国土资源遥感, 2019, 31(4): 47-52 doi: 10.6046/gtzyyg.2019.04.07

技术方法

ALOS PALSAR散射总功率的面向对象林火区提取

姜德才1, 李文吉1, 李敬敏1, 白罩峰2

1. 中国自然资源航空物探遥感中心,北京 100083

2. 北京航天宏图信息技术有限责任公司,北京 100195

Extraction of the forest fire region based on the span of ALOS PALSAR by object-oriented analysis

JIANG Decai1, LI Wenji1, LI Jingmin1, BAI Zhaofeng2

1. China Aero Geophysical Survey and Remote Sensing Center for Natural Resources, Beijing 100083,China

2. AeroImgInfo Technology Co., Ltd., Beijing 100195, China

责任编辑: 陈理

收稿日期: 2018-11-30   修回日期: 2019-03-31   网络出版日期: 2019-12-15

基金资助: 中国地质调查局项目“国家空间基准XX融合工程(2019年)”.  202012000000180009
“海丝路工程——海洋地质海洋测绘XX融合信息系统建设及产品开发”.  202012000000180002
“资源环境遥感地质调查数据集成与应用”.  202012000000180713
自然资源部航空地球物理与遥感地质重点实验室青年创新基金项目“基于Hadoop的企业级私有云存储平台构建研究”共同资助.  2016YFL02

Received: 2018-11-30   Revised: 2019-03-31   Online: 2019-12-15

作者简介 About authors

姜德才(1990-),男,工程师,主要从事机器学习在遥感影像分类、信息提取方面的应用研究。Email:jiangdc_rs@126.com。 。

摘要

利用合成孔径雷达(synthetic aperture Radar,SAR)开展林地过火区提取主要基于单个像元开展,而以像元集合为分析单元的面向对象技术在该领域的应用研究还较少。本研究基于ALOS PALSAR影像的散射总功率数据,采用分型网络演化的多尺度分割算法提取2009年发生在美国Alaska中东部的林火灾后的过火区,并将林火区提取结果与获取的燃烧强度辅助数据进行对比,验证算法应用的有效性。研究表明,相比之前基于像元的阈值分类方法,基于本文方法火后单一时相和林火前后2时相SAR散射总功率的林火区提取精度分别提高了12.7%和15.8%。有效证明了面向对象技术能够有效应用于SAR影像的信息提取,SAR卫星遥感在森林火灾监测方面具有较好的应用潜力。

关键词： 分型网络演化 ; 多尺度分割 ; 散射总功率 ; 林火

Abstract

At present, the extraction accuracy of the forest fire area by synthetic aperture Radar (SAR) is mainly limited to the analysis of single pixel. However, the application study of object-oriented technology based on pixel sets as the analysis unit is less in dealing with SAR images. In this paper, a multi-scale segmentation algorithm based on fractal net evolution approach (FNEA) was applied to the span of ALOS PALSAR images. Through the application research, the forest fire region, which happened in 2009 and was located in the Middle East of Alaska, USA, was extracted. The application validation of the algorithm was verified by comparing the experiment results with the auxiliary data of monitoring trends in burn severity (MTBS) data. The experiment results show that the classification accuracies of one-static span and two-static spans based on object-oriented analysis are improved by 12.7% and 15.8% respectively, compared with precious research. The researches show that object-oriented technology can be effectively applied to the information extraction form SAR image, and SAR technology has potential application in forest fire monitoring.

Keywords： fractal net evolution approach ; multi-scale segmentation algorithm ; span ; forest fire

PDF (2947KB) 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

姜德才, 李文吉, 李敬敏, 白罩峰. ALOS PALSAR散射总功率的面向对象林火区提取. 国土资源遥感[J], 2019, 31(4): 47-52 doi:10.6046/gtzyyg.2019.04.07

JIANG Decai, LI Wenji, LI Jingmin, BAI Zhaofeng. Extraction of the forest fire region based on the span of ALOS PALSAR by object-oriented analysis. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(4): 47-52 doi:10.6046/gtzyyg.2019.04.07

