国土资源遥感杂志, 2020, 32(1): 216-223 doi: 10.6046/gtzyyg.2020.01.29

技术应用

基于无人机影像的喀斯特农耕区地物识别——以桂林市为例

娄佩卿1, 陈晓雨2, 王疏桐3, 付波霖,1, 黄永怡1, 唐廷元1, 凌铭1

1. 桂林理工大学测绘地理信息学院,桂林 541006

2. 桂林理工大学土木与建筑学院,桂林 541006

3. 桂林理工大学信息科学与工程学院,桂林 541006

Object recognition of karst farming area based on UAV image: A case study of Guilin

LOU Peiqing1, CHEN Xiaoyu2, WANG Shutong3, FU Bolin,1, HUANG Yongyi1, TANG Tingyuan1, LING Ming1

1. Institute of Surveying and Mapping, Guilin University of Technology, Guilin 541006, China

2. Institute of Civil and Architectural Engineering, Guilin University of Technology, Guilin 541006, China

3. Institute of Information Science and Engineering, Guilin University of Technology, Guilin 541006, China

通讯作者: 付波霖(1988-),男,博士,副教授,主要从事RS和GIS的应用研究。Email:fbl2012@126.com。

责任编辑: 李 瑜

收稿日期: 2019-02-1   修回日期: 2019-03-15   网络出版日期: 2020-03-15

基金资助: 国家自然科学青年基金项目“基于主被动遥感的沼泽植被群丛时空分布与水文情势耦合研究”.  编号: 41801071
“广西八桂学者”专项经费、广西省自然科学青年基金项目“基于主被动遥感的北部湾红树林群丛时空分布与水文情势耦合研究”.  编号: 2018GXNSFBA281015
桂林理工大学科研启动基金项目.  编号: GUTQDJJ2017096

Received: 2019-02-1   Revised: 2019-03-15   Online: 2020-03-15

作者简介 About authors

娄佩卿(1995-),男,硕士,主要从事遥感图像智能处理研究。Email:gislou@126.com。 。

摘要

为了探究低空无人机遥感技术对喀斯特地貌条件下不同形态农耕区地物类型的识别精度,以桂林市3个200 m×200 m样方的农耕区为研究区,在无人机航拍影像和地面调查数据的支持下,分别将基于像元和面向对象的影像分析技术与支持向量机(support vector machine,SVM)算法相结合,构建不同地貌条件下农耕区地物遥感识别模型,并进行精度对比分析。结果表明,面向对象的SVM分类结果保留了原始地物的大致轮廓,且地块较完整,更为适用于喀斯特地貌条件下的农耕区地物识别,较基于像元的SVM分类方法总体精度高6.54%,Kappa系数高0.135; 基于像元的SVM分类方法适用于地物分布规则的农耕区地物识别,相比面向对象的SVM分类方法总体精度高2.92%,Kappa系数高0.026。

关键词： 无人机影像 ; 农耕区 ; 多尺度影像分割 ; SVM算法

Abstract

In order to explore the recognition accuracy of remote sensing technology of low-altitude UAV for surface features in agricultural areas with different forms under karst landform conditions, the authors chose three agricultural areas (each having an area size of 200 m×200 m) in Guilin City as the research object. Supported by UAV aerial images and ground survey data, the image analysis technology based on pixel and object-oriented was combined with support vector machine (SVM) algorithm, respectively, to build the remote sensing recognition model of agricultural areas under different geomorphological conditions, and the precision was comparatively studied and analyzed. The results show that the object-oriented SVM classification results retain the rough outline of the original ground features, and the plot is relatively complete, and hence this means is more suitable for the recognition of ground features in agricultural areas under karst landform conditions. Compared with the pixel based SVM classification method, the overall accuracy is higher by 6.54% , and the Kappa coefficient is higher by 0.135 . The SVM classification method based on pixel is suitable for feature recognition in agricultural areas with regular feature distribution. Compared with the object-oriented SVM classification method, the overall accuracy is higher by 2.92% and the Kappa coefficient is higher by 0.026 .

