城市高分辨率遥感影像房屋提取与变化监测
OA为总体精度[6]，为整幅图像中被正确分类的像元数（混淆矩阵对角线之和）与整幅影像中的总像元数的比值。表达式为：
OA??Pk?1nkkN （3-20）
其中，k为类别序号，n为类别总数，Pkk为第k类被正确分类的像元数，即位于混淆矩阵的对角线的元素，N为影像像元总数。
Kappa系数[6]能够检测两种分类结果的一致性，可以用来对比两种分类器的分类误差是否有显著差别。本文使用Kappa系数来综合评价分类精度。其计算公式为：
K?N?XKK??XK?X?KKN??XK?X?K2KK （3-21）
其中，XK?表示第K类中地表真实像元的总和，X?K表示第K类中被分为该类的像元总和，N为影像像元总数。
由于缺少所选地区的矢量地图，为了获取参考样本，以评定本文MBI算法提取房屋的精度，这里使用ENVI 5.1软件对实验数据进行房屋的人工提取，使用ROI多边形勾选工具，对房屋的边缘进行勾绘，最后用Build Mask工具，创建遥感影像中房屋的掩膜文件，此掩膜文件为一幅二值图像，保存为标准的ENVI TIFF格式图像，并附带有ENVI输出的头文件，对图像的数据结构进行说明，以方便用户读取。
以下简述创建房屋掩膜文件的流程：
（1）打开ENVI 5.1，读入要进行掩膜的遥感影像。
（2）选择ROI多边形选取工具，创建新的ROI样本，在影像上勾绘出房屋的轮廓，当所有房屋都被勾选完毕后，保存样本为.xml文件。
（3）用Build Mask工具，对图像进行掩膜。通过输入ROI（Import ROI）的方式，使勾选的区域进行显示（Select Region On），其值为1，而其余区域被视为背景，其值为0。
（4）保存输出掩膜文件。ENVI 5.1会自动保存图像头文件，文件名同图像的文件名相同，以“.hdr”为后缀。
第 17 页 共 32 页
城市高分辨率遥感影像房屋提取与变化监测
图3-3 三组遥感影像的掩膜图像
将图3-3的六幅图像作为参考样本，就可以得出MBI算法提取房屋相对于人工提取的精度了。表3-3列出了未经过分类后处理的MBI算法提取结果相对于参考图的精度。
表3-3 MBI算法房屋提取结果精度表
制图精度PA（%） 用户精度UA（%）
华盛顿波多马克大街 厦门市光电路
2009年10月29日
中南大学新校区化学楼
2012年9月14日 2015年4月14日
84.08 50.63 48.67
81.27 79.79 78.44
70.00 33.85 44.08
90.76 88.78 81.40
82.23 74.84 70.74
0.6234 0.2541 0.2622
拍摄时间
房屋
2013年4月20日 2014年4月13日 2008年7月11日
93.40 86.94 81.69
非房屋 82.83 86.62 86.10
房屋 28.40 46.83 54.73
非房屋 99.42 98.00 95.81
83.55 86.66 85.35
0.3699 0.5369 0.5669
OA（%）
Kappa
从表3-3中可以看出，华盛顿波多马克大街的两幅影像房屋类别的制图精度较高，
第 18 页 共 32 页
城市高分辨率遥感影像房屋提取与变化监测
而非房屋类别的制图精度较高，厦门市光电路的两幅影像的总体精度较高，房屋类和非房屋类的制图精度均在80%以上。依据Kappa系数的意义，可以综合地评价MBI算法提取遥感影像中的房屋对象的效果。其中中南大学新校区化学楼两幅影像与华盛顿波多马克大街2013年4月20日的影像的提取结果，其Kappa系数在0.2~0.4之间，提取效果一般；华盛顿波多马克大街2014年4月13日的影像与厦门市光电路2008年7月11日影像的提取结果，其Kappa系数在0.4~0.6之间，提取效果较好；厦门市光电路2009年9月14日影像其Kappa系数为0.6234，其值在0。6~0.8之间，其提取效果很好。
说明在未进行分类后处理时，有大部分像元被误分。表3-4为经过后处理的结果：
表3-4 经过分类后处理的分类精度
制图精度PA（%） 用户精度UA（%）
华盛顿波多马克大街 厦门市光电路
2009年10月29日
中南大学新校区化学楼
2012年9月14日 2015年4月14日
87.72 47.03 48.56
91.54 92.00 88.34
84.34 54.57 59.26
93.48 89.48 79.05
90.23 84.37 78.05
0.7850 0.4131 0.3921
拍摄时间
房屋
2013年4月20日 2014年4月13日 2008年7月11日
92.00 77.25 83.01
非房屋 94.80 94.63 97.72
房屋 56.32 66.11 88.24
非房屋 99.39 96.84 96.55
94.61 92.56 95.21
0.6709 0.6700 0.8268
OA（%）
Kappa
对比表3-3和表3-4发现，经过分类后处理之后，将大量非房屋的像元剔除，从而大大地提高了非房屋类的制图精度和用户精度，进而提高了Kappa系数。但是房屋类的制图精度与用户精度提高的不明显，甚至有的还降低了，因为分类后处理仅仅对初步MBI算法提取结果中的非房屋像元进行剔除，是单向的，而没有在非房屋像元中对房屋像元进行分类处理，所以分类后处理对提高房屋提取的精度是没有提高的，房屋类的制图精度有所变化，是因为受到了非房屋类的变化的影像。从Kappa系数来看，综合分类精度有了明显提高，在分类后处理之前，三组影像的分类结果精度都不甚理想，最高的Kappa系数值仅有0.6左右，甚至有的Kappa系数值仅为0.25左右。而经过分类后处理之后，华盛顿波多马克街道2013年4月20日的影像，其Kappa系数从0.3699提高到了0.6709，从“分类精度一般”提高到了“分类结果较好”，其余组的图像也有了明显的提高。
第 19 页 共 32 页
城市高分辨率遥感影像房屋提取与变化监测
提取结果的精度与图片质量有关。由于图片中的部分区域，房屋与背景的亮度差异复杂，比如本实验中第三组的中南大学新校区化学楼2015年4月14日影像，其中部分房屋，因其屋顶构造类型为平屋顶型[21]，上面有隔热层，其架空板材料多为混凝土制成的薄型制品，经风吹日晒后，其表层布满灰尘，或长满苔原，苔藓植物枯萎之后的残骸，与灰尘混杂，使得架空层的表面颜色变暗，因而在可见光波段，其反射率不高；而在这张影像中，新建的建筑屋顶反射率较高，且其周围因施工而露出的裸地，其主要成分是砂石泥土，反射率也较高，且亮度高于它周围的稍老的建筑，所以本文以亮度为分割条件的算法对这含有类地物集的遥感影像的分类结果，其精度很差。可以考虑其它方法，本文不做研究。
房屋提取的精度受MBI算法中分割阈值Threshold的影响，本文对其阈值取5到30，间隔为5的6个阈值，及其房屋与非房屋两个类别分类精度的几个指标——PA，UA，OA，Kappa等四个精度指标进行了对比分析。
如图3-4，其中（a）、（b）分别为华盛顿2013年4月20日和2014年4月13日遥感影像关于分割阈值的分析结果；（c）、（d）分别为厦门市光电路2008年7月11日和2009年10月29日遥感关于分割阈值的分析结果；（e）、（f）分别为中南大学新校区化学楼2012年9月14日和2015年4月14日遥感影像对于分割阈值的分析结果。从图中每个精度的变化趋势来看，需要权衡各个精度之间不同的变化趋势，选取一个阈值，作为最佳分割阈值，使得房屋提取的结果更加的准确。如图中（a），阈值取15，其各项精度指标都达到了最优化，以此类推，可以得出（a）、（b）、（c）、（d）、（e）、（f）六幅遥感影像中，最佳阈值分别为15、25、15、25、30、15。
因此，为了使得三组影像中的各个分类精度指标优化，图3-5列出了经过设置最优分割阈值之后的MBI算法房屋提取结果。表3-5列出了经过分割阈值优化后三组图像MBI房屋提取结果及经过分类后处理的各项分类精度。经过优化后，通过综合精度指标，Kappa系数均有所提高，如厦门市光电路2009年10月29日的影像，其Kappa系数从0.7850提高到了0.8025，中南大学新校区化学楼2012年9月14日影像的Kappa从0.4131提高到了0.4365。
第 20 页 共 32 页
城市高分辨率遥感影像房屋提取与变化监测
（a） （b） （c） （d） （e） （f） 图3-4 三组遥感影像改变分割阈值后精度变化
第 21 页 共 32 页
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库城市高分辨率遥感影像房屋提取与变化监测 - 图文(6)在线全文阅读。
相关推荐：