CN107657262B - 一种计算机自动分类精度评价方法 - Google Patents

一种计算机自动分类精度评价方法 Download PDF

Info

Publication number
CN107657262B
CN107657262B CN201611264464.9A CN201611264464A CN107657262B CN 107657262 B CN107657262 B CN 107657262B CN 201611264464 A CN201611264464 A CN 201611264464A CN 107657262 B CN107657262 B CN 107657262B
Authority
CN
China
Prior art keywords
classification
remote sensing
automatic sorting
sensing image
computer automatic
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.)
Active
Application number
CN201611264464.9A
Other languages
English (en)
Other versions
CN107657262A (zh
Inventor
胡煜
王
王一
谢国钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Star Map Co Ltd
Original Assignee
Zhongke Star Map Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongke Star Map Co Ltd filed Critical Zhongke Star Map Co Ltd
Priority to CN201611264464.9A priority Critical patent/CN107657262B/zh
Publication of CN107657262A publication Critical patent/CN107657262A/zh
Application granted granted Critical
Publication of CN107657262B publication Critical patent/CN107657262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

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

本发明提供了一种计算机自动分类精度评价方法，其包括：形成各类地物边界野外实测点数据；获得覆盖研究区域的遥感影像数据，对所述遥感影像进行图像预处理；进行地物计算机自动分类，获得各类地物分类区块；计算各类地物边界线上野外实测点同基于计算机自动分类获得的对应类别区块边界间的临近距离，来评价遥感分类区块边界精度；以临近距离的均值、标准差作为分类区块边界精度评价指标；对计算机自动分类区块边界误差空间分布进行分析并制图，形成计算机自动分类区块边界误差空间分布图。本发明提供的方法，对计算机自动分类方法所获得的分类区块边界误差做定量评价和误差空间分析，能够对分类误差的空间分布进行描述和定量分析；且能够定量化误分类区块同真实类别间的接近程度。

