基于面向对象的遥感影像分类研究——以河北省柏乡县为例

遥感作为提取土地覆盖类型的主要手段对监测土地利用变化和制定国家政策具有重要意义。通过利用影像的光谱、形状和纹理信息,面向对象分类方法能够比基于像元的分类方法提供更高精度的数据。基于高分一号卫星数据提出一种自动计算最优尺度的方法,基于多尺度分割和3种监督型机器学习算法对研究区典型地物类型(农田、裸地、居民区和道路)进行面向对象分类,并用总体精度和Kappa系数对分类结果进行精度评价,分析了分类精度与训练样本占总样本比例的关系。研究表明,面向对象分类方法在训练样本占总样本比例较小的情况下就可以取得较高的分类精度,总体精度高于94%。总体来看,支持向量的分类精度比神经网络和决策树的分类精度高。     

高分一号卫星4种融合方法评价

以国产高分辨率卫星高分一号作为数据源,应用Pansharp融合、HPF融合、Gram-Schmidt融合和SFIM融合4种方法对高分一号卫星2m全色及8m多光谱数据进行了融合试验,并对融合结果的空间信息融入度和光谱保真度进行了评价。选取标准差、熵及联合熵、平均梯度、相对偏差4种客观评价指标对融合结果进行了计算与分析。研究结果表明:对于高分一号卫星,4种方法均显著提高了影像的空间分辨率,同时较好地保留了影像的光谱信息,提高了影像的利用率。其中Pansharp融合综合表现最好,HPF方法边界最为清晰,SFIM方法的光谱保真度最高,GramSchmidt融合在近红外波段效果最好。根据不同的研究目的,使用适宜的融合方法及参数,可以使高分一号卫星影像更好地为生产及科研工作服务。