Keywords： UAV image ; agricultural areas ; Multi-resolution image segmentation ; SVM algorithm

PDF (4493KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

娄佩卿, 陈晓雨, 王疏桐, 付波霖, 黄永怡, 唐廷元, 凌铭. 基于无人机影像的喀斯特农耕区地物识别——以桂林市为例. 国土资源遥感杂志[J], 2020, 32(1): 216-223 doi:10.6046/gtzyyg.2020.01.29

LOU Peiqing, CHEN Xiaoyu, WANG Shutong, FU Bolin, HUANG Yongyi, TANG Tingyuan, LING Ming. Object recognition of karst farming area based on UAV image: A case study of Guilin. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(1): 216-223 doi:10.6046/gtzyyg.2020.01.29

0 引言

近年发展起来的低空无人机遥感,具有飞行高度低,受云层影响小,飞行控制简单,起降灵活高效,作业周期短等优点[1,2,3,4],可弥补现有航天、航空遥感和地面遥感系统的不足,完善地面作物监测体系,成为地理国情监测中高空间分辨率数据获取的有利工具[5,6,7,8,9,10,11]。

1995年,Vapnik等[12,13]提出支持向量机(support vector machine,SVM)这一新的机器学习算法。该算法具有分类结构简单、训练难度低、分类精度高、收敛速度快等优点[14,15,16,17,18,19]。目前SVM算法主要与基于像元和面向对象的影像分析技术相结合。在基于像元的SVM算法中,Maulik等[20,21]采用基于迭代过程的半监督SVM对城镇SPOT遥感影像进行基于像元的地物分类,结果精度高于标准SVM算法; Yang等[22]提出了一种基于像元的最小二乘SVM的RGB图像分割方法,结合像元及纹理特征,提高了SVM分类器的泛化能力; Mugiraneza等[23]采用基于像元的SVM算法定量评价城市景观变化动态空间格局和可持续城市生态系统的管理。在面向对象的SVM算法中,Li等[24]提出了一种结合栅格分析和矢量分析的面向对象SVM土地覆盖分类方法,对QuickBird影像进行地物分类的精度高于基于像元的分类方法; Malik等[25]首次利用多尺度分割算法结合SVM分类器对Alsat-2A高分影像进行地物分类,总体精度达到94.23%,Kappa系数达到0.93,获得了很好的分类效果; 裴欢等[26]采用基于纹理的面向对象SVM分类方法对河北省石家庄市Landsat8 OLI遥感影像进行地物分类,总体分类精度高达85.67%,为区域土地利用/覆盖信息提取提供了有效的途径。

综上所述,基于SVM算法的遥感影像地物识别研究已有很大进展,但所用遥感影像多以中等尺度空间分辨率的星载光学影像为主,较少使用到低空无人机遥感影像,且多集中应用于城镇区域的地物识别,对于喀斯特地貌条件下典型农耕区的地物高精度识别,国内学者研究较少。而且,由于受制于喀斯特地貌类型,目前农耕区地物识别仍以人工实地勾勒和人工目视解译无人机影像为主,效率低下且费时费力,亟需要一套快速、自动和高精度的影像识别算法。为此,本文以桂林市农耕区域为研究区,选取具有代表性的3种不同地形农耕区的无人机影像,分别将基于像元和面向对象的影像分析技术与SVM机器学习算法进行组合,对农耕区地物类型进行识别,并结合地面调查数据进行精度验证,进而对比了2种影像处理技术在复杂地形条件下的农耕区地物类型识别方面的精度差异,以期为地理国情普查中农耕区地物类型的遥感自动识别提供科学依据及技术参考。

