基于逐像元和面向?qū)ο蠓诸惙椒ǖ姆治鲅芯?/h1>
2014-12-13 09:49:06靳歡歡
江蘇科技信息 2014年19期
靳歡歡
（河南理工大學測繪與國土信息工程學院，河南焦作 454000）
0 引言
隨著遙感技術(shù)的迅速發(fā)展和高科技社會時代的需求，遙感影像數(shù)據(jù)成為數(shù)字智能地球的主要數(shù)據(jù)來源之一，隨之而來的高光譜、高時空分辨率影像也越來越受人們歡迎。與中、低分辨率遙感影像相比，高分辨率影像在景觀結(jié)構(gòu)、形狀、紋理和細節(jié)等方面都具有非常突出的信息，能夠在較小的空間尺度上觀察地表的細節(jié)變化。目前，遙感影像的分類可以采用逐像元分類或面向?qū)ο蠓诸悺Ｖ鹣裨诸愔饕紤]像元的波段光譜特征強度信息，但忽視空間結(jié)構(gòu)關(guān)系和上下文語義信息特征。面向?qū)ο蠓诸惪梢越Y(jié)合使用光譜、空間、上下文等更多特征信息進行分類。由于高分辨率遙感影像上地物的光譜信息較少，基于像元的分類方法并不能提供有效的專題信息。但面向?qū)ο蠓治龇椒梢栽趯Ω呖臻g分辨率遙感影像分類時結(jié)合更多的特征，從而可以更有效地提取專題信息。另外，傳統(tǒng)的逐像元分類是以像素為單元分類的，易造成分類精度低。面向?qū)ο蠓诸惖膶ο蟛辉偈菃蝹€像素而是由多個具有相關(guān)關(guān)聯(lián)的像素組成的對象，不僅利用了影像的光譜信息，還利用了空間信息。本文以GeoEye 數(shù)據(jù)為實驗數(shù)據(jù)，開展了如下研究：
（1）以監(jiān)督分類和非監(jiān)督分類評價逐像元方法在試驗區(qū)土地分類的有效性；
（2）評價基于面向?qū)ο蠓椒ㄔ谠囼瀰^(qū)土地分類中的有效性；
（3）對于高分辨率影像，通過計算總體分類精度和Kappa系數(shù)比較逐像元分類和面向?qū)ο蠓诸惙椒ǖ姆诸惥取?/p>
1 試驗數(shù)據(jù)特點
本次實驗影像數(shù)據(jù)由GeoEye 衛(wèi)星獲得，GeoEye-1 衛(wèi)星是美國的一顆商業(yè)衛(wèi)星，于2008 年9 月從美國加州范登堡空軍基地發(fā)射。GeoEye-1 是太陽同步軌道衛(wèi)星，軌道高度684km，運行周期98min，該衛(wèi)星攜帶高分辨率的CCD 相機。GeoEye 系列2 顆衛(wèi)星，亞米級分辨率；GeoEye-1 全色影像分辨率0.41m，多光譜影像分辨率1.65m；其中，全色波長：450～800nm；多光譜中的藍光波長：450～510nm；綠光波長：510～580nm；紅光波長：655nm～690nm；近紅外波長：780nm～920nm。簡而言之，GeoEye-1 衛(wèi)星具有分辨率最高、測圖能力極強、重訪周期極短的特點，在實現(xiàn)大面積成圖項目、細微地物的解譯與判讀等方面優(yōu)勢突出。
2 逐像元分類方法
傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類都是基于像元的分類方法，分類處理時的最小單元是像元，主要考慮單個對象的光譜信息。
2.1 非監(jiān)督分類
非監(jiān)督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑數(shù)據(jù)（遙感影像地物的光譜特征的分布規(guī)律），即自然聚類的特性，進行“盲目”的分類；其分類的結(jié)果只是對不同類別達到了區(qū)分，但并不能確定類別的屬性。
