CN105279521A - 基于空间抽样的遥感影像分类结果精度检验方法 - Google Patents
基于空间抽样的遥感影像分类结果精度检验方法 Download PDFInfo
- Publication number
- CN105279521A CN105279521A CN201510626946.3A CN201510626946A CN105279521A CN 105279521 A CN105279521 A CN 105279521A CN 201510626946 A CN201510626946 A CN 201510626946A CN 105279521 A CN105279521 A CN 105279521A
- Authority
- CN
- China
- Prior art keywords
- remote
- classification
- sensing image
- data analysis
- analysis module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于空间抽样的遥感影像分类结果精度检验方法,包括针对所研究区域内遥感影像分类结果的精度检验,设计一种优化方法选择空间上的最佳样本点,该方法充分考虑遥感数据之间的空间相关性,采用Moran’s?I量化遥感数据像元之间的距离与相关性之间的关系,从而在研究区域内选择最佳的样本点,在保证检验精度的同时,减少样本冗余,提高检验效率。采用该种结构的基于空间抽样的遥感影像分类结果精度检验方法具有实用性广,检验效率高等优点,适用于大面积遥感影像分类结果的精度检验。
Description
技术领域
本发明涉及数据处理领域,尤其涉及遥感影像,具体是指一种基于空间抽样的遥感影像分类结果精度检验方法。
背景技术
抽样理论作为遥感影像分类结果精度检验过程中的重要环节之一,已经被国内外学者广泛应用在土地资源监测、种植面积估算、自然灾害预测等多个领域。传统抽样的遥感影像分类结果精度检验方法,采用基于概率理论的抽样方法选取样本,通过对样本区域进行实地调查和取样,从而对遥感影像的分类结果进行精度评估和分析,典型的方法有:简单随机抽样、分层随机抽样、系统抽样和整群抽样等。由于遥感数据存在空间相关性,传统抽样理论忽略了空间对象之间的空间相关性,其样本数据存在信息冗余和调查费用高等缺点。
空间抽样理论顾及了空间对象之间的相关性和变异性,在地理研究、资源评估和农作物监测等领域有广泛应用。如李连发等人通过对空间数据的相关性进行量化,提出了空间抽样框架;王劲峰等人以分层抽样为基础,兼顾空间关联性提出了“三明治”空间抽样模型;王振华等人将模糊集理论与抽样检验理论相结合,提出了基于空间数据质量检验的二级抽样模型。这些理论将空间相关性理论应用抽样调查,一定程度上降低了空间数据的信息冗余。但如何应用空间相关性理论在空间上选择信息量大,冗余度小的样本点仍是一个亟待解决的问题。
发明内容
本发明的目的是克服了上述现有技术的缺点,提供了一种能够实现的基于空间抽样的遥感影像分类结果精度检验方法。
为了实现上述目的,本发明的基于空间抽样的遥感影像分类结果精度检验方法具有如下构成:
该基于空间抽样的遥感影像分类结果精度检验方法,其主要特点是,所述的方法包括以下步骤:
(1)数据采集模块获取研究区域的遥感影像;
(2)数据分析模块对所获取的遥感影像进行样本的布样;
(3)数据分析模块采用基于Moran’sI空间布样模型对样本点进行优化,以获取研究区域内的最佳样本点;
(4)结果分析模块采用基于误差矩阵的精度检验方法对所述的数据分析模块的结果进行精度检验。
进一步地,所述的数据采集模块获取研究区域的遥感影像,具体为:
所述的数据采集模块获取研究区域的低分辨率遥感影像和高分辨率遥感影像。
更进一步地,所述的数据分析模块对所获取的遥感影像进行样本的布样,具体包括以下步骤:
(2.1)所述的数据分析模块对所获取的低分辨率遥感影像进行预处理;
(2.2)所述的数据分析模块对经预处理的遥感影像采用简单随机抽样方法、系统抽样方法以及传统分层抽样方法进行样本的布样,以获取地图分类图。
再进一步地,所述的步骤(2)还包括以下步骤:
(2.a)所述的数据分析模块对所获取的高分辨率遥感影像进行几何纠正;
(2.b)所述的数据分析模块获取土地覆盖图。
