用卫星影像进行全要素的土地利用分类方案 - 图文

全要素分类技术要求

全要素分类的主要内容包括：

道路：包含高速公路、普通公路、通村小路等，以影像能清晰目视判读为准；

绿地：包含园地、林地、草地、小区绿地、交通绿化地等，以影像能清晰目视判读为基准，结合NDVI等植被指数综合判断；

建筑：包含高层建筑、一般房屋、密集平房等，以外围轮廓为准； 水体：包含河流、湖泊、坑塘、水库等；

其他：除道路、绿地、建筑、水体外的其他类型。

道路示例

绿地示例

建筑示例

水体示例

其他示例

6.2 全要素分类方法

基于高空间分辨率遥感数据源，综合分析不同作物在光谱、纹理特征上的差异，构建优选的植被指数集和纹理特征集，在先验样本的基础上，进行作物分类的研究。具体流程如下图所示。

实地调查高分解译高景一号MUX影像高景一号Pan影像样本数据样本筛选辐射定标训练样本集验证样本集影像预处理大气校正影像融合灰度级量化...影像数据植被指数多样性选择NDVI/EVI/NDWI/...纹理特征多样性选择Mean/Entropy/ASM/...GLCM计算光谱特征影像集纹理特征影像集分类训练样本影像集随机森林分类研究区作物分类结果验证样本 精度评价

地物分类技术路线图

6.2.1 光谱特征的分析与选择

植被指数（VI，Vegetable Index）主要反映植被在可见光、近红外波段的反射情况与土

壤背景之间的差异，根据波段间的组合、运算，在一定条件下可以用来定量说明植被生长状况的指标，包括NDVI、EVI、RVI、GNDVI、TVI、DVI、SAVI、NDWI 8个植被指数。

（1） 归一化差值植被指数（NDVI，Normalized Difference Vegetation Index），被用得最为广泛的植被指

数，主要用于检测植被生物量的多少以及植被的覆盖度。

NDVI?(NIR?R)/(NIR?R)…………………………（1）

（2） 增强型植被指数（EVI，Enhance Vegetable Index），有效的反映植被覆盖量和消除了大气的影响，

与植被覆盖度相关性较好，不易达到饱和。

EVI?2.5*(NIR?R)/(NIR?6R?7.5B?1)………………（2）

（3） 比值植被指数（RVI，Ratio Vegetable Index），绿色植物的灵敏指示参数，与植被覆盖度、生物量、

叶绿素含量相关性高。

RVI?NIR/R…………………………………（3）

（4） 绿色归一化差值植被指数（GNDVI，Green Normalized Difference Vegetation Index），

利用近红外和绿波段不同反射程度，对植被叶绿素含量极为敏感，有效表达植被的绿度和覆盖度。

GNDVI?(NIR?G)/(NIR?G)………………………（4）

（5） 三角植被指数（TVI，Triangle vegetation index），能够较好的反映作物叶绿素含量，抗饱和性能较

强。

TVI?60*(NIR?G)?100*(R?G)……………………（5）

（6） 差值植被指数（DVI，Difference vegetation index），对土壤背景的变化极为敏感，当植被覆盖度

低的时候效果较好。

DVI?NIR?R………………………………（6）

（7） 土壤调节植被指数（SAVI，Soil-adjusted vegetation index），用于调整土壤亮度，消除土壤反射率。

SAVI?(1?L)*(NIR?R)/(NIR?R?L) ……………（7）

（8） 归一化差值水指数（NDWI，Normalized Difference Water Index），能够有效的提取植被冠层的水

分含量。

NDWI?(G?NIR)/(G?NIR)………… …………（8）

上式中，B、G、R、NIR分别为蓝色、绿色、红色、近红外波段的反射率，L为土壤调节参数，取值为0.5。

6.2.2 纹理特征的分析与选择

灰度共生矩阵（Gray-level co-occurrence matrix，GLCM）进行纹理特征分析的效果最好。灰度共生矩阵算法定义了14个纹理特征，对比度、熵、均值等以下特征最常用于遥感影像识别的纹理分析中： （1）均值（Mean），反映影像纹理的规则程度，如果影像规律性较强，则均值较大；相

反Mean值较小；参数说明：P(i,j/d,?)表示在特定空间距离d，方向?，以i为初始灰度，出现j灰度值的概率，具体计算公式如下：

Mean=quantkquantk??i=0j=0p(i,j/d,?)*i …………..…..………（1）

（2）标准差（Standard deviation），是矩阵中对象值与均值Mean之间的偏差程度，具体计算公式如下：

quantkquantkStd=??i=0j=0p(i,j/d,?)*(i?Mean)2 ……..…………（2）

（3）方差（Variance），跟标准差一样，反映对象值偏离Mean的程度，数值大小为标准差的平方，当影像中的灰度变化较大时，Variance值也较大，具体计算公式如下：

Variance=quantkquantk??i=0j=0p(i,j/d,?)*(i?Mean)2…………………（3）

（4）同质度（Homogeneity），度量影像局部灰度均匀性，如影像局部灰度不均匀，则Homogeneity值较小，相反，同质度较大，具体计算公式如下：

Homogeneity=quantkquantk??i=0j=0p(i,j/d,?)*1………………（4）

1?(i?j)2（5）对比度（Contrast），反映影像纹理的清晰程度，若影像的局部变化大，则纹理较清晰，即对比度大，相反，影像纹理模糊，具体计算公式如下：

Contrast=quantkquantk??i=0j=0p(i,j/d,?)*(i?j)2……………..……（5）

（6）非相似性（Dissimilarity），描述影像局部变化情况，具体计算公式如下：

Dissimilarity=quantkquantk??i=0j=0p(i,j/d,?)*i?j………..…………（6）

（7）熵（Entropy），用来表示影像纹理的复杂度，若影像含有较多细小纹理，则GLCM元素值较相近，Entropy较大；相反影像含有较少的纹理，GLCM中元素数值差别较大，影像Entropy小，若影像不含任何纹理信息，即GLCM中元素为零，Entropy为零，具体计算公式如下：

ENT??quantkquantk??i=0j=0p(i,j/d,?)*lgP(i,jd,?)……..…………（7）

（8）角二阶矩（Angular Second Moment），描述的是灰度共生矩阵中元素间关系，反映GLCM中元素是否集中于主对角线附近，具体计算公式如下：

ASM(Energy)=quantkquantk??i=0j=0p(i,j/d,?)2………...…………（18）

（9）相关性（Correlation），描述的是GLCM中元素间关系，即行、列元素间的相似程度，具体计算公式如下：

Correlation=quantkquantk??i=0j=0(i?Mean)*(j?Mean)*p(i,j/d,?)2…（9）

Variance

利用GLCM提取纹理信息时，需要给定步距、方向?（0°、45°、90°、135°）等参数信息

6.2.3 随机森林算法

图4 随机森林算法原理图

基于像素的地物分类时，把地物类型作为行属性，各波段反射率、光谱和纹理特征作为列属性，把样本点地物对应影像相应位置下的反射率值、光谱特征值、纹理特征值作为属性值，以此建立样本数据集；另外通过图层叠加，把反射率、光谱、纹理特征影像集作为影像数据集；把样本、影像数据集输入随机森林分类器中进行训练学习得到基于光谱和纹理分析的作物分类结果。

公司形象展示

本文来源：https://www.bwwdw.com/article/9045.html