基于高分一号面向对象分类后林地变化检测研究

摘要

森林是地球之肺，对森林资源的监测、管理和建设是很重要的工作。传统人工野外调查法具有费时费力效果差的缺点，而遥感技术具有重复、连续、效率高等特点，在森林资源监测中已经成为最基本的技术。随着高分辨率影像的兴起，面向对象技术应运而生，并成为遥感技术中的研究热点。本文以研究面向对象分类后变化检测的最佳方法为目的，对广西国有高峰林场高分一号影像做了预处理、分割、面向对象分类、结合矢量数据的面向对象分类以及变化检测，研究成果如下。
　　(1)在图像的预处理环节进行PC、G-S和NND三种融合方法比较，通过对比均值、标准差、平均梯度和信息熵，再结合目视解译分别对三种方法进行客观和主观评价，找出PC融合方法对图像光谱特征、纹理特征和几何特征保持的最好，有助于图像的分割、分类处理。
　　(2)对图像进行两层多尺度分割，层1区分植被与非植被，层2区分植被内树种。分割尺度分别选取为250、300、350;形状因子选择0.1、0.2进行对比研究;然后利用目视解译法，参照二类调查数据，对分割结果进行分析，找出层1和层2的分割尺度、形状参数、紧致度分别为350、0.1、0.5和300、0.2、0.8时最佳。
　　(3)图像面向对象分类时，采用模糊算法和分类器算法，分别选取最邻近分类法和决策树分类法，为了进一步对比实验，又进行了结合矢量数据的cart分类器分类实验。经过精度评估发现，三者Kappa系数和总体精度的均值分别为0.63，0.7211和0.715，0.8023和0.81，0.8821。决策树分类法优于最邻近分类法，而结合矢量数据的分类法又优于决策树分类，这种分类方法有效的降低了植被间错分现象，为高分辨率遥感影像提供了更好的分类方向。
　　(4)进行了直接检测法和分类后检测法。针对分类后检测法，采用叠加分析思想，得到变化图层新对象。经过精度评估发现，直接检测法明显处于劣势，不予采用;最邻近分类比较法、决策树分类比较法和结合矢量数据分类比较法的总体精度和Kappa系数分别为0.70，4225、0.77，0.5184和0.83，0.6412。且结合矢量数据分类比较法中的漏检率和虚检率也最低。因此，在面向对象分类后检测法中，最优的检测方法是结合矢量数据分类检测方法，它可以有效的避免通过目视解译选取样本所带来的误差。

目录

声明

摘要

第一章 绪论

1．1 研究背景与意义

1．2 国内外研究进展

1．2．1 遥感变化检测概述

1．2．2 变化检测研究进展

1．3 变化检测不足之处

1．4 研究内容、目标与技术路线

1．4．1 研究区概况与数据源

1．4．2 研究内容

1．4．3 研究目标

1．4．4 论文结构及研究技术路线

1．5 论文创新点

第二章 遥感图像预处理

2．1 影像数据RPC正射校正

2．2 辐射定标

2．2．1 绝对辐射定标系数

2．3 FLAASH大气校正

2．4 遥感图像配准

2．5 图像融合

2．5．1 图像融合方法

2．5．2 图像融合效果图

2．5．3 融合质量评价

2．6 融合后处理

2．6．1 图像镶嵌

2．6．2 图像配准

2．6．3 图像裁剪

第三章 图像多尺度分割

3．1 图像分割基本原理

3．2 图像分割的意义

3．3 对象特征

3．4 多尺度图像分割

3．4．1 多尺度分割定义

3．4．2 分割参数设置

3．4．3 分割结果

第四章 面向对象图像的分类

4．1 林地类别划分

4．2 面向对象分类方法概述

4．2．1 模糊分类算法

4．2．2 分类器分类法

4．2．3 分类特征参数

4．2．4 分类后处理

4．3 图像分类

4．3．1 最邻近分类

4．3．2 决策树分类法

4．3．3 结合矢量数据的cart分类器分类

4．4 分类结果精度评估

4．4．1 精度评估指标

4．4．2 分类精度评估

第五章 变化检测

5．1 变化检测概述

5．1．1 变化检测模型

5．1．2 遥感影像变化检测的一般步骤

5．2 变化类型确定

5．3 直接比较法

5．4 分类后比较法

5．4．1 分类后比较法定义

5．4．2 分类后比较法过程

5．4．3 分类后检测效果图

5．5 精度评估

5．5．1 评估指标

5．5．2 精度评估矩阵表

5．5．3 评估结果分析

第六章 结论与讨论

6．1 结论

6．2 讨论与展望

参考文献

附图

致谢