再进一步地,所述的数据分析模块采用基于Moran’sI空间布样模型对样本点进行优化,以获取研究区域内的最佳样本点,具体包括以下步骤:
(3.1)所述的数据分析模块基于Moran’sI空间布样模型,对所述的遥感影像的像元之间的距离与所述的遥感影像的像元之间相关性的关系进行量化以获得像元之间的空间聚类程度;
(3.2)所述的数据分析模块选择研究区域内空间聚类程度最高的像元间对应的距离为最佳距离;
(3.3)所述的数据分析模块根据所述的最佳距离获取研究区域内的最佳样本点。
再进一步地,所述的数据分析模块根据所述的最佳距离获取研究区域内的最佳样本点,具体包括以下步骤:
(3.3.1)所述的数据分析模块获取研究区域内的最大经度差和最大纬度差;
(3.3.2)所述的数据分析模块分别将最大经度差、最大纬度差与像元间最佳距离相除,并将所得结果相乘以获得研究区域内的样本量。
再进一步地,所述的步骤(4)具体为:
所述的结果分析模块比较所述的地图分类图以及所述的土地覆盖图以进行精度检验。
再进一步地,所述的步骤(4)之后还包括以下步骤:
(5)对经传统抽样方法精度评价的地图分类图与基于空间抽样的方法精度检验结果进行对比分析,以验证所述的基于空间抽样的遥感影像分类结果精度检验方法的准确性。
采用本发明中的基于空间抽样的遥感影像分类结果精度检验方法,本发明首先采用简单随机抽样方法、系统抽样方法、传统分层抽样方法进行样本的布样,随后采用基于Moran’sI空间布样模型对样本点进行优化,并结合高分辨率的遥感影像,采用基于误差矩阵的精度检验模型对遥感分类结果进行精度评价,最后,对传统抽样方法精度评价与空间抽样方法精度检验结果进行对比分析,发现基于Moran’sI的空间抽样方法应用于遥感影像分类结果的精度检验在降低数据冗余的同时,还提高了精度检验的效率和准确性。
附图说明
图1为本发明的基于空间抽样的遥感影像分类结果精度检验方法的步骤流程图。
具体实施方式
为了能够更清楚地描述本发明的技术内容,下面结合具体实施例来进行进一步的描述。
请参阅图1所示,本发明是针对遥感影像分类结果的精度检验,设计一种优化方法选择空间上的最佳检验样本点。该方法充分考虑遥感数据之间的相关性,采用Moran’sI量化遥感数据像元之间的距离与相关性之间的关系,从而在研究区域内选择最佳的样本点,在保证检验精度的同时,减少样本冗余,提高检验效率。最后,通过对比性实验,验证该方法在检验遥感影像分类结果精度时的经济性和准确性。
基于空间抽样的遥感影像分类结果精度检验方法,采用基于Moran’sI的空间布样模型对遥感数据像元之间的距离与相关性之间的关系进行量化,从而在研究区域内选择最佳的样本点,并通过基于误差矩阵的精度检验方法对遥感影像分类结果进行精度检验。
根据上述的基于空间抽样的遥感影像分类结果精度检验方法,主要包括:
(1)卫星遥感影像的获取:分别获取待检验区域的高分辨率遥感影像与低分辨率遥感影像;
(2)遥感影像的处理与分类:对待检验低分辨率遥感影像进行标准化处理,采用极大似然法对待检验遥感影像进行分类提取;
(3)最佳距离选择:基于Moran’sI空间布样模型,对遥感数据像元之间的距离与相关性之间的关系进行量化,得到遥感数据像元间的空间聚类程度,选择研究区域内空间聚类程度最高的像元间对应的距离为最佳距离;
(4)空间布样:在研究区域内分别计算经度、纬度间的最大距离,即为最大经度差、最大纬度差,分别将最大经度差、最大纬度差与像元间最佳距离相除,所得值的乘积即为研究区域内的样本量,并根据随机布样方法、系统布样方法、传统分层布样方法进行样本点的空间分布;
(5)遥感影像分类结果的精度检验:采用基于误差矩阵的精度检验方法,通过总体精度比较和Kappa系数分析,检验遥感影像分类结果精度检验中新空间抽样方法的有效性。
在实际应用中,本发明的基于空间抽样的遥感影像分类结果精度检验方法主要包括以下处理步骤:
一、基于Moran’sI空间布样模型
Moran’sI是一种度量空间对象之间相关程度的重要参数,在空间自相关分析中得到了广泛的应用。通过对Moran’sI值的标准化计算(如公式1~2)得到遥感数据像元间的空间聚类程度,即z-score值(如公式3),z-score值越大表示空间聚类程度越高,通过z-score值,检索研究区域像元间的最佳距离,即遥感数据像元间在该距离内空间聚类程度最高。由该距离及对传统计算公式总结和创新推导研究区域内的样本量(如公式5)及样本点的空间分布。布样方法主要有随机布样方法、系统布样方法、分层布样方法。随机布样方法是将N个样本点随机的分布在研究区域内。系统布样方法是指样本点按一定的顺序和间隔排列的布样方法。分层抽样方法是样本点按照等比分层布样在各层中随机分布的布样方法。通过对样本点的空间分布及精度检验推导整个区域的精度水平。
其中,I表示Moran’sI指数值,n表示像元的总数,Wij表示像元i和j之间的空间权重,zi表示像元i的属性值,zj表示像元j的属性值,表示所有像元的属性平均值,S0表示所有空间权重的聚合,Z表示空间聚类程度z-score标准化值,E(I)表示Moran’sI的期望,V(I)表示Moran’sI的方差,d表示欧氏距离,xi表示单元i的经度,xj表示单元j的经度,yj表示单元j的纬度,yi表示单元i的纬度,xmax表示所有像元中最大经度,xmin表示所有像元中最小经度,ymax表示所有像元中最大纬度,ymin表示所有像元中最小纬度,n′表示抽样方法所需样本量,d′表示依据I选择的最佳距离。
二、基于误差矩阵的精度检验模型
误差矩阵用于遥感影像分类结果和真实土地类型信息的比较,参考指标有用户精度、总体精度、Kappa系数等。用户精度为每类像元被正确分类的精度,由该类土地类型中正确分类的像元数与该类土地类型总像元数之比获得;总体精度为总体像元被正确分类的精度,由各类土地类型中被正确分类的像元总和与总像元数之比获得。Kappa系数是在综合了用户精度和总体精度两个参数上提出的一个最终指标,Kappa系数越高说明分类结果精度越高。
式中K是Kappa系数,r是误差矩阵的行数,xii是行列(主对角线)上的像元的数量,xi+和x+i分别是第i行的和与第i列的和,n′是样本点总数。
采用本发明中的基于空间抽样的遥感影像分类结果精度检验方法,本发明首先采用简单随机抽样方法、系统抽样方法、传统分层抽样方法进行样本的布样,随后采用基于Moran’sI空间布样模型对样本点进行优化,并结合高分辨率的遥感影像,采用基于误差矩阵的精度检验模型对遥感分类结果进行精度评价,最后,对传统抽样方法精度评价与空间抽样方法精度检验结果进行对比分析,发现基于Moran’sI的空间抽样方法应用于遥感影像分类结果的精度检验在降低数据冗余的同时,还提高了精度检验的效率和准确性。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (8)
1.一种基于空间抽样的遥感影像分类结果精度检验方法,其特征在于,所述的方法包括以下步骤:
(1)数据采集模块获取研究区域的遥感影像;
(2)数据分析模块对所获取的遥感影像进行样本的布样;
(3)数据分析模块采用基于Moran’sI空间布样模型对样本点进行优化,以获取研究区域内的最佳样本点;
(4)结果分析模块采用基于误差矩阵的精度检验方法对所述的数据分析模块的结果进行精度检验。
2.根据权利要求1所述的基于空间抽样的遥感影像分类结果精度检验方法,其特征在于,所述的数据采集模块获取研究区域的遥感影像,具体为:
所述的数据采集模块获取研究区域的低分辨率遥感影像和高分辨率遥感影像。
3.根据权利要求2所述的基于空间抽样的遥感影像分类结果精度检验方法,其特征在于,所述的数据分析模块对所获取的遥感影像进行样本的布样,具体包括以下步骤:
(2.1)所述的数据分析模块对所获取的低分辨率遥感影像进行预处理;
(2.2)所述的数据分析模块对经预处理的遥感影像采用简单随机抽样方法、系统抽样方法以及传统分层抽样方法进行样本的布样,以获取地图分类图。
4.根据权利要求3所述的基于空间抽样的遥感影像分类结果精度检验方法,其特征在于,所述的步骤(2)还包括以下步骤:
(2.a)所述的数据分析模块对所获取的高分辨率遥感影像进行几何纠正;
(2.b)所述的数据分析模块获取土地覆盖图。
5.根据权利要求4所述的基于空间抽样的遥感影像分类结果精度检验方法,其特征在于,所述的数据分析模块采用基于Moran’sI空间布样模型对样本点进行优化,以获取研究区域内的最佳样本点,具体包括以下步骤:
(3.1)所述的数据分析模块基于Moran’sI空间布样模型,对所述的遥感影像的像元之间的距离与所述的遥感影像的像元之间相关性的关系进行量化以获得像元之间的空间聚类程度;
(3.2)所述的数据分析模块选择研究区域内空间聚类程度最高的像元间对应的距离为最佳距离;
(3.3)所述的数据分析模块根据所述的最佳距离获取研究区域内的最佳样本点。
