顾及多尺度分割参数的FNEA面向对象分类

doi:10.13474/j.cnki.11-2246.2018.0073

测绘通报 ›› 2018, Vol. 0 ›› Issue (3): 43-48.doi: 10.13474/j.cnki.11-2246.2018.0073

顾及多尺度分割参数的FNEA面向对象分类

孙坤^1,2, 鲁铁定^1,2

1. 东华理工大学测绘工程学院, 江西南昌 330013;
2. 流域生态与地理环境监测国家测绘地理信息局重点实验室, 江西南昌 330013

收稿日期:2017-06-19 出版日期:2018-03-25 发布日期:2018-04-03
通讯作者: 鲁铁定。E-mail:tdlu@whu.edu.cn E-mail:tdlu@whu.edu.cn
作者简介:孙坤(1992-),男,硕士生,主要从事遥感数据处理与应用研究。E-mail:251206743@qq.com
基金资助:
国家自然科学基金（41464001；41374007）；测绘地理信息公益性行业科技专项（201512026）；国家重点研发计划（2016YFB0501405）；国家重大科学研究计划（2016YFB0502601-04）；江西省教育厅科技项目（KJLD12077；GJJ13457）

Research on FNEA Object-oriented Classification Based on Multi-scale Partition Parameters

SUN Kun^1,2, LU Tieding^1,2

1. Faculty of Geomatics, East China University of Technology, Nanchang 330013, China;
2. Key Laboratory of Watershed Ecology and Geographical Environment Monitoring, NASG, Nanchang 330013, China

Received:2017-06-19 Online:2018-03-25 Published:2018-04-03

摘要/Abstract

摘要：

首先对分形网络演化（FNEA）算法做了介绍，通过试验对比4种分割方法棋盘分割、四叉树分割、多尺度分割、光谱差异分割的效果。此外，通过eCognition Developer 8.7分析软件对影像进行多尺度分割预处理，从5开始，以5为单位向上递增，共选取12组参数进行分割试验，采用面向对象CART分类器对分割后影像分类。对比分类效果图可知，小尺度分割参数对分类效果能有较好的提升；对比总体精度及Kappa系数可知，小尺度分割参数分类精度优于大尺度分割参数，且当分割参数Scale为10时，分类精度达到最好的级别。

关键词: FNEA, 分割方法, 多尺度分割, 参数选取, CART分类器

Abstract:

In this paper,the fractal net evolution approach (FNEA) is introduced,and then the effects of four segmentation methods,chessboard segmentation,quadtree-based segmentation,multiresolution segmentation and spectral difference segmentation are compared.In addition,the eCognition Developer 8.7 analysis software is used to perform multi-scale segmentation preprocessing of the image,starting from 5 and increasing in 5 increments.A total of 12 sets of parameters are selected for segmentation experiments.The object-oriented CART classifier is used to classify the segmented image.Compared with the overall accuracy and Kappa coefficient,it can be seen that the classification accuracy of small-scale segmentation parameters is better than that of large-scale segmentation parameters.When the segmentation parameter scale is 10,the small-scale segmentation parameters can be better than the large-classification accuracy to achieve the best level.

Key words: fractal net evolution approach, segmentation method, multi-scale segmentation, parameter selection, CART classifier

中图分类号:

P237

孙坤, 鲁铁定. 顾及多尺度分割参数的FNEA面向对象分类[J]. 测绘通报, 2018, 0(3): 43-48.

SUN Kun, LU Tieding. Research on FNEA Object-oriented Classification Based on Multi-scale Partition Parameters[J]. 测绘通报, 2018, 0(3): 43-48.

