基于多源数据的半监督分层土地利用分类.pdfVIP

第 45卷 第 5期 人 民 长 江 Vo1．45．No．5 2014年 3月 Yangtze River Mar．， 2014 文章编号 ：1001—4179(2014)05—0065—06 基于多源数据的半监督分层土地利用分类 钟 良 ，魏 占 营 ，王 留 召2，管 海 燕 (1．长江勘测规划设计研究院 长江空间信息技术工程有限公司(武汉)，湖北 武汉 430010； 2．中国测绘科 学研究院，北京 100039； 3．加拿大滑铁卢大学 地理与环境学院，加拿大 N2L2R7) 摘要：随着遥感技术的发展，遥感数据的光谱、空间分辨率得到很大程度的提高，但是对于仅依靠单一数据源 的土地利用分类仍然存在很 多问题 。提 出了一种融合 LiDAR数据和高分辨率航空影像 的土地利用半监督分 层分类方法，即首先仅对 LiDAR数据进行粗分类；其次根据 LiDAR分类结果辅助选择训练样本并获取高程掩 膜 ，采用最大似然法对航空影像进行 中分类 ；在细分类层次中利用 LiDAR数据建立判别规则，对 LiDAR粗分 类结果与影像 中分类结果进行基于知识的交叉验证 ，以进一步提高分类精度 。通过两个不 同区域的数据验证 了半监督分层分类方法的可行性 。 关 键 词 ：LiDAR；高分辨率航空影像 ；训练样本 ；nDSM掩膜 ；基于知识的交叉验证 ；土地利用分类 中图法分类号 ：P237．3 文献标志码 ：A 激光雷达 (LightDetectionAndRanging，LiDAR)作 影像本身统计特征及 自然点群分布状况将像元划分为 为一种高分辨率 、高点密度的空间数据获取技术 ，其重 不同类别 的方法 ，划分后再对 已分出的各类地物属性 要运用之一就是土地利用分类分析。然而 ，LiDAR点 进行确认 ，又称 “边学习边分类法 ”。但非监督分类方 云数据缺乏直接表达物体表面 的语义信息 (例如纹理 法由于缺乏聚类的先验知识 ，计算相对耗时，因此只能 和结构)以及空间三维点云数据本身具有不连续性 、 用于小数据量遥感影像 。而监督分类的数据集事先已 不规则性以及数据的密度不均匀等特性 ，直接利用 Li— 知存在那些类别 ，首先提取各类训练样本 ，然后选择一 DAR点云数据分类存在很大困难。利用多光谱影像 些特征变量 (如均值 、标准差 、协方差矩阵、相关矩 阵 所提供的丰富光谱 、纹理等语义信息可以弥补单个 Li· 等)确定判别函数或判别式 (判别规则)，利用这些特 DAR数据源分类的局限性。因此 ，学者们对融合激光 征评价数据集 中非训练样 区的每个像元 ，并将其划分 LiDAR点云与光学影像数据进行了研究 ，如 Quickbird 到具有最大相似性的那一类 中。如果训练样本不能代 影像 ，IKONOS影像 。由于机载 LiDAR系统一般 表所需分类类别的特性 ，监督分类 的算法精度将无法 携带有航空多光谱相机，通过硬件或者后处理软件可 得到保障，并且，从大数据量 中选择相应的训练样本也 将多光谱影像与LiDAR点云直接配准，用于 LiDAR产 耗时耗力 。因此 ，有些 国内外学者提 出了半监督分类 品生产制作。因此 ，目前绝大多数 的研究是融合这两 方法。在半监督分类 中，提取某个 目标类只需 已知该 个数据源进行土地利用分类研究 。 类训练样本 即可，能够节省大量 的样本选取工作 ，具有 遥感 图像分类中的计算机解释提取 ，以是否存在 非常重要的实用价值 。 已知样本为分类依据 ，主要分为监督分类 、非监督分类 本文提 出的利用 LiDAR数据粗分类结果提取所 和半监督分类 。非监督分类是在没有先验知识 (训练 分类类别训练样本 的策略除了可从 LiDAR粗分类结 集中的类