0 引言

林火对森林生态系统具有极大危害。林火不仅破坏植被及环境,如干扰植物群落的更替和野生动物的迁徙、改变土壤结构、降低微生物含量、造成水土流失、引起空气污染等[1],而且还威胁人类生命及财产安全。森林过火迹地的位置、面积和烈度的高精度、快速提取可为相关部门针对森林火中救治、火后灾情评估及生态恢复的决策、部署提供科学依据。

基于晴天无云的中高空间分辨率光学卫星遥感的林火区提取研究已广泛开展。该类方法主要是利用综合火烧指数(composite burn index,CBI)、归一化差值植被指数(normalized difference vegetation index,NDVI)、归一化火烧指数(normalized burn ration,NBR)和差分归一化火烧指数(differential normalized burn ration,DNBR)等光学影像遥感指数[2,3],通过人工目视解译或应用分类算法获取水体、裸地、植被以及燃烧区等地类,从而提取林火迹地; 对提取的林火迹地进一步细分还可获得燃烧烈度信息[4]。孙桂芬等[5]基于晴天无云的Landsat8影像短波红外波段提取林火迹地的精度达到了87%,而GF-1影像可见光和近红外波段提取林火迹地的精度则达到了91%。

高分光学卫星遥感虽然在地类提取方面具有很高精度,但在对地成像过程中易受到云、雾、雨、雪、雹等气象要素的干扰,尤其在林火燃烧过程中,往往伴有浓烈烟、雾、云等,严重制约了其在林火应急救灾中的快速响应能力。在微波卫星遥感领域,合成孔径雷达(synthetic aperture Radar,SAR)的成像波长较长,可穿云透雾,到达地表[6,7]。SAR成像机理的独特优势,可为响应灾中、灾后的应急救灾提供技术支撑。作为光学卫星遥感林火监测的有效补充手段,开展SAR卫星遥感的森林火中、火后监测对于快速响应火灾抢救、灾后治理和生态恢复等具有重要意义[8]。

以像元集合为分析单元的面向对象技术,可有效降低“同物异谱、同谱异物”造成的遥感影像分类中的“椒盐效应”[9]。该技术在光学卫星遥感影像解译中已得到广泛应用[10,11],而在以SAR为代表的微波遥感领域的应用研究中则较少。因此,本文在文献[6]基于像元的阈值分类方法提取林火区的基础上,将Baatz和Schäpe[12,13]提出的分型网络演化(fractal net evolution approach,FNEA)的多尺度分割算法应用于全极化ALOS PALSAR影像的后向散射总功率数据,通过对分割对象阈值分类,提取林火灾后过火区。

1 研究方法

1.1 研究区及数据源

研究区位于美国Alaska中东部的Birch Creek机场西南角35 km处,火区中心点坐标为66°02'42.0″N,146°35'16.8″W,林火发生于2009年7月18日—8月5日。

Google Earth影像显示研究区的位置如图1所示,其中红色矩形框为美国国家航空航天局网站提供的2景ALOS PALSAR影像覆盖范围,影像获取时间刚好包含了林火发生期间,具体参数如表1所示; 蓝色矩形框为美国地质调查局的MTBS(monitoring trends in burn severity)项目网站提供的燃烧强度数据,燃烧强度分别为: 高、中、低。MTBS燃烧强度数据是通过提取林火前后Landsat5 TM影像的NBR并结合人工解译制作而成。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区Google Earth影像

Fig.1   Google Earth image of study area


表1   ALOS PALSAR影像参数

Tab.1  Parameters of the ALOS PALSAR images

数据类型波长/cm像元大小(距离向×
方位向)/(m×m)		升降轨成像时间像元个数(距离向×
方位向)/个		中心入射角/(°)
ALOS PALSAR23.6
L波段		9.37×3.58降轨2009/08/031 248×18 43223.935
2009/06/181 248×18 43223.941

新窗口打开| 下载CSV


1.2 极化散射总功率

全极化SAR影像数据以复数矩阵形式测量、记录4种极化状态HH,HV,VH和VV下地球分辨单元内所有分布式目标散射回波的相干叠加,构成了极化散射矩阵 S。对复矩阵 S简单计算,可得到4种极化状态的振幅和相位信息。为了减弱分布式目标形成的相干噪声,通常对散射回波进行统计平均,将极化散射矩阵 S转化为经典的散射模型即极化协方差矩阵 C3或极化相干矩阵 T3。这2种矩阵都是埃尔米特矩阵,且可以相互转换。