参考文献

[1] 钱茹茹.遥感影像分类方法比较研究[D].西安:长安大学,2007.
[2] 明冬萍,邱玉芳,周文.遥感模式分类中的空间统计学应用——以面向对象的遥感影像农田提取为例[J].测绘学报,2016,45(7):825-833.
[3] VANHAMEL I,PRATIKAKIS I,SAHLI H.Multiscale Gradient Watersheds of Color Images[J].IEEE Transactions on Image Processing:A Publication of the IEEE Signal Processing Society,2003,12(6):617-626.
[4] COMANICIU D,MEER P.Mean Shift:A Robust Approach Toward Feature Space Analysis[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2002,24(5):603-619.
[5] 周家香.Mean Shift遥感图像分割方法与应用研究[D].长沙:中南大学,2012.
[6] 倪林.基于自适应四叉树分割的遥感图像压缩算法[J].遥感学报,2002,6(5):343-351.
[7] 孙开敏,李德仁,眭海刚.基于多尺度分割的对象级影像平滑算法[J].武汉大学学报(信息科学版),2009,34(4):423-426.
[8] FELZENSZWALB P F,HUTTENLOCHER D P.Efficient Graph-based Image Segmentation[J].International Journal of Computer Vision,2004,59(2):167-181.
[9] BAATZ M,SCHÄPE A.An Optimization Approach for High Quality Multi-scale Image Segmentation[C]//Beiträge zum AGIT-symposium.[S.l.]:ACIT,2000:12-23.
[10] 黄昕.高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D].武汉:武汉大学,2009.
[11] 王文杰,赵忠明,朱海青.面向对象特征融合的高分辨率遥感图像变化检测方法[J].计算机应用研究,2009,26(8):3149-3151.
[12] 卢官明.一种计算图象形态梯度的多尺度算法[J].中国图象图形学报,2001,6(3):214-218.
[13] 丁月平,史玉峰.高空间分辨率遥感影像分类最优分割尺度[J].辽宁工程技术大学学报(自然科学版),2014,33(1):56-61.
[14] 贾春阳,李卫华,李小春.基于自适应权值FNEA算法的高分辨率遥感图像分割[J].国土资源遥感,2013,25(4):22-25.
[15] BENZ U C,HOFMANN P,WILLHAUCK G,et al.Multi-resolution,Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J].ISPRS Journal of Photogrammetry & Remote Sensing,2004,58(3-4):239-258.
[16] 王慧贤,靳惠佳,王娇龙,等.k均值聚类引导的遥感影像多尺度分割优化方法[J].测绘学报,2015,44(5):526-532.

顾及多尺度分割参数的FNEA面向对象分类

Research on FNEA Object-oriented Classification Based on Multi-scale Partition Parameters

PDF

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]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	陈周, 费鲜芸, 高祥伟, 王筱雪, 赵慧敏. 高分辨率遥感影像分割的城市绿地提取研究[J]. 测绘通报, 2020, 0(12): 17-20.
[7]	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.
[8]	刘金丽, 陈钊. Landsat 8多光谱数据辅助下的高分影像多尺度分割[J]. 测绘通报, 2019, 0(9): 38-43.
[9]	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.
[10]	滕文秀, 王妮, 施慧慧, 许振宇. 结合面向对象和深度特征的高分影像树种分类[J]. 测绘通报, 2019, 0(4): 38-42.
[11]	黄汀, 白仙富, 庄齐枫, 徐敬海. 高分一号汶川极震区滑坡提取研究[J]. 测绘通报, 2018, 0(2): 67-71,82.
[12]	王蕾, 杨武年, 任金铜, 邓晓宇. GF-2影像面向对象典型城区地物提取方法[J]. 测绘通报, 2018, 0(1): 138-142.
[13]	林雨准, 张保明, 徐俊峰, 侯凯, 周迅. 多特征多尺度相结合的高分辨率遥感影像建筑物提取[J]. 测绘通报, 2017, 0(12): 53-57.
[14]	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, 0(9): 9-13,35.
[15]	常虹詹福雷杨国东牛雪峰张旭请邵鹏唐天琦. 基于面向对象的高分遥感影像信息提取技术研究[J]. 测绘通报, 2015, 0(1): 99-101,130.