ENVI 軟件包括K-Means 和ISODATA 兩種非監(jiān)督分類方法。K-Means 是通過計算像元的聚類相似度對地物進行迭代聚類分析，而ISODATA 是使用最小距離技術(shù)對像元進行迭代聚合?？梢钥闯?，在這2 種方法中，迭代次數(shù)越多，得到的分類結(jié)果越精確，本試驗中選取的迭代次數(shù)為6 次。非監(jiān)督分類總體上一般分為4 個過程：執(zhí)行非監(jiān)督分類、類別定義、合并子類和評價結(jié)果。定義類別的根據(jù)可以通過在高分辨率圖像上目視解譯獲得，也可以基于野外實地調(diào)查數(shù)據(jù)。本次通過目視判讀將試驗區(qū)分為耕地、林地、裸地、沙地、村莊、其他6 類。通過ENVI軟件評價分類結(jié)果，其中總精度和Kappa 系數(shù)越大表明分類效果越好。從表1 中可以看出，Isodata 方法分類精度比K-Mean分類精度高。但總的來說都比較偏低，不能滿足要求。
表1 非監(jiān)督分類精度結(jié)果
2.2 監(jiān)督分類
監(jiān)督分類是利用訓練樣本（即先驗知識）去識別其他未知類別像元的一種分類方法。ENVI 中監(jiān)督分類的分類器有平行六面體、最小距離、馬氏距離、最大似然、神經(jīng)網(wǎng)絡(luò)、支持向量機等。用戶根據(jù)分類精度要求選擇合適的分類器，選擇不同的分類器需要設(shè)置的參數(shù)不一樣，但是都需要訓練樣本。ENVI 中是利用ROI Tool 來定義訓練樣本的，也就是把感興趣區(qū)當做訓練樣本，因此定義訓練樣本的過程就是創(chuàng)建感興趣區(qū)的過程。訓練樣本的定義主要靠目視解譯。定義好樣本后可以使用ENVI 中的ROI 可分離性（Compute ROI Separability）工具來計算任意類別間的統(tǒng)計距離，這個距離用于確定2 個類別間的差異性程度。這個參數(shù)值的范圍是0～2，大于1.8 為及格，數(shù)值越大表示類別間的可分離性效果越好。本次試驗中計算的數(shù)值為1.914，表示本次選擇的訓練樣本可分離性較好。
本文中選用了常用的4 種監(jiān)督分類器：最小距離、馬氏距離、最大似然、支持向量機對影像分別分類，然后對分類結(jié)果進行精度評價。這4 個分類器中圖像的像元值意義分別為：到類中心的距離和、到類中心的距離、像元屬于該類的概率、距分類超平面最近的像素。這4 種監(jiān)督分類的精度評價結(jié)果如表2 所示。從表中可以看出，在監(jiān)督分類中，支持向量機分類的精度較高。
表2 監(jiān)督分類精度結(jié)果
3 面向?qū)ο蠓诸?/h2>
面向?qū)ο蠓诸愂侵父鶕?jù)影像的光譜信息及形狀信息，設(shè)置一定的均質(zhì)標準參數(shù)，將遙感影像進行分割以形成影像對象，每一個影像對象都是具有相似光譜特征的像素的集合。此方法不是以單個像素為分析目標，而是以影像中的像素集合為分析單元，充分考慮了對象和周圍環(huán)境之間的聯(lián)系等因素，借助對象特征知識庫來完成對影像信息的提取。隨著高分辨率遙感影像技術(shù)的發(fā)展，越來越多的遙感軟件具有這個功能，本文運用的是ENVI 的EX 模塊，是基于影像空間以及影像光譜特征的面向?qū)ο罂臻g特征提取模塊—Feature Extraction。EX 先對影像進行分割，然后針對分割出來的斑塊對象，利用光譜、紋理和幾何信息對目標進行分類和提取。
3.1 影像分割
影像分割是一種重要的影像分析技術(shù)，是指把影像分成各具特性的區(qū)域的技術(shù)和過程。比較常用的分割算法是多尺度分割法，多尺度分割是指從一個像素的對象開始進行一個自下而上的區(qū)域合并技術(shù)，小的影像對象可以合并到稍大的對象中。在這個聚集過程中，相鄰的影像對象只要符合設(shè)置的異質(zhì)最小生長的標準就合并，如果這個最小的擴張超出尺度參數(shù)定義的閾值范圍，合并過程結(jié)束。在多尺度影像分割過程中要達到滿意的分割結(jié)果，分割參數(shù)的選定很重要。選擇高尺度影像分割將會分出很少的圖斑，選擇一個低尺度影像分割將會分割出更多的圖斑，分割效果的好壞一定程度上決定了分類效果的精確度，我們可以通過預覽分割效果（見圖1），選擇一個理想的分割閥值（范圍是0～100），盡可能好地分割出邊緣特征。本次試驗中選擇的分割閾值為40。
圖1 影像分割預覽圖
3.2 分塊合并
在影像分割時，由于設(shè)置的閾值過低，一些特征會被錯分，一個特征也有可能被分成很多部分。我們可以通過分塊合并來解決這些問題。同樣也需要選擇一個理想的合并閾值（范圍是0～100），本次試驗中選擇的合并閾值為90（見圖2）。
3.3 分類結(jié)果和精度分析
ENVI 的EX 中的特征提取方法有3 種：監(jiān)督分類、規(guī)則分類和直接矢量輸出。本文選擇的是監(jiān)督分類，這里的監(jiān)督分類和上面提到的監(jiān)督分類是有區(qū)別的，它不僅僅包括光譜信息，還包括空間、紋理等信息。從目視結(jié)果可以看出，面向?qū)ο蟮姆诸惤Y(jié)果優(yōu)于基于像素分類。面向?qū)ο蟮姆诸惪傮w精度為89.2830%，Kapaa 系數(shù)為0.8516，明顯高于之前的基于像素的分類方法的精度。圖3 和圖4 為面向?qū)ο蠛突谙裨姆诸惤Y(jié)果圖。總的來說基于像素的信息提取方法對高分辨率的影像信息提取效果不好，因為高分辨率的光譜信息不是很豐富，而基于像素的分類方法主要是根據(jù)地物的光譜信息特征來進行分類的。另外，傳統(tǒng)的基于像元的分類方法易受高分辨率影像局部異質(zhì)性大的影響和干擾，同物異譜同譜異物的現(xiàn)象比較多并且存在大量的椒鹽現(xiàn)象，分類結(jié)果也不易矢量化。而用面向?qū)ο蟮姆椒ㄟM行信息提取能夠克服同物異譜同譜異物現(xiàn)象的影響，有效地消除了椒鹽噪聲，而且利用面向?qū)ο蟮姆椒ㄌ崛〉男畔⒔Y(jié)果比用基于像素的方法提取的信息具有更好的目視效果。
4 總結(jié)
通過對分類結(jié)果的精度評定和目視判讀，我們可以發(fā)現(xiàn)面向?qū)ο蠹夹g(shù)更適合高分辨率遙感影像的分類處理。因為基于像元的分類方法主要依據(jù)是像元的光譜特征。而高分辨率遙感圖像的細節(jié)信息豐富，光譜信息較少，圖像的局部異質(zhì)性大。面向?qū)ο蠓诸惙椒梢岳酶叻直媛蕡D像上豐富的光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局以及圖像中地物之間的上下文信息對地物進行分類，具有較高的分類精度，而且使分類后的圖像含有豐富的語義信息，便于解譯和理解。對高分辨率影像來說，面向?qū)ο蠓诸愂且环N非常有效的信息提取方法，具有很好的應用前景。
圖3 面向?qū)ο蠓诸悎D
圖4 基于像元分類圖
［1］鄧書斌.ENVI 遙感圖像處理方法［M］.北京：科學出版社，2010.
［2］John A.Richards Xiuping Jia.遙感數(shù)字圖像分析［M］.張曄，張鈞萍，谷延鋒，等，譯.4 版.北京：電子工業(yè)出版社，2009.
［3］祝振江.基于面向?qū)ο蠓诸惙ǖ母叻直媛蔬b感影像礦山信息提取應用研究［D］.北京：中國地質(zhì)大學，2010.
［4］韋玉春，湯國安，楊昕，等.遙感數(shù)字圖像處理教程［M］.北京：科學出版社，2007.
［5］汪秋來.面向?qū)ο筮b感影像分類方法及其應用研究［D］.南京：南京林業(yè)大學，2008.
［6］張俊，于慶國，朱曉東，等.面向?qū)ο蟮母叻直媛视跋裉卣鬟x擇研究［J］.測繪科學，2011（3）.