通过极化协方差矩阵 C3,可以计算得到4种极化通道的后向散射系数 σHH, σHV, σVH和 σVV,分别为

σHH=SHHSHH*=SHH2=C11σHV=σVH=SHVSHV*=SHV2=12C22σVV=SVVSVV*=SVV2=C33,

式中 C11, C22和 C33分别为极化协方差矩阵 C3的对角线元素。

极化散射总功率,又称Span,由4种极化散射强度构成,包含地物丰富的纹理信息且能够有效地抑制相干噪声[14],计算公式为

Span=SHH2+SVV2+2SHV2=C11+C22+C33。

1.3 FNEA方法

FNEA多尺度分割的基本策略是建立影像分割对象的分层网络。该分层网络以不同空间分辨率(尺度)的图像为分割对象,同时表征影像。其中高空间分辨率的影像分割对象是较粗尺度影像分割对象的子对象。每个影像分割对象都“知道”它的父对象、邻域和子对象。层次结构同时代表了不同空间分辨率影像分割对象信息。利用分层网络影像分割对象之间的关系,并与影像分割对象的形状和纹理特征一起使用,可以提高影像分割对象的分类精度[12,13]。

分类过程中,影像分割对象的合并需解决2个关键问题: ①定量表征相邻分割对象(像元)的异质性(或同质性); ②定量表征影像分割对象在合并前后的异质性(或同质性)变化。相邻分割对象间的异质性,即给定一个特定的特征空间,如果2个相邻分割对象在这个特征空间彼此接近,那么这2个对象相似。对于一个 d维的特征空间,拟合度 h为

h=∑d(f1d-f2d)2,

式中f为对象特征,具体表现为光谱平均值、方差或纹理特征。特征空间距离可以通过计算所有分割对象在所有特征维的标准差 σfd进行标准化,即

h=∑df1d-f2dσfd2。

合并前后影像分割对象的异质性变化,即从单个像素对象开始,逐步合并到较大的对象上,合并对象的光谱异质性会增加。优化过程的基本目标是在每个合并过程中,最小化合并对象的异质性增加。通过影像分割对象合并到邻域对象,从而产生最小的异质性增加。因此,通过描述合并前后异质性的变化 hdiff来定义2个相邻影像分割对象的拟合度。合并前后异质性的变化 hdiff为

hdiff=∑cwc[n1(hmc-h1c)+n2(hmc-h2c)],

式中: c为波段数; wc为c波段的权重; n1和 n2分别为合并前2个分割对象大小(像元数); h1c, h2c和 hmc分别为C波段2个分割对象合并前和合并后的异质性。

1.4 精度评价

混淆矩阵是遥感影像分类结果精度评价的常用方法[15,16]。用于混淆矩阵精度评价的样本点数量计算公式[17,18]为

N=B/4b2,

式中: N为样本点个数; B为自由度为1的卡方检验 (1-P/M)的临界值,其中 P为置信度误差, M为分类数; b为置信水平。本次实验将遥感影像地类分为3类,对置信水平的要求为95%以上,即置信度误差允许范围为5%。通过查找卡方检验临界表可知 5.41<B<6.64,计算得 541<N<664。因此,后续实验在整幅SAR影像上均匀选取了600个像元作为样本用于分类结果的精度评价。样本像元在SAR影像上行列号分别为

row_no.=30+82(n-1)n∈(1,2,3,…,15)col._no.=30+77(m-1)m∈(1,2,3,…,40)。

参照MTBS燃烧强度数据,为各样本像元赋属性值,即水体、燃烧区和未燃烧区。

1.5 技术流程

为了抑制SAR影像的相干斑噪声,在SAR影像预处理环节,对主辅影像分别进行多视处理: 距离向×方位向=1×6。多视后,主辅SAR影像的地面空间分辨率为: 距离向×方位向=23.1 m×20.7 m。高精度配准[7]的控制点误差均小于0.1个像元。对林火极化散射总功率取以10为底的对数,从而构建火后单一时相特征图 Span0803lg和林火前后2时相特征图 SpanDlg,其公式分别为

Span0618lg=10lg(Span0618),
Span0803lg=10lg(Span0803),
SpanDlg=Span0803lg-Span0618lg,

式中 Span0618和 Span0803分别是林火前和林火后的极化散射总功率。取对数是为了消除地形因素对雷达后向散射强度的影响[14]。在此基础上,分别用火后单一时相特征图 Span0803lg和林火前后2时相特征图 SpanDlg开展林火区提取,并使用MTBS燃烧强度数据开展基于混淆矩阵的遥感影像地类分类精度评价。具体技术流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   实验流程

Fig.2   Research procedure


2 结果与分析

提取结果如图3所示,图3(a)和图3(b)中,绿色区域为未燃烧区; 蓝色区域为水体; 红色区域为燃烧区。图3(a)为研究区火后单一时相 Span0803lg的分类结果; 图3(b)为研究区林火前后2时相 SpanDlg的分类结果; 图3(c)为美国地质调查局MTBS燃烧强度。从图3定性分析实验结果可以看出: ①火后单一时相 Span0803lg、林火前后2时相 SpanDlg的林火区提取结果与MTBS数据相比,在整体上较为吻合,在某些细节上稍有差异; ②将图3(a)和图3(b)中研究区下部的分类结果与MTBS数据对比分析得出,火后单一时相 Span0803lg的林火区提取结果存在较严重的误提现象,而林火前后2时相 SpanDlg的分类结果未出现明显误分现象,因此后者分类结果更优; ③从分类结果可看出,“椒盐效应”得到有效抑制,因此,FNEA多尺度分割算法能够较好应用于SAR卫星遥感影像解译。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   林火区分类结果

Fig.3   Classification results around the forest fire region


本文使用混淆矩阵开展了研究区分类结果的定量评价,结果如表2和表3所示。

表2   火后单一时相的混淆矩阵

Tab.2  Post-fire confusion matrix

样本像元分类未燃烧区水体燃烧区总和
未燃烧区3781740435
水体423128
燃烧区310106137
总和41340147
总体精度: 84.5% Kappa系数: 0.649

新窗口打开| 下载CSV


表3   林火前后2时相的混淆矩阵

Tab.3  Two-static confusion matrix

样本像元分类未燃烧区水体燃烧区总和
未燃烧区3851723425
水体120021
燃烧区273124154
总和41340147
总体精度: 88.2% Kappa系数: 0.735

新窗口打开| 下载CSV


从表2和表3可知,①研究区火后单一时相 Span0803lg和林火前后2时相 SpanDlg的分类结果Kappa系数均在0.6~0.8之间,说明分类精度较高,林火区提取效果较好; ②文献[6]中研究区基于像元的火后单一时相 Span0803lg和林火前后2时相 SpanDlg的分类结果精度分别为71.78%和72.44%,与之相比,面向对象多尺度分割的分类精度分别约提高了12.7%和15.8%; ③林火区分类精度基本达到了基于晴天无云的常规高分可见光和红外波段影像的燃烧区、未燃烧区分类精度[5]。因此,极化SAR技术可作为光学卫星遥感林火监测的有效补充手段,而且,穿透性较强的SAR成像工作波段,可适用于林火灾中应急监测。

3 结论

合成孔径雷达(synthetic aperture Radar,SAR)技术可作为光学卫星遥感监测林火的有效补充手段,能够穿透烟、云、雾、雨、雹等恶劣天气,可用于林火的火中监测。本文开展了以像元集合为分析单元的面向对象技术在SAR散射总功率的林火区提取研究。以L波段全极化ALOS PALSAR为数据源,经散射总功率的计算、分型网络演化的多尺度分割、阈值分类、精度评价等过程,开展了美国Alaska中东部一处林火灾后过火区的提取研究,主要得到以下结论:

1)基于火后单一时相、林火前后2时相的SAR散射总功率开展林火区的提取结果整体与MTBS燃烧强度都较为吻合,且后者提取结果更优。

2)对比研究区SAR散射总功率基于像元阈值分类的林火分类结果,基于多尺度分割的面向对象阈值分类结果精度有较大提高,研究区火后单一时相的分类精度提高了12.7%,林火前后2时相的分类精度提高了15.8%。

