基于eCognition分类的森林蓄积量估测的研究.pdf(4)

此外，由于存在地物之间的遮挡，例如公路穿过森林的 路段由于树木遮挡和树木阴影的影像，在影像上若隐若现、断断续续，这时可以进行适 当地进行手动分割和合并，使其呈连续状，以便于信息的提取。 4.3 对象特征的提取与筛选 4.3.1 对象特征的提取特征就是某一物质自身所具备的特殊性质，是区别于其他地物的基本标志，同时也 是进行遥感影像分类的前提。遥感影像的特征包括颜色和形状特征，前者是指影像的色 调、颜色、阴影等，后者是指影像的图形结构特征，如大小、形状、纹理、结构、图像 格式、位置、组合等。在面向对象的遥感影像森林分类中，对象的特征信息主要包括：(1) 植被指数：主要有归一化植被指数和比值植被指数。① 归一化植被指数： ；NDVI 近红外- 红/ 近红外红② 比值植被指数：RVI近红外/ 红。(2) 光谱信息：主要包括灰度平均值和标准差。① 亮度（Brightness ）：包含光谱信息的图像各层灰度值均值除以层数；② 最大差分（Max diff ）：图像对象中各像元的最大值和最小值之差；③ 标准差（Standard deviation ）：通过对象中全部各层所有像元灰度值计算标准差。

(3) 基于灰度共生矩阵（GLCM ）的纹理：用两个位置的像元的联合概率密度定义， 不仅反映了亮度的分布特性，也反映了具有同样亮度或者接近亮度的像元之间的位置分 布特性。①GLCM 同质性（Homogeneity ）：如果影像是局部同质，而且灰度共生矩阵集中于 对角线，则同质性较大；164 基于eCognition 的林区遥感影像分类②GLCM 反差（Contrast ）：反差和同质性相反，是影像中局部变动数量的量度；③GLCM 异质性（Dissimilarity ）：与反差相似，线性增加，如果局部反差大，则异 质性大；④GLCM 熵（Entropy ）：若灰度共生矩阵的元素分布均匀，则熵较大，若元素接近 1 或0 ，则熵较小；⑤GLCM 均值（Mean ）：均值是对灰度共生矩阵的平均表达；⑥ GLCM 标准差（Stddev. ）：主要处理参考对象和相邻像元的结合，与原始影像的 灰度值标准差不同；⑦GLCM 相关性（Correlation ）：相邻像元灰度值线性独立的量度；⑧GLCM 角二阶矩（Ang.2nd monent ）。(4) 基于灰度差向量（GLDV ）的纹理：GLDV 就是GLCM 的对角线之和。

①GLDV 角二阶矩（Angular 2nd moment ）；②GLDV 熵（Entropy ）；③GLDV 反差（GLDV contrast ）；④GLDV 均值（GLDV mean ）。在实际操作时，可以在eCognition 软件中定义和选择需要的对象特征，在分割完成 后将所有的对象特征导出，可以得到含有全部所定义和选择的对象特征属性文件，保存 为Shapefile 文件，其中dbf 格式的文件记录了每一个对象的全部特征，可以用于后期进 行的影像分类。 4.3.2 对象特征的分析当对一幅分割后遥感影像进行完影像对象特征的提取后，为了便于后期的分类工[23] 作，需要对所提取的对象特征进行分析 。主要包括对象特征所包含信息量的分析，以 及对象特征是否服从正态分布的分析。(1) 对象特征包含信息量的分析在一般情况之下，可以把方差作为衡量某个对象特征所包含信息量的量度。通常总 体方差越大，所包含的信息量就越大，总体方差越小，所包含的信息量就越小。我们可 以对对象特征的均值、标准差和变异系数进行分析比较。找出其中量值较小的对象特征， 并考虑是否将其删除。(2) 对象特征的正态分布检验因为对象特征的分布情况直接会影响分类器的选择，通常参数分类器都要求训练样 本服从正态分布，并且具有良好的统计特性，因此必须进行对象特征的正态分布检验。

