高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

结合多尺度纹理特征的高光谱影像面向对象树种分类

吴艳双 张晓丽

引用本文:
Citation:

结合多尺度纹理特征的高光谱影像面向对象树种分类

    作者简介: 吴艳双。主要研究方向:生态环境遥感。Email:wuyanshuang_1@163.com 地址:100083 北京市海淀区清华东路35号北京林业大学林学院.
    通讯作者: 张晓丽,教授,博士生导师。主要研究方向:遥感、G1S在资源与环境中的应用。Email:zhang-xl@263.net 地址:同上
  • 中图分类号: S771.8

Object-oriented tree species classification with multi-scale texture features based on airborne hyperspectral images

  • 摘要: 目的 基于机载高光谱影像的分类研究中,利用不同尺度纹理特征与面向对象分类相结合的方法在树种分类的研究中应用较少,并且相关研究主要针对单一树种识别而不考虑多种树种,因此对于复杂林分中的树种识别能力有待进一步研究。本研究拟探究不同尺度纹理特征结合面向对象的分类技术在树种精细分类中的应用效果。方法 利用机载高光谱数据进行面向对象的树种精细分类。根据研究区内地表类型情况,采用分层分类的方法区分非林地、其他林地与有林地,对有林地进行树种的精细分类。从机载高光谱图像中提取特征变量,包括独立主成分分析ICA变换光谱特征以及空间纹理特征,分析各树种的光谱反射率及所适合的纹理尺度,依据不同尺度纹理特征进行分层分类,比较不同特征利用支持向量机SVM分类的树种分类结果。结果 结合单一尺度纹理特征的分类结果总体精度为87.11%,Kappa系数为0.846;结合不同尺度纹理特征的分类总体精度为89.13%,Kappa系数为0.87,相比于仅利用光谱特征的分类精度分别提升了4.03%和6.05%。说明在面向对象的分类中,纹理特征的加入对于提升树种分类的精度具有显著效果。结合不同尺度纹理特征的树种分类精度要高于单一尺度纹理特征的分类精度,尤其在其他阔叶树种和马尾松树种的分类中,制图精度较单一纹理尺度分别提高了5.48%和6.12%。结论 利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势,提高了纹理特征在树种分类中的贡献率;综合利用机载高光谱影像的光谱特征和不同尺度纹理特征的面向对象分类方法,使得树种识别更为精细和准确。该方法对于复杂林分树种的分类是有效的,能够满足机载高光谱影像树种精细识别的应用需求。
  • 图 1  研究区地理位置和高光谱影像

    Figure 1.  Geographical location and hyperspectral images of the study area

    图 2  不同纹理窗口大小各树种制图精度

    Figure 2.  Tree species mapping accuracy of different texture window sizes

    图 3  不同尺度纹理特征的面向对象分类层次

    Figure 3.  Object-oriented classification hierarchy based on texture features of different scales

    图 4  各个树种光谱反射率曲线图

    Figure 4.  Spectral reflectance curves of each tree species

    图 5  非林地和其他林地与有林地的区分效果

    Figure 5.  Distinction results of non-forest land and other forest land from forested land

    图 6  针叶树种/矮阔叶树种和高阔叶树种区分效果图

    Figure 6.  Distinction results between coniferous tree species/dwarf broadleaved tree species and high broadleaved tree species

    图 7  不同分类方案的树种分类结果

    Figure 7.  Classification results of tree species based on different classification schemes

    表 1  LiCHy系统传感器详细参数

    Table 1.  Detailed parameters of the LiCHy system sensor

    传感器 Sensor传感器参数 Sensor parameter
    高光谱:
    AISA Eagle Ⅱ Hyperspectral: AISA Eagle Ⅱ
    光谱范围:400 ~ 1 000 nm;空间分辨率:1 m;光谱分辨率:3.3 nm;波段:125;视场角:37.7°;空间像元数:1 024;瞬间视场角:0.646 mrad;间隔:4.6 nm;焦距:18.5 mm;量化值:12 bit
    Spectral range: 400−1 000 nm; spatial resolution: 1 m; spectral resolution: 3.3 nm; spectral band: 125; FOV: 37.7°; spatial pixel: 1 024; IFOV: 0.646 mrad; spectral sampling interval: 4.6 nm; focal length: 18.5 mm; bit depth: 12 bit
    LiDAR:Riegl LMS-Q680i 波长:1 550 nm;扫描角:± 30°;激光脉冲长度:3 ns;激光束离散角:0.5 mrad;最大频率:400 kHz;垂直精度:0.15 m;采样间隔:1 ns
    Wavelength: 1 550 nm; cross-track FOV: ± 30°; laser pulse length: 3 ns; laser beam divergence: 0.5 mrad; maximum laser pulse repetition rate: 400 kHz; vertical resolution: 0.15 m; waveform sampling interval: 1 ns
    下载: 导出CSV

    表 2  各个树种训练样本和验证样本数量

    Table 2.  Number of samples for training and validation of each tree species

    树种 Tree species训练样本 Training sample验证样本 Verification sample
    对象数量
    Number of image objects
    像元个数
    Pixel number
    对象数量
    Number of image objects
    像元个数
    Pixel number
    桉树 Eucalyptus robusta 153 7 691 97 1 247
    八角 Illicium verum 65 3 267 49 646
    米老排 Mytilaria laosensis 58 2 915 49 624
    杉木 Cunninghamia lanceolata 64 3 217 45 580
    马尾松 Pinus massoniana 62 3 116 43 555
    湿地松 Pinus elliottii 45 2 262 31 393
    其他阔叶树种 Other broadleaved tree species 75 3 770 58 748
    总数 Total 522 26 238 372 4 793
    下载: 导出CSV

    表 3  GLCM定义的8个纹理因子计算公式

    Table 3.  Eight texture factor calculation formulas defined by GLCM

    纹理特征 Texture feature计算公式 Calculation formula
    均值 Mean $\mathop \sum \limits_i \mathop \sum \limits_j i \cdot P\left( {i,j} \right)$
    方差 Variance $\mathop \sum \limits_i \mathop \sum \limits_j {\left( {i - \mu } \right)^2}P\left( {i,j} \right)$
    同质性 Homogeneity $\mathop \sum \limits_i \mathop \sum \limits_j P\left( {i,j} \right)/\left[ {1 + {{\left( {i - j} \right)}^2}} \right]$
    对比度 Contrast $\mathop \sum \limits_i \mathop \sum \limits_j P\left( {i,j} \right){\left( {i - j} \right)^2}$
    差异性 Dissimilarity $\mathop \sum \limits_i \mathop \sum \limits_j \left| {i - j} \right|P\left( {i,j} \right)$
    熵 Entropy $ - \mathop \sum \limits_i \mathop \sum \limits_j P\left( {i,j} \right){\rm{log}}P\left( {i,j} \right)$
    二阶矩 Second moment $\mathop \sum \limits_i \mathop \sum \limits_j P{\left( {i,j} \right)^2}$
    相关性 Correlation $\mathop \sum \limits_i \mathop \sum \limits_j \left( {i - {\mu _x}} \right)\left( {j - {\mu _y}} \right)P\left( {i,j} \right)/{\sigma _x}{\sigma _y}$
    注:$P\left( {i,j} \right)$表示灰度联合矩阵中灰度为ij的概率;$ {\mu }_{x} $${\mu }_{y}$${\sigma }_{x}$$ {\sigma }_{y} $分别是行与列的均值和标准差。Notes: $P\left( {i,j} \right)$ represents the probability that the gray level in the gray level joint matrix is i and j; $ {\mu }_{x} $$ {\mu }_{y} $${\sigma }_{x} $$ {\sigma }_{y} $ are the mean values and standard deviation of row and column, respectively.
    下载: 导出CSV