1 研究区概况及数据预处理

1.1 研究区概况及数据源

选取桂林市3个200 m×200 m样方的农耕区为研究区,并分为梯田+林地复合区、梯田区和耕地+居民地复合区3种农耕区类型(表1)。2017年5—6月利用“大疆精灵4 PRO”无人机对3个研究区域进行航摄成像。影像航拍选择光照条件良好的晴天,且无风、无云,拍摄时间为10: 00—15: 00(北京时间),太阳高度角大于45°,阳光近似直射的条件下进行。无人机飞行高度为80~100 m,航向重叠度70%,旁向重叠度80%,光学镜头垂直向下每3 s对地自动对焦拍摄一次,以保证生成研究区空间分辨率为cm级的影像数据(图1)。同时,在研究区布设若干地面控制点,并采用GPS-RTK获取控制点的经纬度坐标用于影像的正射纠正、拼接镶嵌等处理。

表1   不同农耕区及其典型地物类型

Tab.1  Different farming areas and their typical feature types

农耕区类型典型地物类型
梯田+林地复合区水体、道路、建筑物、林地、秧田和水田
梯田区草地、经济作物、道路、建筑物、林地和果园
耕地+居民地复合区经济作物、林地、菜地、果园、草地、水田、秧田、水体、道路和建筑物

新窗口打开| 下载CSV


图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   航摄耕地+居民地复合区的部分原始影像

Fig.1   Some original images of cultivated land and residential land compound area


1.2 数据预处理

分别将3个农耕区航摄的原始影像和地面控制点导入Smart 3D中,进行影像匹配连接与编辑,剔除重叠率不够的影像,联合GPS-RTK获取控制点进行空中三角测量和光束法区域平差,构建地面立体模型并进行绝对定向,生成具备标准地理参考的数字表面模型(digital surface model,DSM),进一步提取研究区的高精度数字正射影像(digital orthophoto maps,DOM)。设置投影坐标系为WGS 84/UTM zone 49N。最后,利用ArcGIS软件对生成的DOM进行镶嵌,获得试验区完整的DSM和DOM,具体参数见表2和图2。由于3个研究区地貌类型差异较大,无人机航摄高度存在差异,故不同地区无人机航射影像空间分辨率也不同。

表2   无人机航摄影像部分参数

Tab.2  Part parameters of UAV aerial photography

农耕区类型图幅大小/像元空间分辨率/m飞行高度/m
梯田+林地复合区5 222×5 0630.069100
梯田区8 252×5 8010.04285
耕地+居民地复合区9 111×7 4540.04485

新窗口打开| 下载CSV


图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   3个试验区镶嵌完整的DOM数据

Fig.2   DOM of three test areas


为保证选取的样本具有代表性,需利用ArcGIS软件中随机点生成的方法在3个研究区域内随机均匀生成150个样本点,采用国家统计局广西调查总队地面调查矢量数据来确定样本点对应的地物类型。将样本点50%作为训练集,50%作为验证集。基于像元和面向对象的分类样本及验证样本坐标一一对应,以此进行精度对比。具体技术路线如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   研究技术路线

Fig.3   Research technical route


2 研究方法

2.1 理论基础

SVM分类算法是一种以置信范围最小化原则为理论基础的机器学习方法,通过选择适当的函数子集及该子集中的判别函数,使其实际风险达到最小[27,28,29]。线性可分情况下,在原空间内寻找样本的最优分类超平面,判别函数为

f(x)=sgn[ ∑i=1Nai*yi(xi·x)+b*] ,

式中: ai为拉格朗日乘子(不为0的支持向量); N为样本数量; b为分类阈值; ai*和b*分别为ai和b这2样本集的最优解; xi和yi分别为样本向量x和y中的元素; sgn为符号函数。

线性不可分的情况下,需加入松弛变量εi≥0,并用非线性映射将低维输入空间的样本映射至高维属性空间转化为线性可分,并引入核函数解决维度灾难,从而在高维属性空间采用线性算法对非线性样本进行分析,进而在该特征空间内寻找最优分类超平面[30,31,32],即

　min12‖w‖2+C∑i=1nεi　yi[(w·xi)+b]+εi≥1
f(x)=sgn[ ∑i=1Nai*yiK(xi,x)+b*] ,

式中: C为惩罚系数; w为权重向量; b为分类阈值,均在拉格朗日函数取极小值时求得; K(xi,x)为核函数,其他参数同上。选择不同核函数构成的SVM有所不同,本文选用径向基核函数(radial basis function,RBF)[33],即

K(xi,x)=exp(-γ‖xi-x‖2) , γ≥0 。

2.2 模型构建

2.2.1 基于像元的SVM模型构建

利用基于像元的样本训练集结合无人机DOM进行模型训练,引入RBF对影像进行分类,由于分类影像波段数为3,所以内核函数值为0.333,概率阈值设为0,降低像元未被分类的概率。地物类型面积较大且光谱相近的无人机影像(耕地+居民地复合区)在ENVI软件中再基于灰度共生矩阵提取纹理特征,并将其与DOM进行波段融合,形成多源遥感影像集,再进行算法模型训练。

2.2.2 面向对象的SVM模型构建

利用基于eCognition软件二次开发多尺度分割的优化工具箱分别对各农耕区的无人机影像数据集进行多尺度迭代分割,确定最优分割参数(表3),其中分割尺度决定分割对象的大小; 形状因子决定分割对象的破碎程度; 紧实度决定分割对象的形状特征; 波段权重决定影像波段对于分割结果的重要性。分割结果如图4所示。

表3   影像分割参数

Tab.3  Image segmentation parameters

影像名称分割尺度形状因子紧实度波段权重
(R,G,B)
梯田+林地复合区300.40.51,1,1
梯田区2000.30.51,1,1
耕地+居民地复合区3000.30.51,1,1

新窗口打开| 下载CSV


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   梯田+林地复合区及梯田区影像多尺度分割结果

Fig.4   Multi-scale segmentation results of images of terraced +forest area and terraced area


将提取的训练样本结合无人机DOM数据集进行SVM算法分类器的模型训练,采用线性核函数,惩罚系数设为2,分割后结合点类型分类样本训练集对地物进行分类。分割因子中,分割尺度越大,地物分块越大,则影像空间分辨率越低。3幅分类影像中,梯田+林地复合区和耕地+居民地复合区2幅影像分割尺度及地块大小差异最大。

2.3 分类后处理及精度评价

基于像元的SVM分类结果出现了孤立、细小图斑,降低了分类结果的视觉效果,利用ENVI软件中的Majority/Minority,Clump和Sieve等卷积滤波算法将小斑块进行剔除或合并,邻域窗口设置为5×5。

为了进一步对比验证2种影像分析技术在农耕区典型地物识别中的精度差异,利用验证样本对分类结果进行精度验证,分别选取整体精度、Kappa系数、各类别用户精度和制图精度等指标进行定量评价,并利用混淆矩阵进一步探究精度差异的原因。

3 结果与分析

3.1 基于像元和面向对象的影像分类对比分析

基于像元的和面向对象的SVM分类结果对比如图5—7所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   梯田+林地区分类结果对比

Fig.5   Comparison between the classification results of terrace + forest area and the original image


图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   梯田区分类结果对比

Fig.6   Comparison between the classification results of terrace area and the original image


图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   耕地+居民地复合区分类结果对比

Fig.7   Comparison between the classification results of cultivated land and residential compound area and the original image


从图5中可以看出,在梯田+林地复合区,面向对象的分类结果比基于像元的分类结果更接近地表真实情况,且基于像元的分类比较零碎,小斑块居多,而面向对象分类比较完整。图6中,在梯田区通过对基于像元和面向对象的分类结果对比可知,基于像元的SVM分类方法未能完整识别草地,而面向对象方法虽把草地识别出来,但将部分果园误分到草地类别。图7中,在耕地+居民地复合区虽然基于像元的分类结果影像比较散碎,但分类效果相较于面向对象的分类结果影像更符合地面真实情况。