6.根据权利要求5所述的基于空间抽样的遥感影像分类结果精度检验方法,其特征在于,所述的数据分析模块根据所述的最佳距离获取研究区域内的最佳样本点,具体包括以下步骤:
(3.3.1)所述的数据分析模块获取研究区域内的最大经度差和最大纬度差;
(3.3.2)所述的数据分析模块分别将最大经度差、最大纬度差与像元间最佳距离相除,并将所得结果相乘以获得研究区域内的样本量。
7.根据权利要求6所述的基于空间抽样的遥感影像分类结果精度检验方法,其特征在于,所述的步骤(4)具体为:
所述的结果分析模块比较所述的地图分类图以及所述的土地覆盖图以进行精度检验。
8.根据权利要求7所述的基于空间抽样的遥感影像分类结果精度检验方法,其特征在于,所述的步骤(4)之后还包括以下步骤:
(5)对经传统抽样方法精度评价的地图分类图与基于空间抽样的方法精度检验结果进行对比分析,以验证所述的基于空间抽样的遥感影像分类结果精度检验方法的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510626946.3A CN105279521B (zh) | 2015-09-28 | 2015-09-28 | 基于空间抽样的遥感影像分类结果精度检验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510626946.3A CN105279521B (zh) | 2015-09-28 | 2015-09-28 | 基于空间抽样的遥感影像分类结果精度检验方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279521A true CN105279521A (zh) | 2016-01-27 |
CN105279521B CN105279521B (zh) | 2019-07-05 |
Family
ID=55148502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510626946.3A Active CN105279521B (zh) | 2015-09-28 | 2015-09-28 | 基于空间抽样的遥感影像分类结果精度检验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279521B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203790A (zh) * | 2017-06-23 | 2017-09-26 | 上海海洋大学 | 利用二级抽样模型的中国陆地夜光遥感分类精度评价方法 |
CN109740678A (zh) * | 2019-01-07 | 2019-05-10 | 上海海洋大学 | 基于多级不均匀空间抽样的遥感影像分类精度检验方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120011211A1 (en) * | 2010-07-08 | 2012-01-12 | Johnathon Smith | Personal message device and method |
CN103235974A (zh) * | 2013-04-25 | 2013-08-07 | 中国科学院地理科学与资源研究所 | 一种提高海量空间数据处理效率的方法 |
CN104809336A (zh) * | 2015-04-15 | 2015-07-29 | 同济大学 | 一种考虑空间相关性的区域要素抽样方法 |
-
2015
- 2015-09-28 CN CN201510626946.3A patent/CN105279521B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120011211A1 (en) * | 2010-07-08 | 2012-01-12 | Johnathon Smith | Personal message device and method |
CN103235974A (zh) * | 2013-04-25 | 2013-08-07 | 中国科学院地理科学与资源研究所 | 一种提高海量空间数据处理效率的方法 |