    表 4  不同分类方案的树种分类结果精度表

    Table 4.  Tree species classification accuracy with different classification schemes

    项目 Item分类方案
    Classification
    scheme
    桉树Eucalyptus robusta八角
    Illicium
    verum
    米老排Mytilaria laosensis杉木Cunninghamia lanceolata马尾松
    Pinus
    massoniana
    湿地松
    Pinus
    elliottii
    其他阔叶树种
    Other
    broadleaved tree species
    制图精度
    Mapping accuracy/%
    ICA 95.27 86.38 82.37 88.62 83.06 71.25 62.43
    ICA + 单尺度纹理
    ICA + single scale texture
    93.91 87.31 90.54 90.17 87.21 90.08 68.72
    ICA + 多尺度纹理
    ICA + multi-scale texture
    94.63 87.31 90.54 90.34 93.33 93.13 74.20
    用户精度
    User
    accuracy/%
    ICA 91.95 74.80 90.65 82.37 75.70 83.58 75.32
    ICA + 单尺度纹理
    ICA + single scale texture
    93.98 83.93 86.13 90.33 84.47 81.01 81.59
    ICA + 多尺度纹理
    ICA + multi-scale texture
    94.25 86.77 89.68 90.50 85.76 82.62 87.40
    总体精度
    Overall accuracy/%
    ICA 83.08
    ICA + 单尺度纹理
    ICA + single scale texture
    87.11
    ICA + 多尺度纹理
    ICA + multi-scale texture
    89.13
    Kappa系数
    Kappa coefficient
    ICA 0.798
    ICA + 单尺度纹理
    ICA + single scale texture
    0.846
    ICA + 多尺度纹理
    ICA + multi-scale texture
    0.870
    下载: 导出CSV
  • [1] 刘旭升, 张晓丽. 森林植被遥感分类研究进展与对策[J]. 林业资源管理, 2004(1):61−64. doi: 10.3969/j.issn.1002-6622.2004.01.016Liu X S, Zhang X L. Research advances and countermeasures of remote sensing classification of forest vegetation[J]. Forestry Resources Management, 2004(1): 61−64. doi: 10.3969/j.issn.1002-6622.2004.01.016
    [2] 樊雪, 刘清旺, 谭炳香. 基于机载PHI高光谱数据的森林优势树种分类研究[J]. 国土资源遥感, 2017, 29(2):110−116. doi: 10.6046/gtzyyg.2017.02.16Fan X, Liu Q W, Tan B X. Classification of forest species using airborne PHI hyperspectral data[J]. Remote Sensing for Land and Resource, 2017, 29(2): 110−116. doi: 10.6046/gtzyyg.2017.02.16
    [3] 李明泽, 张培赢. 基于SAM算法的遥感影像湿地植被分类[J]. 森林工程, 2015, 31(2):8−13. doi: 10.3969/j.issn.1001-005X.2015.02.003Li M Z, Zhang P Y. Classification of wetland vegetation in hyperspectral remote sensing image based on SAM algorithm[J]. Forest Engineering, 2015, 31(2): 8−13. doi: 10.3969/j.issn.1001-005X.2015.02.003
    [4] 张丽云.基于高光谱遥感数据的森林树种分类[D]. 北京: 北京林业大学, 2016.Zhang L Y. The study on identification of forest tree species based on hyperspectral image[D]. Beijing: Beijing Forestry University, 2016.
    [5] 于丽柯, 于颖, 柳向宇, 等. 基于高光谱影像的树种分类[J]. 东北林业大学学报, 2016, 44(9):40−43, 57. doi: 10.3969/j.issn.1000-5382.2016.09.009Yu L K, Yu Y, Liu X Y, et al. Tree species classification with hyperspectral image[J]. Journal of Northeast Forestry University, 2016, 44(9): 40−43, 57. doi: 10.3969/j.issn.1000-5382.2016.09.009
    [6] Zhang J K, Rivard B, Sánchez-Azofeifa A, et al. Intra- and inter-class spectral variability of tropical tree species at La Selva, Costa Rica: implications for species identification using HYDICE imagery[J]. Remote Sensing of Environment, 2006, 105(2): 129−141. doi: 10.1016/j.rse.2006.06.010
    [7] 谭炳香, 李增元, 陈尔学, 等. 高光谱遥感森林信息提取研究进展[J]. 林业科学研究, 2008, 21(增刊1):105−111.Tan B X, Li Z Y, Chen E X, et al. Research advance in forest information extraction from hyoerspectral remote sensing data[J]. Forest Research, 2008, 21(Suppl.1): 105−111.
    [8] 刘丽娟, 庞勇, 范文义, 等. 机载LiDAR和高光谱融合实现温带天然林树种识别[J]. 遥感学报, 2013, 17(3):679−695.Liu L J, Pang Y, Fan W Y, et al. Fused airborne LiDAR and hyperspectral data for tree species identification in a natural temperate forest[J]. Journal of Remote Sensing, 2013, 17(3): 679−695.
    [9] 刘怡君, 庞勇, 廖声熙, 等. 机载LiDAR和高光谱融合实现普洱山区树种分类[J]. 林业科学研究, 2016, 29(3):407−412. doi: 10.3969/j.issn.1001-1498.2016.03.015Liu Y J, Pang Y, Liao S X, et al. Merged airborne LiDAR and hyperspectral data for tree species classification in Puer’s mountainous area[J]. Forest Research, 2016, 29(3): 407−412. doi: 10.3969/j.issn.1001-1498.2016.03.015
    [10] 林雪, 彭道黎, 黄国胜, 等. 结合多尺度纹理特征的遥感影像面向对象分类[J]. 测绘工程, 2016, 25(7):22−27.Lin X, Peng D L, Huang G S, et al. Object-oriented classification with multi-scale texture feature based on remote sensing image[J]. Engineering of Surveying and Mapping, 2016, 25(7): 22−27.
    [11] 朱晓荣. 基于决策树的洞庭湖湿地信息提取技术研究[D]. 北京: 中国林业科学研究院, 2012.Zhu X R. Research for informations to be extracted form Dongting Lake Wetland based on decision tree[D]. Beijing: Chinese Academy of Forestry, 2012.
    [12] 陈亮, 张友静, 陈波. 结合多尺度纹理的高分辨率遥感影像决策树分类[J]. 地理与地理信息科学, 2007, 23(4):18−21. doi: 10.3969/j.issn.1672-0504.2007.04.005Chen L, Zhang Y J, Chen B. High spatial resolution remote sensing image classification based on decision tree classification combined with multiscale texture[J]. Geography and Geo-Information Science, 2007, 23(4): 18−21. doi: 10.3969/j.issn.1672-0504.2007.04.005
    [13] I Koukal T, Immitzer M, Atzberger C. Tree species classification with random forest using very high spatial resolution 8-band WorldView-2 satellite data[J]. Remote Sensing, 2012, 4(9): 2661−2693. doi: 10.3390/rs4092661
    [14] Pu R L, Landry S. A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species[J]. Remote Sensing of Environment, 2012, 124: 516−533. doi: 10.1016/j.rse.2012.06.011
    [15] 荚文, 庞勇, 岳彩荣, 等. 机载AISA Eagle Ⅱ高光谱数据处理:以额济纳旗试验区为例[J]. 遥感技术与应用, 2016, 31(3):504−510.Jia W, Pang Y, Yue C R, et al. The processing of airborne AISA Eagle Ⅱ data in Ejina Banner study area[J]. Remote Sensing Technology and Application, 2016, 31(3): 504−510.
