基于eCognition高分辨率影像分类研究.docVIP

基于eCognition高分辨率影像分类研究 　　摘要：文章针对株洲县堂市乡某部分区域高分辨率影像，采用eCognition的多尺度分割和面向对象的最邻近法对影像进行分类，同时与ENVI5.3软件平台下的最大似然法分类结果进行了对比分析，并以野外验证后的目视解译为基准进行精度评价。结果表明：基于eCognition平台下的面向对象的分类方法避免了传统分类结果噪声严重、精度低的缺陷，其总体分类精度为80%，Kappa系数为0.739 7，比传统分类结果精度高，比目视解译效率高。 　　关键词：eCognition；面向对象分类；高分辨率影像；最大似然法；Kappa系数 　　近年来矿山地质环境调查是以遥感技术为手段，如何高效地从高分辨率影像中自动提取高精度地理信息已是当今遥感分类重点研究的问题。传统的分类法是基于光谱信息的智能算法（如支持向量机（Support Vector Machine，SVM）算法[1]等），即使解译人员可以根据专业知识提高分类效果，但也不能解决“同谱异物”和“同物异铺”问题[2]。针对传统分类方法存在诸多的局限性，不仅耗时耗力，而且精度低等问题，Baatz等[3]提出了面向对象的分类技术，克服了传统遥感影像分类方法的不足，能够在一定程度上提高影像的解译效率和质量。为了使矿山周边环境可持续发展，面向对象的技术在矿山调查中的应用就显得格外重要。因此，本文应用eC。gniti。n8.9软件对研究区进行影像分类实验研究，为湖南省矿山地质环境调查提供基础的地理信息数据，在野外调查中具有一定的指导意义。 　　1 面向对象的分类技术 　　面向对象的分类技术是基于目标对象的信息提取技术，以影像分割后的对象作为分类的基础。目前，基于eCognition平台下的分割算法有棋盘分割、四叉树分割、多尺度分割及光谱差异分割。本文选用了常用的多尺度分割技术。多尺度分割是一个基于像素层的自下而上的分割技术，从一个像素的对象开始进行相邻像素的区域归并或者将小的分割对象归并到大的分割对象中去。为了达到最优分割效果，必须保证分割对象间的平均异质性最小，分割对象内部每个像元间同质性最大。建立影像对象的层次网络，可以在不同的尺度同时表征影像信息，根据应用的需求选择最优的分割对象层作为进一步分类的信息源。传统的最大似然法以概率数理统计为理论基础，而面向对象的最近邻分类法是以分割得到的影像对象作为分类的基本单元，优选对象的特征如纹理、几何、层次等，构建对象的特征空间，以最小间隔为测度进行判别分类。 　　2 精度评价 　　分类结果精度评价有混淆矩阵和工作特征（Receiver Operating Characteristic，ROC）曲线两种方式。本文采用比较常用的混淆矩阵来评价分类精度，有6种评价因子分别为混淆矩阵、总体分类精度、Kappa系数、错分误差、生产精度和用户精度。混淆矩阵是基于位置的评价，因此样本点的空间分布及选取样本点个数都极其重要。 　　为了使分类精度评价尽可能精准，样本点数量的选定极其重要。Foody[4]认为样本点数量太多或者太少在一定程度上都会影响分类精度的评价。Tortom等[5]提出过用于混淆矩阵分类结果精度评价的样本个数的计算公式： 　　n=B/4b2（1） 　　式中：n为采样点数量；B是自由度为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为置信度误差。本文解译5类地物，假设对置信水平的要求为95%以上，置信度误差允许范围5%，在假定的情况下，卡方检验下自由度为1的临界值B=γ2（1，0.99）=6.635，故本次研究至少要664个采样点。 　　3 实验结果与分析 　　3.1 研究区概况 　　研究区为株洲县堂市乡某部分区域。堂市乡位居湖南省株洲县的西南部，东边以湘江为邻，总占地面积达77.23 km2。数据由湖南省国土资源厅所提供，影像是空间分辨率达0.2m的1：2 000数字正射影像，其面积有2 km2。影像的成像时间为2009年11月，数据采用的大地基准是CGCS2000国家大地坐标系，高程基准是1985国家高程基准，地图投影是高斯-克吕格投影，3度分带，中央子午线114°。 　　3.2 数据预处理 　　利用面向对象的分类技术对影像进行分类，而多尺度分割得到的影像对象层为影像分类奠定基础，因分割的优劣直接影响着分类精度的高低，为了获取最优的分割尺度，使分割后的对象与真实地物斑块能够达到较好的拟合程度，所以各参数权重的合理设置显得极其重要。若80作为分割尺度起始值，0.3作为形状因子权重及0.5作为紧致度权重，此后每间隔80取一个尺度参数，经过反复试验，最终得出当scale parameter=240， shape=0.3， compactness=0.5时，分割效