硬核！林地调查监测分类“照片”这样拍！
来源:大疆行业应用
|
作者:luim2008
|
发布时间: 2020-03-11
|
11344 次浏览
|
分享到:
精灵 4 多光谱版将高精度的经纬度坐标写入图像中，真实反映自然资源现状。同时，它轻巧灵活、可达性强，能从空中抵达人工难以涉足的区域，多角度呈现信息，避免单一视角造成的信息误读，为自然资源进行地物调查提供真实有效信息。
研究区正射影像图
“多光谱”让地物分类更高效
如何对多光谱遥感影像数据进行特征提取与地物分类？首先，利用遥感影像分析软件，采用面向对象的方法对实验区的红树林物种进行精细分类。面向对象的方法首先要对遥感影像进行初始分割，得到一个个属性各异的同质区域，这些同质区域被称之为“对象”；然后，从这些影像对象中提取多种特征，如光谱、形状、纹理、结构和空间关系等；最后采用随机森林分类算法以完成最终的影像分类。
下面，我们逐一介绍本次研究中的这三个步骤。 01
影像分割
在 Ecognition 软件中使用面向对象的方法，对实验区的红树林物种进行精细分类。影像分割是面向对象分类的基础，分割算法将影像分为多个对象单元，特征提取、分类器分类等方法均基于对象操作，分割的准确度影响分类精度。本次实验采用多尺度分割算法，经过多次调试，确定分割尺度、形状因子和紧致度因子分别为 180、0.5、0.5。 02
确认分类原则及样本
根据试验区地块的属性，该地块包含老鼠簕、黄槿、卤蕨、秋茄、桐花树、银叶树、芦苇等 7 种主要植物；水体与人工建筑归为其它类型；阴影对分类结果影响较大，单独分为一类，共计 9 类地物。 03
根据算法，执行分类
第三步采用随机森林分类算法执行分类过程。将蓝、绿、红、红边、近红外波段均作为光谱特征。纹理特征使用灰度共生矩阵，包括同质性、熵、对比度、差异性、角二阶矩、自相关、均值和标准差，对数据的红、绿、蓝 3 个波段提取这 8 种纹理特征，共计 24 个纹理特征。 从无人机影像中提取的 DSM 信息，能够反映出不同树种的相对高差， DSM 与 DOM 的融合数据能够有效提高红树林地物分类精度，所以把从影像中提取的 DSM 数据作为高度特征。在实验区内均匀的选择训练样本，执行分类过程，得到如下图所示的最终分类结果。 
多光谱数据分类结果 在实地调查与目视解译的基础上，在研究区范围内均匀选取验证样本，最终对此次分类结果进行精度评价，得到本次实验分类的总体精度为 92.4%，Kappa 系数为 0.913。 采用高光谱和多光谱两种方式进行地物分类，从结果来看，多光谱分类总体精度（92.4%）略高于高光谱分类精度（89.3%）。可能是由于高光谱的大量冗余信息导致地物分类精度下降。