    [16] Pang Y, Li Z Y, Ju H B, et al. LiCHy: the CAF’s LiDAR, CCD and hyperspectral integrated airborne observation system[J]. Remote Sensing, 2016, 8(5): 398. doi: 10.3390/rs8050398
    [17] 郝建亭, 杨武年, 李玉霞, 等. 基于FLAASH的多光谱影像大气校正应用研究[J]. 遥感信息, 2008(1):78−81. doi: 10.3969/j.issn.1000-3177.2008.01.015Hao J T, Yang W N, Li Y X, et al. Atmospheric correction of multi-spectral imagery ASTER[J]. Remote Sensing Information, 2008(1): 78−81. doi: 10.3969/j.issn.1000-3177.2008.01.015
    [18] 谭炳香, 李增元, 陈尔学, 等. EO-1 Hyperion高光谱数据的预处理[J]. 遥感信息, 2005(6):36−41. doi: 10.3969/j.issn.1000-3177.2005.06.010Tan B X, Li Z Y, Chen E X, et al. Preprocessing of EO-1 Hyperion hyperspectral data[J]. Remote Sensing Information, 2005(6): 36−41. doi: 10.3969/j.issn.1000-3177.2005.06.010
    [19] 国家林业局. 森林资源数据采集技术规范 第1部分: 森林资源连续清查: LY/T 2188.1—2013[S]. 北京: 中国标准出版社, 2014.State Forestry Administration. Forest resource data collection technical specification(part 1): forest continuous inventory: LY/T 2188.1−2013[S]. Beijing: China Standard Press, 2014.
    [20] 郝泷, 陈永富, 刘华, 等. 基于纹理信息CART决策树的林芝县森林植被面向对象分类[J]. 遥感技术与应用, 2017, 32(2):386−394.Hao L, Chen Y F, Liu H, et al. Object-oriented forest classification of Linzhi county based on CART decision tree with texture information[J]. Remote Sensing Technology and Application, 2017, 32(2): 386−394.
    [21] 谭琨, 杜培军. 基于支持向量机的高光谱遥感图像分类[J]. 红外与毫米波学报, 2008, 27(2):123−128. doi: 10.3321/j.issn:1001-9014.2008.02.010Tan K, Du P J. Hyperspectral remote sensing image classification based on support vector machine[J]. Journal of Infrared and Millimeter Waves, 2008, 27(2): 123−128. doi: 10.3321/j.issn:1001-9014.2008.02.010
    [22] Pu R L, Gong P. Hyperspectral remote sensing of vegetation bioparameters[M]//Wang Q. Advances in environmental remote sensing: sensors, algorithms, and applications. London: CRC Press, 2011: 101−142.
    [23] Cao J J, Leng W C, Liu K, et al. Object-based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models[J/OL]. Remote Sensing, 2018, 10(1): 89[2018−12−02]. https://www.mdpi.com/2072-4292/10/1/89.
    [24] Lu D S, Li G Y, Moran E, et al. The roles of textural images in improving land-cover classification in the Brazilian Amazon[J]. International Journal of Remote Sensing, 2014, 35(24): 8188−8207. doi: 10.1080/01431161.2014.980920
  • [1] 孙钊潘磊孙玉军 . 基于无人机影像的高郁闭度杉木纯林树冠参数提取. 北京林业大学学报, 2019, 41(10): 1-7. doi: 10.12171/j.1000-1522.20190386
    [2] 白雪琪张晓丽张连生马云波 . 基于高光谱遥感的油松毛虫危害程度监测模型. 北京林业大学学报, 2016, 38(11): 16-22. doi: 10.13332/j.1000-1522.20160139
    [3] 张莹张晓丽李宏志刘会玲 . 基于频谱和光谱特征的高光谱地物分类比较. 北京林业大学学报, 2018, 40(7): 1-8. doi: 10.13332/j.1000-1522.20170342
    [4] 刘怀鹏安慧君王冰张秋良 . 基于递归纹理特征消除的WorldView-2树种分类. 北京林业大学学报, 2015, 37(8): 53-59. doi: 10.13332/j.1000-1522.20140311
    [5] 张怡卓马琳许雷于慧伶 . 基于小波与曲波遗传融合的木材纹理分类. 北京林业大学学报, 2014, 36(2): 119-124.
    [6] 陈莹董灵波刘兆刚 . 帽儿山天然次生林主要林分类型最优树种组成. 北京林业大学学报, 2019, 41(5): 118-126. doi: 10.13332/j.1000-1522.20190013
    [7] 朱方嫣沈文娟李明诗 . 基于WorldView2和GF-2的面向对象多指标综合植被变化分析. 北京林业大学学报, 2019, 41(11): 54-65. doi: 10.13332/j.1000-1522.20180435
    [8] 张凝冯跃文张晓丽樊江川 . 结合航空影像纹理和光谱特征的单木冠幅提取. 北京林业大学学报, 2015, 37(3): 13-19. doi: 10.13332/j.1000-1522.20140309
    [9] 张仁军张玉兰崔丽娟周繇金莹杉刘杏娥李春义周海宾王超闫德千张运春吴淑芳李昌晓王春梅林勇明王蕾林娅孙阁张颖尹增芳陈圆李云开梁善庆王戈邢韶华张秀新谭健晖任云卯赵铁珍罗建举张志强江泽慧王莲英温亚利高岚杨培岭周荣伍张桥英刘艳红张曼胤徐秋芳张明于俊林王以红马履一翟明普刘国经马钦彦赵勃刘青林洪滔钟章成樊汝汶吴普特江泽慧黄华国余养伦杨远芬周国模崔国发刘俊昌罗鹏张晓丽费本华汪晓峰王玉涛田英杰张本刚陈学政安玉涛周国逸殷际松邵彬王希群冯浩杨海军柯水发于文吉何春光吴承祯王小青李敏刘爱青高贤明费本华骆有庆温亚利洪伟邬奇峰马润国王九中任树梅蔡玲赵景刚康峰峰魏晓华徐昕何松云徐克学林斌赵焕勋赵弟行任海青郑万建吴家森安树杰胡喜生朱高浦吴宁田平宋萍卢俊峰李永祥范海兰 , . 中国湿地分类编码系统研究. 北京林业大学学报, 2007, 29(3): 87-92.
    [10] 张钢民杨文利 . 银粉背蕨的分类订正. 北京林业大学学报, 2011, 33(3): 75-80.
    [11] 伏静戴思兰 . 基于高光谱成像技术的菊花花色表型和色素成分分析. 北京林业大学学报, 2016, 38(8): 88-98. doi: 10.13332/j.1000-1522.20150483
    [12] 徐文铎李吉跃段爱国张求慧吴斌温俊宝刘金福常德龙王云琦匡文慧谭炳香郑凌凌赵燕东程占红齐春辉
    ZHAOGuang-jie
    冯夏莲张灿邹大林李贤军李雪萍刘常富王玉涛鲁绍伟李雪峰张建国翟洪波LUOWen-sheng张路平何正权宋湛谦温俊宝韩士杰白陈祥张树文何兴元李增元朱天辉王玉杰吴庆利何承忠韩烈保何友均李吉跃余新晓吴斌洪伟赵广杰黄文豪林秦文姜伟骆有庆陈发菊匡秋明童书振刘凤芹何静陈尔学梁小红郭忠玲FurunoTakeshi张志毅张养贞骆有庆]魏晓霞]陈玮李俊清郑兴波庞勇RENQian许志春胡伟华张璧光张军赵桂玲张振明曾会明许志春李颖梁宏伟安新民崔国发杨凯宋国正曹川健郑杰李凤兰侯伟刘君PaulWolfgang李福海赵广亮雷渊才李考学姚永刚田桂芳董建生张有慧张全来李永波赫万成李长明张世玺 . Hyperion高光谱数据森林郁闭度定量估测研究. 北京林业大学学报, 2006, 28(3): 95-101.
    [13] 江涛王新杰 . 基于卷积神经网络的高分二号影像林分类型分类. 北京林业大学学报, 2019, 41(9): 20-29. doi: 10.13332/j.1000-1522.20180342
    [14] 范春雨元正龙赵秀海 . 吉林蛟河近熟林树种多样性格局尺度依赖性分析. 北京林业大学学报, 2014, 36(6): 73-79. doi: 10.13332/j.cnki.jbfu.2014.06.015
    [15] 高杰张君程艳霞孙国文 . 长白山不同林型空间格局及树种多样性多尺度分析. 北京林业大学学报, 2014, 36(6): 99-105. doi: 10.13332/j.cnki.jbfu.2014.06.019
    [16] 要伊桐元正龙魏彦波赵秀海 . 长白山次生杨桦林树种多样性格局多尺度分析. 北京林业大学学报, 2014, 36(6): 86-92. doi: 10.13332/j.cnki.jbfu.2014.06.017
    [17] 王嘉楠夏媛倩赵德先储显胡马胡隽刘慧 . 城市森林主要树种树冠尺度及生长空间需求. 北京林业大学学报, 2018, 40(3): 42-54. doi: 10.13332/j.1000-1522.20170331
    [18] 刘杏娥张洪江秦爱光袁怀文郑小贤李瑞何亚平殷亚方魏潇潇王芳邓小文王费新杨平周永学黄荣凤张莉俊毛俊娟白岗栓张璧光颜绍馗胡胜华胡万良吴彩燕高黎杜社妮王正崔赛华樊军锋孙向阳赵天忠李猛汪思龙张克斌费世民戴思兰张岩罗晓芳谭学仁王晓欢乔建平刘燕王胜华王小青常旭王兆印NagaoHirofumi孔祥文高荣孚韩士杰陈放李昀龚月桦张旭张占雄李华江泽慧刘云芳徐嘉张双保范冰江玉林KatoHideo王海燕杨培华陈宗伟郭树花常亮任海青陈秀明李媛良刘秀英丁磊IdoHirofumi李晓峰侯喜录陈学平李考学蒋俊明徐庆祥薛岩张代贵张桂兰费本华高建社李雪峰涂代伦刘永红续九如王晓东金鑫张红丽丁国权 . 杨扇舟蛾和杨小舟蛾危害对意大利214杨高光谱特征的影响. 北京林业大学学报, 2007, 29(6): 148-155.
    [19] 雒新艳戴思兰 . 大菊品种表型性状的分类学价值. 北京林业大学学报, 2010, 32(3): 135-140.
    [20] 惠文凯王益陈晓阳 . 麻疯树种子含油量近红外光谱定标模型的建立. 北京林业大学学报, 2018, 40(1): 1-7. doi: 10.13332/j.1000-1522.20170388
  • 加载中
图(7)表(4)
计量
  • 文章访问数:  42
  • HTML全文浏览量:  24
  • PDF下载量:  5
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-03-21
  • 录用日期:  2019-09-20
  • 网络出版日期:  2020-06-24
  • 刊出日期:  2020-06-01

