多尺度分割是面向对象地物信息提取技术中的重要方法之一。最优分割尺度的选取是该方法的研究热点。针对现有最优分割尺度选取方法大多仅利用对象光谱特征的局限,本文提出RMNE(the ratio of mean difference to neighbors (Abs) to entr...多尺度分割是面向对象地物信息提取技术中的重要方法之一。最优分割尺度的选取是该方法的研究热点。针对现有最优分割尺度选取方法大多仅利用对象光谱特征的局限,本文提出RMNE(the ratio of mean difference to neighbors (Abs) to entropy)方法,利用纹理特征的信息熵和光谱特征与邻域均值差分绝对值进行对象内部同质性和对象之间异质性的衡量,构建评价函数,通过绘制函数曲线选取最优分割尺度。以北京市城市边缘地区6 m空间分辨率的SPOT6多光谱影像为例进行多尺度分割,获得最优分割尺度组合为30,60和80,并与最大面积法和优度函数法选取的最优分割尺度对应的分割结果进行对比。结果表明,RMNE方法的分割结果最好,验证了该方法的有效性和对高空间分辨率影像的适用性;通过与Google Earth影像对比,发现RMNE方法分割得到的影像对象大小与地物实际大小最为相符。展开更多
针对现有的高分辨率遥感影像面向对象分类确定最优分割尺度研究中,大多仅考虑了对象光谱特征而忽略了对象空间特征的局限性,采用RMNE(the ratio of mean difference to neighbors(Abs)to entropy)方法,以高分二号(GF-2)影像为数据源,利...针对现有的高分辨率遥感影像面向对象分类确定最优分割尺度研究中,大多仅考虑了对象光谱特征而忽略了对象空间特征的局限性,采用RMNE(the ratio of mean difference to neighbors(Abs)to entropy)方法,以高分二号(GF-2)影像为数据源,利用影像纹理信息熵作为对象内部同质性指标,对象光谱均值与邻域光谱均值差分绝对值作为对象之间异质性指标,并结合目视确定茶园最优分割尺度为170,进而利用面向对象分类方法实现了茶园提取。结果表明,基于RMNE方法确定最优分割尺度获取的分割结果,较为符合真实的茶园对象边界,并且该分割尺度下的茶园提取生产者精度达到96.76%,用户精度达到83.60%。展开更多
文摘多尺度分割是面向对象地物信息提取技术中的重要方法之一。最优分割尺度的选取是该方法的研究热点。针对现有最优分割尺度选取方法大多仅利用对象光谱特征的局限,本文提出RMNE(the ratio of mean difference to neighbors (Abs) to entropy)方法,利用纹理特征的信息熵和光谱特征与邻域均值差分绝对值进行对象内部同质性和对象之间异质性的衡量,构建评价函数,通过绘制函数曲线选取最优分割尺度。以北京市城市边缘地区6 m空间分辨率的SPOT6多光谱影像为例进行多尺度分割,获得最优分割尺度组合为30,60和80,并与最大面积法和优度函数法选取的最优分割尺度对应的分割结果进行对比。结果表明,RMNE方法的分割结果最好,验证了该方法的有效性和对高空间分辨率影像的适用性;通过与Google Earth影像对比,发现RMNE方法分割得到的影像对象大小与地物实际大小最为相符。
文摘针对现有的高分辨率遥感影像面向对象分类确定最优分割尺度研究中,大多仅考虑了对象光谱特征而忽略了对象空间特征的局限性,采用RMNE(the ratio of mean difference to neighbors(Abs)to entropy)方法,以高分二号(GF-2)影像为数据源,利用影像纹理信息熵作为对象内部同质性指标,对象光谱均值与邻域光谱均值差分绝对值作为对象之间异质性指标,并结合目视确定茶园最优分割尺度为170,进而利用面向对象分类方法实现了茶园提取。结果表明,基于RMNE方法确定最优分割尺度获取的分割结果,较为符合真实的茶园对象边界,并且该分割尺度下的茶园提取生产者精度达到96.76%,用户精度达到83.60%。