猜你喜歡
分類算一算數(shù)學小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56 突出“四個注重” 預算監(jiān)督顯實效人大建設(shè)(2020年4期)2020-09-21 03:39:12 分類討論求坐標中學生數(shù)理化·七年級數(shù)學人教版(2019年4期)2019-05-20 10:06:32 數(shù)據(jù)分析中的分類討論中學生數(shù)理化·七年級數(shù)學人教版(2018年6期)2018-06-26 08:36:06 教你一招：數(shù)的分類初中生世界·七年級(2017年9期)2017-10-13 22:27:46 監(jiān)督見成效 舊貌換新顏人大建設(shè)(2017年2期)2017-07-21 10:59:25 夯實監(jiān)督之基人大建設(shè)(2017年9期)2017-02-03 02:53:31 可能是方法不對意林原創(chuàng)版(2016年10期)2016-11-25 10:28:30 用對方法才能瘦Coco薇(2016年2期)2016-03-22 02:42:52 四大方法 教你不再“坐以待病”！Coco薇(2015年1期)2015-08-13 02:47:34
靳歡歡
（河南理工大學測繪與國土信息工程學院，河南焦作 454000）
0 引言
隨著遙感技術(shù)的迅速發(fā)展和高科技社會時代的需求，遙感影像數(shù)據(jù)成為數(shù)字智能地球的主要數(shù)據(jù)來源之一，隨之而來的高光譜、高時空分辨率影像也越來越受人們歡迎。與中、低分辨率遙感影像相比，高分辨率影像在景觀結(jié)構(gòu)、形狀、紋理和細節(jié)等方面都具有非常突出的信息，能夠在較小的空間尺度上觀察地表的細節(jié)變化。目前，遙感影像的分類可以采用逐像元分類或面向?qū)ο蠓诸悺Ｖ鹣裨诸愔饕紤]像元的波段光譜特征強度信息，但忽視空間結(jié)構(gòu)關(guān)系和上下文語義信息特征。面向?qū)ο蠓诸惪梢越Y(jié)合使用光譜、空間、上下文等更多特征信息進行分類。由于高分辨率遙感影像上地物的光譜信息較少，基于像元的分類方法并不能提供有效的專題信息。但面向?qū)ο蠓治龇椒梢栽趯Ω呖臻g分辨率遙感影像分類時結(jié)合更多的特征，從而可以更有效地提取專題信息。另外，傳統(tǒng)的逐像元分類是以像素為單元分類的，易造成分類精度低。面向?qū)ο蠓诸惖膶ο蟛辉偈菃蝹€像素而是由多個具有相關(guān)關(guān)聯(lián)的像素組成的對象，不僅利用了影像的光譜信息，還利用了空間信息。本文以GeoEye 數(shù)據(jù)為實驗數(shù)據(jù)，開展了如下研究：
（1）以監(jiān)督分類和非監(jiān)督分類評價逐像元方法在試驗區(qū)土地分類的有效性；
（2）評價基于面向?qū)ο蠓椒ㄔ谠囼瀰^(qū)土地分類中的有效性；
（3）對于高分辨率影像，通過計算總體分類精度和Kappa系數(shù)比較逐像元分類和面向?qū)ο蠓诸惙椒ǖ姆诸惥取?/p>
1 試驗數(shù)據(jù)特點
本次實驗影像數(shù)據(jù)由GeoEye 衛(wèi)星獲得，GeoEye-1 衛(wèi)星是美國的一顆商業(yè)衛(wèi)星，于2008 年9 月從美國加州范登堡空軍基地發(fā)射。GeoEye-1 是太陽同步軌道衛(wèi)星，軌道高度684km，運行周期98min，該衛(wèi)星攜帶高分辨率的CCD 相機。GeoEye 系列2 顆衛(wèi)星，亞米級分辨率；GeoEye-1 全色影像分辨率0.41m，多光譜影像分辨率1.65m；其中，全色波長：450～800nm；多光譜中的藍光波長：450～510nm；綠光波長：510～580nm；紅光波長：655nm～690nm；近紅外波長：780nm～920nm。簡而言之，GeoEye-1 衛(wèi)星具有分辨率最高、測圖能力極強、重訪周期極短的特點，在實現(xiàn)大面積成圖項目、細微地物的解譯與判讀等方面優(yōu)勢突出。
2 逐像元分類方法
傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類都是基于像元的分類方法，分類處理時的最小單元是像元，主要考慮單個對象的光譜信息。
2.1 非監(jiān)督分類
非監(jiān)督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑數(shù)據(jù)（遙感影像地物的光譜特征的分布規(guī)律），即自然聚類的特性，進行“盲目”的分類；其分類的結(jié)果只是對不同類別達到了區(qū)分，但并不能確定類別的屬性。
ENVI 軟件包括K-Means 和ISODATA 兩種非監(jiān)督分類方法。K-Means 是通過計算像元的聚類相似度對地物進行迭代聚類分析，而ISODATA 是使用最小距離技術(shù)對像元進行迭代聚合?？梢钥闯?，在這2 種方法中，迭代次數(shù)越多，得到的分類結(jié)果越精確，本試驗中選取的迭代次數(shù)為6 次。非監(jiān)督分類總體上一般分為4 個過程：執(zhí)行非監(jiān)督分類、類別定義、合并子類和評價結(jié)果。定義類別的根據(jù)可以通過在高分辨率圖像上目視解譯獲得，也可以基于野外實地調(diào)查數(shù)據(jù)。本次通過目視判讀將試驗區(qū)分為耕地、林地、裸地、沙地、村莊、其他6 類。通過ENVI軟件評價分類結(jié)果，其中總精度和Kappa 系數(shù)越大表明分類效果越好。從表1 中可以看出，Isodata 方法分類精度比K-Mean分類精度高。但總的來說都比較偏低，不能滿足要求。
表1 非監(jiān)督分類精度結(jié)果
2.2 監(jiān)督分類
監(jiān)督分類是利用訓練樣本（即先驗知識）去識別其他未知類別像元的一種分類方法。ENVI 中監(jiān)督分類的分類器有平行六面體、最小距離、馬氏距離、最大似然、神經(jīng)網(wǎng)絡(luò)、支持向量機等。用戶根據(jù)分類精度要求選擇合適的分類器，選擇不同的分類器需要設(shè)置的參數(shù)不一樣，但是都需要訓練樣本。ENVI 中是利用ROI Tool 來定義訓練樣本的，也就是把感興趣區(qū)當做訓練樣本，因此定義訓練樣本的過程就是創(chuàng)建感興趣區(qū)的過程。訓練樣本的定義主要靠目視解譯。定義好樣本后可以使用ENVI 中的ROI 可分離性（Compute ROI Separability）工具來計算任意類別間的統(tǒng)計距離，這個距離用于確定2 個類別間的差異性程度。這個參數(shù)值的范圍是0～2，大于1.8 為及格，數(shù)值越大表示類別間的可分離性效果越好。本次試驗中計算的數(shù)值為1.914，表示本次選擇的訓練樣本可分離性較好。
本文中選用了常用的4 種監(jiān)督分類器：最小距離、馬氏距離、最大似然、支持向量機對影像分別分類，然后對分類結(jié)果進行精度評價。這4 個分類器中圖像的像元值意義分別為：到類中心的距離和、到類中心的距離、像元屬于該類的概率、距分類超平面最近的像素。這4 種監(jiān)督分類的精度評價結(jié)果如表2 所示。從表中可以看出，在監(jiān)督分類中，支持向量機分類的精度較高。
表2 監(jiān)督分類精度結(jié)果
3 面向?qū)ο蠓诸?/h2>
面向?qū)ο蠓诸愂侵父鶕?jù)影像的光譜信息及形狀信息，設(shè)置一定的均質(zhì)標準參數(shù)，將遙感影像進行分割以形成影像對象，每一個影像對象都是具有相似光譜特征的像素的集合。此方法不是以單個像素為分析目標，而是以影像中的像素集合為分析單元，充分考慮了對象和周圍環(huán)境之間的聯(lián)系等因素，借助對象特征知識庫來完成對影像信息的提取。隨著高分辨率遙感影像技術(shù)的發(fā)展，越來越多的遙感軟件具有這個功能，本文運用的是ENVI 的EX 模塊，是基于影像空間以及影像光譜特征的面向?qū)ο罂臻g特征提取模塊—Feature Extraction。EX 先對影像進行分割，然后針對分割出來的斑塊對象，利用光譜、紋理和幾何信息對目標進行分類和提取。
3.1 影像分割
