论文部分内容阅读
植被是覆盖地表的植物群落总称,是生态系统重要的组成部分。植被分类是遥感应用研究的一个热点问题,高分辨率遥感影像具有丰富的纹理信息,可以有效改善植被分类精度。纹理特征提取是高分遥感图像分类应用中的关键技术之一,现有的纹理特征提取方法普遍存在准确分类率低、计算复杂以及效率低等缺点。本研究以云南省西双版纳州纳板河流域为例,分析高分辨率遥感影像植被纹理特征,提出一种基于指纹识别技术的植被纹理特征提取方法,并辅以纹理特征进行面向对象植被分类,分析纹理特征对面向对象植被分类精度的影响。研究成果总结如下:(1)提出并实现一种基于指纹识别技术的植被纹理特征提取方法基于指纹识别技术提出指纹纹理增强算法,将指纹纹理增强算法分别与灰度共生矩阵和局部二值模型算法相结合实现了基于指纹识别技术的纹理特征提取方法。以云南省西双版纳州纳板河流域的WorldView-2及Pléiades影像为实验数据,采用本文算法提取影像的纹理特征,并与基于RGB影像提取的纹理特征作对比分析。在WorldView-2数据实验中,相比加入基于RGB影像提取的纹理特征的分类结果,加入基于指纹识别技术提取的GLCM纹理特征的分类总体精度达到了91.56%,提高了4.10%,Kappa系数达到了0.90,提高了0.05,加入基于指纹识别技术提取的LBP纹理特征的分类总体精度达到了89.36%,提高了3.41%,Kappa系数达到了0.87,提高了0.04。在Pléiades数据实验中,采用所提出的纹理特征提取方法提取影像的纹理特征,并辅以纹理特征进行面向对象植被分类。相比加入基于RGB影像提取的纹理特征的分类结果,加入基于指纹识别技术提取的GLCM纹理特征的分类总体精度达到了88.60%,提高了2.91%,Kappa系数达到了0.86,提高了0.04。加入基于指纹识别技术提取的LBP纹理特征的分类总体精度达到了84.60%,提高了3.04%,Kappa系数达到了0.81,提高了0.04。对各个纹理特征提取算法采用不同的高分数据的分类结果表明:基于指纹识别技术纹理特征提取方法提取的纹理特征可在很大程度上改善纹理规则地类的分类精度。(2)纹理特征可以明显改善高分辨遥感影像面向对象植被分类精度将提取的纹理特征加入到面向对象植被分类中,与未利用纹理特征的面向对象植被分类结果作对比分析。WorldView-2影像试验中,采用基于RGB影像提取的GLCM纹理特征的总体分类精度为87.46%,提高了7.05%,Kappa系数为0.85,提高了0.09;加入基于RGB影像提取的LBP纹理特征的总体分类精度为85.95%,提高了5.44%,Kappa系数为0.83,提高了0.07;加入基于指纹识别技术纹理特征提取方法提取的GLCM和LBP纹理特征的总体分类精度分别提高了11.15%和8.95%,Kappa系数分别提高了0.14和0.11。在Pléiades影像试验中,加入纹理特征后的面向对象植被分类精度也显著提高。结果表明:运用纹理特征的面向对象植被分类可以显著提高高分辨率遥感影像的植被分类精度。(3)实现基于单一数据源提取多分类特征的面向对象植被精细分类本文基于单一数据源提取影像对象的光谱特征、纹理特征、植被指数特征以及几何特征等植被识别特征,对研究区自然林、橡胶林、香蕉、茶园以及耕地的面向对象分类结果中,自然林分类精度为95.43%,橡胶林分类精度达到94.33%,香蕉分类精度高达93.60%,茶园及耕地的分类精度均达到了83.00%以上。总体来说分类精度较高,实现了面向对象方法框架下基于单一数据源提取多分类特征的植被精细分类。