常用的正态分布检验方法为：对分布的偏度和峰度用0 指标进行检验，当频数分布 为正态时，偏度系数与峰度系数分别近似等于 0 ，若其中只有一个指标近似等于 0 ，那17西安科技大学硕士学位论文g1g 2 么就表示其单一服从正态分布。如果设偏度系数为 ，峰度系数为 ，那么具体计算 如下所示： 3n x xg 13(4.3)    2  2n 1 n 2 x x / n 1   4 2n n 1 x x3 n 1g 22 (4.4)2          n 2n 3n 1 n 2 n 3 x x / n 1xx 其中 表示某一个对象在一定对象特征中的值，而 表示所有对象在一定对象特征中的 均值。对以上两式分别进行计算就可以确定样本特征的正态分布情况。 4.3.3 对象特征的筛选提取对象特征信息的最终目的是为了从尽可能多的不同角度综合地描述某一类型 对象区别于其他类别的本质特征。一般来说少量特征很难全面地表达出一个类别的本质 特征，但是并不能说特征越多越好，因为随着特征维数的增加，会出现较多的问题：(1) 当对象特征间存在着多重相关性时，某一因子成为其它某些因子的线性组合， 因此该特征的存在不但不会增加信息量，而且还会使其协方差矩阵出现病态，导致分类 计算无法进行，因此必须将其剔除。

(2) 一些特定的地物或者类型不需要较多的特征就可以将其进行分类，太多的特征 反而不易于将其和其他地物进行区分ecognition破解版下载，从而降低了这些地物的分类精度。(3) 受分类方法本身的限制，使得分类的特征量并不能无限增高，太高的特征量将 会影像分类算法的进行，也会降低分类的精度。(4) 特征量太大会使计算量增大，使运算速度减慢，降低工作的效率。对象特征的选择是遥感影像分类的重要环节之一，面向对象的影像分析方法可以提 取大量的对象特征，但是由于对象特征之间可能存在的相关性，并且一些对象特征所包 含的信息量很有限，会影像分类算的进行，降低分类的精度，所以必须对所提取的对象 特征进行筛选。在筛选过程中应该遵循以下原则：(1) 所选择的对象特征或特征组合的信息量最大。(2) 所选择的对象特征之间的相关性最小。在一般情况下，就是要使得所选择的对象特征的方差尽可能大，而对象特征之间的 相关性最小。对象特征筛选的方法很多，大致可以分为两类：一类是从众多对象特征中 选择感兴趣的若干对象特征，或者选择信息量大、相关性小的若干对象特征；另一类是184 基于eCognition 的林区遥感影像分类 利用所有的对象特征，通过数字变换进行压缩，例如主成分分析（PCA ）、典型分析（CA ） 等。

第二种方法改变了对象特征原有的物理意义，信息保真度较差，从而使得影像地物 的识别变得复杂。因此，很多专家学者在研究森林遥感影像分类的过程中，提出了基于 相关系数的对象特征筛选方法。基于相关系数的对象特征选择方法的基本思路是：先利用标准差和简单相关系数对 对象特征进行初步选择，然后对初步选择的对象特征，利用方差扩大因子进行最终选择， 具体方法为：按照所提取的对象特征的顺序，将它们用 维变量 表示，即：nxx x ,x , ,x T(4.5)1 2nm因为经过分割后，会得到 个影像对象，则 个对象特征就可以表示为：nx11 x12  x1n x21 x22  x2nX      (4.6)xx x m1m2mn 若中心化矩阵为 ，则 个对象特征的总体协方差矩阵可表示为：Xn 2 2   2  11121n 2221 '   SX X  21222n (4.7)n      2 2   2 n1n 2nn  式中， 为第 个对象特征与第 个对象特征的协方差，当ij 时， 为第 个对象特ijijiji 征的方差，即协方差矩阵对角线上的个元素是对应对象特征的总体方差。