Description

一种计算机自动分类精度评价方法
技术领域
本发明涉及遥感科学技术领域，具体是一种计算机自动分类精度评价方法。
背景技术
随着数字城市、数字国土和数字地球等一系列地理信息系统的实施与发展，遥感图像以其所含的丰富信息量和直观的表达，为人类从多视角与多尺度认识地球提供新的方法与新手段，遥感技术在土地利用、资源勘探、灾害监测、环境监测等领域得到广泛的应用，已经成为空间信息科学中的重要数据来源之一。随着高空间分辨率遥感数据的大量涌现，尤其是空间分辨率为0.5米的商业卫星的普及，高空间分辨率遥感数据的应用日益广泛。受遥感信息不确定性以及混合像元所限，导致遥感分类误差是客观存在的，需要对之进行科学、有效精度评价，而定量评价分类区块边界精度更显困难。
混淆矩阵是目前评价遥感分类精度的常用方法。通过混淆矩阵可以检查出遥感分类各类中同地面检验类别之间的吻合程度及错误分类比例。使用混淆矩阵作分类精度检验，存在三个问题：1)混淆矩阵无法提供分类误差的空间分布状况；2)混淆矩阵只能给出总体分类精度，而对于某些小区域，其分类精度同总体分类精度是有差异的；3)混淆矩阵只定量给出分类正确与否的评价，并没定量给出，错误分类的区块距离正确类别的接近程度。而这些信息在以精确识别边界线的分类中却是很重要的。在遥感分类误差空间分布研究方面，对于遥感分类区块边界精确精度检验未见成果。事实上，分类区块的边界处受混合像元影响严重，混淆矩阵精度评价方法难以对之进行客观的、有效的精度评价。
发明内容
针对现有的缺陷或不足，本发明提供了一种计算机自动分类精度评价方法，其特征在于包括以下步骤：
步骤1，选定研究区域，对研究区域内的各类地物边界线进行野外实测，获得实测点的坐标值及类别信息，形成各类地物边界野外实测点数据；
步骤2，获得覆盖研究区域的遥感影像数据，对所述遥感影像进行图像预处理；
步骤3，基于遥感影像数据，进行地物计算机自动分类，获得各类地物分类区块；
步骤4，计算各类地物边界线上野外实测点同基于计算机自动分类获得的对应类别区块边界间的临近距离，即两者间的最近距离，来评价遥感分类区块边界精度；
步骤5，以各类地物边界线上野外实测点同基于计算机自动分类获得的对应类别区块边界间的临近距离的均值、标准差作为分类区块边界精度评价指标；
步骤6，基于各类地物边界线上野外实测点同计算机自动分类区块边界间的临近距离和遥感影像数据，对计算机自动分类区块边界误差空间分布进行分析并制图，形成计算机自动分类区块边界误差空间分布图。
优选地，所述遥感影像数据为高分辨率卫星遥感影像数据，如ALOS，SPOT，QuickBird等数据。
优选地，所述步骤2，对所述遥感影像进行图像预处理包括：大气校正、几何校正、投影转换、剪裁拼接、影像融合中的一种或多种。
优选地，所述步骤3，基于遥感影像数据，进行地物计算机自动分类是基于ENVI软件实现。
优选地，所述步骤4，计算各类地物边界线上野外实测点同基于计算机自动分类获得的对应类别区块边界间的临近距离，是基于ArcGIS软件的分析工具模块实现。
本发明的一种计算机自动分类精度评价方法，可用于基于高空间分辨率遥感数据，对同样由本发明提出的计算机自动分类方法所获得的分类区块边界误差做定量评价和误差空间分析。与已有技术相比本发明的方法具有显著优势：在精度评价时，能够对分类误差的空间分布进行描述和定量分析；且能够定量化误分类区块同真实类别间的接近程度，在混合像元分析和高精度遥感应用中，具有重要意义。
附图说明
图1本发明所提出的方法流程图。
具体实施方式
为了更好地理解本发明，下面结合附图参考实施例的描述，对本发明的方法进行进一步的说明。
为了全面理解本发明，在以下详细描述中提到了众多具体细节。但是本领域技术人员应该理解，本发明可以无需这些具体细节而实现。在实施例中，不详细描述公知的方法、过程、组件，以免不必要地使实施例繁琐。
参见图1所示，本发明的一种计算机自动分类精度评价方法，其特征在于包括以下步骤：
步骤1，选定研究区域，对研究区域内的各类地物边界线进行野外实测，获得实测点的坐标值及类别信息，形成各类地物边界野外实测点数据；
步骤2，获得覆盖研究区域的遥感影像数据，对所述遥感影像进行图像预处理；
步骤3，基于遥感影像数据，进行地物计算机自动分类，获得各类地物分类区块；
步骤4，计算各类地物边界线上野外实测点同基于计算机自动分类获得的对应类别区块边界间的临近距离，即两者间的最近距离，来评价遥感分类区块边界精度；
步骤5，以各类地物边界线上野外实测点同基于计算机自动分类获得的对应类别区块边界间的临近距离的均值、标准差作为分类区块边界精度评价指标；
步骤6，基于各类地物边界线上野外实测点同计算机自动分类区块边界间的临近距离和遥感影像数据，对计算机自动分类区块边界误差空间分布进行分析并制图，形成计算机自动分类区块边界误差空间分布图。
优选地，所述遥感影像数据为高分辨率卫星遥感影像数据，如ALOS，SPOT，QuickBird等数据。
优选地，所述步骤2，对所述遥感影像进行图像预处理包括：大气校正、几何校正、投影转换、剪裁拼接、影像融合中的一种或多种。
优选地，所述步骤3，基于遥感影像数据，进行地物计算机自动分类是基于ENVI软件实现。
优选地，所述步骤4，计算各类地物边界线上野外实测点同基于计算机自动分类获得的对应类别区块边界间的临近距离，是基于ArcGIS软件的分析工具模块实现。
其中，所述步骤3，基于遥感影像数据，进行地物计算机自动分类，具体为：
步骤3-1，针对研究区域范围，设置分割尺度，对所述遥感影像进行影像分割，得到多个待分类区域：
步骤3-2，提取各待分类区域的光谱特征信息；
步骤3-3，采集所述遥感影像中所具有的全部地物类型作为影像分类的依据，将每一类型的样本采集数据输入到分割矢量结果中，并对样本点所在区域的属性进行属性标注；
步骤3-4，选择分类算法和相应参数，执行遥感影像地物的计算机自动分类。
其中，所述步骤3-1，所述分割尺度的确定根据地形的复杂程度来确定的，影像分割的尺度决定着分割的区块的细化程度，分割尺度越小则区块分割得越精细，在地形相对单一的地域采用的大分割尺度,反之则设置小的分割尺度。
其中，所述步骤3-4，采用的分类算法为：针对每个分割后的待分类区域i，分别求取其与各已知地物类型的样本区域j之间的相关性C，全部地物类型为n类，其中，
Xib为待分类区域i第b个像素的光谱特征值，为待分类区域i的光谱特征平均值，Xjc为样本区域j第c个像素的光谱特征值，为样本区域j的光谱特征平均值，Si为待分类区域i的像素面积，Sj为样本区域j的像素面积，a为调节参数；
对于每一个待分类区域i，分别计算得到其与n个类型的样本区域j之间的n个相关性数值，选取所述n个相关性数值中数值最大的相关性所对应地物类型，将该待分类区域i归类于所述地物类型。
其中，所述步骤3-2，所述光谱特征包括亮度、饱和度或色调。
可见，本发明的一种计算机自动分类精度评价方法，可用于基于高空间分辨率遥感数据，对同样由本发明提出的计算机自动分类方法所获得的分类区块边界误差做定量评价和误差空间分析。与已有技术相比本发明的方法具有显著优势：在精度评价时，能够对分类误差的空间分布进行描述和定量分析；且能够定量化误分类区块同真实类别间的接近程度，在混合像元分析和高精度遥感应用中，具有重要意义。
这里只说明了本发明的优选实施例，但其意并非限制本发明的范围、适用性和配置。相反，对实施例的详细说明可使本领域技术人员得以实施。应能理解，在不偏离所附权利要求书确定的本发明精神和范围情况下，可对一些细节做适当变更和修改。

Claims (5)

1.一种计算机自动分类精度评价方法，其特征在于包括以下步骤：
步骤1，选定研究区域，对研究区域内的各类地物边界线进行野外实测，获得实测点的坐标值及类别信息，形成各类地物边界野外实测点数据；
步骤2，获得覆盖研究区域的遥感影像数据，对所述遥感影像进行图像预处理；
步骤3，基于遥感影像数据，进行地物计算机自动分类，获得各类地物分类区块，具体为：
步骤3-1，针对研究区域范围，设置分割尺度，对所述遥感影像进行影像分割，得到多个待分类区域；
步骤3-2，提取各待分类区域的光谱特征信息；
步骤3-3，采集所述遥感影像中所具有的全部地物类型作为影像分类的依据，将每一类型的样本采集数据输入到分割矢量结果中，并对样本点所在区域的属性进行属性标注；
步骤3-4，选择分类算法和相应参数，执行遥感影像地物的计算机自动分类；
其中：
所述步骤3-1，所述分割尺度的确定根据地形的复杂程度来确定的，影像分割的尺度决定着分割的区块的细化程度，分割尺度越小则区块分割得越精细，在地形相对单一的地域采用的大分割尺度，反之则设置小的分割尺度；
所述步骤3-4，采用的分类算法为：针对每个分割后的待分类区域i，分别求取其与各已知地物类型的样本区域j之间的相关性C，全部地物类型为n类，其中，
Xib为待分类区域i第b个像素的光谱特征值，为待分类区域i的光谱特征平均值，Xjc为样本区域j第c个像素的光谱特征值，为样本区域j的光谱特征平均值，Si为待分类区域i的像素面积，Sj为样本区域j的像素面积，a为调节参数；
对于每一个待分类区域i，分别计算得到其与n个类型的样本区域j之间的n个相关性数值，选取所述n个相关性数值中数值最大的相关性所对应地物类型，将该待分类区域i归类于所述地物类型；
步骤4，计算各类地物边界线上野外实测点同基于计算机自动分类获得的对应类别区块边界间的临近距离，即两者间的最近距离，来评价遥感分类区块边界精度；
步骤5，以各类地物边界线上野外实测点同基于计算机自动分类获得的对应类别区块边界间的临近距离的均值、标准差作为分类区块边界精度评价指标；
步骤6，基于各类地物边界线上野外实测点同计算机自动分类区块边界间的临近距离和遥感影像数据，对计算机自动分类区块边界误差空间分布进行分析并制图，形成计算机自动分类区块边界误差空间分布图。
2.根据权利要求1所述的方法，所述遥感影像数据为高分辨率卫星遥感影像数据，如ALOS，SPOT，Quick Bird等数据。
3.根据权利要求1所述的方法，所述步骤2，对所述遥感影像进行图像预处理包括：大气校正、几何校正、投影转换、剪裁拼接、影像融合中的一种或多种。
4.根据权利要求1所述的方法，所述步骤3，基于遥感影像数据，进行地物计算机自动分类是基于ENVI软件实现。
5.根据权利要求1所述的方法，所述步骤4，计算各类地物边界线上野外实测点同基于计算机自动分类获得的对应类别区块边界间的临近距离，是基于ArcGIS软件的分析工具模块实现。
CN201611264464.9A 2016-12-30 2016-12-30 一种计算机自动分类精度评价方法 Active CN107657262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611264464.9A CN107657262B (zh) 2016-12-30 2016-12-30 一种计算机自动分类精度评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611264464.9A CN107657262B (zh) 2016-12-30 2016-12-30 一种计算机自动分类精度评价方法

Publications (2)

Publication Number Publication Date
CN107657262A CN107657262A (zh) 2018-02-02
CN107657262B true CN107657262B (zh) 2019-03-15

Family

ID=61127608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611264464.9A Active CN107657262B (zh) 2016-12-30 2016-12-30 一种计算机自动分类精度评价方法

Country Status (1)

Country Link
CN (1) CN107657262B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118835B (zh) * 2021-12-01 2022-06-21 中南大学 一种定量遥感反演预测结果评价方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3742882B2 (ja) * 2003-11-06 2006-02-08 独立行政法人情報通信研究機構 偏波合成開口レーダ画像処理方法及び装置
CN101110079A (zh) * 2007-06-27 2008-01-23 中国科学院遥感应用研究所 一种数字地球原型系统
CN101299237A (zh) * 2008-06-05 2008-11-05 北京航空航天大学 一种基于信息量维数序列的高光谱数据监督分类方法
CN102902978A (zh) * 2012-08-31 2013-01-30 电子科技大学 一种面向对象的高分辨率遥感图像分类方法
CN103324941A (zh) * 2013-06-19 2013-09-25 鲁东大学 一种基于临近距离的遥感分类图斑边界精度评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3742882B2 (ja) * 2003-11-06 2006-02-08 独立行政法人情報通信研究機構 偏波合成開口レーダ画像処理方法及び装置
CN101110079A (zh) * 2007-06-27 2008-01-23 中国科学院遥感应用研究所 一种数字地球原型系统
CN101299237A (zh) * 2008-06-05 2008-11-05 北京航空航天大学 一种基于信息量维数序列的高光谱数据监督分类方法
CN102902978A (zh) * 2012-08-31 2013-01-30 电子科技大学 一种面向对象的高分辨率遥感图像分类方法
CN103324941A (zh) * 2013-06-19 2013-09-25 鲁东大学 一种基于临近距离的遥感分类图斑边界精度评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《面向对象技术在城市建筑物提取中的应用研究》;郝兰朋;《中国优秀硕士学位论文全文数据库 基础科学辑》;20120115;论文第1、3-5章

Also Published As

Publication number Publication date
CN107657262A (zh) 2018-02-02

Similar Documents

Publication Publication Date Title
Chen et al. A spectral gradient difference based approach for land cover change detection
Lloyd Spatial data analysis: an introduction for GIS users
Turker et al. Building‐based damage detection due to earthquake using the watershed segmentation of the post‐event aerial images
Kwinta et al. The description of parcel geometry and its application in terms of land consolidation planning
Winiwarter et al. M3C2-EP: Pushing the limits of 3D topographic point cloud change detection by error propagation
Ai et al. Automatic horizontal curve identification and measurement method using GPS data
CN104778721A (zh) 一种双目图像中显著性目标的距离测量方法
Zhang et al. Toward evaluating multiscale segmentations of high spatial resolution remote sensing images
CN108268527B (zh) 一种检测土地利用类型变化的方法
CN112150804B (zh) 一种基于MaskRCNN算法的城市多类型交叉口识别方法
CN104820841B (zh) 基于低阶互信息和光谱上下文波段选择的高光谱分类方法
Stoter et al. Evaluation in generalisation
CN102298705A (zh) 一种分析景观特征对遥感分类图斑精度影响的方法
CN108776777A (zh) 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法
Uzar Automatic building extraction with multi-sensor data using rule-based classification
Xie et al. OpenStreetMap data quality assessment via deep learning and remote sensing imagery
CN110307903A (zh) 一种家禽特定部位无接触温度动态测量的方法
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN115599844A (zh) 一种飞机翼面连接件错装漏装可视化检测方法
CN106250901A (zh) 一种基于图像特征信息的数字识别方法
Demir Automated detection of 3D roof planes from Lidar data
CN107657262B (zh) 一种计算机自动分类精度评价方法
CN108876760A (zh) 一种基于历史解译知识的遥感影像变化检测方法
CN103324941B (zh) 一种基于临近距离的遥感分类图斑边界精度评价方法
CN106682668A (zh) 一种使用无人机标记影像的输电线路地质灾害监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 101399 No. 2 East Airport Road, Shunyi Airport Economic Core Area, Beijing (1st, 5th and 7th floors of Industrial Park 1A-4)

Applicant after: Zhongke Star Map Co., Ltd.

Address before: 101399 Building 1A-4, National Geographic Information Technology Industrial Park, Guomen Business District, Shunyi District, Beijing

Applicant before: Space Star Technology (Beijing) Co., Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant