论文部分内容阅读
随着遥感技术的不断发展,实际生产应用中,人们对于遥感影像分类的要求也越来越高。目前,在航空物探遥感中心的矿山地物解译工作当中,仍依赖于具有丰富矿山解译经验及专业地质知识的工作人员进行人机交互解译。这种工作方法极易产生疲劳,并且效率极低。本文则以高分辨率遥感影像为基础数据,采用面向对象的方法,对矿山地物信息进行自动分类。在对高分影像进行辐射校正、几何校正、配准以及影像融合等预处理的基础上,建立了以建筑、中转场地、裸地、采场、山地、水体、植被、道路八类地物为主的分类体系。本文的研究内容主要如下:(1)采用多尺度分割技术将影像分割成与实际的地物类别相对应的影像对象单元。影响分割结果的主要参数有尺度参数、光谱因子、形状因子、光滑度因子、紧致度因子。针对不同分割尺度下的分割结果进行分析比较,最终获得适合矿山地物分类的最优分割参数,即分割尺度为300,形状因子0.3,紧致度0.7时,能最大限度的将各类地物进行分割。(2)分割后得到的影像对象单元具有一定的特征参数,包括各波段灰度均值、亮度均值、长宽比例、形状参数、最大化差异度量值以及归一化植被指数。选取一部分特征突出的影像对象实体单元作为样本,并对样本空间内的对象特征进行重组建立不同地物的分类规则,按照最邻近思想对全体影像对象单元进行分类。其中采场、建筑、道路、裸地的亮度值较高,中转场地一般在采场附近,山体的纹理特征复杂,植被的归一化指数在0.1到0.25之间,水体边界较为光滑,道路、建筑的形状较为规则。(3)结合相关参考数据,对最终分类结果进行定性分析,采场、中转场地、建筑的分类结果基本与实际情况一致。运用混淆矩阵,对八类地物的分类结果进行定量精度评价。其中采场的生产者精度和用户精度分别达到了88.5%,88.98%,中转场地的生产者精度和用户精度分别达到了83.51%,84.40%,总体分类精度达到了83.94%,Kappa系数为0.8046。