基于面向?qū)ο蟮腝UICKBIRD數(shù)據(jù)和SAR數(shù)據(jù)融合的地物分類(lèi)1)

王宇航 范文義 劉超逸

(東北林業(yè)大學(xué)，哈爾濱，150040)

?

基于面向?qū)ο蟮腝UICKBIRD數(shù)據(jù)和SAR數(shù)據(jù)融合的地物分類(lèi)1)

王宇航 范文義 劉超逸

(東北林業(yè)大學(xué)，哈爾濱，150040)

為了實(shí)現(xiàn)精確植被類(lèi)型信息提取，以福建省三明市將樂(lè)林場(chǎng)Quickbird影像和Radarsat-2全極化影像作為基礎(chǔ)數(shù)據(jù)，探討高空間分辨率光學(xué)遙感影像與SAR(合成孔徑雷達(dá))全極化影像融合進(jìn)行地表覆蓋及森林類(lèi)型識(shí)別的可行性。采用面向?qū)ο蠖喑叨确指罘椒▽?duì)Quickbird全色與多光譜的融合影像進(jìn)行處理，SAR影像采用Gram-Schmidt融合方法處理，運(yùn)用處理的Quickbird與SAR的融合影像，分類(lèi)提取植被的光譜、紋理和幾何特征信息，建立類(lèi)層次結(jié)構(gòu)，并對(duì)分類(lèi)結(jié)果進(jìn)行比較分析。結(jié)果表明：基于對(duì)象與知識(shí)的方法對(duì)高空間分辨率影像分類(lèi)取得了較好的分類(lèi)效果，多源遙感數(shù)據(jù)分類(lèi)的總體精度為0.903。

多源遙感；面向?qū)ο螅怀叨确指?；合成孔徑雷達(dá)(SAR)；數(shù)據(jù)融合

Based on the Quickbird data and Radarsat-2 full polarization data of San Ming City, Fujian Province, the object-oriented method was adopted to identify the land cover types from the fusion of Quickbird panchromatic and multi-spectral image, SAR images and the fusion of Quickbird image and SAR image which acquired by using the Gram-Schmidt method. Classification factors including spectral, texture and geometric features were used to establish a class hierarchy, and the classification results were compared. The knowledge-based and object-based methods was effective in the identification and classification of a high spatial resolution images, and vegetation types were effectively identified. The accuracy of multi-source remote sensing data was up to 0.903 with some improvements.

森林資源對(duì)于全球的碳循環(huán)、水循環(huán)、能量平衡以及人類(lèi)的生態(tài)環(huán)境等十分重要。近年來(lái)，隨著遙感技術(shù)的快速發(fā)展，光學(xué)遙感技術(shù)和合成孔徑雷達(dá)(SAR)遙感技術(shù)已廣泛應(yīng)用于森林資源動(dòng)態(tài)監(jiān)測(cè)、生物量估算等方面。光學(xué)遙感由于空間分辨率高、光譜信息豐富等特點(diǎn)，但受太陽(yáng)輻射條件限制，圖像獲取具有一定的局限性，且影像上“同物異譜”、“同譜異物”和“椒鹽”現(xiàn)象普遍存在[1-4]。微波遙感具有對(duì)云霧的穿透能力，具有全天時(shí)、全天候、多極化、紋理信息豐富等特點(diǎn)，且SAR圖像反映了地表不同地物的后向散射強(qiáng)度信息，在一定程度上還可以獲取植被冠層以下的信息。所以，將光學(xué)影像與SAR影像進(jìn)行信息融合，對(duì)于遙感圖像的解譯及森林類(lèi)型的識(shí)別十分有益。

目前，國(guó)內(nèi)外針對(duì)SAR數(shù)據(jù)與光學(xué)數(shù)據(jù)融合分類(lèi)做了大量研究，研究重點(diǎn)多集中于SAR與中等分辨率光學(xué)影像的融合。王霄鵬等[5]利用單極化SAR與TM影像進(jìn)行融合對(duì)濕地典型地物類(lèi)型進(jìn)行分類(lèi)，表明相對(duì)于VV(垂直垂直同極化)、HV(水平垂直交叉極化)、VH(垂直水平交叉極化)極化影像，HV極化影像與TM數(shù)據(jù)進(jìn)行融合分類(lèi)的精度最高，總體分類(lèi)精度達(dá)到86.11%；Michelson et al[6]采用最大似然法和神經(jīng)網(wǎng)絡(luò)法，對(duì)ERS-1 SAR數(shù)據(jù)和TM數(shù)據(jù)進(jìn)行分類(lèi)實(shí)驗(yàn)，表明采用先分割，再進(jìn)行最大似然分類(lèi)的方法好于神經(jīng)網(wǎng)絡(luò)法，其精度達(dá)到57.1%；韓震等[7]利用ERS-2 SAR數(shù)據(jù)和ETM+數(shù)據(jù)融合，對(duì)崇明島灘涂地表進(jìn)行了分類(lèi)，分類(lèi)總體精度達(dá)到90.45%。目前將高空間分辨率光學(xué)數(shù)據(jù)與SAR數(shù)據(jù)進(jìn)行融合對(duì)地表植被類(lèi)型分類(lèi)的研究還比較少。本文以Quickbird全色波段影像與全極化RADARSAT-2影像為數(shù)據(jù)源，通過(guò)將高空間分辨率光學(xué)數(shù)據(jù)與微波數(shù)據(jù)進(jìn)行信息融合，從而獲得高空間分辨率極化信息影像，并對(duì)融合影像采用面向?qū)ο蠓ㄟM(jìn)行植被類(lèi)型分類(lèi)，以期為森林類(lèi)型分類(lèi)提供新的方法。

1 分類(lèi)系統(tǒng)與數(shù)據(jù)

研究區(qū)域?yàn)楦＝ㄊ∪魇袑?lè)林場(chǎng)，根據(jù)《土地利用現(xiàn)狀分類(lèi)》國(guó)家標(biāo)準(zhǔn)分類(lèi)體系并結(jié)合區(qū)域植被二類(lèi)調(diào)查資料，將研究區(qū)一級(jí)分類(lèi)體系歸為植被區(qū)與非植被區(qū)。非植被區(qū)包括水體、道路、房屋與裸地。在植被區(qū)的二級(jí)分類(lèi)體系中，二級(jí)類(lèi)型主要有耕地、灌草地、未成林造林地及林地。林地類(lèi)型主要有杉木林(Cunninghamialanceolata)、馬尾松林(Pinusmassoniana)及闊葉林，其中闊葉林包括：建柏(Fokieniahodginsii)、木荷(Schimasuperba)、巨尾桉(Eucalyptus)、楓香(Liquidambarformosana)以及其他軟硬闊葉樹(shù)。由于研究區(qū)域杉木林、馬尾松林面積約占區(qū)域面積的80%，且闊葉林面積所占比例較少，所以將研究區(qū)植被類(lèi)型分為：杉木林、馬尾松林、闊葉林、灌草地、耕地以及未成林造林地。

本文光學(xué)遙感數(shù)據(jù)為2013年7月12日獲取的Quickbird影像，包括分辨率為0.61 m的全色波段影像與分辨率為2.44 m的4個(gè)多光譜波段影像。SAR數(shù)據(jù)為2013年10月30日獲取的Radarsat-2 C波段精細(xì)4極化SLC單視復(fù)圖像數(shù)據(jù)，空間分辨率為8 m。首先對(duì)全色和多光譜Quickbird影像進(jìn)行大氣校正，然后對(duì)Quickbird采用多項(xiàng)式糾正法進(jìn)行幾何校正來(lái)消除圖像幾何畸變，再進(jìn)行正射校正以消除地形陰影等影響。Radarsat-2數(shù)據(jù)受雷達(dá)特殊的側(cè)視成像幾何的影響，使圖像易產(chǎn)生透視收縮等幾何畸變，本文基于NEST軟件，采用基于SAR成像原理的距離-多普勒模型校正法，對(duì)SAR數(shù)據(jù)進(jìn)行幾何校正。校正后，采用增強(qiáng)型LEE方法去除斑點(diǎn)噪聲，在保證圖像空間分辨率的同時(shí)，又很好的保持圖像的邊緣信息和細(xì)節(jié)信息[8]。濾波后同樣對(duì)數(shù)據(jù)進(jìn)行正射校正處理。

2 研究方法

本文基于Definiense Cognition 8.9平臺(tái)進(jìn)行面向?qū)ο蠖喑叨确指?。根?jù)影像像元的同質(zhì)性，用多尺度分割方法，自下而上分割形成分割影像對(duì)象[9-10]。面向?qū)ο蠓诸?lèi)技術(shù)集合圖像鄰近像元，為對(duì)象來(lái)識(shí)別地表類(lèi)型，充分利用了高分辨率數(shù)據(jù)的空間、紋理和光譜信息對(duì)圖像分割分類(lèi)。多源遙感信息融合能將光學(xué)高空間分辨率與SAR全極化數(shù)據(jù)各自?xún)?yōu)勢(shì)形成互補(bǔ)，使融合后的影像既具有全色波段的高空間分辨率又具有4通道全極化信息。

2.1 Quickbird影像分割分類(lèi)

為了能充分利用Quickbird影像的高分辨率及光譜信息，將Quickbird全色波段影像與多光譜影像經(jīng)過(guò)地理配準(zhǔn)后，進(jìn)行圖像融合，使生成的新圖像具有較高分辨率和豐富的光譜信息。然后用Ecognition軟件對(duì)影像進(jìn)行分割，為了提高影像分類(lèi)精度，對(duì)分割對(duì)象提取植被指數(shù)信息以及紋理特征參數(shù)加入到分類(lèi)中。

2.1.1 Quickbird多尺度分割

對(duì)地物類(lèi)型用最優(yōu)尺度分割后，能夠用一個(gè)對(duì)象或多個(gè)對(duì)象表示出這種地物，得到對(duì)象的大小應(yīng)與地物目標(biāo)大小接近[11]，所以面向?qū)ο蠓ǚ诸?lèi)的精度取決于圖像分割的質(zhì)量。在分割過(guò)程中，目前最好的方法是在分割參數(shù)中帶有權(quán)重的異質(zhì)性設(shè)置為最小，異質(zhì)性包含顏色因子和形狀因子2個(gè)對(duì)象特征，而形狀因子包括形狀信息、平滑度和緊致度。異質(zhì)性F定義為[12]：

F=wcolorΔhcolor+wshapeΔhshape。

(1)

式中：wshape∈[0,1],wcolor∈[0,1]，wshape+wcolor=1；Δhcolor和Δhshape分別表示顏色指數(shù)和形狀指數(shù)，wcolor和wshape分別表示顏色指數(shù)和形狀指數(shù)的權(quán)重。

顏色異質(zhì)性的定義為[12]：

Δhcolor=∑cwc(nmergeσc,merge-(nobj_1σc,obj_1+

nobj_2σc,obj_2)。

(2)

式中：wc為權(quán)重系數(shù)(用以實(shí)現(xiàn)多波段數(shù)據(jù)的多變量分割)；nmerge是合并后目標(biāo)對(duì)象的像元數(shù)；nobj_1是合并前目標(biāo)對(duì)象1的像元數(shù)；nobj_2是合并前目標(biāo)對(duì)象2的像元數(shù)；σc是波段C目標(biāo)對(duì)象內(nèi)部像元的標(biāo)準(zhǔn)方差。

形狀異質(zhì)性用對(duì)象的形狀光滑度和緊致度描述了形狀的改進(jìn)，定義為[12]：

Δhshape=wcomptΔhcompt+wsmoothΔhsmooth。

(3)式中：Δhcompt為緊致度參數(shù)；Δhsmooth為光滑度參數(shù)；wcompt為緊致度參數(shù)的權(quán)重；wsmooth為光滑度參數(shù)的權(quán)重。

通過(guò)調(diào)節(jié)波段權(quán)重、顏色、形狀、光滑度、緊致度來(lái)獲得合適的尺度參數(shù)。本文在多尺度分割上建立2層次結(jié)構(gòu)，在第1層分割中，分割尺度選為90，用以區(qū)分圖像植被與非植被。在第1層基礎(chǔ)上創(chuàng)建第2層次作為第1層次的繼承子對(duì)象，分割尺度選為40，用以區(qū)分植被中杉木、馬尾松、闊葉林、未成林造林地、灌草地及耕地。多尺度分割參數(shù)見(jiàn)表1。

表1 Quickbird影像多尺度分割參數(shù)

2.1.2 植被指數(shù)特征

不同地物具有不同的光譜特性，用植被指數(shù)探測(cè)綠色植被更具有靈敏性，所以引入歸一化植被指數(shù)(NDVI)與土壤調(diào)節(jié)植被指數(shù)(SAVI)作為特征參數(shù)加入到分類(lèi)中，其數(shù)學(xué)模型為：

NDVI=(ρNIR-ρRED)/(ρNIR+ρRED)；

(4)

SAVI=(ρNIR-ρRED)+(1+K)/(ρNIR+ρRED+K)。

(5)

式中：ρNIR為近紅外波段反射率；ρRED是紅外波段反射率；K是調(diào)節(jié)系數(shù)。

2.1.3 紋理信息特征

由于有些植被的光譜信息具有相似性，分類(lèi)過(guò)程會(huì)出現(xiàn)一定的誤分現(xiàn)象，為了減少“同譜異物”現(xiàn)象，引入灰度共生矩陣特征參數(shù)參與分類(lèi)以提高分類(lèi)精度?；叶裙采仃?GLCM)反映了影像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息[13],本文選用灰度共生矩陣特征之一的同質(zhì)性作為紋理信息特征參與到分類(lèi)中。區(qū)域的同質(zhì)性數(shù)值H值越大，則同質(zhì)性越高[14-15]，數(shù)學(xué)模型為：

(6)

式中:i為灰度共生矩陣行中的位置；j為灰度共生矩陣列中的位置；N為矩陣的行(列)數(shù)；Pi,j為矩陣中第i行第j列元素值標(biāo)準(zhǔn)化后的值。

2.2 Radarsat影像分割分類(lèi)

雷達(dá)圖像反映的是微波與地物相互作用的后向散射結(jié)果，不同的地物具有不同的后向散射系數(shù),其數(shù)學(xué)模型[16]為：

σ0=β0+10log10Ij；

(7)

(8)

(9)

式中：Ij為雷達(dá)入射角；h為軌道高度；r為地球半徑；j指第j列；RSj為圖像中第j列的斜矩；β0為雷達(dá)后向散射亮度；DN為雷達(dá)影像像元值；A2為第2列像元的增益；A3為固定偏移量。

Radarsat數(shù)據(jù)是經(jīng)過(guò)精確定標(biāo)的雷達(dá)數(shù)據(jù)，可以提取圖像上記錄的地物雷達(dá)后向散射系數(shù)。根據(jù)定標(biāo)文件，分別提取了C波段4通道極化數(shù)據(jù)的耕地、杉木、馬尾松、闊葉林、未成林造林地、灌草地以及水體的后向散射系數(shù)(見(jiàn)表2)。

表2 雷達(dá)后向散射系數(shù)

注：HH.水平水平同極化;VV.垂直垂直同極化;HV.水平垂直交叉極化;VH.垂直水平交叉極化。

由表2可知，不同地物類(lèi)型具有不同的后向散射系數(shù)值，林地、草地、耕地、水體之間后向散射系數(shù)差異大較容易得到區(qū)分。對(duì)于單波段同極化圖像而言，耕地與未成林造林地的后向散射系數(shù)較為相近，但在交叉極化圖像上卻有明顯差異。闊葉林和針葉林(杉木、馬尾松)間后向散射系數(shù)的差異也較為明顯，這是由于極化主要反映森林的表面形態(tài)和森林結(jié)構(gòu)特征，對(duì)樹(shù)葉的形態(tài)具有較強(qiáng)的刻畫(huà)能力，故對(duì)森林類(lèi)型的識(shí)別較為有效[17-18]。因此，可通過(guò)多極化雷達(dá)數(shù)據(jù)的合成，充分發(fā)揮極化的作用，區(qū)分出不同的地物類(lèi)型及森林類(lèi)型。本文采用Radarsat-2全極化數(shù)據(jù)來(lái)對(duì)目標(biāo)區(qū)域進(jìn)行地物分類(lèi)。

由于杉木和馬尾松的葉子表面形態(tài)和森林結(jié)構(gòu)特征較為相近，所以杉木和馬尾松二者的后向散射系數(shù)較為相近，只依靠后向散射系數(shù)不容易將二者區(qū)分。所以引用灰度共生矩陣(同質(zhì)性)參與到分類(lèi)中，以提高對(duì)植被類(lèi)型的區(qū)分精度。

2.2.1 全極化SAR數(shù)據(jù)合成

為了充分利用SAR圖像的全極化后向散射系數(shù)信息，對(duì)4通道極化的后向散射強(qiáng)度圖像進(jìn)行了假彩色合成，由于舍棄了SAR圖像的相位信息，所以采用公式(10)來(lái)進(jìn)行假彩色合成。

(10)

式中：mHH、mVH、mHV、mVV為4種不同極化通道的強(qiáng)度值；R、G、B分別表示紅、綠、藍(lán)3個(gè)波段。

通過(guò)4通道極化，后向散射圖像進(jìn)行假彩色合成能夠得到一個(gè)近似于Pauli基分解的RGB假彩色合成圖像。其中，紅色波段對(duì)應(yīng)偶次散射，綠色波段對(duì)應(yīng)偶極子散射，藍(lán)色波段對(duì)應(yīng)奇次散射。

2.2.2 Radarsat融合影像多尺度分割

與光學(xué)圖像分割相似，在Radarsat-2融合圖像上建立2層次分割結(jié)構(gòu)，在第1層分割中，分割尺度選為100，用以區(qū)分圖像植被與非植被。在第1層基礎(chǔ)上創(chuàng)建第2層次作為第1層次的繼承子對(duì)象，分割尺度選為50，用以區(qū)分植被中杉木、馬尾松、闊葉林、未成林造林地、灌草地及耕地。融合圖像多尺度分割參數(shù)見(jiàn)表3。

表3 融合圖像多尺度分割參數(shù)

2.3 Quickbird數(shù)據(jù)與Radarsat數(shù)據(jù)的圖像融合

用Gram-Schmidt(GS)融合變換對(duì)Quickbird全色波段數(shù)據(jù)和SAR數(shù)據(jù)進(jìn)行圖像融合。GS變換法是多維正交線(xiàn)性變換法，在任意可內(nèi)積空間，任一組相互獨(dú)立的向量都可通過(guò)GS變換找到該向量的一組正交基。設(shè){u1,u2,…,un}是一組相互獨(dú)立的向量，GS變換構(gòu)造正交向量{v1,v2,…,vn}的方式如下[19]：

假設(shè)v1=u1，依次計(jì)算第i+1個(gè)正交向量:

vi+1=ui+1-pwiui+1；

(11)

(12)

式中：wi為已經(jīng)計(jì)算的前i個(gè)正交向量跨越的空間，pwiui+1是ui+1在wi的正交投影。

首先需要將Quickbird全色影像與Radarsat融合影像進(jìn)行融合前預(yù)處理，由于光學(xué)數(shù)據(jù)與SAR數(shù)據(jù)分辨率不同，所以要對(duì)SAR圖像進(jìn)行空間重采樣，將SAR影像分辨率采樣為與Quickbird融合影像相同的分辨率，本次實(shí)驗(yàn)SAR影像分辨率為0.61m。以Quickbird影像作為參考數(shù)據(jù)，將SAR影像與Quickbird影像進(jìn)行相對(duì)配準(zhǔn)，配準(zhǔn)過(guò)程選取15個(gè)匹配點(diǎn)，且像元均方根誤差控制在1個(gè)像元，保證配準(zhǔn)的精度。將處理后的Quickbird影像與SAR影像進(jìn)行Gram-Schmidt融合變換，再將融合后影像進(jìn)行多尺度分割分類(lèi)，與光學(xué)圖像分割相似，在融合圖像上建立2層次分割結(jié)構(gòu)，每層次尺度及參數(shù)選擇與光學(xué)圖像分割參數(shù)設(shè)置一樣，并同時(shí)引入灰度共生矩陣參數(shù)加入到分類(lèi)中。

3 結(jié)果與分析

3.1 Quickbird影像分類(lèi)結(jié)果

由表4可知，Quickbird影像分類(lèi)總體精度為0.901，kappa系數(shù)0.886，說(shuō)明基于面向?qū)ο蠓ńY(jié)合植被指數(shù)、紋理特征對(duì)高分辨率影像分類(lèi)具有較好的效果。由圖1可知，研究區(qū)域的主要林分類(lèi)型杉木林、馬尾松林、闊葉混交林之間發(fā)生了混分現(xiàn)象，原因可能是區(qū)域林分間有混交林，且研究區(qū)域?yàn)樯絽^(qū)地形，易產(chǎn)生陰影區(qū)域，在陰影區(qū)域中針葉林杉木與馬尾松光譜信息與紋理特征相近。闊葉林和未成林造林地，灌草地與未成林造林地間也發(fā)生混分現(xiàn)象，原因可能是未成林及一些闊葉林幼林在植被高度及光譜特性上與灌草地相近。

(a)Quickbird融合圖像 (b)分類(lèi)結(jié)果

圖1 Quickbird全色與多光譜影像融合分類(lèi)

3.2 SAR影像分類(lèi)結(jié)果

由表5、圖2可知，在Radarsat-2影像分類(lèi)中，植被分類(lèi)總體精度為0.796，kappa系數(shù)為0.703，森林類(lèi)型與耕地、灌草地、未成林造林地類(lèi)型得到很好的區(qū)分，但樹(shù)種間區(qū)分能力較弱。分類(lèi)圖像上產(chǎn)生碎斑現(xiàn)象，原因是圖像上斑點(diǎn)噪聲對(duì)分類(lèi)產(chǎn)生影響形成的。森林類(lèi)型中針葉林杉木和馬尾松的精度高于闊葉林，原因是當(dāng)利用極化信息進(jìn)行樹(shù)種類(lèi)型區(qū)分時(shí)，針葉林的形態(tài)結(jié)構(gòu)比闊葉林更規(guī)則，均質(zhì)性較好，而闊葉林的異質(zhì)性則要高于針葉林。

(a)Radarsat-2圖像 (b)分類(lèi)結(jié)果

圖2 SAR影像分類(lèi)

3.3 融合影像分類(lèi)結(jié)果

由表6、圖3可知，在融合影像分類(lèi)中，植被分類(lèi)總體精度為0.903，kappa系數(shù)為0.889。由于融合圖像具有光學(xué)圖像0.61 m的高空間分辨率又具有SAR圖像的全極化信息，同時(shí)引入了灰度共生矩陣來(lái)加強(qiáng)圖像紋理信息，使圖像中植被間差異得到了很好的區(qū)分。其中，灌草地的分類(lèi)精度較高，同時(shí)減少了與闊葉林及未成林造林地的分類(lèi)混淆，原因是雷達(dá)遙感具有一定穿透性，能揭示樹(shù)冠下樹(shù)枝和地表的信息，從而區(qū)分不同植被類(lèi)型。

(a)多源融合圖像 (b)分類(lèi)結(jié)果

圖3 多源融合影像分類(lèi)

4 結(jié)論與討論

相對(duì)于單一遙感數(shù)據(jù)的分類(lèi)，多源遙感融合能夠有效利用不同傳感器優(yōu)勢(shì)?；诿嫦?qū)ο蠓诸?lèi)法，將QuickBird全色波段影像與RadarSat-2 SAR后向散射圖像進(jìn)行融合，進(jìn)行地表覆蓋及植被類(lèi)型識(shí)別，基于對(duì)象與知識(shí)的方法對(duì)高空間分辨率影像分類(lèi)取得了較好的分類(lèi)效果，植被類(lèi)型得到了較好的區(qū)分。利用多源遙感數(shù)據(jù)的分類(lèi)總體精度最高為0.903，相比光學(xué)遙感數(shù)據(jù)，采用多源遙感數(shù)據(jù)分類(lèi)不僅使植被類(lèi)型得到較好的區(qū)分,且在闊葉林、灌草地、耕地地物等植被類(lèi)型之間減少了“同物異譜”混分現(xiàn)象，說(shuō)明雷達(dá)遙感能夠揭示樹(shù)冠以下和地表的信息，從而能較好的區(qū)分出不同的森林類(lèi)型。

目前，針對(duì)SAR圖像與高空間分辨率融合，使融合圖像既具有SAR圖像高分辨率光譜信息，又具有中等分辨率光學(xué)圖像的光譜信息。而在SAR圖像與高分辨率圖像融合基礎(chǔ)上，如何更好的將SAR圖像與光學(xué)圖像的優(yōu)勢(shì)全面結(jié)合起來(lái)，提取并加入更多有效分類(lèi)參數(shù)，提高樹(shù)種間分類(lèi)精度有待進(jìn)一步的研究。

表6 分類(lèi)精度和混淆矩陣

[1] 蘇偉，李京，陳云浩，等.基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸?lèi)研究：以馬來(lái)西亞吉隆坡市城市中心區(qū)為例[J].遙感學(xué)報(bào)，2007,11(4):521-530.

[2] 曹雪，柯長(zhǎng)青.基于對(duì)象級(jí)的高分辨率遙感影像分類(lèi)研究[J].應(yīng)用技術(shù)，2006(5)：27-30.

[3] MALLINIS G, KOUTSIAS N, TSAKIRI-STRATI M, et al. Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2008,63(2):237-250.

[4] JACQUIN A, MISAKOVA L， GAY M. A hybrid object-based classification approach for mapping urban sprawl in periurban environment[J]. Landscape and Urban Planning,2008,84(2):152-165.

[5] 王霄鵬，張杰，馬毅，等.不同極化方式SAR與TM融合影像濱海濕地分類(lèi)精度比較[J].海洋學(xué)研究,2014,32(1):40-46.

[6] MICHELSON D B, LILJEBERG B M, PILESJO P, et al. Comparsion of algorithms for classifying swedish landcover using Landsat TM and ERS-1 SAR data[J]. Remote Sensing of Environment,2000,71(1):1-15.

[7] 朝震，金亞秋.ERS-2 SAR和Landsat ETM+數(shù)據(jù)融合提取崇明東灘典型地物信息與分類(lèi)[J].海洋環(huán)境科學(xué),2006,25(3):21-24.

[8] 王宇航，范文義，張金虎.SAR圖像濾波方法比較與分析[J].森林工程，2015,31(3)：81-84.

[9] 李娜，周德民，趙魁義.高分辨率影像支持的群落尺度沼澤濕地分類(lèi)制圖[J].生態(tài)學(xué)報(bào)，2011,31(22)：6717-6726.

[10] Platt R V, Rapoza L. An evaluation of an object-oriented paradigm for land use/land cover classification[J]. The Professional Geographer,2008,60(1):87-100.

[11] Walter V. Object-based classification of remote sensing data for change detection[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2004,58(3/4):225-238.

[12] 凌飛龍.面向植被識(shí)別的SAR圖像分類(lèi)方法研究[D].北京：中國(guó)林業(yè)科學(xué)研究院，2010.

[13] 田甜，范文義，盧偉，等.面向?qū)ο蟮膬?yōu)勢(shì)樹(shù)種類(lèi)型信息提取技術(shù)[J].應(yīng)用生態(tài)學(xué)報(bào)，2015,26(6)：1665-1672.

[14] TICKLE P K， WITTE C， LEE A， et al. Use of airborne scanning lidar and large scale photography within a strategic forest inventory and monitoring framework[C]//IGARSS. Proceedings, 2001 IEEE Geoscience and Remote Sensing Symposium. Sydney： IEEE,2001:1000-1003.

[15] KOSAKA N, AKIYAMA T, TSAI B, et al. Forest type classification using data fusion of multispectral and panchromatic high-resolution satellite imageries[C]//IGARSS. Proceedings, 2005 IEEE Geoscience and Remote Sensing Symposium. Seoul： IEEE,2005:2980-2983.

[16] 魏丹婷，塔西甫拉提·特依拜，雷磊，等.不同入射角下的雷達(dá)后向散射系數(shù)圖像模擬[J].遙感信息,2012,27(3):54-59.

[17] HIROSAWA H, MATSUZAKA Y, KOBAYASHI O. Measurment of microwave backscatter from a cypress without leaves[J]. IEEE Trans Geosci and Remote Sens,1989,27(6)：698-701.

[18] HOEKMAN D H. Radar backscattering of forest stand[J]. International Journal of Remote Sensing，1985,6(2):325-343.

[19] CLAYTON D G. Gram schmidt orthogonallization[J]. Applied Stat-istics,1971,20(3):335-338.

An Object-based Fusion of QUICKBIRD Data and RADARSAT SAR Data for Classification Analysis//

Wang Yuhang, Fan Wenyi, Liu Chaoyi

(Northeast Forestry University, Harbin 150040, P. R. China)//Journal of Northeast Forestry University，2016,44(9)：44-49.

Multi-source remote sensing; Object-based; Scale segmentation; Synthetic aperture radar; Data fusion

王宇航，男，1990年6月生，東北林業(yè)大學(xué)林學(xué)院，碩士研究生。E-mail：1099366281@qq.com。

范文義，東北林業(yè)大學(xué)林學(xué)院，教授。E-mail：fanwy@163.com。

2016年2月24日。

S757.2

1)國(guó)家高技術(shù)研究發(fā)展計(jì)劃(2012AA102001)。

責(zé)任編輯：王廣建。