針對土地覆蓋數(shù)據(jù)更新的任務,該文提出了訓練樣本的動態(tài)獲取的方法。基于變化檢測的原理和相對保守的分割閾值獲取到的特定數(shù)量不變像元,在繼承了歷史土地覆蓋標簽后可以作為目標影像分類的訓練樣本。然而,分割閾值的確定具有較大隨意性。該文的方法逐步增加不變像元的規(guī)模（即每種地類中不變像元所占地類像元總數(shù)的百分比）,同時不斷執(zhí)行目標影像監(jiān)督分類;以前后兩次監(jiān)督分類結果一致性水平作為不變像元規(guī)模是否合理的依據(jù),當一致性水平達到設定水平時,提取過程結束。實驗結果表明,該方法克服了訓練樣本選取時閾值設定的主觀性,同時可以避免訓練樣本中地類缺失的可能性。 

【文章來源】：測繪科學. 2020,45(02)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

訓練樣本的自動提取的流程圖

將2015和2017年的影像數(shù)據(jù)進行預處理得到反射率影像,將兩期反射率影像進行變化檢測,得到全局變化強度影像。在繼承2015年土地覆蓋圖的地類標簽后,得到地類變化強度,對其進行歸一化處理,得到地類歸一化變化強度影像。通過地類像元總數(shù)的百分比來設定閾值,對地類歸一化變化強度進行閾值分割,得到各地類的訓練樣本。使用J-M距離(圖2)評價訓練樣本。從圖2中,可以看出耕地和草地、草地和林地等之間的J-M距離較小,即地類間的可分離性較低,其訓練樣本的質量較差。隨著訓練樣本的增加,建筑物與其他5種地類的可分離性不斷降低,造成訓練樣本的精度降低。而其他的地類間的可分離性隨著訓練樣本的增加而提高。但在取不變像元占該地類像元總數(shù)的0.8%之后,訓練樣本引入了越來越多的變化像元,造成其地類間的可分離性降低和訓練樣本的代表性降低,即訓練樣本間的J-M距離降低。

使用所得的訓練樣本分別對目標反射率影像(2017年)進行監(jiān)督分類,得到土地覆蓋分類結果。以前后兩次分類結果的一致性(圖3)為依據(jù),判斷提取的訓練樣本是否最合理。從圖3中可以看出,隨著訓練樣本的增加,前后兩次分類結果的一致性也在增大。在不變像元占地類像元總數(shù)的百分比取0.7%和0.8%時,這兩次土地覆蓋分類結果的一致性達到最大99.637 0%。而在不變像元占地類像元總數(shù)的百分比取0.8%之后土地覆蓋分類結果的一致性略有降低。

【參考文獻】：
期刊論文
[1]多時相遙感影像變化檢測的現(xiàn)狀與展望[J]. 張良培,武辰.  測繪學報. 2017(10)
[2]多源數(shù)據(jù)的土地覆被樣本自動提取[J]. 黃亞博,廖順寶.  遙感學報. 2017(05)
[3]遙感影像變化檢測算法綜述[J]. 佟國峰,李勇,丁偉利,岳曉陽.  中國圖象圖形學報. 2015(12)
[4]面向災害應急土地覆被分類的樣本自動選擇方法研究[J]. 溫奇,夏列鋼,李苓苓,吳瑋.  武漢大學學報(信息科學版). 2013(07)
[5]前期土地覆被數(shù)據(jù)輔助下的分類樣本自動選取[J]. 劉錕,楊曉梅,張濤.  地球信息科學學報. 2012(04)

博士論文
[1]遙感影像多層次信息變化檢測研究[D]. 武辰.武漢大學 2015



本文編號：3578951