3)林火研究区分类精度基本达到了基于晴天无云的常规高分可见光和红外波段影像的燃烧区和未燃烧区的分类精度。因此,极化SAR技术可作为光学卫星遥感监测林火的有效补充手段,且能适用于林火灾中的应急监测。

但是,仍有一些问题有待进一步研究,如开展多参数特征图的阈值分类,以减少未燃烧区的误分类; 深度挖掘SAR数据的极化信息,并应用于森林火灾的过火区及燃烧烈度的提取研究等。

志谢: 感谢美国国家航空航天局网站(https: //search.earthdata.nasa.gov)提供的ALOS PALSAR数据,感谢美国地质调查局的MTBS(monitoring trends in burn severity)项目网站(https: //www.mtbs.gov/direct-download)提供的燃烧强度数据。

参考文献

李明泽, 康祥瑞, 范文义 .

呼中林区火烧迹地遥感提取及林火烈度的空间分析

[J]. 林业科学, 2017,53(3):163-174.

[本文引用: 1]

Li M Z, Kang X R, Fan W Y .

Burned area extraction in Huzhong forests based on remote sensing and the spatial analysis of the burned severity

[J]. Scientia Silvae Sinicae, 2017,53(3):163-174.

[本文引用: 1]

Tanase M, Santoro M, Juan D L R,et al.

L-band SAR backscatter prospects for burn severity estimation in Boreal Forests

[C]//ESA Living Planet Symposium, 2010.

[本文引用: 1]

Tanase M A, Santoro M, Aponte C , et al.

Polarimetric properties of burned forest areas at C- and L-band

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013,7(1):267-276.

[本文引用: 1]

谭柳霞, 曾永年, 郑忠 .

林火烈度遥感评估指数适应性分析

[J]. 国土资源遥感, 2016,28(2):84-90.doi: 10.6046/gtzyyg.2016.02.14.

Magsci     [本文引用: 1]

<p>科学合理地定量评估林火烈度,对揭示林火干扰下森林生态系统的变化,以及植被的恢复与管理具有重要意义。以美国科罗拉多大峡谷国家公园北缘的Poplar Fire为实验区,利用Landsat5 TM影像,结合实地调查的综合火烧指数(composite burn index,CBI),分析评价了归一化差值植被指数(normalized difference vegetation index,NDVI),归一化火烧指数(normalized burn ration,NBR),差分归一化植被指数(differenced normalized difference vegetation index,&Delta;NDVI)和差分归一化火烧指数(differenced normalized burn ration,&Delta;NBR)4种遥感指数对林火烈度评估的适应性。结果表明,4种遥感指数对识别不同等级林火烈度存在一定的差异。在未过火区和轻度火灾区,单一遥感指数的精度略高于差分遥感指数,其中NBR的提取精度最高,分别达到了66.7%和80%; 在中度火灾区和重度火灾区,差分遥感指数的精度高于单一遥感指数,&Delta;NBR的提取精度最高,分别达到了100%和90%。总体上,基于差分遥感指数的林火烈度制图精度总体高于单一遥感指数,其中&Delta;NBR的总体制图精度最高,达到了 86.2%。因此,&Delta;NBR是林火烈度分析与评估的适宜遥感指数。</p>

Tan L X, Zeng Y N, Zheng Z .

An adaptability analysis of remote sensing indices in evaluating fire severity

[J]. Remote Sensing for Land and Resources, 2016,28(2):84-90.doi: 10.6046/gtzyyg.2016.02.14.

Magsci     [本文引用: 1]

孙桂芬, 覃先林, 刘树超 , 等.

典型植被指数识别火烧迹地潜力分析

[J]. 国土资源遥感, 2019,31(1):204-211.doi: 10.6046/gtzyyg.2019.01.27.

[本文引用: 2]

Sun G F, Qin X L, Liu S C , et al.

Potential analysis of typical vegetation index for identifying burned area

[J]. Remote Sensing for Land and Resources, 2019,31(1):204-211.doi: 10.6046/gtzyyg.2019.01.27.

[本文引用: 2]

祁帅 .

极化SAR林火燃烧面积提取与燃烧强度估计

[D]. 兰州:兰州交通大学, 2015.

