面向对象的森林植被图像识别分类方法

doi:10.3724/SP.J.1047.2012.00514

地球信息科学学报 ›› 2012, Vol. 14 ›› Issue (4): 514-522.doi: 10.3724/SP.J.1047.2012.00514

面向对象的森林植被图像识别分类方法

郭亚鸽¹, 于信芳², 江东², 王世宽², 姜小三*¹

1. 南京农业大学资源与环境科学学院, 南京 210095;
2. 中国科学院地理科学与资源研究所, 北京 100101

收稿日期:2012-04-13 修回日期:2012-06-25 出版日期:2012-08-25 发布日期:2012-08-22
作者简介:郭亚鸽(1984- ),女,硕士研究生,研究方向为资源环境信息系统。E-mail:2009103051@njau.edu.cn
基金资助:
中国科学院战略性先导科技专项(XDA05050102);全国生态环境10年(2000-2010年)变化遥感调查与评估专题(STSN-01-01)。

Study on Forest Classification Based on Object Oriented Techniques

GUO Yage¹, YU Xinfang², JIANG Dong², WANG Shikuan², Jiang Xiaosan*¹

1. The College of Resources and Environment Science, Nanjing Agriculture University, Nanjing 210095, China;
2. Institute of Geographic Science and Natural Resources Research, CAS, Beijing 100101, China

Received:2012-04-13 Revised:2012-06-25 Online:2012-08-25 Published:2012-08-22

摘要/Abstract

摘要：

森林植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取森林植被的类型,本文以门头沟区森林植被占主要土地覆被类型为研究对象,选择HJ-1影像面向对象提取不同地物信息。由于研究区地形复杂,采用多尺度分割方法,对不同地物设置不同分割参数,实现不同地物分层提取。根据光谱、纹理及几何等特征选择合适的特征参数,构建隶属度函数,逐级提取研究区的土地覆被类型,并与传统的最大似然法进行对比。结果表明:面向对象的分类方法在门头沟区森林植被二级信息提取的精度为83%,与传统方法相比有了较大的提高。

关键词: 最大似然法, 面向对象分类, 多尺度分割, eCognition

Abstract:

Since vegetation is an important indicator of global climate change, then the way to extract vegetation changing data should be put as the top priority. Especially, the extraction of sub-category information of forest vegetation has always been a difficult point in remote sensing image classification. And it is more difficult to extract sub-category information of the forest vegetation type only by taking advantage of the spectral information. As a widely-used method, object-oriented classification has been rapidly developed from the beginning of this century. Object-oriented classification method is mainly used in high-resolution remote sensing imagines, and it is applicable to medium resolution remote sensing images. This paper took Mentougou District, Beijing, which is mainly covered with forest vegetation, as the object of this research, and took HJ-1 image as the main data source then different buildings can be extracted by using the object-oriented classification method. By the reason of complicated terrain in this district, a hierarchical segmentation method was proposed in this research. Then different segmentation parameters could be set according to different buildings. Based on the spectral characteristic of the vegetation, appropriate characteristic parameters could be chosen and subordination function is constructed. After then, land cover types in this district could be extracted step by step and at the same time could be compared with those by the traditional maximum likelihood method. The result indicates that extraction accuracy of the forest vegetation sub-category data in this Mentougou District is 83% by using the object-oriented classification method. Compared with the traditional method, the extraction accuracy has been boosted a lot.

Key words: multi-scale segmentation, maximum likelihood, object-oriented classification, eCognition

郭亚鸽, 于信芳, 江东, 王世宽, 姜小三*. 面向对象的森林植被图像识别分类方法[J]. 地球信息科学学报, 2012, 14(4): 514-522.DOI:10.3724/SP.J.1047.2012.00514

GUO Yage, YU Xinfang, JIANG Dong, WANG Shikuan, Jiang Xiaosan*. Study on Forest Classification Based on Object Oriented Techniques[J]. , 2012, 14(4): 514-522.DOI:10.3724/SP.J.1047.2012.00514

参考文献

[1] 刘旭升,张晓丽. 基于BP神经网络的森林植被遥感分类研究[J].林业资源管理,2005,2(1):51-54.

[2] 袁金国. 森林植被遥感分类研究[J]. 河北师范大学学报(自然科学版),1999,23(2):274-277.

