GF-2影像城市地物分类方法探讨

doi:10.13474/j.cnki.11-2246.2019.0210

测绘通报 ›› 2019, Vol. 0 ›› Issue (7): 12-16.doi: 10.13474/j.cnki.11-2246.2019.0210

GF-2影像城市地物分类方法探讨

王芳^1,2, 杨武年¹, 王建³, 谢兵⁴, 杨鑫¹, 任金铜¹

1. 成都理工大学国土资源部地学空间信息技术重点实验室, 四川成都 610059;
2. 内江师范学院土壤资源与生态调控研究中心, 四川内江 641100;
3. 内江职业技术学院土木工程系, 四川内江 641000;
4. 四川建筑职业技术学院测绘工程系, 四川德阳 618000

收稿日期:2019-01-02 修回日期:2019-04-16 出版日期:2019-07-25 发布日期:2019-07-31
通讯作者: 杨武年。E-mail:ywn@cdut.edu.cn E-mail:ywn@cdut.edu.cn
作者简介:王芳(1983-),女,博士生,讲师,研究方向为3S技术与数字国土。E-mail:lasttear@163.com
基金资助:
国家自然科学基金（41671432；41372340）；四川省国土资源厅项目（KJ-2016-12）

Discussion on classification methods of urban features based on GF-2 images

WANG Fang^1,2, YANG Wunian¹, WANG Jian³, XIE Bing⁴, YANG Xin¹, REN Jintong¹

1. Key Laboratory of Geo-spatial Information Technology of Ministry of Land and Resources of China, Chengdu University of Technology, Chengdu 610059, China;
2. Research Center for Soil Resources and Ecological Regulation, Neijiang Normal University, Neijiang 641100, China;
3. Department of Civil Engineering, Neijiang Vocational & Technical Cllege, Neijiang 641000, China;
4. Department of Surveying and Mapping Engineering, Sichuan College of Architectural Technology, Deyang 618000, China

Received:2019-01-02 Revised:2019-04-16 Online:2019-07-25 Published:2019-07-31

摘要/Abstract

摘要： GF-2影像具有较高的分辨率和丰富的光谱、几何及纹理信息。为了深入探索GF-2影像城市地物分类方法，本文以四川省隆昌县城为研究区，提出了一种基于最优尺度和规则的面向对象分类法。在影像分割的基础上，通过构建评价函数，并结合最大面积法选取最优尺度，进而构建分层体系，提取影像的光谱、几何及纹理特征建立规则并分类，且将其与单尺度下的面向对象和基于像素分类法进行对比分析。结果表明，本文方法的总体精度和Kappa系数分别为93.33%和0.92。

关键词: 高分二号, 面向对象, 多尺度分割, 分类规则, 城市地物

Abstract: The GF-2 image has higher resolution as well as more detailed characteristics of spectral, features, geometric and texture. In order to explore the classification method of the GF-2 image in urban features, an object oriented classification method based on optimal scale and rules is proposed in the study area of Longchang County, Sichuan Province. Based on segmentations, the evaluation function is constructed, combining with the maximum area method, optimal segmentation scales are selected to construct multiple layers. The spectral, geometric and texture features of the image are extracted to establish rules for classification and compared with the classification methods of object-oriented with the single scale and pixel based. The results show that the overall accuracy and Kappa coefficient of the proposed method are 93.33% and 0.92, respectively.

Key words: GF-2 image, object-oriented, multi-scale segmentation, classification rule, urban features

中图分类号:

P237

王芳, 杨武年, 王建, 谢兵, 杨鑫, 任金铜. GF-2影像城市地物分类方法探讨[J]. 测绘通报, 2019, 0(7): 12-16.

WANG Fang, YANG Wunian, WANG Jian, XIE Bing, YANG Xin, REN Jintong. Discussion on classification methods of urban features based on GF-2 images[J]. 测绘通报, 2019, 0(7): 12-16.