结合多尺度纹理特征的高光谱影像面向对象树种分类

    通讯作者: 张晓丽, zhang-xl@263.net
    作者简介: 吴艳双。主要研究方向:生态环境遥感。Email:wuyanshuang_1@163.com 地址:100083 北京市海淀区清华东路35号北京林业大学林学院
  • 北京林业大学林学院,北京林业大学精准林业北京市重点实验室,北京林业大学省部共建森林培育与保护教育部重点实验室,北京 100083

摘要: 目的基于机载高光谱影像的分类研究中,利用不同尺度纹理特征与面向对象分类相结合的方法在树种分类的研究中应用较少,并且相关研究主要针对单一树种识别而不考虑多种树种,因此对于复杂林分中的树种识别能力有待进一步研究。本研究拟探究不同尺度纹理特征结合面向对象的分类技术在树种精细分类中的应用效果。方法利用机载高光谱数据进行面向对象的树种精细分类。根据研究区内地表类型情况,采用分层分类的方法区分非林地、其他林地与有林地,对有林地进行树种的精细分类。从机载高光谱图像中提取特征变量,包括独立主成分分析ICA变换光谱特征以及空间纹理特征,分析各树种的光谱反射率及所适合的纹理尺度,依据不同尺度纹理特征进行分层分类,比较不同特征利用支持向量机SVM分类的树种分类结果。结果结合单一尺度纹理特征的分类结果总体精度为87.11%,Kappa系数为0.846;结合不同尺度纹理特征的分类总体精度为89.13%,Kappa系数为0.87,相比于仅利用光谱特征的分类精度分别提升了4.03%和6.05%。说明在面向对象的分类中,纹理特征的加入对于提升树种分类的精度具有显著效果。结合不同尺度纹理特征的树种分类精度要高于单一尺度纹理特征的分类精度,尤其在其他阔叶树种和马尾松树种的分类中,制图精度较单一纹理尺度分别提高了5.48%和6.12%。结论利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势,提高了纹理特征在树种分类中的贡献率;综合利用机载高光谱影像的光谱特征和不同尺度纹理特征的面向对象分类方法,使得树种识别更为精细和准确。该方法对于复杂林分树种的分类是有效的,能够满足机载高光谱影像树种精细识别的应用需求。

