基于AdaBoost算法的城镇建设用地遥感动态提取研究

引用本文

李锐, 王卷乐, 任正超. 基于AdaBoost算法的城镇建设用地遥感动态提取研究[J]. 国土资源遥感, 2010,22(2): 86-90
LI Rui, WANG Juan-le, REN Zheng-chao. An Adaboost Based Method for Dynamic Extraction of Urban Land Use Cover with Remote Sensing Images[J]. REMOTE SENSING FOR LAND & RESOURCES,2010,22(2): 86-90 复制到剪切板

Permissions

《国土资源遥感》编辑部

基于AdaBoost算法的城镇建设用地遥感动态提取研究

李锐^1,^2,⁴, 王卷乐², 任正超^2,³

1.河南大学环境与规划学院,开封 475000

2.中国科学院地理科学与资源研究所,北京 100101

3.甘肃农业大学草业学院,兰州 730070

4.解放军75711部队,广州 510515

第一作者简介: 李锐(1979-),女,博士研究生,研究方向为城市遥感。

收稿日期: 2009-12-25

摘要

利用2007年的上海地区CBERS影像,使用AdaBoost组合分类器,将基于影像地物光谱信息、纹理结构信息和基于决策树分类器的提取方法组合,以提高分类精度。实验结果显示,AdaBoost算法在提高城镇建设用地的分类精度上显著有效。

关键词: AdaBoost; 城镇建设用地; 遥感影像; CBERS

中图分类号:TP701 文献标志码:A 文章编号:1001-070X(2010)02-0086-05

An Adaboost Based Method for Dynamic Extraction of Urban Land Use Cover with Remote Sensing Images

LI Rui^1,^2,⁴, WANG Juan-le², REN Zheng-chao^2,³

1.College of Environment and Planning, Henan University, Kaifeng 475000, China

2.State Key Laboratory of Resources and Environmental Information System, Institute of Geographical Sciences and Natural Resources Research, CAS, Beijing 100101, China

3.College of grass industry, Gansu Agricultural University, Lanzhou 730070, China

4.The 75711 Troop, PLA, Guangzhou 510515, China

Abstract

The problem how to combine the low precision urban land use cover classifiers to get higher precision is dealt with in this paper. Using 2007 Shanghai CBERS (China-Brazil Earth Resources Satellite) images, the authors adopted the AdaBoost combination classifier, which can combine spectral feature information, texture structure information and decision tree classier to improve the classification precision. The experiment results show that a notable improvement of the classification precision of urban land use cover can be achieved by using AdaBoost algorithm.

Keyword: AdaBoost; Urban land use cover; Remote sensing image; CBERS

Show Figures

0 引言

近年来, 随着国产高分辨率遥感卫星技术的发展, 利用遥感影像进行城镇建设用地变化的研究已成为热点。城镇用地变化检测的首要问题是对遥感影像进行分类, 从而得到城镇用地的动态变化信息。

遥感影像由于其方便性和实用性而被广泛应用于城镇用地变化检测。目视解译或计算机屏幕人工数字化的方法工作量大、非常耗时。传统的自动分类方法有监督分类、非监督分类和决策树分类等, 但是精度都不高。C.P.Lo^[1]使用70 mm的胶片进行估算和解译, 编制香港的土地利用图, 利用计算机辅助对Landsat数据进行分析, 来编制1:2.5万的城镇土地利用图, 但是精度较低。这些地图尽管还达不到航空摄影的精度, 但它们在平面和注记上的精度还是可以接受的, 并且进行频繁的修订时价格相对便宜。杨存建等^[2]利用地物光谱特征的阈值从Landsat TM影像提取居民地, 但是很难选择合适的阈值。很多学者在利用半自动和自动技术进行城镇用地检测方面都进行过研究。查勇等^[3]提出了一个基于归一化城镇指数(NDBI)的理论, 通过处理TM影像的波段, 成功将其应用于无锡市的城镇用地自动提取, 但是不足之处是模型简单, 普适性不强。彭光雄等^[4]探讨了如何利用Landsat TM影像进行城镇用地的提取, 讨论了利用遥感影像进行城镇用地信息提取的原理以及城镇用地和其他类型用地的区别, 并对城镇用地与其他类型用地的光谱结构特征进行了分析, 认为选择合适的阈值可以利用NDVI和NDWI分别提取植被和水体, 利用波段光谱差不同可区分城镇用地和裸地, 这种方法速度快、精度高, 是一种简单、高效的半自动提取方法。J.D.Paola等^[5]对后向神经网络和最大似然法在城镇用地分类中的应用进行了详细的比较并得出结论, 认为神经网络法在训练位点不均一性方面和使用土地覆盖光谱的分类标签上鲁棒性更好, 后向神经网络相对于最大似然的方法一个很大的不足是其在服务器上的执行时间会很大幅度的提高。J.Gao等^[6]分别利用夏季和冬季获取的两幅SPOT多光谱影像编制土地利用覆被地图, 并对影响地图精度的因素进行了分析, 认为主要制约因素是城镇外围土地覆被的异质性、穿越多种土地覆盖类型的同一土地覆盖元素的表达以及植被覆盖的条件改变而引起的训练样本的代表性不强。