3.2 整体分类精度对比分析

基于像元的SVM算法分类结果中,梯田+林地复合区影像基于像元分类的整体精度为91.55%,Kappa系数为0.83; 梯田区影像基于像元的整体分类精度为81.32%,Kappa系数为0.72; 耕地+居民地复合区影像基于像元整体分类精度为69.93%,Kappa系数为0.65。而面向对象的SVM算法分类结果中梯田+林地复合区影像面向对象的分类精度为90.70%,Kappa系数为0.89; 梯田区影像面向对象的分类精度为87.86%,Kappa系数为0.85; 耕地+居民地复合区影像面向对象分类精度为67.01%,Kappa系数为0.62。2种分类方法中均是梯田+林地区影像的总体精度(高于90%)及Kappa系数(高于0.8)最高,耕地+居民地复合区的总体精度(低于70%)及Kappa系数(低于0.7)最低。基于像元及面向对象分类结果中梯田+林地复合区的整体分类精度最高,耕地+居民地复合区的整体分类精度最低。

3.3 混淆矩阵

梯田+林地复合区影像共包含6种地物类别,采用基于像元的SVM算法进行分类时,水体的分类精度最高,无像元被误分; 水田的分类精度最低,像元分别误分到道路(317个)、建筑物(26个)类别,误分率为24.77%。采用面向对象的SVM算法进行分类时建筑物的分类精度最高,仅有1个对象误分到道路类别,误分率为3.57%; 秧田的分类精度最低,对象分别误分到水田(5个)、林地(1个)类别,误分率为16.67%(表4)。

表4   梯田+林地复合区混淆矩阵

Tab.4  Confusion matrix of the terrace and forest area

分类方法类别水田秧田林地道路建筑物水体总量误分率/%
基于像元水田1 042003172601 38524.77
秧田0930753001 0087.74
林地4043910 0328247710 6746.01
道路1080076329090015.22
建筑物0007499331 0707.20
水体0000073730
面向对象水田4100200434.65
秧田53010003616.67
林地02210022516.00
道路0002610273.70
建筑物0001270283.57
水体00200111315.38

新窗口打开| 下载CSV


梯田区影像共包含6种地物类别,采用基于像元的SVM算法进行分类时,草地的分类精度最高,无像元被误分; 果园的分类精度最低,像元分别误分到经济作物(718个)、草地(343个)、道路(243个)、建筑物(18个)、林地(3个)类别,误分率为30.40%。采用面向对象的SVM算法进行分类时建筑物及草地的分类精度最高,误分率均为0; 而林地的分类精度最低,对象分别误分到果园(7个)、草地(3个)、经济作物(1个)类别,误分率为36.67%(表5)。

表5   梯田区混淆矩阵

Tab.5  Confusion matrix of the terrace area

分类方法类别果园林地建筑物道路经济作物草地总量误分率/%
基于像元果园3 0343182437183434 35930.40
林地1 2188 307315104279 98016.76
建筑物001 0245610701 18713.73
道路8031 0452201 0783.06
经济作物980538781399711.94
草地000001341340.00
面向对象果园26200102910.34
林地71900133036.67
建筑物0026000260
道路0002420267.69
经济作物1000150166.25
草地0000013130

新窗口打开| 下载CSV


耕地+居民地复合区影像共包含10种地物类别,采用基于像元的SVM算法进行分类时,水体的分类精度最高,无像元被误分; 秧田的分类精度最低,像元分别误分到果园(170个)、草地(154个)、菜地(121个)、水体(21个)、建筑物(6个)、水田(1个)类别,误分率为44.44%。采用面向对象的SVM算法进行分类时道路的分类精度最高,仅有2个对象误分到经济作物类别,误分率为6.25%; 草地的分类精度最低,对象分别误分到菜地(7个)、果园(5个)、秧田类别(2个),误分率为46.67%(表6)。