[3] 竞霞,王锦地,王纪华,等. 基于分区和多时相遥感数据的山区植被分类研究[J]. 遥感技术与应用,2008,23(4):394-398.

[4] Wardlow B D, Egbert S L. Large-area crop mapping using time-series MODIS 250m NDVI data: An assessment for the U.S.Central Great Plains[J]. Remote Sensing of Environment,2008 (112):1096-1116.

[5] Sulong I, Mohd-Lokman H, Mohd-Tannizi K, et al. Mangrove mapping using Landsat imagery and aerial photographs: Kemaman district, Terengganu, Malaysia[J]. Environment Development and Sustainability, 2002(4): 135-152.

[6] 陈旭,徐佐荣,余世孝.基于对象的QuickBird遥感图像多层次森林分类[J]. 遥感技术与应用,2009,24(1):22-27.

[7] 邓媛媛,巫兆聪,易俐娜,等. 面向对象的高分辨率影像农用地分类[J]. 国土资源遥感,2010,4(87):117-121.

[8] 乔程,骆剑承,吴泉源,等. 面向对象的高分辨率影像城市建筑物提取[J]. 地理与地理信息科学,2008,24(5):36-39.

[9] Baatz M,Schpe A. Object-oriented and multi-scale image analysis in semantic networks. In: Proc of the 2nd International Symposium on Operationalization of Remote Sensing, 1999,16-20.

[10] 林川,宫兆宁,赵文吉. 基于中分辨率TM数据的湿地水生植被提取[J]. 生态学报,2010,30(23):6460-6469.

[11] 韩闪闪,李海涛,顾海燕. 面向对象的土地利用变化检测方法研究[J]. 遥感应用,2009(3):23-29.

[12] 何宇华,史良树,张荣慧,等.中巴资源卫星数据(CBERS-02)在土地调查中的应用[J]. 中国土地科学,2007,21(2):51-57.

[13] 孙晓霞,张继贤,刘正军. 利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学,2006,31(1):62-64.

[14] 曹凯,江南,吕恒,等. 面向对象的SPOT5影像城区水体信息提取研究[J]. 国土资源遥感,2007,2(72):27-30.

[15] 李晓琴,孙丹峰,张凤荣. 北京山区植被覆被率遥感制图与景观格局分析——以门头沟区为例[J]. 国土资源遥感,2003(1):23-28.

[16] Gao Y, Mas J F. A comparison of the performance of pixel-based and object-based classification over image with various spatial resolutions[J]. Archives of Photogrammetry, Remote Sensing and Spatial Information Science, 2008,2(1):27-35.

[17] Yu Q, Gong P, Clinton N, Biging G, Kelly M, Schirokauer D. Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery[J]. Photogrammetric Engineering and Remote Sensing, 2006,72(7):799-811.

[18] 张峰,吴炳方,黄慧萍,等. 泰国水稻种植区耕地信息提取研究[J]. 自然资源学报,2003(6):766-772.

[19] 钱巧静,谢瑞,张磊,等. 面向对象的土地覆盖信息提取方法研究[J]. 遥感技术与应用,2005,20(3):338-342.

[20] Franklin S E, Wilson B A. Spatial and spectral classification for remote-sensing imagery[J]. Computers and Geosciences, 1991(17): 1151-1172.

[21] Haralick R M, Shapiro L G. Image segmentation techniques[J]. Computer, Vision, Graphics and Image Processing, 1985(29):100-132.

[22] 苏簪铀,邱炳文,陈崇成. 基于面向对象分类技术的景观信息提取研究[J]. 遥感应用,2009(2):42-46.

[23] Benz U C, Peter H, Gregor W, 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):239-258.

[24] 龚剑明,杨晓梅,张涛,等. 基于遥感多特征组合的冰川及其相关地表类型信息提取[J]. 地球信息科学学报,2009,11(6):765-771.

[25] 林先成,李永树. 面向对象的成都平原高分辨率遥感影像分类研究[J]. 西南交通大学学报,2010,45(3):366-372.

[26] 尹作霞,杜培军,陈云浩,等. 面向对象的高光谱影像目标识别方法[J]. 测绘科学,2009,34(2):130-132.

