基于神經網絡和面向對象技術的SPOT5遙感影像分類方法研究.pdf

1、隨著遙感技術的發(fā)展，新型傳感器的出現，衛(wèi)星影像不僅在空間分辨率較以前大大提高，而且在信息含量比中、低分辨率衛(wèi)星更多，從影像上能獲取更多的信息。因此，高分辨率遙感影像在森林資源信息提取中的應用越來越多。森林資源信息提取研究中，最早出現的是目視影像解譯，但是目視解譯分類方法由于其勞動強度大，工作時間長等原因已經不能滿足森林資源監(jiān)測對時效性的要求，所以基于計算機的遙感數字圖像處理方法應運而生。但是即使是神經網絡這一在傳統(tǒng)的基于像素的分類方法中

2、比較成熟的方法，在遙感影像計算機分類中，對于兩種空間分辨率的衛(wèi)星影像的信息提取，由于基于像素的方法對高分辨率影像的細節(jié)信息利用不足，在分類精度上反而達不到低空間分辨率影像的效果，因為在對高分辨率影像進行分類時，容易出現“椒鹽現象”，降低了分類精度。而面向對象的分類方法將包含了影像空間信息、紋理特征的同質對象作為處理基本單元進行衛(wèi)星影像的信息提取和分類，顯示了良好的應用前景。
　　本研究以南部縣SPOT5影像為基礎數據源，其包含了空

3、間分辨率為10m的多光譜影像和空間分辨率為2.5m的全色波段影像。通過圖像的預處理，解譯標志的建立，分別采用人工神經網絡和面向對象的分類分法對研究區(qū)的衛(wèi)星信息數據進行地物信息提取，并對基于神經網絡分類方法和面向對象分類方法的分類結果進行目視比較和分類信息進行精度評價。本文采用ENVI4.8軟件對遙感影像進行神經網絡分類;面向對象的分類方法則是基于eCognition軟件進行的。通過對神經網絡和面向對象的分類結果表明:采用面向對象的分類方

4、法可有效完成對研究區(qū)高空間分辨率遙感影像的森林資源信息，影像經過多尺度分割后可以有效的避免“椒鹽現象”的出現。對兩種方法進行混淆矩陣比較分析發(fā)現:
　　(1)該研究區(qū)的植被區(qū)域和非植被區(qū)域的最適分割參數為20，形狀因子為0.1，顏色因子設為0.9;耕地和林地，以及林地中的有林地與疏林地分割尺度30和形狀因子為0.3時，再輔以NDVI指數能取得較好的分割效果;水田和水域在分割尺度為60，形狀因子為0.8能得到較好的分割效果。