表6   耕地+居民地复合区混淆矩阵

Tab.6  Confusion matrix of cultivated land and residential compound area

分类方法类别建筑物道路水体秧田水田草地果园菜地林地经济作物总量误分率/%
基于像元建筑物518127230470010165227.75
道路234970034000021368935.20
水体0013600000002170
秧田6021670115417012106382344.44
水田836248860401001768629.69
草地00290761100067422.45
果园11215601774923526076239.18
菜地500003098003017.55
林地15210002648846153501 56121.68
经济作物1000000001023960.97
面向对象建筑物51185100000265233.77
道路03000000002396.25
水体402000001002820.00
秧田000130061012438.10
水田140016000043636.00
草地000201657001946.67
果园000300170003015.00
菜地00000328011842.86
林地10000001210218.70
经济作物640110000031387.50

新窗口打开| 下载CSV


4 结论

1)面向对象的SVM分类结果保留了原始地物的大致轮廓,且地块较完整,而基于像元的SVM分类结果出现大量小斑块,地块完整度较低。

2)在地物分布较规则的农耕区(耕地+居民地复合区)基于像元的SVM分类方法整体分类效果较好,相比面向对象的SVM分类方法总体精度高2.92%,Kappa系数高0.026。在地物分布较复杂的农耕区(梯田区)面向对象的SVM分类方法整体分类效果较好,相比基于像元的SVM分类总体精度高6.54%,Kappa系数高0.135。

3)喀斯特地貌条件下的农耕区内主要地物类型为水田、秧田、果园、菜地、经济作物及水体。在地物分布较为复杂的农耕区(梯田区、梯田+林地复合区)面向对象的SVM分类方法对水田(用户精度高20.12%)、果园(用户精度高20.06%)、经济作物(用户精度高5.69%)的分类效果较好; 基于像元的SVM分类方法对秧田(用户精度高8.93%)、水体(用户精度高15.38%)的分类效果较好。在地物分布较为规则的农耕区(耕地+居民地复合区)面向对象的SVM分类方法对秧田(用户精度高6.34%)、果园(用户精度高24.18%)的分类效果较好; 基于像元的SVM分类方法对水田(用户精度高6.31%)、菜地(用户精度高35.31%)、经济作物(用户精度高86.53%)、水体(用户精度高20.00%)的分类效果较好。

由于喀斯特地貌条件下的农耕区普遍为梯田,故面向对象的SVM分类方法应于该地貌区的农耕区地物的识别是适宜的。后续研究可结合多时相分析方法以来进一步提高分类精度。

参考文献

Ludeno G, Catapano I, Renga A , et al.

Assessment of a micro-UAV system for microwave tomography Radar imaging

[J]. Remote Sensing of Environment, 2018(212):90-102.

[本文引用: 1]

袁修孝, 蔡杨, 史俊波 , 等.

北斗辅助无人机航摄影像的空中三角测量

[J]. 武汉大学学报(信息科学版), 2017,42(11):1573-1579.

[本文引用: 1]

Yuan X X, Cai Y, Shi J B , et al.

BeiDou-supported aerotriangulation for UAV aerial images

[J]. Geomatics and Information Science of Wuhan University, 2017,42(11):1573-1579.

[本文引用: 1]

郭林凯 .

无人机航摄质量控制与分析

[J]. 测绘通报, 2017(s1):203-205,213.

[本文引用: 1]

Guo L K .

Quality control and analysis of UAV aerial photography

[J]. Bulletin of Surveying and Mapping, 2017(s1):203-205,213.

[本文引用: 1]

毕凯, 李英成, 丁晓波 , 等.

轻小型无人机航摄技术现状及发展趋势

[J]. 测绘通报, 2015(3):27-31.

[本文引用: 1]

Bi K, Li Y C, Ding X B , et al.

Aerial photogrammetric technology of light small UAV:Status and trend of development

[J]. Bulletin of Surveying and Mapping, 2015(3):27-31.

[本文引用: 1]

Kedzierski M, Wierzbicki D .

Radiometric quality assessment of images acquired by UAV’s in various lighting and weather conditions

[J]. Measurement, 2015,76(8):156-169.