由于在遥感影像分类应用中, 不同的分类器分类精度不同, 而同一个分类器对不同类别的分类精度也不相同。对于特定的遥感数据, 同一个分类器对部分类别分类精度高, 而对其他类别分类精度低, 因此可以找到多个分类器, 对不同类别分类精度各不同, 存在一定的互补性^[7]。理论上将若干精度较低的分类器结合在一起, 可以组合得到一个比单个分类器更好的分类结果。利用组合分类器来提高分类精度已成为一个重要的研究方向, 并且集成分类器已经成功用于人脸表情识别^[8]、手写体识别^[9]及医学诊断^[10]等。但在遥感图像分类处理方面, 特别是应用于城镇土地检测分类还很少。在一个监督学习的例子中, AdaBoost被看作一种机器学习方法, 并且广泛应用于模式识别领域。AdaBoost将多个分类器线性地组合成一个强分类器, 并且在很多领域都有了突出成就^[11]。文献^[12]介绍了基于相邻像元的分类器和基于领域子集的后验信息的弱分类器, 这种方法应用于人工多光谱影像, 效果好、耗时短, 与基于MRF的分类器很相似^[13]。周红英等^[14]利用天津地区的ASTER影像为例进行土地覆被制图, 运用组合分类器的经典算法AdaBoost将多个弱分类器-神经网络分类器组合输出, 并引入混合判别多分类器综合规则, 有效提高疑难类别的分类精度, 提高分类的总精度。徐凯等^[15]针对高分辨率遥感影像城市绿地的提取, 利用武汉地区Quick Bird影像, 提出了一种基于多特征、多检测器组合的城市绿地提取算法。该算法分别以城市绿地的光谱信息、纹理及NDVI来构造提取绿地的弱检测器, 并通过Adaboost算法进行训练, 将弱检测器加权组成构成提取绿地的强检测器。实验表明该方法可以利用Quick Bird影像准确提取绿地信息, 优于传统的算法。

本文介绍了一种将多个弱分类器组合成强分类器的方法对城镇用地进行分类, 使用AdaBoost组合分类器将影像地物光谱信息、纹理结构信息和基于决策树分类器的提取方法进行组合, 以提高各自的分类精度。

1 AdaBoost算法的原理和主要方法

1.1 基本原理

Boosting作为一类流行的机器学习方法, 其主要思想是考虑到寻找一个单一高准确性的分类方法较为困难, 因此选用了多个相对简单的决策规则代替一个单一的高准确性的分类方法, 这些简单的决策规则一般被称为弱分类器, 通过加入新的对于分类有帮助的弱分类器以提高整体分类精度, Boosting可以将若干个弱分类器最终组成为一个强分类器, 从理论上说这个强分类器可以得到远远高于其中任何一个弱分类器的效果, 因此Boosting算法成为当今流行的方法之一。AdaBoost算法即自适应Boosting算法, 它是Boosting家族中最有代表性也是最为流行的算法, 由Y.Freund等人在1995年提出^[18]。这种方法利用一种顺序搜索的方法, 克服了许多原始方法所固有的问题, 因此成为一种非常流行的Boosting方法^[19]。

在AdaBoost算法中, 每一个训练样本均被赋予一个权重, 权重值代表样本被下一若分类器选入训练集的概率。如果某个样本被当前弱分类器准确分类, 则在构造下一个弱分类器的训练集时, 它被选中的概率就被降低; 相反, 如果某个样本没有被当前分类器正确分类, 则它的权重就相应提高。通过这种方式, AdaBoost能够逐渐聚焦于那些难以学习的样本。在遥感图像的分类中, 单一的分类器可能会出现对某些疑难的类别分类效果不好, 而对其他容易区分的类别分类精度高。虽然总体精度不低, 但疑难类别仍然没有得到区分。AdaBoost算法能很好的解决这个问题, 对于无法正确学习的类别样本, 能够集中学习, 并将学习的结果与其他分类器的结果组合输出^[14]。

1.2 分类方法

本文采用遥感影像, 最终需要得到城镇建设用地和非城镇建设用地两类结果, 属于典型的两类分类问题。对于一个两类的分类问题, AdaBoost算法可以被表示为以下形式^[20]:

初始的时候有一个包含一个样本点数量为N的训练集, 即

S={(x₁, y₁), …, (x_N, y_N)}(1)

式中, y_i∈ {+1, -1}, 是所属类别的标记符号, +1表示的是变化, 而-1表示的是没有发生变化。在AdaBoost算法之中, 每个样本点(x_i, y_i)都是与第t次迭代过程中特定的权值 $\begin{matrix} d_{i}^{t} \end{matrix}$ 相关联。通过保持这一系列权值(或者可以认为是一种分布), 在每一次的迭代过程中那些分类错误的样本点根据对应的弱分类器产生的错误值, 在下一次迭代的时候将会得到更高的权值。换句话说, 就是那些没有被准确分类或者说是比较难分类的样本点在下一次得到更多的重视。在这一过程中, 弱分类器需要产生一个权重的经验错误, 可以表示为

