基于Landsat8 OLI图像的土地利用分类方法

计算机与现代化

基于Landsat8 OLI图像的土地利用分类方法

西藏民族大学信息工程学院，陕西咸阳712082

收稿日期:2015-07-29 出版日期:2015-09-21 发布日期:2015-09-24
作者简介:刘炜(1976-)，男，陕西咸阳人，西藏民族大学信息工程学院讲师，博士，研究方向：土地遥感与GIS应用技术。
基金资助:
国家自然科学基金资助项目(41361044); 西藏民族大学青年学人项目(13myQP09)

Land-use Classification Method Based on Landsat8 OLI Images

College of Information Engineering, Xizang Minzu University, Xianyang 712082, China

Received:2015-07-29 Online:2015-09-21 Published:2015-09-24

摘要/Abstract

摘要：

提出一种更合适的土地利用分类方法，比较该方法与最大似然法识别定边县OLI图像上11种主要土地利用类型的精度。对OLI图像小波滤波后进行LBV变换，以LBV变换的衍生波段作为有效特

征进行SVM监督分类，分类后执行基于数学形态学的开、闭运算操作，计算所得分类图的总体分类精度和Kappa系数，并与最大似然法分类结果比较。分类结果表明，与最大似然法相比，本文提出的OLI图

像分类方法能够更准确地识别定边县11种土地利用类型，有效降低“椒盐效应”。所得分类图的总体分类精度和Kappa系数分别为83.62%和0.785，比最大似然法分类结果分别提高12.82%和14.26%。

关键词: , 图像分类, 定边县, 支持向量机, 小波滤波

Abstract:

This research aims to seek out the most suitable land use classification method for Landsat8 OLI images, by comparing 〖JP2〗supervised classification based on

maximum likelihood and the method proposed in this paper. There are 11 kinds of land use type in OLI images of Dingbian county. Firstly, OLI images were fused with panchromatic

image and then processed by 3 levels wavelet filtering after routine image preprocessing. Secondly, LBV transform were applied to OLI images. Thirdly, training samples set for

each kind land use type were collected, and then supervised classification based on SVM, opening-closing operation in mathematical 〖JP2〗morphology were carried out to get

precise information of each kind land use type. Fourthly, assessing the classification results of method proposed in this paper and maximum likelihood, by overall classification

accuracy and Kappa coefficient as evaluation indexes. Results show that: the overall accuracy and Kappa coefficient of classification image using the method proposed in this

paper were 83.62% and 0.785, with growth of 12.82% and 14.26% compared with classification image using maximum likelihood. Meanwhile, removal of salt and pepper noise in

classification image was more effective using method proposed in this paper.

Key words: image classification, Dingbian county, support vector machine, wavelet filtering

刘炜. 基于Landsat8 OLI图像的土地利用分类方法[J]. 计算机与现代化.

LIU Wei. Land-use Classification Method Based on Landsat8 OLI Images[J]. Computer and Modernization.

［1］徐涵秋，唐菲. 新一代Landsat系列卫星: Landsat8遥感影像新增特征及其生态环境意义［J］. 生态学报， 2013，33(11):3249-3257.
［2］杨强，王涛. 榆林地区土地利用/覆盖时空变化及其对生态脆弱性的影响［J］. 南京林业大学学报(自然科学版)， 2015，39(2):79-83.
［3］韦振锋，任志远，张翀，等. 1999-2010年陕甘宁黄土高原区荒漠化空间特征［J］. 中国沙漠, 2014,34(5):1230-1236.
［4］李忠锋，王彦丽. 定边县土地利用动态变化研究［J］. 干旱区地理， 2004，27(4):520-524.
［5］孟海东，郝永宽，宋飞燕，等. 遥感图像非监督计算机分类方法的研究［J］. 计算机与现代化， 2008(3):66-69.
［6］孙延奎. 小波变换与图像、图形处理技术［M］. 北京：清华大学出版社， 2012.
［7］曾志远. 卫星遥感图像计算机分类与地学应用研究［M］. 北京：科学出版社， 2004.
［8］杜培军，谭琨，夏俊士. 高光谱遥感影像分类与支持向量机应用研究［M］. 北京：科学出版社， 2012.
［9］胡根生，张学敏，梁栋，等. 基于加权支持向量数据描述的遥感图像病害松树识别［J］. 农业机械学报， 2013，44(5):258-263.
［10］刘龙,黄海，孟光. 基于支持向量机的结构损伤分步识别研究［J］. 应用力学学报， 2007，24(2):313-317.
［11］严泰来，王鹏新. 遥感技术与农业应用［M］. 北京：中国农业大学出版社， 2008.
［12］傅肃性. 遥感专题分析与地学图谱［M］. 北京：科学出版社， 2012.
［13］宋富强，康慕谊，郑壮丽，等. 陕北黄土高原地区土地利用/覆被分类及验证［J］. 农业工程学报， 2011，27(3):316-324.
［14］ 买凯乐，张文辉. 黄土丘陵沟壑区遥感影像信息面向对象分类方法提取［J］. 农业机械学报， 2011，43(4):153-158. 
［15］龚建周，刘彦随，夏北城，等. IHS和小波变换结合多源遥感影像融合质量对小波分解层数的响应［J］. 中国图象图形学报， 2010，15(8):1269-1277.
［16］赵英时. 遥感应用分析原理与方法［M］. 2版.北京：科学出版社， 2013.

[1]	张文华，张志俊. 基于SVM的新能源公交车运营里程核查方法[J]. 计算机与现代化, 2020, 0(05): 39-.
[2]	郑沫利1,赵艳轲1,闫敏2,孙俊2,刘雍容1. 基于RDPSO-SVM的粮食产后储藏环节损耗智能评估方法[J]. 计算机与现代化, 2020, 0(03): 72-.
[3]	刘树艺，李静，胡春，王伟. 基于卷积神经网络与集成学习的交通标志识别[J]. 计算机与现代化, 2019, 0(12): 67-.
[4]	张开延1,2，潘杨3，娄季朝4. 基于ANP-SVM算法的智能变电站过程层网络故障分类[J]. 计算机与现代化, 2019, 0(07): 72-.
[5]	段桂芹1，邹臣嵩2，刘锋2. 基于优化初始聚类中心的K中心点算法[J]. 计算机与现代化, 2019, 0(04): 1-.
[6]	李富星，蒙祖强 . 一种改进的类别区分词特征选择算法[J]. 计算机与现代化, 2019, 0(03): 73-.
[7]	赵小蕾1,许喜斌2. 双重熵快速提取ROI图像优化分类方法[J]. 计算机与现代化, 2019, 0(02): 31-.
[8]	周国华,商俊燕. 一种抗噪的钢印打码字符识别方法[J]. 计算机与现代化, 2018, 0(12): 106-.
[9]	王芮1，韩锐2，贾玉祥1. 基于Spark的分布式大数据机器学习算法[J]. 计算机与现代化, 2018, 0(11): 119-.
[10]	高学金1,2,3,4,付龙晓1,2,3,4,武翠霞1,2,3,4,王普1,2,3,4. 基于ISOA的LS-SVM地铁站空调系统能耗预测模型[J]. 计算机与现代化, 2018, 0(10): 36-.
[11]	商志根，段小汇. 基于PSO与LS-SVM的作物需水量预测[J]. 计算机与现代化, 2018, 0(10): 44-.
[12]	蒋青云. 基于改进LPP和ECOC-SVMS的离线签名识别方法[J]. 计算机与现代化, 2018, 0(10): 74-.
[13]	梁东，杨永全，魏志强. 基于支持向量机的网页正文内容提取方法[J]. 计算机与现代化, 2018, 0(09): 21-.
[14]	周頔1,2. 基于改进量子粒子群算法的支持向量机参数优化方法[J]. 计算机与现代化, 2018, 0(09): 27-.
[15]	张小锋，刘红铮. 基于卷积神经网络的花朵图片分类算法[J]. 计算机与现代化, 2018, 0(09): 52-.