[本文引用: 1]

卢秀山, 滕腾, 刘如飞 .

移动测量、地理信息更新与城市管理智能化

[J]. 测绘学报, 2017,46(10):1592-1597.

[本文引用: 1]

Lu X S, Teng T, Liu R F .

Mobile mapping,geographic information update and urban management intelligence

[J]. Acta Geodaetica et Cartographica Sinica, 2017,46(10):1592-1597.

[本文引用: 1]

王宇, 陈海涛, 李海川 .

基于引力搜索算法的植保无人机三维路径规划方法

[J]. 农业机械学报, 2018,49(2):28-33.

[本文引用: 1]

Wang Y, Chen H T, Li H C .

3D path planning approach based on gravitational search algorithm for sprayer UAV

[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018,49(2):28-33.

[本文引用: 1]

Gonzalez-Jorge H, Puente I, Roca D , et al.

UAV photogrammetry application to the monitoring of rubble mound breakwaters

[J]. Journal of Performance of Constructed Facilities, 2016,30(1):1-8.

[本文引用: 1]

Peppa M V, Mills J P, Moore P , et al.

Automated co-registration and calibration in SFM photogrammetry for landslide change detection

[J]. Earth Surface Processes and Landforms, 2019,44(1):287-303.

[本文引用: 1]

Fu B L, Li Y, Wang Y , et al.

Evaluation of riparian condition of Songhua River by integration of remote sensing and field measurements

[J]. Scientific Reports, 2017, 7(1):2565,1-16.

[本文引用: 1]

Fu B L, Wang Y, Campbell A , et al.

Comparison of object-based and pixel-based random forest algorithm for wetland vegetation mapping using high spatial resolution GF-1 and SAR data

[J]. Ecological Indicators, 2017,73(2):105-117.

[本文引用: 1]

Vapnik V .

The Nature of Statistical Learning Theory

[M]. Technometrics:Springer, 1995.

[本文引用: 1]

Cortes C, Vapnik V .

Support-vector networks

[J]. Machine Learning, 1995,20(3):273-297.

[本文引用: 1]

Jabari S, Fathollahi F, Roshan A , et al.

Improving UAV imaging quality by optical sensor fusion:An initial study

[J]. International Journal of Remote Sensing, 2017,38(17):4931-4953.

[本文引用: 1]

Akar A, Gökalp E, Akar Ö , et al.

Improving classification accuracy of spectrally similar land covers in the rangeland and plateau areas with a combination of WorldView-2 and UAV images

[J]. Geocarto International, 2017,32(9):990-1003.

[本文引用: 1]

郝明, 邓喀中, 张华 .

基于遥感数据提取建筑物的主动轮廓改进模型

[J]. 中国矿业大学学报, 2012,41(5):833-838.

[本文引用: 1]

Hao M, Deng K Z, Zhang H .

Improved active contour model to extract buildings based on remotely sensed data

[J]. Journal of China University of Mining and Technology, 2012,41(5):833-838.

[本文引用: 1]

Satoru K, Abdallah Z, Farid M , et al.

Spatial and structured SVM for multilabel image classification

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018,56(10):5948-5960.

[本文引用: 1]

Zhao C, Liu W, Xu Y , et al.

A spectral-spatial SVM-based multi-layer learning algorithm for hyperspectral image classification

[J]. Remote Sensing Letters, 2018,9(3):218-227.

[本文引用: 1]

Majdar R S, Ghassemian H .

A probabilistic SVM approach for hyperspectral image classification using spectral and texture features

[J]. International Journal of Remote Sensing, 2017,38(15):4265-4284.

[本文引用: 1]

Maulik U, Chakraborty D .

A self-trained ensemble with semisupervised SVM:An application to pixel classification of remote sensing imagery

[J]. Pattern Recognition, 2011,44(3):615-623.

[本文引用: 1]

Maulik U, Chakraborty D .