ε _t(h_t, d⁽^t⁾)= $\begin{matrix} \overset{N}{\sum_{i = 1}} \end{matrix} \begin{matrix} d_{i}^{(t)} \end{matrix}$ I[y_i≠ h_t(x_i)](2)

在完成选择出弱分类器h_t之后, 需要更新它所对应的权值α _t来最小化损失函数, 该损失函数可以被定义为

G(α _t)= $\begin{matrix} \overset{N}{\sum_{i = 1}} \end{matrix}$ exp{-y_i[ $\begin{matrix} \overset{t}{\sum_{j = 1}} \end{matrix}$ α _jh_j(x_j)]}(3)

经过了若干次的迭代之后, 由这些选定的弱分类器的线性组合构成的强分类器可以被定义为如下的形式

H_T(x)= $\begin{matrix} \overset{T}{\sum_{t = 1}} \end{matrix}$ α _th_t(x)(4)

最终得到的分类器结果, 可以被表示为

H(x)=sing[H_T(x)](5)

将以上过程详细化, 具体步骤如下^{[19, 20]}:

①输入S={(x₁, y₁), (x₂, y₂), …, (x_N, y_N)}, (6)

y_i∈ {+1, -1}。

②初始化 $\begin{matrix} d_{i}^{(t)} \end{matrix}$ = $\begin{matrix} \frac{1}{N} \end{matrix}$ , i=1, 2, …, N (7)

③迭代t=1, …, T, T是迭代的次数, 得到弱分类器

h_t:x➝{+1, -1}(8)

计算h_t的权训练误差ε _t, 即

ε _t= $\begin{matrix} \overset{N}{\sum_{i = 1}} \end{matrix} \begin{matrix} d_{i}^{(t)} \end{matrix}$ I[y_i≠ h_t(x_i)](9)

更新权值:

$\begin{matrix} α_{t}^{'} \end{matrix}$ = $\begin{matrix} \frac{1}{2} \end{matrix}$ lg $\begin{matrix} \frac{1 - ε_{t}}{ε_{t}} \end{matrix} \begin{matrix} d_{i}^{(t + 1)'} \end{matrix}$ = $\begin{matrix} d_{i}^{(t)} \end{matrix}$ exp[-α _ty_ih_t(x_i)] (10)

$\begin{matrix} d_{i}^{t + 1} \end{matrix}$ = $\begin{matrix} d_{i}^{(t + 1)'} \end{matrix}$ / $\begin{matrix} \overset{N}{\sum_{i = 1}} \end{matrix} \begin{matrix} d_{i}^{(t + 1)'} \end{matrix}$ (11)

当ε _t=0或ε _t≥ $\begin{matrix} \frac{1}{2} \end{matrix}$ 时, 跳出, 并设置T=t-1, 即

α _t= $\begin{matrix} α_{t}^{'} \end{matrix}$ / $\begin{matrix} \overset{N}{\sum_{t = 1}} \end{matrix} \begin{matrix} α_{t}^{'} \end{matrix}$ (12)

④输出, 即

H(x)=sign[ $\begin{matrix} \overset{T}{\sum_{t = 1}} \end{matrix}$ α _th_t(x)](13)

本文采用了基于地物光谱信息分类器、基于纹理结构信息分类器和基于决策树分类器3种弱分类器。

2 组合分类器提取城镇用地原理

本文介绍的AdaBoost组合分类器将基于影像的地物光谱信息、纹理结构信息以及基于决策树的分类器进行组合, 从而提高了分类精度。作为弱分类器, 这3者都是相互独立和完整的。

2.1 地物光谱信息

对典型城镇区域进行分析, 可以根据中巴资源卫星数据的5个波段得到城镇建设用地的光谱响应曲线, 见图1^[23]。

	Figure Option View Download New Window
	图1 由CBERS影像得到的城镇建设用地光谱响应曲线Fig.1 The spectrum response curves of urban area by CBERS image

2.2 灰度共生矩阵的纹理特征

有文献对尺度和非尺度的纹理特征进行介绍, 其中一个典型常用的描述方法是基于灰度共生矩阵(GLCM)的。灰度共生矩阵有许多统计特征, 例如熵、能量、方差、对比度及同质性等。

(1)熵(Entropy)。是图像所具有的信息量的度量, 即

f₁=- $\begin{matrix} \overset{L - 1}{\sum_{i = 0}} \end{matrix}$ $\begin{matrix} \overset{L - 1}{\sum_{j = 0}} \end{matrix} \begin{matrix} \hat{p} \end{matrix}$ (i, j) $\begin{matrix} \hat{lbp} \end{matrix}$ (i, j)(14)

(2)能量(Angular Second Moment or Energy)。计算灰度共生矩阵每个像素灰度值的平方和, 即

f₂= $\begin{matrix} \overset{L - 1}{\sum_{i = 0}} \end{matrix} \begin{matrix} \overset{L - 1}{\sum_{j = 0}} \end{matrix} \begin{matrix} {\hat{p}}^{2} \end{matrix}$ (i, j)(15)

(3)方差(Variance)。即

f₃= $\begin{matrix} \overset{L - 1}{\sum_{i = 0}} \end{matrix}$ $\begin{matrix} \overset{L - 1}{\sum_{j = 0}} \end{matrix}$ [ $\begin{matrix} \hat{p} \end{matrix}$ (i, j)· (i-μ )²](16)