[27] 郭琳,裴志远,吴全,等. 面向对象的土地利用-植被遥感分类方法与流程应用[J]. 农业工程学报,2010,26(7):194-198.

[28] 李芳芳,贾永红. 一种基于TM影像的湿地信息提取方法及其变化监测[J]. 测绘科学,2008,33(2):147-149.

[29] 严恩萍,林辉,莫登奎,等. 基于ALOS数据的遥感植被分类研究[J]. 中南林业科技大学学报,2010,30(11):37-42.

[30] 陈志强,陈健飞. 基于NDBI指数法的城镇用地影像识别分析与制图[J]. 地球信息科学,2006,8(2):137-140.

面向对象的森林植被图像识别分类方法

Study on Forest Classification Based on Object Oriented Techniques

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	郭逸飞, 吴田军, 骆剑承, 石含宁, 郜丽静. 基于不确定性迭代优化的山地植被遥感制图[J]. 地球信息科学学报, 2022, 24(7): 1406-1419.
[2]	詹琪琪, 赵伟, 杨梦娇, 付浩, 李昕娟, 熊东红. 雅鲁藏布江中部流域土地沙化遥感识别[J]. 地球信息科学学报, 2022, 24(2): 391-404.
[3]	张志慧, 刘雯, 李笑含, 朱靖轩, 张洪涛, 杨东, 徐超昊, 徐宪立. 基于无人机航摄影像的喀斯特地区裸岩信息提取及景观格局分析[J]. 地球信息科学学报, 2020, 22(12): 2436-2444.
[4]	王林江, 吴炳方, 张淼, 邢强. 关键生育期冬小麦和油菜遥感分类方法[J]. 地球信息科学学报, 2019, 21(7): 1121-1131.
[5]	肖池伟,饶滴滴,刘怡媛,封志明,李鹏. 地缘经济合作背景下的中国磨憨-老挝磨丁口岸地区建设用地扩张[J]. 地球信息科学学报, 2019, 21(10): 1576-1585.
[6]	宋晓阳, 黄耀欢, 董东林, 张飞. 融合数字表面模型的无人机遥感影像城市土地利用分类[J]. 地球信息科学学报, 2018, 20(5): 703-711.
[7]	陈天博, 胡卓玮, 魏铼, 胡顺强. 无人机遥感数据处理与滑坡信息提取[J]. 地球信息科学学报, 2017, 19(5): 692-701.
[8]	关舒婧, 韩鹏鹏, 王月如, 韩宇, 易琳, 周廷刚, 陈劲松. 华南地区典型种植园地遥感分类研究[J]. 地球信息科学学报, 2017, 19(11): 1538-1546.
[9]	郭昱杉, 刘庆生, 刘高焕, 黄翀. 基于标记控制分水岭分割方法的高分辨率遥感影像单木树冠提取[J]. 地球信息科学学报, 2016, 18(9): 1259-1266.
[10]	方朝阳, 邬浩, 陶长华, 高丹, 周华. 鄱阳湖南矶湿地景观信息高分辨率遥感提取[J]. 地球信息科学学报, 2016, 18(6): 847-856.
[11]	王志华, 孟樊, 杨晓梅, 杨丰硕, 方豫. 高空间分辨率遥感影像分割尺度参数自动选择研究[J]. 地球信息科学学报, 2016, 18(5): 639-648.
[12]	吴田军, 骆剑承, 沈占锋, 夏列钢, 徐楠. 高分辨率遥感土地覆盖分类技术的应用研究——以重庆市黔江贫困区为例[J]. 地球信息科学学报, 2016, 18(3): 353-361.
[13]	童新华, 张郭秋晨, 韦燕飞. 区域碳收支能力估算的面向对象遥感分类方法[J]. 地球信息科学学报, 2016, 18(12): 1675-1683.
[14]	黄丹, 刘庆生, 刘高焕, 闫文博. 面向对象的煤矸石堆场SPOT-5影像识别[J]. 地球信息科学学报, 2015, 17(3): 369-377.
[15]	尚珂, 于信芳, 岳彩荣, 王乾坤, 王正兴. 天绘一号卫星影像的平原绿化提取方法[J]. 地球信息科学学报, 2015, 17(3): 361-368.