论文部分内容阅读
伴随着遥感技术的长足发展,越来越多的高空间分辨率遥感影像得到应用,为快速准确获得丰富的地面信息创造了有利的条件。常规以像元技术为基础对遥感影像信息进行提取的方法,其主要考虑地物的光谱特性,没有考虑其空间和纹理特征,造成影像信息的流失。面向对象提取方法的出现,弥补了像元分类的不足,该方法以影像对象为基本单元,首先分割影像对象然后进行分类,分割时深入分析了高分辨率影像的特征,有效避免了以像元为基础的分类方法导致的同一地物范围内像元的错分、漏分现象,减轻了“椒盐现象”。本文进行了分层次多尺度分割的面向对象技术研究。研究过程以海南省三亚市亚龙湾度假区为实验区,以Quick Bird影像为数据源,选用基于面向对象软件eCognition9.0进行影像分割和分类,最终在分类精度上取得了比较理想的成果。本文主要研究内容如下:.1.融合效果的优劣很大程度上影响目标地物的分类精度。为获得高质量的遥感影像,本文基于 ENVI 软件进行 PC Spectral Sharpening、Brovey、Gram-Schmidt、NNDIffuse Pan Sharpening四种融合方法的对比实验,综合主客观评价,得出NNDIffuse Pan Sharpening在光谱的保真度以及信息丰富程度上都优于其他融合方法的结论。2.为获得最佳的分割效果,本文研究了影响多尺度分割的各个参数:波段权重、异质性因子权重以及分割尺度。利用ESP2(Estimation of Scale Parameter)工具辅助获取水域、植被、道路、建筑物的最佳分割尺度分别为:250、190、102、60,提高了参数获取效率。结合实验区地物特点及先验知识,确定主要地物的波段权重、光谱因子权重、形状因子权重。3.优选地物特征进行主要地物信息的提取分类。本文在深入研究地物的光谱特征、纹理特征、空间特征基础上,提出了实验区主要地物:水域、植被、道路、建筑物的不同特征组合及阈值条件。根据不同的地物目标建立对应的规则集,通过阈值分类和模糊分类实现主要地物信息提取,分类的总体精度达到91.3%,kappa系数为0.88。同时与面向对象最邻近分类进行对比实验。结果证明本文的分类方法优于标准最邻近法。