式中, μ 为p(i, j)的均值。

(4)对比度(Contrast)。度量灰度共生矩阵的局部方差, 测量整个图像中某个像素与其邻域的亮度对比度, 即

f₄= $\begin{matrix} \overset{L - 1}{\sum_{n = 0}} \end{matrix}$ n²{ $\begin{matrix} \overset{L - 1}{\sum_{i = 0}} \end{matrix} \begin{matrix} \overset{L - 1}{\sum_{j = 0}} \end{matrix} \begin{matrix} \hat{p} \end{matrix}$ (i, j)}_|i-j|=n(17)

(5)同质性(Homogeneity)。度量灰度共生矩阵各元素分布与其对角线的靠近程度, 即

f₅= $\begin{matrix} \overset{L - 1}{\sum_{i = 0}} \end{matrix}$ $\begin{matrix} \overset{L - 1}{\sum_{j = 0}} \end{matrix} \begin{matrix} \frac{\hat{p} (i, j)}{1 + {(i - j)}^{2}} \end{matrix}$ (18)

我们可以通过在一个5像元× 5像元的操作窗口计算图像的灰度共生矩阵统计值, 计算得到的城镇区域和非城镇区域的纹理统计参数如表1所示。

表1 城镇建设用地和非城镇建设用地的纹理特征 Tab.1 The texture characters of urban land use cover and non-urban land use cover of CBERS

2.3 基于决策树分类器的提取方法

由于CBERS-02 CCD数据没有短红外波段, 所以不能从CBERS影像直接提取城镇建设用地信息, 在此使用了一种类似NDBI的方法, 并称之为“ 基于决策树分类器的提取方法” 。首先, 进行几何校正、投影和坐标系统转换; 然后, 进行主表面特征的光谱曲线分析; 再计算NDVI和 NDWI来放大感兴趣区与其背景特征的区别; 通过简单的阈值分析得到植被、农田、水体、山影、裸地以及道路信息; 最后去除背景信息就得到了城镇建设用地^[23]。图2是基于决策树分类器的提取方法的流程, 其中的阈值通过实验得到。

	Figure Option View Download New Window
	图2 基于决策树分类器的提取方法流程Fig.2 Flow chart of decision tree classifier algorithm

3 实验数据与精度分析

利用上海地区CBERS影像, 首先通过地物光谱信息、纹理结构信息和基于决策树分类器的提取方法分别得到城镇用地的分类结果; 然后用AdaBoost将3个分类器进行组合对城镇用地进行分类; 最后将分类精度与手工解译的进行对照。

3.1 实验区和数据源

实验区选在上海浦东新区, 该区地理位置为北纬30° 08'20″~31° 23'22″, 东经121° 27'18″~121° 48'43″, 从中选了一个属于长江三角洲平原的正方形区域。

本文使用CBERS-02星CCD数据进行实验, 数据在一级产品的基础上进行了绝对辐射校正和系统几何校正。影像获取日期为2007年5月26日, 景号Path366/Row65, 利用4、3、2波段合成的假彩色实验区影像。

3.2 基于AdaBoost算法的城镇建设用地提取

通过由CBERS得到的城镇用地光谱响应曲线(图1)的均值和方差可以得到光谱分类结果; 同时, 还可以得到基于纹理特征的灰度共生矩阵对城镇建设用地和非城镇建设用地的分类, 如表1。同样, 也可以通过图2得到基于决策树分类器的提取方法。

根据计算流程和公式(19)对3个弱分类器进行组合, 得到分类结果(图3)。

H(x)=sign[ $\begin{matrix} \overset{T}{\sum_{t = 1}} \end{matrix}$ α _th_t(x)] = $\begin{matrix} \{\begin{matrix} 1 城镇建设用地 \\ 0 非城镇建设用地 \end{matrix} \end{matrix}$ (19)

	Figure Option View Download New Window
	图3 研究区影像和每个分类器的分类结果Fig.3 Image of study area and respective classification result of each classifier

3.3 精度分析

表2是以人工解译的结果为标准, 将单个分类结果和Adaboost组合分类器的结果与其对照。使用Adaboost后精度分别提高了11.91%, 27.08% 和14.06%, 平均值为17.68%。实验结果显示, 利用Adaboost将多个弱分类器进行组合可以明显提高分类精度。