为了消除量纲 对协方差的影像，对各因子进行标准化：' x xix i(4.8)x~X 于是就可以得到中心标准化矩阵 ，则各个对象特征之间的相关矩阵可表示为：r11 r12  r1n '1 ~ ~ r21 r22  r2n R n X X    (4.9)r r r n1 n 2nn 22 2 式中，第 个特征和第 个特征之间的相关系数为r /   。当r0.90 时，可ijij ijii jjij 以认为第 个对象特征和第 个对象特征之间有很强的相关性，另一方面，考虑到各对ij19西安科技大学硕士学位论文 象特征的方差反映了该对象特征所包含的信息量，所以在对第 个对象特征和第 个对ij 象特征的筛选问题上，需要保留方差较大的那个对象特征，而将方差较小的对象特征进 行剔除，从而完成对象特征的初选工作。仅仅凭借简单的相关系数还不能诊断出多重相关性的存在，为了诊断出各个光谱信VIF 息和纹理信息之间可能存在的多重相关性，还需要利用方差扩大因子 进行检验，具i 体方法如下：1VIF 1R 2 (4.10)ii2 式中， 是以第 个对象特征为因变量，以其它对象特征为自变量回归时的复相关系数，RiiVIFVIF 所有因变量中最大的 被用来作为衡量多重相关性的指标，如果最大的大于10，ii 就表明存在多重相关性，一般情况下：1VIF1R 2  2 2(4.11)10  1R0.1R0.9iiiiVIF 即如果发现有光谱特征和纹理特征的 大于10，就说明所对应的对象特征与其它对象i 特征进行线性回归时R 20.9 。

从而认为该对象特征是其它对象特征的近似线性组合，i 即各对象特征之间存在着高度的相关性。采用方差、正态分布性、简单相关性和多重相关性进行对象特征的筛选之后，可以 剔除大部分的对象特征，并且使得保留下来的对象特征可以保持原有的含义不变、相互 独立以及具有一定的信息量，为随后进行的分类工作提供可靠的保证。 4.4 分类方案的确定遥感影像的分类是由影像生成专题图，从而表示地球表面地物的空间分布的过程。[2] 遥感影像的分类方法很多，这些方法从不同的出发点可以归结为不同的类型 。本文中 将使用监督分类的方法，通过参数分类器（最邻近法）对监测林区的遥感影像进行分类。在森林资源规划设计中，森林遥感影像分类主要依据森林/土地的覆盖特性结合现实 利用方式进行。小班的划分考虑十个基本条件：(1)权属不同；(2)森林类别以及林种不 同；(3)生态公益林的事权与保护等级不同；(4)林业工程类型不同；(5)土地类型不同； (6)林木起源不同；(7)优势树种不同；(8)龄组不同；(9)郁闭度不同；(10)林型不同。而 在一般遥感影像分类中，如果没有丰富的辅助资料，例如森林/土地利用规划图、森林分 类区划界定图、林业工程规划设计图等，是很难根据上述的小班划分条件进行森林分类 的，多以，森林遥感影像分类一般都是根据地表森林的覆盖特性进行分类的。

4.4.1 训练对象的选取训练样本是监督分类的关键，通常情况下，训练样本必须是均质的，并且不能含有204 基于eCognition 的林区遥感影像分类 其他的类别，也不能是和其他类别的边界或混合的相元，其形状和位置必须同时在影像[33] 和实地容易识别定位 。虽然根据上述原则可以很容易地选取一定数量的训练样本，但是实际上，在所选择 的训练样本中，一些样本的对象特征存在着较大的变异，这些变异的存在会在一定程度 上影像分类的准确度，因此，对所选择的训练样本应该进行筛选。通常训练样本的筛选 采用标准差法进行，具体方法为：T设某类别训练样本各个对象特征的均值向量为Xx ,x , ,x  ，其相应的标准差1 2 n 向量为Stdstd ,std ,,std T ，对于某一个训练样本Xx ,x , x T 如果：1 2n1 2 nx x kStd ,i 1,2, ,n(4.12)i ii 则必须删除该样本。式中， 为常数，一般取k = 2 ，即如果某一样本的某个对象特征与k 该特征均值之差的绝对值如果超过了二倍的该特征标准差，则须将该样本剔除。