[本文引用: 3]

Qi S .

Polarimetric SAR Forest Fire Scars Extraction and Burn Severity Estimation

[D]. Lanzhou:Lanzhou Jiaotong University, 2015.

[本文引用: 3]

姜德才 .

重轨卫星InSAR技术在多云雨山区DEM生成及更新中的应用研究

[D]. 北京:中国测绘科学研究院, 2017.

[本文引用: 2]

Jiang D C .

Repeat-Pass Spaceborne SAR Interferometry for DEM Generation in Cloudy-Rainy Mountianous Area

[D]. Beijing:Chinese Academy of Surveying and Mapping, 2017.

[本文引用: 2]

祁帅, 张永红, 汪慧琴 .

林火干扰区全极化SAR影像的散射特性分析

[J]. 国土资源遥感, 2016,28(2):48-53.doi: 10.6046/gtzyyg.2016.02.08.

Magsci     [本文引用: 1]

<p>目前,利用合成孔径雷达(synthetic aperture Radar,SAR)影像进行林火监测主要限于从林火前后时相的单极化通道振幅数据或者火后全极化影像振幅数据开展,而从林火对森林散射机制改变角度开展多时相全极化SAR林火监测的研究还较少。以2009年阿拉斯加地区发生的林火为例,以林火发生前后获取的Radarsat-2全极化影像为实验数据,从林火所改变的森林后向散射强度和散射机制角度,对林火发生前后各个极化通道后向散射强度、主导散射机制和去极化作用参数进行了定量分析,并对变化原因给出了解释。研究表明,对于北方森林,林火发生后林火干扰区的后向散射强度在同极化通道相比林火前增加了20%,交叉极化通道也有小幅增加,主导散射由林火前占59%的体散射变为林火后占53%的表面散射,去极化作用相比林火前减小45%。这些结论对于利用多时相全极化SAR数据开展林火燃烧面积或者燃烧强度监测具有参考价值。</p>

Qi S, Zhang Y H, Wang H Q .

Analysis of fire disturbed forests scattering characteristics using polarimetric SAR image

[J]. Remote Sensing for Land and Resources, 2016,28(2):48-53.doi: 10.6046/gtzyyg.2016.02.08.

Magsci     [本文引用: 1]

汤玲英, 刘雯, 杨东 , 等.

基于面向对象方法的Sentinel-1A SAR在洪水监测中的应用

[J]. 地球信息科学学报, 2018,20(3):377-384.

DOI:10.12082/dqxxkx.2018.170599      Magsci     [本文引用: 1]

<p>开展Sentinel-1A SAR数据在洪水淹没范围提取和水体变化监测方面的应用研究,对科学有效地管理洪涝灾害有重要意义。合成孔径雷达以其不受天气影响、能穿透云层、覆盖面积广等特点成为灾害监测的重要数据来源。面向对象的方法能有效解决影像的椒盐现象被广泛运用于信息提取研究。本文基于Sentinel-1A SAR数据,利用面向对象的方法构建洪水淹没范围提取流程,绘制灾前、灾中、灾后水体变化监测图,对比分析基于传统像元的提取方法,实现对广西临桂会仙岩溶湿地区域不同时期洪水动态监测。研究表明,Sentinel-1A SAR数据在洪水监测领域有巨大的应用潜力,相较于传统基于像元的方法,面向对象的方法能有效抑制杂斑生成,提高空间信息的利用效率,具有更好的提取精度。</p>

Tang L Y, Liu W, Yang D , et al.

Flooding monitoring application based on the object-oriented method and Sentinel-1A SAR data

[J]. Journal of Geo-Information Science, 2018,20(3):377-384.

Magsci     [本文引用: 1]

张红, 叶曦, 王超 , 等.

面向对象的高分辨率SAR图像处理及应用

[J]. 中国图象图形学报, 2018,19(3):344-357.

[本文引用: 1]

Zhang H, Ye X, Wang C , et al.

The processing and application of high resolution SAR images with object-based image analysis

[J]. Journal of Image and Graphics, 2018,19(3):344-357.

[本文引用: 1]

汪闽, 万其明, 张大骞 , 等.

光谱、形状特征结合的多精度图像分割算法与应用

[J]. 地球信息科学学报, 2010,12(2):261-268.