表2 试验结果 Tab.2 The experiment result

4 结论

本文介绍了一种基于AdaBoost的新算法, 从遥感影像提取城镇建设用地, 使用AdaBoost组合分类器将基于影像的地物光谱信息、纹理结构信息以及基于决策树的分类器进行组合, 从而提高了分类精度。结果显示本方法可以有效的从遥感影像自动提取城镇建设用地信息, 为城镇用地动态检测提供了良好基础。不足之处是单个的分类器算法较简单, 在如何更好的提高精度方面, 还需要做进一步的研究。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	Lo C P. Land Use Mapping of Hong Kong From Land sat Images: An Evaluation[J]. International Journal of Remote Sensing, 1981, 2(3): 231-252. [本文引用:1]
[2]	杨存建, 周成虎. TM影像的居民地信息提取方法研究[J]. 遥感学报, 2000, 4(2): 146-150. [本文引用:1]
[3]	查勇, 倪绍祥, 杨山. 一种利用TM图像自动提取城镇用地信息的有效方法[J], 遥感学报. 2003, 7(1): 37-40. [本文引用:1]
[4]	彭光雄, 徐兵, 沈蔚, 等. TM图像的城镇用地信息提取方法研究[J]. 遥感技术与应用, 2006, 21(1): 31-36. [本文引用:1]
[5]	Paola J D, Schowengerdt R A. A Detailed Comparison of Backpropagation Neural Network and Maximum-likelihood Classifiers for Urban Land Use Classification[J]. IEEE Transactions on Geosciences and Remote Sensing, 1995, 30(4): 981-996. [本文引用:1]
[6]	Gao J, Skillcorn D. Capability of SPOT XS Data in Producing Detailed Land Cover Maps at the Urban-rural Periphery[J]. International Journal of Remote Sensing, 1998, 19(15): 1366-5901. [本文引用:1]
[7]	Dunrpw T. Experiments with Classifier Combing Rules[C]//Proc of the 1st International Workshop on Multiple Classifier Systems, Cagliari, Italy, 2000: 16-29. [本文引用:1]
[8]	Gutta S, Wechsler H. Face Recognition Using Hybrid Classifier Systems[C]//Proc of IEEE International Conference on Neural Networks , Washington DC, 1996. [本文引用:1]
[9]	Hansen L K, Liisber G L, Salamon P. Ensemble Methods for Hand written Digit Recognition[C]//Proc of IEEE Workshop on Neural Networks for Signal Processing, Copenhagen, 1992. [本文引用:1]
[10]	ZHOU Zhi-hua, JIANG Yuan, YANG Yu-bin, et al. Lung Cancer Cell Identification Based on Artificial Neural Network Ensembles[J]. Artificial Intelligence in Medicine, 2002. 24(1): 25-36. [本文引用:1]
[11]	Nishii R, Eguchi S. Supervised Image Classification by Contextual AdaBoost Based on Posteriors in Neighborhoods[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 11(43): 2547-2554. [本文引用:1]
[12]	Nishii R, Eguchi S. Supervised Image Classification Based on AdaBoost with Contextual Weak Classifiers[J]. Geoscience and Remote Sensing Symposium, 2004, 9(2): 1467-1470. [本文引用:1]
[13]	Vapnik V N. The Nature of Statistical Learning Theory[M]. New York: Springer, 2000. [本文引用:1]
[14]	周红英, 蔺启忠, 吴昀昭, 等. 基于AdaBoost的组合分类器在遥感影像分类中的应用[J]. 计算机应用研究, 2007, 24(10): 181-184. [本文引用:2]
[15]	徐凯, 秦昆, 杜鹢. 基于AdaBoost的高分辨率遥感影像城市绿地提取算法[J]. 计算机工程与应用, 2008, 44(20): 23-25. [本文引用:1]
[16]	Friedman J, Hastie T, Tibshirani R. Additive Logistic Regression: a Statistical View of Boosting (with Discussion)[J]. Annals of Statistics, 2000, 28(2): 337-407. [本文引用:1]
[17]	Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction[M]. New York: Springer, 2001. [本文引用:1]
[18]	Freund Y, Schapire R E. A Decision-theoretic Generalization of On-line Learning and an Application to Boosting[J]. Journal of Computer and System Science, 1997, 55(1): 119-139. [本文引用:1]
[19]	Robert E S. The Boosting Approach to Machine Learning: An Overview[C]//Proceedings of MSRI Workshop on Nonlinear Estimation and Classification , 2002. [本文引用:2]
[20]	张世清. 遥感图像变化检测研究[D]. 中国科学院研究生院, 2006. [本文引用:2]
[21]	宋晓宇, 单新建. 高分辨率卫星影像在城市建筑物识别中的初步应用[J]. 遥感信息, 2002(1): 27-32. [本文引用:1]
[22]	孙小芳, 卢健, 孙小丹. 城市地区高分辨率遥感影像绿地提取研究[J]. 遥感技术与应用, 2006, 21(6): 159-162. [本文引用:1]
[23]	孙华生, 黄敬峰, 王杰, 等. CBERS-02 CCD图像中居民点用地信息提取方法研究[J]. 科技通报, 2008(7): 504-509. [本文引用:2]
[24]	Nishii R, Eguchi S. Robust Supervised Image Classifiers by Spatial AdaBoost based on Robust Loss Functions[C]//Proc of SPIE, Image and Signal Processing for Remote Sensing XI, 2005. [本文引用:1]
[25]	Zha Y J, Gao S N. Use of Normalized Difference Built-up Index in Automatically Mapping Urban Areas from TM Imagery[J]. International Journal of Remote Sensing, 2003, 24(3): 583-594. [本文引用:1]
[26]	Gao J, Skillcorn D. Capability of SPOT XS Data in Producing Detailed Land Cover Maps at the Urban rural Periphery[J]. International Journal of Remote Sensing, 1998, 19(6): 2877-2891. [本文引用:1]

1981

0.0

... Lo^[1]使用70 mm的胶片进行估算和解译,编制香港的土地利用图,利用计算机辅助对Landsat数据进行分析,来编制1:2 ...

