面向对象遥感图像分类,处理的最小单元不再是像元,而是含有更多语义信息的多个相邻像元组成的影像对象,在分类时更多的是利用对象的几何信息以及影像对象之间的语义对象、纹理信息、拓扑关系,而不仅仅是单个对象的光谱信息。

遥感影像分类中,什么是面向对象分类???

传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富,地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像,传统的分类方法,就会造成分类精度降低,空间数据的大量冗余,并且其分类结果常常是椒盐图像,不利于进行空间分析。为解决这一传统难题,模糊分类技术应运而生。模糊分类是一种图像分类技术,它是把任意范围的特征值转换为 0 到 1 之间的模糊值,这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值,即使对于不同的范围和维数的特征值组合,模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。对于影像分类来说,基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类,这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的,很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要,举例来说,城市绿地与某些湿地在光谱信息上十分相似,在面向对象的影像分析中只要 明确城市绿地的背景为城市地区,就可以轻松地区分绿地与湿地,而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的,在遥感影像分析中具有巨大的潜力,要建立与现实世界真正相匹配的地表模型,面向对象的方法是目前为止较为理想的方法。面向对象的处理方法中最重要的一部分是图像分割。

面向遥感图像分类基于注意力机制,你有哪些了解算法?

传统的基于像素的遥感图像处理方法是基于遥感图像丰富的光谱信息和地面物体之间明显的光谱差异。对于只有几个波段的高分辨率遥感影像,传统的分类方法会导致分类精度降低和大量的空间数据冗余,分类结果往往是椒盐图像,不利于进行空间分析。为了解决这一传统问题,模糊分类技术应运而生。模糊分类是一种图像分类技术,它将任何范围的特征值转化为0到1之间的模糊值,表示属于某个指定类别的程度。

通过将特征值转化为模糊值,模糊分类可以使特征值标准化,即使是具有不同范围和维度的特征值的组合。模糊分类还提供了一个清晰的、可调整的特征描述。对于图像分类,基于像素的信息提取是根据表面上一个像素范围内的平均辐射值对每个像素进行分类。这种分类原则使得高分辨率数据或具有明显纹理特征的数据中的单个像素的价值不大。在许多情况下(高分辨率或纹理图像数据),地面物体的分类特征是由纹理特征表示的,而不仅仅是由光谱信息表示的。

除此以外,所有这些背景信息在图像分析中都非常重要,例如,城市绿地与一些湿地在光谱信息上相当相似,只要在面向对象的图像分析中明确城市绿地的背景为城市地区,就可以很容易地区分绿地和湿地,在基于像素的分类中,几乎不使用这种背景信息。面向对象的图像分析技术是在空间信息技术的长期发展过程中产生的,在遥感图像分析中具有很大的潜力。

到目前为止,面向对象的方法是一种比较理想的方法,可以建立一个与现实世界相匹配的地面模型。面向对象的处理方法中最重要的部分是图像分割。随着地球观测任务的逐步细化,高分辨率的遥感卫星图像得到了越来越广泛的应用。这给遥感图像分类方法带来了挑战。现有的研究表明,基于像素的高分辨率遥感图像分类存在着明显的局限性。近年来,基于对象的图像分析(OBIA)被认为是遥感和地理信息科学的一个重要趋势,在高分辨率遥感图像处理中变得越来越突出。

面向对象遥感图像分类和基于像素分类方法的相比较的区别有那些?

1、反差:

关系数是变量之间相关程度的指标。样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1]。|r|值越大,误差Q越小,变量之间的线性相关程度越高;|r|值越接近0,Q越大,变量之间的线性相关程度越低。γ>0为正相关,γ<0为负相关。

2、方差:

两者呈正相关,r呈正值,r=1时为完全正相关;如两者呈负相关则r呈负值,而r=-1时为完全负相关。完全正相关或负相关时,所有图点都在直线回归线上;点子的分布在直线回归线上下越离散,r的绝对值越小。

3、均值滤波:

协方差作为描述X和Y相关程度的量,在同一物理量纲之下有一定的作用,但同样的两个量采用不同的量纲使它们的协方差在数值上表现出很大的差异。均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板。

4、中值:

两个不同参数之间的方差就是协方差若两个随机变量X和Y相互独立,则E[(X-E(X))(Y-E(Y))]=0,因而若上述数学期望不为零,则X和Y必不是相互独立的,亦即它们之间存在着一定的关系。

5、众数:

线性滤波的基本原理是用均值代替原图像中的各个像素值,即对待处理的当前像素点(x,y),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在该点上的灰度个g(x,y)。

6、协方差:

相γ=0表示不相关;γ的绝对值越大,相关程度越高。再用模板中的全体像素的平均值来代替原来像素值。 均值滤波也称为线性滤波,其采用的主要方法为领域平均法。,即个g(x,y)=1/m ∑f(x,y) m为该模板中包含当前像素在内的像素总个数。