以及 类别判别步骤，采用与所述第i特征量空间中的所述块图像的特征量的大小对应的坐标位置以及所述分离平面，判别所述块图像是否被分类为所述类别， 在所述特征量计算步骤中， 采用根据该块图像的图像信息算出的局部特征量以及根据所述对象图像整体的图像信息算出的整体特征量，作为所述块图像的特征量，并且 在以所述块图像的多个特征为坐标轴的第2特征量空间中，采用组合所述块图像的多个所述局部特征量而成的特征量矢量的坐标位置和所述第2特征量空间的一个或多个任意区域，按照每个区域对具有属于所述区域的所述特征量矢量的所述块图像进行计数，将按照每个区域计得的所述块图像的数量包含在所述整体特征量中。以及 类别判别部，其采用与所述第i特征量空间中的所述块图像的特征量的大小对应的坐标位置以及所述分离平面，判别所述块图像是否被分类为所述类别， 所述特征量计算部采用根据该块图像的图像信息算出的局部特征量以及根据所述对象图像整体的图像信息算出的整体特征量，作为所述块图像的特征量，并且， 在以所述块图像的多个特征为坐标轴的第2特征量空间中，采用组合所述块图像的多个所述局部特征量而成的特征量矢量的坐标位置和所述第2特征量空间的一个或多个任意区域，按照每个区域对具有属于所述区域的所述特征量矢量的所述块图像进行计数，将按照每个区域计得的所述块图像的数量包含在所述整体特征量中。以及类别判别部，其采用与所述第i特征量空间中的所述块图像的特征量的大小对应的坐标位置以及所述分离平面，判别所述块图像是否被分类为所述类别，所述特征量计算部采用根据该块图像的图像信息算出的局部特征量以及根据所述对象图像整体的图像信息算出的整体特征量，作为所述块图像的特征量，并且，在以所述块图像的多个特征为坐标轴的第2特征量空间中，采用组合所述块图像的多个所述局部特征量而成的特征量矢量的坐标位置和所述第2特征量空间的一个或多个任意区域，按照每个区域对具有属于所述区域的所述特征量矢量的所述块图像进行计数，将按照每个区域计得的所述块图像的数量包含在所述整体特征量中。

针对面向对象遥感影像分类方法的特点，分析 了影像经过分割后形成影像对象的数据空间特点， 对分类中的训练样本数量的选择进行了研究，讨论 了训练样本数量对分类精度的影响，指出了面向对 象分类中的样本选择数量比通常的选取规则可以大 大减少，而且与所分析数据空间的复杂程度相关。 ４结论从理论上讨论了面向对象方法中的训练样本数 量选择问题，给出了面向对象影像分类中选择训练 样本数量的理论依据，并通过ＴＭ影像分类实验，进 一步说明了训练样本数对分类精度的影响，指出了 万方数据 薄树奎等：训练样本数目选择对面向对象影像分类方法精度的影响１１１１ 面向对象分类中的样本数量比通常的选取规则可以 大大减少，而且与所分析数据空问的复杂程度相关。在面向对 象影像分类方法中，分类处理的对象不是像素而是影 像对象，所选择的训练样本也是影像对象，也就是一 组像素组成的一个同质区域作为一个单一样本，这样 的样本具有单一的光谱性质，因此与面向像素的方法 相比，待分析的数据量大大减小。

ecognition提供的精度评价工具简单易用，误差矩阵（混淆矩阵）、kappa系数等概念也与常规遥感软件无异，由于它是基于模糊逻辑的软分类，精度评价里又多了一个“分类稳定性”指标，感觉很科学。 首先你做分类的时候要选好分类的地区影像， 一般要求要有地面数据支持， 也就是说要知道你待分类的影像的地物类别， 这样在你的分类完成后才可能评价你的分类精度， 分类精度的评价一般是用混淆矩阵来评价， 从混淆矩阵中算出总精度和 kappa 系数就可作为分类精度了。1、 混淆矩阵（confusion matrix） : 主要用于比较分类结果和地表真实信息， 可以把分类结果的精度显示在一个混淆矩阵里面。