Magsci     [本文引用: 1]

由于高分辨率遥感图像的数据量和计算复杂性骤增,影像噪声、光谱混淆现象更为突出,这对传统主要依据于像元光谱特征的图像处理与分析方法提出了极大挑战。为此,特征更为丰富、在噪声处理和知识融合上,更具优势的面向对象的图像分析方法,逐步成为高分辨率遥感图像应用的研究热点。面向对象图像分析的第一步,以及关键一步是图像分割。本文设计了多精度图像分割算法:(1)采用降水分水岭变换进行初步分割获取图像次一级斑块,即分割亚基元;(2)设计一种可重复合并的快速图斑合并方法,进行亚基元的层次归并获得最后分割斑块,完成图像分割。在合并过程中,斑块之间的差异指标是其光谱合并代价、形状合并代价的加权和,合并结束的标志是斑块间两两合并代价超过尺度参数的平方。设置不同的尺度参数,则可实现多精度图像分割过程。实验证明,方法分割效果较好,并在算法效率上满足实际应用需求,可以开展后续图像分类、专题信息提取等工作。

Wang M, Wan Q M, Zhang D Q , et al.

Multi-resolution remotely sensed image segmentation in combination with spectral and shape features

[J]. Journal of Geo-Information Science, 2010,12(2):261-268.

Magsci     [本文引用: 1]

Baatz M, Schäpe A.

Object-oriented and multi-scale image analysis in semantic networks

[C]//Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing, 1999.

[本文引用: 2]

Baatz M, Schäpe A .

Multiresolution segmentation:An optimization approach for high quality multiscale image segmentation

[J]. Journal of Photogrammetry and Remote Sensing, 2007,58:3-4.

[本文引用: 2]

白罩峰 .

基于极化特征分析的卫星SAR林火燃烧强度估计研究

[D]. 兰州:兰州交通大学, 2017.

[本文引用: 2]

Bai Z F .

Forest Fire Severity Estimation with Satellite Polarimetric SAR Based on Polarization Feature

[D]. Lanzhou:Lanzhou Jiaotong University, 2017.

[本文引用: 2]

张楼香, 阮仁宗, 夏双 .

洪泽湖湿地纹理特征参数分析

[J]. 国土资源遥感, 2015,27(1):75-80.doi: 10.6046/gtzyyg.2015.01.12.

Magsci     [本文引用: 1]

<p>应用纹理特征进行影像分类,关键在于纹理特征参数的确定。以洪泽湖湿地典型地区为研究对象,选择灰度共生矩阵进行纹理特征计算,探讨灰度共生矩阵窗口尺寸、移动步长、方向和纹理特征统计量对淡水湖泊湿地的区分能力; 然后,利用纹理特征和地物光谱特征,结合决策树方法对研究区湿地及其他主要地类进行分类,并通过混淆矩阵进行精度评价。结果表明: 研究区湿地分类中纹理特征的最佳窗口大小为3像元&times;3像元,方向为90&deg;,步长为1个像元,纹理特征统计量组合为均值、熵和相关度; 分类精度为83.24%,<em>Kappa</em>为0.788,其结果验证了纹理特征参数选择的科学性和合理性。</p>

Zhang L X, Ruan R Z, Xia S .

Parameter analysis of image texture of wetland in the Hongze Lake

[J]. Remote Sensing for Land and Resources, 2015,27(1):75-80.doi: 10.6046/gtzyyg.2015.01.12.

Magsci     [本文引用: 1]

Comber A, Fisher P, Brunsdon C , et al.

Spatial analysis of remote sensing image classification accuracy

[J]. Remote Sensing of Environment, 2012,127(140):237-246.

[本文引用: 1]

Tortora R D .

A note on sample size estimation for multinomial populations

[J]. The American Statistician, 1978,32(3):100-102.

[本文引用: 1]

Zeng M H, Zhong M, Hunt J D .

Analysis of the impact of sample size,attribute variance and within-sample choicedistribution on the estimation accuracy of multinomial logit models using simulated data

[J]. Journal of Systems Science and Systems Engineering, 2018,27(6):771-789.

[本文引用: 1]

/

〈 〉

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