本文引用:1]
[11] Tang Y Q, Zhang L P, Huang X. Object-oriented change detection based on the Kolmogorov-Smirnov test using high-resolution multispectral imagery[J]. International Journal of Remote Sensing, 2011, 32(20): 5719-5740. [本文引用:1]
[12] Benz U C, Hofmann P, Willhauck G, et al. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3/4): 239-258. [本文引用:1]
[13] 张倩, 黄昕, 张良培. 多尺度同质区域提取的高分辨率遥感影像分类研究[J]. 武汉大学学报: 信息科学版, 2011, 36(1): 117-121.
Zhang Q, Huang X, Zhang L P. Multiscale image segmentation and classification with supervised ECHO of high spatial resolution remotely sensed imagery[J]. Geomatics and Information Science of Wuhan University, 2011, 36(1): 117-121. [本文引用:1]
[14] Zhao Y D, Zhang L P, Li P X, et al. Classification of high spatial resolution imagery using improved gaussian markov rand om-field-based texture features[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(5): 1458-1468. [本文引用:1]
[15] 万幼川, 黄俊. 几何和图论特征对高分辨率遥感影像土地利用分类的影响[J]. 武汉大学学报: 信息科学版, 2009, 34(7): 794-798.
Wan Y C, Huang J. Influence of geometric and graph theoretical measures on land classification using high-resolution remote sensing images[J]. Geomatics and Information Science of Wuhan University, 2009, 34(7): 794-798. [本文引用:1]
[16] 乔程, 沈占锋, 吴宁, . 空间邻接支持下的遥感影像分类[J]. 遥感学报, 2011, 15(1): 88-99.
Qiao C, Shen Z F, Wu N, et al. Remote sensing image classification method supported by spatial adjacency[J]. Journal of Remote Sensing, 2011, 15(1): 88-99. [本文引用:1]
[17] 蔡银桥, 毛政元. 基于多特征对象的高分辨率遥感影像分类方法及其应用[J]. 国土资源遥感, 2007, 19(1): 77-81. doi: DOI: 106046/gtzyyg. 2007. 01. 17.
Cai Y Q, Mao Z Y. A method for classification of high resolution remotely sensed images based on multi-feature objects and its application[J]. Remote Sensing for Land and Resources, 2007, 19(1): 77-81. doi: DOI:10.6046/gtzyyg.2007.01.17. [本文引用:1]
[18] 李雪, 舒宁, 王琰, . 利用土地利用状态转移分析的变化检测[J]. 武汉大学学报: 信息科学版, 2011, 36(8): 952-955.
Li X, Shu N, Wang Y, et al. Change detection based on land -use status transition analysis[J]. Geomatics and Information Science of Wuhan University, 2011, 36(8): 952-955. [本文引用:1]
[19] Bruzzone L, Serpico S B. An iterative technique for the detection of land -cover transitions in multitemporal remote-sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(4): 858-867. [本文引用:1]
[20] Bontemps S, Bogaert P, Titeux N, et al. An object-based change detection method accounting for temporal dependences in time series with medium to coarse spatial resolution[J]. Remote Sensing of Environment, 2008, 112(6): 3181-3191. [本文引用:1]
[21] 吴波, 张良培, 李平湘. 基于支撑向量机概率输出的高光谱影像混合像元分解[J]. 武汉大学学报: 信息科学版, 2006, 31(1): 51-54.
Wu B, Zhang L P, Li P X. Unmixing of hyperspectral imagery based on probabilistic outputs of support vector machines[J]. Geomatics and Information Science of Wuhan University, 2006, 31(1): 51-54. [本文引用:1]