2000

0.0

杨存建, 周成虎. TM影像的居民地信息提取方法研究[J]. 遥感学报, 2000, 4(2): 146-150.

It is necessary to evaluate the flooded house, population, and property as well as the economic loss. The distribution of house, population, and property are correlated with the distribution of residential areas. Their distributions can be derived from the distribution of residential areas. Therefore, it is very important to quickly obtain the residential area in flood disaster evaluation. Satellite remote sensing provide cheap data resources for delineating residential area. In this paper, the method of extracting residential area from remote sensing data is discussed. FIrstly, the mechanism of remote sensing for residential areas is analyzed. Secondly, the differences of residental area and other landuse type are discussed, and the method of enhancing the differences is explored. Thirdly, the structure feature among spectrum of residental area and the other landuse types is analyzed. The unique feature which can distinguish residental area from the other landuse types is that the TM2, TM4 and TM7 of residental area is very close, especially for residental area mainly consisted of house with cement or tile roof. It can be represented with the formula such as TM2 TM4

从对居民地的遥感信息机理分析入手, 分析了居民地在LandsatTM2、TM3、TM4、TM5、TM7等各个波段上与其它地类的可分性。并探讨了增强居民地与其它地类的方法。同时进一步对各地物的谱间结构特征进行了分析, 通过分析发现, 以水泥顶和瓦顶房屋为主的居民地, 其TM2、TM4、TM7的光谱值比较接近, 而其它地物除新修道路外, 都不具备这一特征。这一特征可以用如下表达式来表达, TM2TM4

... 杨存建等^[2]利用地物光谱特征的阈值从Landsat TM影像提取居民地,但是很难选择合适的阈值 ...

2003

0.0

查勇, 倪绍祥, 杨山. 一种利用TM图像自动提取城镇用地信息的有效方法[J], 遥感学报. 2003, 7(1): 37-40.

Land covers in urban areas tend to change drastically over a short period of time due to rapid urbanization. Especially, land covers in China are changing more frequently, which have been occurred in urban and peri-urban areas where accompanied rapid economic development. Remote sensing images are ideally used to monitor current land cover changes thanks to their rapid up-date capability. There are two conventional methods in producing land covers from either aerial photographs or satellite images: manual interpretation and computer classification. The conventional methods of converting images into urban land covers have a number of limitations. The first method is tedious and highly subject to the interpretation of the image analyst, and fails to take advantage of all spectral information contained in multi-spectral remote sensing images because only limited number of spectral bands can be used to generate the false color composite. The second method, even though requires much less human intervention, is still subject to many limitations. It is difficult task to achieve a high accuracy level, and the conventional supervised classification method requires the selection of a number of training samples for all those covers whose representativeness directly affects the classification accuracy. In this study we present a new method based on Normalized Difference Built-up Index(NDBI): NDBI=(TM5-TM4)/(TM5+TM4) This method has been successfully applied to automatically extract the urban land in Wuxi City, Eastern China by manipulating the spectral bands of TM imagery. The results indicate that it can serve as a worthwhile alternative for quickly extracting urban land. This proposed new method has a number of advantages over the conventional supervised classification method. It is very objective because it requires minimun interference from the image analyst, much faster and may acquire a high accuracy. However, the universality of this proposed method needs to be tested further in other geographic areas as the spectral response of the various land covers may vary spatially.

如何快速、准确与客观地提取城镇用地信息，以获得城镇用地的分布范围和面积资料，是有关城镇问题研究中经常涉及到的一个基本问题，现代遥感技术为这个问题的有效解决提供了强有力的保证，运用提出的归一化建筑指数，从TM图像进行了无锡市城镇用地信息的自动提取，研究结果表明，与传统的计算机分类和手工屏幕数字化方法相比，归一化建筑指数法是一种非常行之有效的方法。

... 查勇等^[3]提出了一个基于归一化城镇指数(NDBI)的理论,通过处理TM影像的波段,成功将其应用于无锡市的城镇用地自动提取,但是不足之处是模型简单,普适性不强 ...

2006

0.0

彭光雄, 徐兵, 沈蔚, 等. TM图像的城镇用地信息提取方法研究[J]. 遥感技术与应用, 2006, 21(1): 31-36.

从对城镇用地的遥感信息机理分析入手,分析了城镇用地在LANDSAT TM 2、TM 3、TM 4、TM 5等各个波段上与其它地类的可分性。发现利用归一化植被指数NDV I和归一化水体指数NDW I,设定合适的阈值,能够有效地提取植被信息和水体信息,得到二值化图像。由谱间结构特征可知,城镇用地和裸地的TM 3-TM 20,城镇用地的TM 4-TM 30,而裸地的TM 4-TM 30,利用此特性可以区分城镇用地和裸地。对上述二值图像进行二值逻辑运算,得到城镇用地专题信息。研究结果表明,该方法的提取效率和精度都较高,与监督分类法和屏幕数字化方法相比,是一种行之有效的方法。

... 彭光雄等^[4]探讨了如何利用Landsat TM影像进行城镇用地的提取,讨论了利用遥感影像进行城镇用地信息提取的原理以及城镇用地和其他类型用地的区别,并对城镇用地与其他类型用地的光谱结构特征进行了分析,认为选择合适的阈值可以利用NDVI和NDWI分别提取植被和水体,利用波段光谱差不同可区分城镇用地和裸地,这种方法速度快、精度高,是一种简单、高效的半自动提取方法 ...