English Abstract

  • 森林作为一项可再生资源在人类文明的生存发展中扮演着重要的角色,及时的了解森林资源的存量及相应分布状况,是林业可持续发展的基础,同时森林植被类型的正确识别为保护森林资源提供依据和基础[1]。目前,复杂林分的树种级别分类正在成为一个非常重要的研究方向。由于高光谱数据具有精细的光谱信息,越来越多的研究者利用高光谱数据作为基础数据,进行植被分类的研究[2-4]。于丽柯等[5]利用超光谱成像仪(HSI)高光谱影像,对大兴安岭地区塔河林区内的优势树种进行分类,结果表明利用线性波谱分离方法进行优势树种分类的总体精度为72.0%。Zhang等[6]利用小波变换处理HYDICE高光谱数据并进行热带森林树种的识别,发现小波变换后的高光谱数据可以提高树种识别精度。虽然高光谱影像可以提供丰富的光谱信息,但对于精细分类的树种,只依赖于光谱特征,分类的有效性仍然有限[7]

    目前针对高光谱影像的分类方法,多为基于像元的分类方法[8-9],此类方法往往没有充分利用空间信息。不同植被在空间纹理特征中表现出很大的不同,因此,可以将纹理信息与光谱信息相结合应用在树种识别判读中。由于地物具有多尺度性,单一尺度的纹理特征较难满足不同地类之间的分类需求[10],已有一些学者通过提取多尺度纹理进行分类研究,朱晓荣等[11]利用SPOT-5影像进行洞庭湖湿地土地覆盖分类,结果表明利用多尺度纹理特征分类,能够更好地描述地物的纹理特征。陈亮等[12]通过最佳纹理尺度的选择对高分辨率影像分类,证明了多尺度纹理能够有效解决光谱数据分类中存在的地物破碎问题。

    面向对象分类是目前基于高空间分辨率遥感影像广泛应用的分类方法[13-14],该方法突破了基于像元分类结果破碎化以及“椒盐现象”严重的问题。目前针对机载高光谱影像的树种分类,将不同尺度纹理特征与面向对象分类相结合的应用较为少见,如何充分利用纹理信息是提高树种分类精度的关键之一。同时,相关研究主要针对单一树种识别,对于复杂林分中的树种识别能力有待进一步研究。

    本文针对机载高光谱影像,其具有丰富的光谱信息和较高的空间分辨率,结合光谱特征和不同尺度纹理特征进行面向对象的树种精细分类,并与单一尺度纹理特征和仅用光谱特征的分类结果进行对比,探究不同尺度纹理特征在面向对象分类技术中的应用效果,拟提高纹理特征对树种分类的贡献率。

    • 研究区位于广西壮族自治区南宁市高峰林场界牌分场(22°56′41″ ~ 23°0′21″N,108°19′47″ ~ 109°23′16″E)。丘陵地貌,海拔100 ~ 300 m,属南亚热带季风气候,年均气温为21.6 ℃左右,年降雨量为1 200 ~ 1 500 mm,年蒸发量为1 250 ~ 1 620 mm,土壤以赤红壤为主,土层深厚,较适宜热带和亚热带树种生长,林分类型具有我国南方森林的典型特点,林场森林茂密,森林覆盖率约87%。本研究选择了树种种类丰富、面积为128 hm2的区域作为研究区。研究区的地理位置及高光谱影像如图1所示。

      图  1  研究区地理位置和高光谱影像

      Figure 1.  Geographical location and hyperspectral images of the study area

    • 高光谱数据由中国林业科学研究院机载LiCHy(LiDAR、CCD和Hyperspectral)系统搭载的AISA Eagle Ⅱ衍射光栅推扫高光谱成像仪获取,研究区所用的高光谱影像覆盖3个航带,图像大小为1 114像元 × 1 150像元。LiCHy系统在高光谱数据采集的同时,采集LiDAR数据、CCD影像、IMU和GPS数据[15]。LiDAR数据可为后期高光谱数据处理提供高精度的数字高程模型DEM和数字表面模型DSM数据。数据于2018年1月13日和1月30日在广西南宁高峰林场采集,实际飞行航高约为1 000 m,数据获取当天晴朗少云。LiCHy系统各传感器详细参数指标如表1[16]所示。

      表 1  LiCHy系统传感器详细参数

      Table 1.  Detailed parameters of the LiCHy system sensor

      传感器 Sensor传感器参数 Sensor parameter
      高光谱:
      AISA Eagle Ⅱ Hyperspectral: AISA Eagle Ⅱ
      光谱范围:400 ~ 1 000 nm;空间分辨率:1 m;光谱分辨率:3.3 nm;波段:125;视场角:37.7°;空间像元数:1 024;瞬间视场角:0.646 mrad;间隔:4.6 nm;焦距:18.5 mm;量化值:12 bit
      Spectral range: 400−1 000 nm; spatial resolution: 1 m; spectral resolution: 3.3 nm; spectral band: 125; FOV: 37.7°; spatial pixel: 1 024; IFOV: 0.646 mrad; spectral sampling interval: 4.6 nm; focal length: 18.5 mm; bit depth: 12 bit
      LiDAR:Riegl LMS-Q680i 波长:1 550 nm;扫描角:± 30°;激光脉冲长度:3 ns;激光束离散角:0.5 mrad;最大频率:400 kHz;垂直精度:0.15 m;采样间隔:1 ns
      Wavelength: 1 550 nm; cross-track FOV: ± 30°; laser pulse length: 3 ns; laser beam divergence: 0.5 mrad; maximum laser pulse repetition rate: 400 kHz; vertical resolution: 0.15 m; waveform sampling interval: 1 ns

      2018年1—2月采集了野外调查数据,外业调查前通过GF-2数据目视解译,确定采样调查区域,设置样地以及采样点位置。使用手持GPS装置进行实地观测,不同地物类型分别调查10 ~ 20个采样点,记录各采样点的精确位置,包括经纬度信息、地物类型信息及树种信息。同时开展了地面样地数据的调查,主要集中在杉木(Cunninghamia lanceolata)纯林、桉树(Eucalyptus robusta)纯林及其他纯林和混交林内,共调查19块样地,其中,6块样地为桉树纯林,7块样地为杉木纯林,其余为其他林分和混交林,树种主要包括桉树、杉木、红椎(Castanopsis hystrix)、灰木莲(Manglietia glauca)等,共1 657棵树。样地大小为25 m × 25 m和25 m × 50 m,记录样地精确位置,记录坡度、坡向等样地信息。获取的采样点和样地信息可用于训练样本和验证样本的选取。另外,辅助数据还包括高峰林场森林资源调查的小班数据,主要参考的因子包括地物类型和优势树种等信息,由于小班数据调查的时效性,仅将其作为林场植被覆盖类型以及树种分布情况的参考数据。