参考文献

[1] 卓娜. 基于高分二号面向对象的城市地物识别方法研究[D]. 北京:中国地质大学, 2017.
[2] 王芳,杨武年,邓晓宇,等. 高分二号数据的城市生态用地分类方法探讨[J]. 测绘科学, 2018, 43(3):71-76.
[3] CHEN G, WENG Q, HAY G J, et al. Geographic object-based image analysis (GEOBIA):emerging trends and future opportunities[J]. Giscience & Remote Sensin, 2018, 55(2):159-182.
[4] 杨朝斌,张树文,卜坤,等. 高分辨率遥感影像在城市LUCC中的应用[J]. 中国科学院大学学报, 2016, 33(3):289-297.
[5] 苏伟,李京,陈云浩,等. 基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J]. 遥感学报, 2007, 11(4):521-530.
[6] 冯文卿,眭海刚,涂继辉,等. 高分辨率遥感影像的随机森林变化检测方法[J]. 测绘学报, 2017, 46(11):1880-1890.
[7] 李伟. GF-2遥感影像城市空间信息提取与应用研究[D]. 北京:中国地质大学, 2017.
[8] 何顺兵,牟凤云. 基于面向对象的多尺度山地城市土地覆盖信息提取——以重庆市大学城城区为例[J]. 重庆工商大学学报(自然科学版), 2016, 33(1):83-88.
[9] MYINT S W, GOBER P, BRAZEL A, et al. Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery[J]. Remote Sensing of Environment, 2011, 115(5):1145-1161.
[10] BHASKARAN S, PARAMANANDA S, RAMNARAYAN M. Per-pixel and object-oriented classification methods for mapping urban features using Ikonos satellite data[J]. Applied Geograph, 2010, 30(4):650-665.
[11] 李朝奎,方文,董小姣. 面向对象和规则的高分辨率影像分类研究[J]. 测绘通报, 2015(9):9-13.
[12] 王蕾,杨武年,任金铜,等. GF-2影像面向对象典型城区地物提取方法[J]. 测绘通报, 2018(1):138-142.
[13] 李晓靖,彭道黎,王海宾. 基于最优尺度和规则的高分辨率影像分类研究[J]. 测绘工程, 2017, 26(9):14-22.
[14] 袁泽. 基于GF-2遥感影像的城镇地物信息提取分割尺度研究[D]. 乌鲁木齐:新疆大学, 2016.
[15] 王彩艳,王瑷玲,王介勇,等. 基于面向对象的北京市区城市内部用地信息提取[J]. 自然资源学报, 2015, 30(4):705-714.

GF-2影像城市地物分类方法探讨

Discussion on classification methods of urban features based on GF-2 images

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	董迪, 魏征, 曾纪胜. 1995—2019年北莉岛人工水产养殖遥感监测[J]. 测绘通报, 2022, 0(7): 1-6.
[2]	罗鸿, 廖雨, 杨存建. 基于高分影像的乡村聚落提取与空间重构[J]. 测绘通报, 2022, 0(6): 62-65,92.
[3]	丁永辉, 张勤, 杨成生, 王猛, 丁辉. 基于高分遥感的金沙江流域滑坡识别——以巴塘县王大龙村为例[J]. 测绘通报, 2022, 0(4): 51-55.
[4]	贾煜, 汪泓, 蔡宏, 张磊. 结合地形因子与分层策略的喀斯特地区无人机影像分类[J]. 测绘通报, 2022, 0(2): 121-127.
[5]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[6]	陈磊士, 高霞霞, 廖玉芳, 邓剑波, 周碧. 基于CART决策树的高分二号洞庭湖区湿地分类方法[J]. 测绘通报, 2021, 0(6): 12-15.
[7]	聂倩, 七珂珂, 赵艳福. 融入超像素分割的高分辨率影像面向对象分类[J]. 测绘通报, 2021, 0(6): 44-49.
[8]	侯翘楚, 李必军, 蔡毅. 高分辨率遥感影像的车道级高精地图要素提取[J]. 测绘通报, 2021, 0(3): 38-43.
[9]	李悦, 张敏. 面向对象的高分辨率遥感影像建设用地变化监测[J]. 测绘通报, 2021, 0(2): 54-58.
[10]	陈根良, 董胜光. 面向地理国情监测的房屋建筑区树冠覆盖多特征协同提取[J]. 测绘通报, 2021, 0(10): 73-77.
[11]	贾玉娜, 张文超, 康会涛, 白洋, 鲍检平. 2016—2019年雄安新区土地覆盖变化研究[J]. 测绘通报, 2020, 0(9): 76-79.
[12]	蔡怤晟, 向泽君, 蔡衡, 单德明. 结合特征选择的CVA多尺度遥感影像变化检测[J]. 测绘通报, 2020, 0(8): 101-104,130.
[13]	任泽茜, 丁丽霞, 刘丽娟, 谢锦莹, 敖伊颍, 张继艳, 何嘉莹. 利用无人机遥感监测农作物种植面积[J]. 测绘通报, 2020, 0(7): 76-81.
[14]	张宏涛, 黄宏胜, 魏康宁, 钟海燕. 基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例[J]. 测绘通报, 2020, 0(6): 111-117.
[15]	耿仁方, 付波霖, 金双根, 蔡江涛, 耿万轩, 娄佩卿. 面向对象的无人机遥感影像岩溶湿地植被遥感识别[J]. 测绘通报, 2020, 0(11): 13-18.