1995

0.0

... Paola等^[5]对后向神经网络和最大似然法在城镇用地分类中的应用进行了详细的比较并得出结论,认为神经网络法在训练位点不均一性方面和使用土地覆盖光谱的分类标签上鲁棒性更好,后向神经网络相对于最大似然的方法一个很大的不足是其在服务器上的执行时间会很大幅度的提高 ...

1998

0.0

... Gao等^[6]分别利用夏季和冬季获取的两幅SPOT多光谱影像编制土地利用覆被地图,并对影响地图精度的因素进行了分析,认为主要制约因素是城镇外围土地覆被的异质性、穿越多种土地覆盖类型的同一土地覆盖元素的表达以及植被覆盖的条件改变而引起的训练样本的代表性不强 ...

2000

0.0

... 对于特定的遥感数据,同一个分类器对部分类别分类精度高,而对其他类别分类精度低,因此可以找到多个分类器,对不同类别分类精度各不同,存在一定的互补性^[7] ...

1996

0.0

... 利用组合分类器来提高分类精度已成为一个重要的研究方向,并且集成分类器已经成功用于人脸表情识别^[8]、手写体识别^[9]及医学诊断^[10]等 ...

1992

0.0

... 利用组合分类器来提高分类精度已成为一个重要的研究方向,并且集成分类器已经成功用于人脸表情识别^[8]、手写体识别^[9]及医学诊断^[10]等 ...

2002

0.0

... 利用组合分类器来提高分类精度已成为一个重要的研究方向,并且集成分类器已经成功用于人脸表情识别^[8]、手写体识别^[9]及医学诊断^[10]等 ...

2005

0.0

... AdaBoost将多个分类器线性地组合成一个强分类器,并且在很多领域都有了突出成就^[11] ...

2004

0.0

... 文献^[12]介绍了基于相邻像元的分类器和基于领域子集的后验信息的弱分类器,这种方法应用于人工多光谱影像,效果好、耗时短,与基于MRF的分类器很相似^[13] ...

2000

0.0

2007

0.0

周红英, 蔺启忠, 吴昀昭, 等. 基于AdaBoost的组合分类器在遥感影像分类中的应用[J]. 计算机应用研究, 2007, 24(10): 181-184.

运用组合分类器的经典算法AdaBoost将多个弱分类器-神经网络分类器组合输出,并引入混合判别多分类器综合规则,有效提高疑难类别的分类精度,进而提高分类的总精度.最后以天津地区ASTER影像为例,介绍了基于AdaBoost的组合分类算法,并在此基础上实现了天津地区的土地利用分类.分类结果表明,组合分类器能有效提高单个分类器的分类精度,分类总精度由81.13%提高到93.32%.实验表明基于AdaBoost的组合分类是遥感图像分类的一种新的有效方法.

... 周红英等^[14]利用天津地区的ASTER影像为例进行土地覆被制图,运用组合分类器的经典算法AdaBoost将多个弱分类器-神经网络分类器组合输出,并引入混合判别多分类器综合规则,有效提高疑难类别的分类精度,提高分类的总精度 ...

... AdaBoost算法能很好的解决这个问题,对于无法正确学习的类别样本,能够集中学习,并将学习的结果与其他分类器的结果组合输出^[14] ...

2008

0.0

徐凯, 秦昆, 杜鹢. 基于AdaBoost的高分辨率遥感影像城市绿地提取算法[J]. 计算机工程与应用, 2008, 44(20): 23-25.

This paper focuses on the extraction of urban vegetation from high resolution remote sensing image.A new algorithm of segmentation of urban vegetation from Quick Bird image based on AdaBoost is proposed.The new algorithm combines all weak detectors which are constructed by spectral images，NDVI and textures to form a strong vegetation detector.Finally，the experiments show that this method can extract vegetation in Quick Bird image exactly，and more effectively than traditional algorithm.

针对高分辨率遥感影像中城市绿地的光谱、纹理及NDVI等特征，提出了一种基于多特征、多检测器组合的高分辨率遥感影像绿地提取算法。该算法分别以城市绿地的光谱信息、纹理及NDVI来构造提取绿地的弱检测器，并通过AdaBoost算法进行训练，将弱检测器加权组合构成提取绿地的强检测器。对武汉地区Quick Bird影像进行了绿地提取实验，实验结果表明该方法可以高效并准确地提取出绿地信息，优于传统的单一采用光谱信息或纹理信息的绿地提取算法。

... 徐凯等^[15]针对高分辨率遥感影像城市绿地的提取,利用武汉地区Quick Bird影像,提出了一种基于多特征、多检测器组合的城市绿地提取算法 ...

2000

0.0

2001

0.0

1997

0.0

... Freund等人在1995年提出^[18] ...

