面向对象分类的特征空间优化

《面向对象分类的特征空间优化》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、664JournalofRemoteSensing遥感学报2009,13(4)面向对象分类的特征空间优化121,3张秀英,冯学智,江洪1.南京大学国际地球系统科学研究所,江苏南京210093；2.南京大学地理与海洋科学学院,江苏南京210093；3.浙江林学院国际空间生态与生态系统生态研究中心,浙江杭州311300摘要:为提高图像处理效率,探讨了面向对象分类的特征空间优化方法。以区域增长算法获得的对象为处理单元,根据植被在IKONOS影像上的表征,初步选择了6个形状、2个位置、17个光谱和6个纹理特征,共计31个作为初始特征空间。首先根据每组中特征所代表的信息

2、量和特征之间的相关性,去掉与其他特征相关性强而方差较小的特征,将特征空间维降到23；以识别城区植被为目标,根据220个植被样本计算2—23维特征空间的类间J-M距离,以最小J-M和平均J-M距离为依据选择最优特征空间,将特征空间维降到14；最后利用类间离差矩阵代替协方差矩阵的K-L变换对特征空间进行压缩,分组压缩后将维数降低到7,而对整个特征空间压缩将维数降低到4。为验证特征空间优化对识别结果的影响,采用CART分类方法对城市植被进行了识别。构建的决策树表明,利用分组K-L变换后的特征空间比利用整体K-L变换获得的训练精度高12%；与K-L压缩前的特征空间获得

3、的决策树相比,结构复杂程度相当(前者包含14个结点,后者包含12个结点),训练精度仅低1%。分类结果也表明,利用分组K-L变换的特征空间比利用不进行K-L变换的特征空间分类,总精度和Kappa系数分别降低了1.5%和2.3%,但是特征空间却压缩了50%,提高了面向对象分类方法的处理效率。关键词:特征空间优化,面向对象分类,决策树中图分类号:P208文献标识码:A向对象方法。而在面向对象方法的研究中,一直关1引言注分割和分类问题,对特征选择和提取等很少涉及(Scheiewe等,2001)。本文以南京市城区植被提取为自20世纪末米级和亚米级遥感影像问世以来,例,探

4、讨面向对象分类的特征空间优化方法,以提面向对象的图像处理方法由于综合利用地物的光高目标识别效率。谱、纹理、形状和位置等特征引起了广泛关注。然而,由于“维数灾难”的存在,如果将所有的原始特2实验区简介及特征空间构建征送往分类器,不仅使运算变得复杂,处理速度大大下降；而且在有限样本的情况下,过多的特征可研究采用的影像为IKONOS全色波段和多光谱能会导致分类精度降低(Marques,2000)。数据,于2000-05-12获取。该数据覆盖了南京主城用于面向对象分类的特征与基于像元分类的特区的大部分,大小为5800m×5500m。根据孙丹峰征差异很大,前者包含光谱响

5、应、纹理、形状和位(2002)对IKONOS全色波段和多光谱波段融合的研置等,后者一般只包括光谱特征。不同种类的特征究,主成分分析方法在蓝、绿和红波段能保持比较对提取目标地物的指示性能差别很大,因此,不能好的光谱和空间特征,在近红外波段保持比较好的把高光谱领域内特征空间优化方法照搬过来用于面光谱特征。因此,本研究采用主成分分析方法对全收稿日期:2007-12-03;修订日期:2008-06-30基金项目:科技部数据共享平台建设项目(编号:2005DKA32306和2006DKA32308)、科技部国际合作项目(编号:20073819),科技部重大科技基础项目(

6、编号:2007FY110300)和科技部973项目(编号:2005CB422208)。第一作者简介:张秀英(1977—),女,博士,毕业于南京大学地图学与地理信息系统专业,主要从事资源环境遥感方面的研究。发表论文20余篇。E-mail:lzhxy77@163.com。张秀英等:面向对象分类的特征空间优化665色波段和多光谱波段进行融合,融合后的图像具有2显示了以对象为单元的由亮度值、形状指数和面蓝、绿、红和近红外4个波段,分辨率为1m(图1)。积3个特征合成的假彩色图像。由图2可以看出,乔根据试验区的实际情况和植被在IKONOS影像上的灌木与草地表现出比较大的

7、差异。响应特征,并参考高峻等(2002)对上海市植被类型的划分,将植被类型分为阔叶林、针叶林、人工草地、杂草地、水生植被5种。图2分割后由亮度值、形状指数和面积合成的假彩色图像图1研究区近红外、红和绿波段假彩色合成的IKONOS数据3特征的选择与提取首先利用NDVI和蓝波段的阈值区分植被与非特征选择与提取的优劣极大地影响着分类器的植被区,然后利用区域增长算法在尺度为200时针设计和性能(张友水等,2006)。特征选择的原则有3对植被区进行分割,获得对象(张秀英等,2007)。从点:包含的信息量大；某些地物类别之间最容易区分1︰2000比例尺的航空影像上随机抽取

8、46个植被斑(刘建平&赵英时,1999