    • 对于机载高光谱数据,数据提供商已经进行了系统辐射定标、几何校正和正射校正,还需对数据进行拼接、裁剪、大气校正和去噪等处理。由于不同航带之间的光谱有一定的差异,对高光谱数据进行拼接时采用直方图匹配的方法,使得图像之间的亮度值分布尽可能地相近,减小航带之间的光谱差异。由于飞行高度相对较低,高光谱数据受大气影响较小,在本研究中,采用ENVI5.3软件中MODTRAN4+辐射传输模型对高光谱数据进行大气校正[17],对处理的高光谱影像进行最小噪声分离(minimum noise fraction rotation,MNF)变换[18],利用统计文件进行逆向MNF变换,能够较好地去除影像噪声。对机载LiDAR数据的数字表面模型与数字高程模型进行栅格差值运算得到高程归一化后的冠层高度模型CHM(canopy height model)。对高光谱数据与LiDAR的CHM数据进行配准,采用最邻近重采样方法,在两个影像上沿着道路或平坦区域典型地物选取20个控制点进行配准操作,得到的控制点对平均误差在一个像元内,说明配准可信。

    • 参考《国家森林资源连续清查技术规定》[19]中的地类划分标准,根据研究区的地表覆盖状况和应用需求,建立分类体系。将研究区划分为林地与非林地两大类。研究区位于林场中心位置,大面积为林地,在非林地中仅存在一些水体和建筑道路等,由于非林地并非研究重点,故将非林地划分为水体和建设用地两类;在林地中主要包括有林地、采伐迹地与部分辅助生产林地,其中辅助生产林地主要为集材道和运材道以及用于贮存木材的设施用地,有少量植被覆盖,难以区分树种,采伐迹地中一般没有树木或树冠很小,无法区分到树种,因此将这两类统称为其他林地,与有林地进行区分。针对本研究的重点,对有林地进行树种的精细分类,树种主要包括桉树、八角(Illicium verum)、米老排(Mytilaria laosensis)、杉木、马尾松(Pinus massoniana)、湿地松(Pinus elliottii)和其他种类阔叶树种。由于研究区内阔叶树种种类繁多而样本受限,将未细分到树种的阔叶统称为其他阔叶树种。本研究对以上7个树种类型开展研究。

    • 根据野外调查的样地数据和实地观测记录的树种采样点精确位置,结合空间分辨率为0.2 m的CCD正射影像和小班数据,在研究内选取了522个训练样本对象,共26 238个像元,样本对象能够包括完整的树冠冠幅,使得训练样本更具有代表性,同时随机选取了372个验证样本对象,均匀分布在研究区内,并保证与训练样本没有重复。表2为各个树种训练样本和验证样本的数量情况。

      表 2  各个树种训练样本和验证样本数量

      Table 2.  Number of samples for training and validation of each tree species

      树种 Tree species训练样本 Training sample验证样本 Verification sample
      对象数量
      Number of image objects
      像元个数
      Pixel number
      对象数量
      Number of image objects
      像元个数
      Pixel number
      桉树 Eucalyptus robusta 153 7 691 97 1 247
      八角 Illicium verum 65 3 267 49 646
      米老排 Mytilaria laosensis 58 2 915 49 624
      杉木 Cunninghamia lanceolata 64 3 217 45 580
      马尾松 Pinus massoniana 62 3 116 43 555
      湿地松 Pinus elliottii 45 2 262 31 393
      其他阔叶树种 Other broadleaved tree species 75 3 770 58 748
      总数 Total 522 26 238 372 4 793
    • 面向对象的分类方法是一种图像自动分析方法,其分类技术是将具有相同或相似属性的相邻像素聚合为一个对象,其中图像对象被用作面向对象的分类单元,图像的分割精度对分类精度有显著影响[20]。本研究采用eCognition Developer软件中的多尺度分割算法进行分割,通过设置波段权重、分割尺度、形状指数、紧度指数等一系列不同的分割参数,分析所有分割结果,以确定最佳分割参数。在分割对象的基础上,利用所选特征进行分类。

      本研究采用支持向量机(SVM)的分类方法对树种进行分类,SVM是一种建立在统计学习理论基础之上的具有监督功能的机器学习方法,已广泛应用于高光谱图像分类[21]。使用混淆矩阵对不同特征的分类结果进行精度评价,其指标包括总体精度(overall accuracy)、制图精度(producer accuracy)、用户精度(user accuracy)以及Kappa系数。

    • 由于研究区除林地外,还有大量的非林地区域,如果直接对每个类别逐一选取训练样本分类,则会大大增加分类工作量,并且分类的效果也会下降。因此,将非林地与林地进行分层分类,可以很好地避免各地物混淆。归一化植被指数(normalized differential vegetation index,NDVI)对土壤背景的变化较为敏感。选取高光谱影像近红外波段800 nm和红光波段678 nm进行NDVI的计算。比较非林地与林地的NDVI值,水体和建设用地的NDVI值都较低,当NDVI > 0.52时,可以很好地识别林地,将其设为阈值进行林地识别,对于非林地简单划分为水体和建设用地,NDVI值为负值时为水体,其余为建设用地。当0.52 ≤ NDVI < 0.7且CHM < 2时,能够较好地将其他林地从林地中划分出来,与有林地区分,对有林地进行树种的精细分类。

    • 独立主成分分析(ICA)是一种常用的波段降维手段,这种变换要比主成分分析得到的结果更加有效。对预处理后的高光谱图像进行独立主成分分析,变换后的前5个主成分中包含了所有波段99%以上的信息量。因此,利用前5个主成分作为光谱特征变量参与分类研究。

    • 纹理特征是面向对象分类的一个重要因素,在空间结构特征中具有重要作用,研究表明灰度共生矩阵(GLCM,gray level co-occurrence matrix)在提取纹理信息的应用上具有很好的效果,己成为目前普遍认可的纹理计算方法[10]。通过GLCM来定义相关的纹理特征,包括常用的8个纹理因子:均值(mean)、方差(variance)、同质性(homogeneity)、对比度(contrast)、差异性(dissimilarity)、熵(entropy)、二阶矩(second moment)和相关性(correlation)。表3列出了8个纹理因子的计算公式。

      表 3  GLCM定义的8个纹理因子计算公式

      Table 3.  Eight texture factor calculation formulas defined by GLCM

      纹理特征 Texture feature计算公式 Calculation formula
      均值 Mean $\mathop \sum \limits_i \mathop \sum \limits_j i \cdot P\left( {i,j} \right)$
      方差 Variance $\mathop \sum \limits_i \mathop \sum \limits_j {\left( {i - \mu } \right)^2}P\left( {i,j} \right)$
      同质性 Homogeneity $\mathop \sum \limits_i \mathop \sum \limits_j P\left( {i,j} \right)/\left[ {1 + {{\left( {i - j} \right)}^2}} \right]$
      对比度 Contrast $\mathop \sum \limits_i \mathop \sum \limits_j P\left( {i,j} \right){\left( {i - j} \right)^2}$
      差异性 Dissimilarity $\mathop \sum \limits_i \mathop \sum \limits_j \left| {i - j} \right|P\left( {i,j} \right)$
      熵 Entropy $ - \mathop \sum \limits_i \mathop \sum \limits_j P\left( {i,j} \right){\rm{log}}P\left( {i,j} \right)$
      二阶矩 Second moment $\mathop \sum \limits_i \mathop \sum \limits_j P{\left( {i,j} \right)^2}$
      相关性 Correlation $\mathop \sum \limits_i \mathop \sum \limits_j \left( {i - {\mu _x}} \right)\left( {j - {\mu _y}} \right)P\left( {i,j} \right)/{\sigma _x}{\sigma _y}$
      注:$P\left( {i,j} \right)$表示灰度联合矩阵中灰度为ij的概率;$ {\mu }_{x} $,${\mu }_{y}$ ,${\sigma }_{x}$,$ {\sigma }_{y} $分别是行与列的均值和标准差。Notes: $P\left( {i,j} \right)$ represents the probability that the gray level in the gray level joint matrix is i and j; $ {\mu }_{x} $,$ {\mu }_{y} $,${\sigma }_{x} $,$ {\sigma }_{y} $ are the mean values and standard deviation of row and column, respectively.

      结合相关学者的研究结果[22-23],波段482 nm、550 nm和650 nm分别对应蓝、绿、红波段,此3个波段清晰度高,干扰信息少,具有较明显的地物信息,能充分显示各种地物影像特征的差别,因此本研究选择了高光谱影像的3个波段即B482、G550和R650进行纹理分析。由于影像中植被的纹理没有明显的方向性,因此移动方向取0°、45°、90°、135° 4个方向的平均值,采用3 × 3,5 × 5,…,31 × 31梯度窗口大小,步长为1,提取上述8个纹理特征。利用不同窗口纹理影像分别与ICA变换特征组合进行SVM分类,各树种的制图精度随窗口尺寸变化情况如图2所示。

      图  2  不同纹理窗口大小各树种制图精度

      Figure 2.  Tree species mapping accuracy of different texture window sizes

      随着纹理窗口大小的改变,当纹理窗口大小为17 × 17时,7种树种的总体分类精度最高。由于各树种树冠冠幅宽度一般大于3 m,在17 × 17的纹理窗口下包含多棵树木,大部分树种表现出来的树种轮廓信息最为显著,使得总体分类精度最高。

      同时也可以看出,各树种分类精度最大值并不是都在17 × 17纹理窗口出现,马尾松、杉木和八角树种在17 × 17纹理窗口下分类精度最高;湿地松在15 × 15和17 × 17纹理窗口下分类精度最高;桉树、米老排在25 × 25纹理窗口下分类精度最高;其他阔叶树种在23 × 23纹理窗口下分类精度最高,与25 × 25纹理窗口的分类精度极为相近;针叶树种和八角树种树冠普遍较小,较适合17 × 17纹理窗口;其他种类的阔叶树种高度较高,树冠较大,较适合25 × 25纹理窗口。据此,将林地区分为针叶树种/矮阔叶树种和高阔叶树种两大类进行分类。依据各树种的光谱特征可以区分针叶林和阔叶林,由于树高被认为是树龄的代表,而树龄又被认为是树冠大小的代表,因此利用高度信息将小树冠阔叶树种从阔叶林中区分出来。不同尺度纹理特征进行面向对象分类的分类层次如图3所示。

      图  3  不同尺度纹理特征的面向对象分类层次

      Figure 3.  Object-oriented classification hierarchy based on texture features of different scales

    • 根据地面调查数据和小班数据,选取典型的树种样本,获取了7种树种的平均光谱反射率曲线如图4所示,各树种的光谱曲线突出了谷底和峰值,在近红外波段形成明显的高反射峰,符合植被的光谱曲线特征。对比各个树种的光谱反射率,在近红外波段范围内有较大的可分性,其中阔叶树种的光谱反射率值普遍要比针叶树种的光谱反射率值要高,在阔叶树种中,八角树种的光谱反射率值要比其他种类的阔叶树种低。根据各树种光谱曲线差异选择特征波段,对研究区内树种进行分层分类。

      图  4  各个树种光谱反射率曲线图

      Figure 4.  Spectral reflectance curves of each tree species

    • 通过对比分析所有的分割结果,最终确定当分割尺度为3、形状指数为0.1、紧密度指数为0.4时,分割效果最好,目标对象的边界最符合实际树种的边界,每个目标对象都能包括完整的一个树冠或多个树冠,其光谱信息更加准确。因此,采用此参数分割所得的目标对象进行分类。

      根据NDVI和CHM提取非林地和其他林地,将不同地物类型对象分别进行合并,得到提取效果图如图5所示。图5a为水体和建筑道路等与林地的区分效果,图5b为采伐迹地和有林地的区分效果,能够避免其他地物与各树种的混分现象。

      图  5  非林地和其他林地与有林地的区分效果

      Figure 5.  Distinction results of non-forest land and other forest land from forested land

      利用不同尺度纹理特征分类时,首先对针叶树种/矮阔叶树种和高阔叶树种进行分层,分析各树种的光谱曲线,在近红外波段范围内两种类型的光谱反射率有明显的不同,选择差异值最大的波段890 nm为特征波段,利用eCognition软件中的阈值分类,可以较好地将两种类型区分开来,利用高度信息,将一些矮阔叶树种与其他种类高阔叶树种进行区分。设置阈值为近红外波段Mean890nm ≥ 0.362且CHM ≥ 6时,提取结果为高阔叶树种,其余为针叶树种或矮阔叶树种,提取效果如图6所示。图6a为针叶树种与阔叶树种的区分效果,图6b为针叶树种杉木与套种的带状红椎的区分效果,可以看到能够较好地将带状的阔叶树种区分出来,减少两个树种的混分现象。

      图  6  针叶树种/矮阔叶树种和高阔叶树种区分效果图

      Figure 6.  Distinction results between coniferous tree species/dwarf broadleaved tree species and high broadleaved tree species

    • 在本研究中,为了评价不同特征进行面向对象树种分类的差异,确定了3个方案进行SVM树种分类:基于ICA变换特征进行分类;ICA变换特征叠加单一尺度纹理特征进行分类;ICA变换特征结合不同尺度纹理特征进行分类。利用eCognition软件对有林地进行树种的精细分类,最终在树种分类层次上实现对非林地和其他林地对象信息的继承,综合全部对象信息形成完整的分类结果。不同分类方案的分类结果图如图7所示。

