基于多源数据的半监督分层土地利用分类-论文.pdf

《基于多源数据的半监督分层土地利用分类-论文.pdf》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、第45卷第5期人民长江Vo1．45．No．52014年3月YangtzeRiverMar．，2014文章编号：1001—4179(2014)05—0065—06基于多源数据的半监督分层土地利用分类钟良，魏占营，王留召2，管海燕(1．长江勘测规划设计研究院长江空间信息技术工程有限公司(武汉)，湖北武汉430010；2．中国测绘科学研究院，北京100039；3．加拿大滑铁卢大学地理与环境学院，加拿大N2L2R7)摘要：随着遥感技术的发展，遥感数据的光谱、空间分辨率得到很大程度的提高，但是对于仅依靠单一数据源的土地利用分类仍然存在很多问题。提出了一种融合

2、LiDAR数据和高分辨率航空影像的土地利用半监督分层分类方法，即首先仅对LiDAR数据进行粗分类；其次根据LiDAR分类结果辅助选择训练样本并获取高程掩膜，采用最大似然法对航空影像进行中分类；在细分类层次中利用LiDAR数据建立判别规则，对LiDAR粗分类结果与影像中分类结果进行基于知识的交叉验证，以进一步提高分类精度。通过两个不同区域的数据验证了半监督分层分类方法的可行性。关键词：LiDAR；高分辨率航空影像；训练样本；nDSM掩膜；基于知识的交叉验证；土地利用分类中图法分类号：P237．3文献标志码：A激光雷达(LightDetectionAn

3、dRanging，LiDAR)作影像本身统计特征及自然点群分布状况将像元划分为为一种高分辨率、高点密度的空间数据获取技术，其重不同类别的方法，划分后再对已分出的各类地物属性要运用之一就是土地利用分类分析。然而，LiDAR点进行确认，又称“边学习边分类法”。但非监督分类方云数据缺乏直接表达物体表面的语义信息(例如纹理法由于缺乏聚类的先验知识，计算相对耗时，因此只能和结构)以及空间三维点云数据本身具有不连续性、用于小数据量遥感影像。而监督分类的数据集事先已不规则性以及数据的密度不均匀等特性，直接利用Li—知存在那些类别，首先提取各类训练样本，然后选择一

4、DAR点云数据分类存在很大困难。利用多光谱影像些特征变量(如均值、标准差、协方差矩阵、相关矩阵所提供的丰富光谱、纹理等语义信息可以弥补单个Li·等)确定判别函数或判别式(判别规则)，利用这些特DAR数据源分类的局限性。因此，学者们对融合激光征评价数据集中非训练样区的每个像元，并将其划分LiDAR点云与光学影像数据进行了研究，如Quickbird到具有最大相似性的那一类中。如果训练样本不能代影像，IKONOS影像。由于机载LiDAR系统一般表所需分类类别的特性，监督分类的算法精度将无法携带有航空多光谱相机，通过硬件或者后处理软件可得到保障，并且，从大

5、数据量中选择相应的训练样本也将多光谱影像与LiDAR点云直接配准，用于LiDAR产耗时耗力。因此，有些国内外学者提出了半监督分类品生产制作。因此，目前绝大多数的研究是融合这两方法。在半监督分类中，提取某个目标类只需已知该个数据源进行土地利用分类研究。类训练样本即可，能够节省大量的样本选取工作，具有遥感图像分类中的计算机解释提取，以是否存在非常重要的实用价值。已知样本为分类依据，主要分为监督分类、非监督分类本文提出的利用LiDAR数据粗分类结果提取所和半监督分类。非监督分类是在没有先验知识(训练分类类别训练样本的策略除了可从LiDAR粗分类结集中的类

6、别数未知，不存在训练样本)的情况下，根据果中获取训练样本，还可以获取规则化数字表面模型收稿日期：2013—11—31基金项目：国家“863”基金项目(2010AA12220202)作者简介：钟良，男，工程师，博士，主要从事机载LiDAR数据处理研究、测绘生产及科研管理工作。E—mail：2044414@qqCom66人民长江(NormalizedDigitalSurfaceModel，nDSM)作为高程掩等)。具体步骤如下。膜，用于后续的影像最大似然分类。nDSM是由数字(1)地面点与非地面点分类。本文利用三角网加表面模型(DigitalSurfa

7、ceModel，DSM)与数字高程模密迭代算法将LiDAR点云分为地面点和非地面点两型(DigitalElevationModel，DEM)进行代数差运算后大类。尽管三角网加密迭代算法不适用于坡度起伏变得到的数据(即DSM—DEM)，可以直接反映地物的高化比较大的山区森林地带，但一般可用于检测建筑物度信息，目前有些研究将nDSM信息用于建筑物提取断裂线，特别是含有大量建筑物、地形比较平缓的城市与检测中"。最后根据LiDAR数据提供的高程、强地区。三角网加密迭代算法中需要设置两个参数：迭度等信息建立规则，进行基于知识的交叉验证，将Li—代高程阈值以及

8、最大建筑物大小。本文中迭代高程阈DAR粗分类结果与影像最大似然中分类结果不一致值不是全局的，而是随着迭代次数的增长而逐渐减