A novel semisupervised SVM for pixel classification of remote sensing imagery

[J]. International Journal of Machine Learning and Cybernetics, 2012,3(3):247-258.

[本文引用: 1]

Yang H Y, Zhang X J, Wang X Y .

LS-SVM-based image segmentation using pixel color-texture descriptors

[J]. Pattern Analysis and Applications, 2014,17(2):341-359.

[本文引用: 1]

Mugiraneza T, Ban Y, Haas J .

Urban land cover dynamics and their impact on ecosystem services in Kigali,Rwanda using multi-temporal Landsat data

[J]. Remote Sensing Applications:Society and Environment, 2018,13(1):234-246.

[本文引用: 1]

Li H T, Gu H Y, Han Y S , et al.

Object-oriented classification of high-resolution remote sensing imagery based on an improved colour structure code and a support vector machine

[J]. International Journal of Remote Sensing, 2010,31(6):1453-1470.

[本文引用: 1]

Malik R, Kheddam R, Belhadjaissa A .

Object-oriented SVM classifier for ALSAT-2A high spatial resolution imagery:A case study of algiers urban area

[C]// International Conference on Image Processing Theory.Orleans:IEEE, 2016: 35-40.

[本文引用: 1]

裴欢, 孙天娇, 王晓妍 .

基于Landsat8 OLI影像纹理特征的面向对象土地利用/覆盖分类

[J]. 农业工程学报, 2018,34(2):248-255.

[本文引用: 1]

Pei H, Sun T J, Wang X Y .

Object-oriented land use/cover classification based on texture features of Landsat8 OLI image

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008,34(2):248-255.

[本文引用: 1]

Benza M, Weeks J R, Stow D A , et al.

A pattern-based definition of urban context using remote sensing and GIS

[J]. Remote Sensing of Environment, 2016,183:250-264.

[本文引用: 1]

Park S, Lee H S, Kim J .

Seed growing for interactive image segmentation using SVM classification with geodesic distance

[J]. Electronics Letters, 2017,53(1):22-24.

[本文引用: 1]

Mesas-Carrascosa F J, Rumbao I C, Torres-Sánchez J , et al.

Accurate ortho-mosaicked six-band multispectral UAV images as affected by mission planning for precision agriculture proposes

[J]. International Journal of Remote Sensing, 2017,38(8-10):2161-2176.

[本文引用: 1]

Diaz-Varela R A, Zarco-Tejada P J, Angileri V , et al.

Automatic identification of agricultural terraces through object-oriented analysis of very high resolution DSMs and multispectral imagery obtained from an unmanned aerial vehicle

[J]. Journal of Environmental Management, 2014,134(1):117-126.

[本文引用: 1]

Bazi Y, Melgani F .

Convolutional SVM networks for object detection in UAV imagery

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018,56(6):3107-3118.

[本文引用: 1]

Brovkina O, Cienciala E, Surovy P , et al.

Unmanned aerial vehicles (UAV) for assessment of qualitative classification of Norway spruce in temperate forest stands

[J]. Geo-Spatial Information Science, 2018,21(1):12-20.

[本文引用: 1]

Takahashi A, Doria N A D, Bedregal B R C ,

An introduction interval kernel-based methods applied on support vector machines

[C]// Eighth International Conference on Natural Computation.Chongqing:IEEE, 2012.

[本文引用: 1]

刁淑娟, 刘春玲, 张涛 , 等.

基于SVM的湖泊咸度等级遥感信息提取方法——以内蒙古巴丹吉林沙漠为例

[J]. 国土资源遥感, 2016,28(4):114-118.doi: 10.6046/gtzyyg.2016.04.18.

Diao S J, Liu C L, Zhang T , et al.

Extraction of remote sensing information for lake salinity level based on SVM:A case from Badain Jaran desert in Inner Mongolia

[J]. Remote Sensing for Land and Resources, 2016,28(4):114-118.doi: 10.6046/gtzyyg.2016.04.18.

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发