CN104809336A (zh) * | 2015-04-15 | 2015-07-29 | 同济大学 | 一种考虑空间相关性的区域要素抽样方法 |
Non-Patent Citations (1)
Title |
---|
孟雯等: ""基于空间抽样的区域地表覆盖遥感制图产品精度评估"", 《地球信息科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203790A (zh) * | 2017-06-23 | 2017-09-26 | 上海海洋大学 | 利用二级抽样模型的中国陆地夜光遥感分类精度评价方法 |
CN109740678A (zh) * | 2019-01-07 | 2019-05-10 | 上海海洋大学 | 基于多级不均匀空间抽样的遥感影像分类精度检验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105279521B (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141426B (zh) | 一种水下重力匹配导航适配区的方法 | |
CN102144923A (zh) | 用于减小扩散成像中的失真的方法和磁共振设备 | |
CN101478697A (zh) | 影像有损压缩质量评价方法 | |
US11836605B2 (en) | Meteorological big data fusion method based on deep learning | |
CN112966667B (zh) | 海面目标一维距离像降噪卷积神经网络识别方法 | |
CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
Ray et al. | Bayesian calibration of the Community Land Model using surrogates | |
CN103353988A (zh) | 异源sar景象特征匹配算法性能评估方法 | |
CN103226826A (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
CN103440500A (zh) | 高光谱遥感图像分类与识别方法 | |
CN113592786A (zh) | 一种基于深度学习的海洋中尺度涡检测方法 | |
CN111612241A (zh) | 智能船舶路径规划功能实现性的综合评价方法 | |
CN103279950A (zh) | 一种基于行列噪声标准差的遥感图像信噪比评估方法 | |
CN104778341B (zh) | 磁共振线圈合并系数计算方法、磁共振成像方法及其装置 | |
Huang et al. | Compressing multidimensional weather and climate data into neural networks | |
CN105279521A (zh) | 基于空间抽样的遥感影像分类结果精度检验方法 | |
CN104951800A (zh) | 一种面向资源开采型地区的遥感影像融合方法 | |
Mahoney et al. | Continental-scale canopy height modeling by integrating national, spaceborne, and airborne LiDAR data | |
CN116385871B (zh) | 一种森林生物量遥感估算方法、系统、设备及介质 | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
CN115759291B (zh) | 一种基于集成学习的空间非线性回归方法及系统 | |
CN107832805B (zh) | 一种基于概率位置模型消除空间位置误差对遥感软分类精度评价影响的技术 | |
CN105528623A (zh) | 一种基于地物类别分类冗余字典的成像光谱图像稀疏表示方法 | |
CN101271495A (zh) | 高效能空间抽样调查三明治模型方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |