基于纹理特征和SVM的QuickBird影像苹果园提取

摘要：

为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于QuickBird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法.该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别.研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+ GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99％和96.16％,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点.在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高.最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98％.

关键词：苹果园、遥感识别、信息提取、灰度共生矩阵、支持向量机、QuickBird

所属期刊栏目：48

分类号：TP79;S127(遥感技术)

资助基金：国家高技术研究发展计划863计划项目2013AA102401-2;国家自然科学基金项目31501228;陕西省自然科学基金项目2015JM3110

在线出版日期：2017-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：188-197