多源数据和分类算法遥感信息提取和精度评价.docVIP

基于多元数据和不同分类算法的遥感影像信息提取及精度评价——以祁连山东段为例( 别 强1，赵传燕2**，冯兆东1 （1. 兰州大学西部环境教育部重点实验室，兰州 730000；2. 兰州大学干旱与草地生态教育部重点实验室，甘肃 兰州 730000） 摘要：本文以祁连山东段典型山地系统为研究区，通过提取研究区TM影像的主成份、各类植被指数、基于灰度共生矩阵的影像纹理特征以及研究区地形特征，应用最优波段指数方法选取最优波段，并结合多种遥感分类算法进行分类研究。结果表明深度数据挖掘和最优波段的组合有利于分类精度的提高，通过比较本研究选取决策树分类方法，该方法在遥感信息提取中有直观的意义和较高分类精度。 关键词：信息提取；纹理提取；决策树分类；祁连山东段 1.引言 遥感影像分类的目的是将图像中每个像元按照某种规则或算法划分为不同的类别[]，获得遥感影像中与实际地物的对应信息如何把这些信息分类并提取出来一直是遥感研究的重要课题之一。 2 研究方法 2.1数据提取 2.1.1 植被指数的提取 植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。植被指数有助于增强遥感影像的解译力，并在专题制图方面增强了分类能力[5-6]。表1为本研究提取的几种植被指数。 表1 研究中提取的5种植被指数 Table 1 The five kinds of common used vegetation indexes 植被指数 特点 公式 比值植被指数 波段简单线性组合 （1） 垂直植被指数 消除土壤影响 （2） 修正植被指数 消除土壤背景影像 （3） 归一化植被指数 （4） 转换植被指数 对NDVI修正和发展 （5） 上表中：为近红外波段的反射率，为红色波段的反射率，a和b为调节系数。 2.1.2 遥感影像主成份分析 遥感影像的主成份变化是对遥感影像的多个波段做中心化和正交化的变换[7]，其目的就是把原来各波段中的有用信息集中到数目尽可能少的新的主成分图像中，达到信息综合与增强的目的，并使这些主成分图像之间互不相关，即各自包含不同的地物信息，同时使得原始图像的信息量损失最小[8]。 2.1.3 基于灰度共生矩阵的遥感影像纹理信息提取 纹理是遥感影像重要的特征之一，纹理信息的分析在遥感分类识别中呈现了日益重要的作用，本文主要应用比较成熟的基于灰度共生矩阵的纹理提取。 它是通过对图像灰度级之间二阶联合条件概率密度P(i，j}（d，θ)的计算来表示纹理。P(i，j|d，θ）θ时，以灰度级i为始点，出现灰度级j的概率。根据共生矩阵，Haralick定义了熵(Entropy)、对比度(Contrast)、能量(Energy)、相关(Correlation)、方差(Variance)等几种用于提取遥感图像中纹理信息的特征统计量[9-12]。基于灰度共生矩阵的纹理计算公式见表2。 表2 基于灰度共生矩阵的纹理计算公式 Table 2 The equations of texture based on gray level co-occurrence matrix 纹理 纹理简写 公式 角二阶 Angular second moment, ASM （6） 对比度 Contrast, CON （7） 相关 correlation, COR （8） ,, , 熵 entropy, ENT （9） 方差 variance, VAR （10） U是的平均值 平均值 Mean，MEA （11） 2.2 遥感影像波段特征和最优波段选择 为消除不同属性数据数值差别很大造成对分类结果的影响，在进行分类之前归一化处理，将所有波段的值都拉伸到0-255之间。本文所用线性归一化方程为： R=(X-MIN)/(MAX-MIN)*255 （12） 式中：X为图层象元值，MAX和MIN是图层中象元值的最大值与最小值。 本文应用主成分分析、各种植被指数提取、基于灰度共生矩阵的遥感影像纹理提取等方法提取了影像尽可能多的信息，然后