      图  7  不同分类方案的树种分类结果

      Figure 7.  Classification results of tree species based on different classification schemes

      根据分类结果图比较分析,桉树树种和杉木树种的分类边界,能够在空间上很好地划分出来。仅基于ICA变换特征的分类结果中,可以看到八角和其他阔叶树种具有明显的混分现象,由于其他阔叶树种包含的树种种类丰富,其光谱信息比较多样,部分树种与八角树种具有相似的光谱曲线,因此对于仅利用光谱特征的分类方案,区分效果不明显,易造成混分现象。当加入纹理信息后,分类结果中小面积斑块减少,八角和其他阔叶树种的混分现象明显减少。其中结合多尺度纹理特征的分类结果中,其他阔叶树种中的破碎斑块较单一尺度纹理特征分类进一步减少。

      表4为利用不同分类方案进行树种分类的分类结果精度表,包括各个树种的制图精度和用户精度以及总体的分类精度和Kappa系数。

      表 4  不同分类方案的树种分类结果精度表

      Table 4.  Tree species classification accuracy with different classification schemes

      项目 Item分类方案
      Classification
      scheme
      桉树Eucalyptus robusta八角
      Illicium
      verum
      米老排Mytilaria laosensis杉木Cunninghamia lanceolata马尾松
      Pinus
      massoniana
      湿地松
      Pinus
      elliottii
      其他阔叶树种
      Other
      broadleaved tree species
      制图精度
      Mapping accuracy/%
      ICA 95.27 86.38 82.37 88.62 83.06 71.25 62.43
      ICA + 单尺度纹理
      ICA + single scale texture
      93.91 87.31 90.54 90.17 87.21 90.08 68.72
      ICA + 多尺度纹理
      ICA + multi-scale texture
      94.63 87.31 90.54 90.34 93.33 93.13 74.20
      用户精度
      User
      accuracy/%
      ICA 91.95 74.80 90.65 82.37 75.70 83.58 75.32
      ICA + 单尺度纹理
      ICA + single scale texture
      93.98 83.93 86.13 90.33 84.47 81.01 81.59
      ICA + 多尺度纹理
      ICA + multi-scale texture
      94.25 86.77 89.68 90.50 85.76 82.62 87.40
      总体精度
      Overall accuracy/%
      ICA 83.08
      ICA + 单尺度纹理
      ICA + single scale texture
      87.11
      ICA + 多尺度纹理
      ICA + multi-scale texture
      89.13
      Kappa系数
      Kappa coefficient
      ICA 0.798
      ICA + 单尺度纹理
      ICA + single scale texture
      0.846
      ICA + 多尺度纹理
      ICA + multi-scale texture
      0.870

      分析不同分类方案的分类结果,在仅基于ICA变换光谱特征的分类中,总体精度为83.08%,Kappa系数为0.798,其中桉树的分类精度最高,其制图精度和用户精度相差很小,说明采取SVM分类器分类时,对桉树的识别性较好,且识别稳定。其他阔叶树种和湿地松分类精度较低,其中其他阔叶树种主要被错分为八角和米老排,主要原因是树种具有相似的光谱特征,难以区分。湿地松由于和杉木相邻,并且光谱特征较为相似,因此很多被错分为杉木树种。

      加入纹理特征进行分类,结合单一尺度纹理特征的分类结果总体精度为87.11%,Kappa系数为0.846,相比于基于光谱特征的分类结果总体精度提升了4.03%。结合不同尺度纹理特征的分类中,总体精度达到89.13%,Kappa系数为0.87,高于光谱特征总体分类精度6.05%。将不同尺度纹理特征和单一尺度纹理特征的分类精度进行对比,结合不同尺度纹理特征的树种分类精度要高于单一尺度纹理特征,尤其在其他阔叶树种和马尾松树种的分类中,制图精度较单一纹理尺度分别提高了5.48%和6.12%,因此在基于高光谱影像的面向对象树种分类中,使用不同尺度纹理特征可以获得更高的分类精度。

      分析各树种的分类精度,纹理特征的加入对于多数树种的分类精度都有所提高,在结合单一尺度纹理特征分类时,湿地松的制图精度提升最大,相比于光谱特征提升了18.83%,由于湿地松和杉木具有不同的纹理特征,加入纹理信息后减少了两种树种的错分类和误分类,从而提高了树种的分类精度,然而桉树树种的制图精度在加入纹理特征后有所降低。

    • 随着遥感数据空间分辨率的提高,在应用光谱信息的同时空间信息得到越来越广泛的应用[24]。由于树种林冠结构和生长状态的不同,针叶树和阔叶树的纹理特征也不同。在利用GLCM提取纹理的过程中,纹理提取的结果与不同的窗口滑动方向、窗口滑动距离和窗口大小密切相关。本研究提取了不同纹理窗口的纹理特征,通过分析各树种适合的纹理窗口大小,利用不同尺度纹理特征进行树种分类,相比于基于光谱特征的分类精度有较大的提高,说明纹理特征的加入能够显著提升面向对象树种分类的精度,使得纹理特征得到有效利用。

      对比不同尺度纹理特征和单一尺度纹理特征的分类精度,利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势,同时在利用不同尺度纹理特征分类时进行了分层分类,有效避免了针叶树种和阔叶树种的混分现象,提高了树种的分类精度。分析各树种的分类精度,纹理特征的加入对于多数树种的分类精度都有所提高,然而桉树树种的制图精度在加入纹理特征后有所降低,分析原因,主要是由于桉树树种种植年份不同,其树冠大小和形态有所差异,纹理信息也有所不同,因此对于不同年份种植的相同树种,纹理信息的加入可能会降低树种的分类精度。

    • 本文针对机载高光谱影像,结合光谱特征和不同尺度纹理特征进行面向对象的树种分类,并与单一尺度纹理特征和光谱特征的分类结果进行对比。得出以下结论:(1)在面向对象的树种分类中,采用分层分类的策略可以避免各地物混淆,提高总体的分类精度;(2)纹理特征可以有效区分具有相似光谱特征的树种,在面向对象的分类中能够显著提升树种分类的精度,同时利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势,提高了纹理特征在树种分类中的贡献率;(3)综合利用机载高光谱影像的光谱特征和不同尺度纹理特征的面向对象分类方法,使得树种识别更为精细和准确,对于复杂林分中的树种识别是有效的,能够满足机载高光谱影像树种精细识别的应用需求。

      本研究提取纹理特征时采用了4个纹理方向的平均值作为特征值,不同树种在不同方向上的纹理特征有一定的区别,因此拟进一步研究不同纹理方向提取的纹理特征对树种分类结果的影响。另外在面向对象的分类中可以挖掘更多的信息,如高光谱数据的频谱信息以及不同树种垂直结构差异等信息,在此基础上提高树种分类的精度。同时,在面向对象的图像分割中,分割参数难以自适应确定,具有一定的主观性,因此分割参数的快速优化和改进需要进一步研究。

参考文献 (24)

目录

    /

    返回文章
    返回