基于对象模型与多点空间统计的高分辨率遥感影像分类策略

With the growing requirement of geo-spatial information, high-spatial resolution remote sensing technique demonstrates great advantages. Rich spatial details in high-spatial resolution imagery decide the complexity of the relevant classification. The object-based classification is to identify the objects in the form of lattice data with a finite data support. This method is used commonly for classifying high-spatial resolution remotely sensed imagery. Although classifiers involved with spatial information are common in pixel-based methods, most object-based classification algorithms do not fully utilize the spatial information in the imagery. Geostatistics, particularly multiple-point geostatistics, can explain and quantify spatial correlation and spatial variability of image objects, which can be seen as lattice data. It can be employed to classification methods to improve classification accuracy. This project proposes methods based on geostatistics to quantify and analyze spatial contextual information of object data, to measure spatial correlation between different data supports, and to improve and expand the current object-based classification techniques. The key techniques of the proposal include image segmentation and object-based lattice data formation, object-based spatial information quantification using geostatistics, scale modeling and transformation of image object, classifiers fusion, and the new method for accuracy assessment. The outcome of this research can promote integration of geostatistics and remote sensing, and dig more information potentials of high-spatial resolution data to better serve the related geographical applications.

随着地理空间信息需求的增长，高分辨率遥感的优势越发明显。高分影像蕴含了更丰富的地物细节，决定了其分类的复杂性。高分遥感一般采用面向对象的分类方法，即对有限数据支撑的网格数据的对象进行模式识别。尽管利用空间信息在像素级分类方法中已较常见，大部分面向对象的分类方法并没有充分利用这些空间信息。空间统计学尤其是多点空间统计能有效描述和量化影像对象这种特殊网格数据的空间相关性和异质性，与面向对象分类方法相结合，以提高分类精度。本课题提出利用空间统计学的理论，进行对象数据的空间上下文信息的量化与分析；理清不同数据支撑的空间信息计量方法；完善和扩展面向对象的分类方法。关键技术包括：影像分割与对象网格形成，基于空间统计的对象空间信息量化，影像对象的尺度建模与尺度转换，分类器融合，精度评定的新指标等。研究成果将促进空间统计学与遥感影像分析的融合，挖掘高分遥感数据的信息潜力，从而为地学应用提供更好的服务。

随着地理空间信息需求的增长，高分辨率遥感的优势越发明显。高分影像蕴含了更丰富的地物细节，决定了其分类的复杂性。高分遥感一般采用面向对象的分类方法，即对有限数据支撑的网格数据的对象进行模式识别。尽管利用空间信息在像素级分类方法中已较常见，大部分面向对象的分类方法并没有充分利用这些空间信息。空间统计学尤其是多点空间统计能有效描述和量化影像对象这种特殊网格数据的空间相关性和异质性，与面向对象分类方法相结合，以提高分类精度。本项目利用空间统计学的理论，进行对象数据的空间上下文信息的量化与分析；理清不同数据支撑的空间信息计量方法；完善和扩展面向对象的分类方法。关键技术包括：影像分割与对象网格形成，基于空间统计的对象空间信息量化，影像对象的尺度建模与尺度转换，分类器融合，精度评定的新指标等。该项目提出了一套基于空间统计的面向对象分类体系，完成了预期目标。第一个成果是提出了一种高效、高精度的分割方法，并引入空间自相关指数来评价影像分割的尺度，突破影像分割技术的瓶颈。第二个成果是在分类器中融合了地物的空间依赖模型，能从像素级分类扩展到对象级分类，实现了典型城区与复杂山区的高精度土地覆盖分类；并能提取森林环境下中等郁闭度的竹子，从而为大熊猫栖息地的适宜度评价提供关键参数，该成果解决了高分遥感影像分类时语义信息利用不充分的问题。第三个成果是进一步分析空间建模的分类方法未考虑对象形状异质性所造成的误差影响，从而首次提出一种基于数据支撑的影像对象空间关系的尺度转换模型，不仅进一步提高了分类精度，而且从数据驱动的层面解决了遥感影像分类中普遍存在的尺度效应问题。研究成果将促进空间统计学与遥感影像分析的融合，挖掘高分遥感数据的信息潜力，从而为地学应用提供更好的服务。