2002

0.0

... 这种方法利用一种顺序搜索的方法,克服了许多原始方法所固有的问题,因此成为一种非常流行的Boosting方法^[19] ...

... 将以上过程详细化,具体步骤如下^[19,20]: ...

2006

0.0

张世清. 遥感图像变化检测研究[D]. 中国科学院研究生院, 2006.

由于变化检测技术具有非常广泛的应用背景，在诸如城区规划、植被覆盖调查、防灾减灾、地图更新等方面都有着相当广泛的应用，因此一直是遥感图像处理中的研究热点之一。本文在总结了目前已有的遥感图像变化检测方法的基础上，提出了两种针对特定场景的遥感图像变化检测方法，并实现了一个城市场景下的变化检测系统。本文的主要工作归纳如下：　　 (1)针对各种变化检测方法进行了综述，分析了这些方法的优缺点以及适用范围，对于后续工作中在遥感图像中提取合适的特征以及提出新的方法提供了参考与借鉴。　　 (2)在合成孔径雷达图像中提取区域内多种... 展开由于变化检测技术具有非常广泛的应用背景，在诸如城区规划、植被覆盖调查、防灾减灾、地图更新等方面都有着相当广泛的应用，因此一直是遥感图像处理中的研究热点之一。本文在总结了目前已有的遥感图像变化检测方法的基础上，提出了两种针对特定场景的遥感图像变化检测方法，并实现了一个城市场景下的变化检测系统。本文的主要工作归纳如下：　　 (1)针对各种变化检测方法进行了综述，分析了这些方法的优缺点以及适用范围，对于后续工作中在遥感图像中提取合适的特征以及提出新的方法提供了参考与借鉴。　　 (2)在合成孔径雷达图像中提取区域内多种特征，并将机器学习中的Adaboost算法引入到特征选择中，通过对于训练集图像中变化的象素点和没有变化的象素点的学习，提出了一种对于合成孔径雷达图像中斑点噪声较为鲁棒的变化检测方法。　　 (3)通过对于城市场景的遥感图像的分析，提出了一种利用特征线段以及颜色纹理信息的多特征结合的城市场景下变化检测方法。该方法通过边缘信息、区域纹理信息为依据来判断是否发生了真实的变化。使用该方法实现的城市场景下的变化检测系统能够对于城市中外观、颜色发生明显变化的较大区域进行自动的检测。收起

... 对于一个两类的分类问题,AdaBoost算法可以被表示为以下形式^[20]: ...

... 将以上过程详细化,具体步骤如下^[19,20]: ...

2002

0.0

宋晓宇, 单新建. 高分辨率卫星影像在城市建筑物识别中的初步应用[J]. 遥感信息, 2002(1): 27-32.

在对试验区IKONOS卫星高分辨率影像预处理的基础上,采用HIS变换法对1m分辨率全色影像和4m分辨率多光谱影像进行了融合处理;通过建筑物阴影提取了建筑物高程,采用正交小波变换方法提取了图像的纹理信息;采用了四种不同的特征图像组合方式,对试验区高、中、低层建筑物进行了分类.研究表明,由融合图像、高程信息和纹理信息参与的分类结果精度最高,对高层建筑物分类的精度可达80% .

2006

0.0

孙小芳, 卢健, 孙小丹. 城市地区高分辨率遥感影像绿地提取研究[J]. 遥感技术与应用, 2006, 21(6): 159-162.

This paper discusses about the extraction of urban green space from high resolution remote sensing image. Computation 30 green space samples using au tocorrelation function, the results shows that movement two pixels, the autocorrelation index is up to 0. 95, which to ensure texture window as 53 5.Based on panchromatic image grey cooccurrence at rix, selected 45°, 135°, 225°, 315°four directions means, computation five textu reparameter : Mean, variance, mogeneity, contrast, secondmoment.Applicability multi-resolution segmentation panchromatic image and five texture images, according green space five texture feature to select threshold of image objects that after segmentation, extraction green space information, after accuracy appraisal the right up to 92. 8%. The result indicated that the method adopted has good utility on extraction urban green space information from high resolution remote sensing image.

探讨应用高分辨率遥感影像提取城市地区绿地信息。利用自相关函数计算30 个绿地样区, 结果表明在影像位移2 像元时, 自相关系数还能达到0. 95, 从而确定纹理窗口大小为53 5。纹理值计算是在全色影像灰度共生矩阵的基础上, 方向取45°、135°、225°、315°4 个方向的平均值, 计算5 个纹理参数:Mean、variance、homogeneity、contrast、secondmomen t。对全色影像和5 个纹理影像进行多分辨率分割, 对分割所形成的目标根据绿地5 个纹理特征设定阈值, 提取出绿地信息, 通过精度评定正确率达92. 8%。结果表明所采取的方法在高分辨率遥感影像的城市绿地信息的提取上具有很好的应用性。

2008

0.0

... 1 地物光谱信息对典型城镇区域进行分析,可以根据中巴资源卫星数据的5个波段得到城镇建设用地的光谱响应曲线,见图1^[23] ...

... 最后去除背景信息就得到了城镇建设用地^[23] ...

2005

0.0

2003

0.0

1998

0.0