影像分割是一種重要的影像分析技術(shù)，是指把影像分成各具特性的區(qū)域的技術(shù)和過程。比較常用的分割算法是多尺度分割法，多尺度分割是指從一個像素的對象開始進行一個自下而上的區(qū)域合并技術(shù)，小的影像對象可以合并到稍大的對象中。在這個聚集過程中，相鄰的影像對象只要符合設(shè)置的異質(zhì)最小生長的標準就合并，如果這個最小的擴張超出尺度參數(shù)定義的閾值范圍，合并過程結(jié)束。在多尺度影像分割過程中要達到滿意的分割結(jié)果，分割參數(shù)的選定很重要。選擇高尺度影像分割將會分出很少的圖斑，選擇一個低尺度影像分割將會分割出更多的圖斑，分割效果的好壞一定程度上決定了分類效果的精確度，我們可以通過預覽分割效果（見圖1），選擇一個理想的分割閥值（范圍是0～100），盡可能好地分割出邊緣特征。本次試驗中選擇的分割閾值為40。
圖1 影像分割預覽圖
3.2 分塊合并
在影像分割時，由于設(shè)置的閾值過低，一些特征會被錯分，一個特征也有可能被分成很多部分。我們可以通過分塊合并來解決這些問題。同樣也需要選擇一個理想的合并閾值（范圍是0～100），本次試驗中選擇的合并閾值為90（見圖2）。
3.3 分類結(jié)果和精度分析
ENVI 的EX 中的特征提取方法有3 種：監(jiān)督分類、規(guī)則分類和直接矢量輸出。本文選擇的是監(jiān)督分類，這里的監(jiān)督分類和上面提到的監(jiān)督分類是有區(qū)別的，它不僅僅包括光譜信息，還包括空間、紋理等信息。從目視結(jié)果可以看出，面向?qū)ο蟮姆诸惤Y(jié)果優(yōu)于基于像素分類。面向?qū)ο蟮姆诸惪傮w精度為89.2830%，Kapaa 系數(shù)為0.8516，明顯高于之前的基于像素的分類方法的精度。圖3 和圖4 為面向?qū)ο蠛突谙裨姆诸惤Y(jié)果圖。總的來說基于像素的信息提取方法對高分辨率的影像信息提取效果不好，因為高分辨率的光譜信息不是很豐富，而基于像素的分類方法主要是根據(jù)地物的光譜信息特征來進行分類的。另外，傳統(tǒng)的基于像元的分類方法易受高分辨率影像局部異質(zhì)性大的影響和干擾，同物異譜同譜異物的現(xiàn)象比較多并且存在大量的椒鹽現(xiàn)象，分類結(jié)果也不易矢量化。而用面向?qū)ο蟮姆椒ㄟM行信息提取能夠克服同物異譜同譜異物現(xiàn)象的影響，有效地消除了椒鹽噪聲，而且利用面向?qū)ο蟮姆椒ㄌ崛〉男畔⒔Y(jié)果比用基于像素的方法提取的信息具有更好的目視效果。
4 總結(jié)
通過對分類結(jié)果的精度評定和目視判讀，我們可以發(fā)現(xiàn)面向?qū)ο蠹夹g(shù)更適合高分辨率遙感影像的分類處理。因為基于像元的分類方法主要依據(jù)是像元的光譜特征。而高分辨率遙感圖像的細節(jié)信息豐富，光譜信息較少，圖像的局部異質(zhì)性大。面向?qū)ο蠓诸惙椒梢岳酶叻直媛蕡D像上豐富的光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局以及圖像中地物之間的上下文信息對地物進行分類，具有較高的分類精度，而且使分類后的圖像含有豐富的語義信息，便于解譯和理解。對高分辨率影像來說，面向?qū)ο蠓诸愂且环N非常有效的信息提取方法，具有很好的應用前景。
圖3 面向?qū)ο蠓诸悎D
圖4 基于像元分類圖
［1］鄧書斌.ENVI 遙感圖像處理方法［M］.北京：科學出版社，2010.
［2］John A.Richards Xiuping Jia.遙感數(shù)字圖像分析［M］.張曄，張鈞萍，谷延鋒，等，譯.4 版.北京：電子工業(yè)出版社，2009.
［3］祝振江.基于面向?qū)ο蠓诸惙ǖ母叻直媛蔬b感影像礦山信息提取應用研究［D］.北京：中國地質(zhì)大學，2010.
［4］韋玉春，湯國安，楊昕，等.遙感數(shù)字圖像處理教程［M］.北京：科學出版社，2007.
［5］汪秋來.面向?qū)ο筮b感影像分類方法及其應用研究［D］.南京：南京林業(yè)大學，2008.
［6］張俊，于慶國，朱曉東，等.面向?qū)ο蟮母叻直媛视跋裉卣鬟x擇研究［J］.測繪科學，2011（3）.
猜你喜歡
數(shù)學小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56
人大建設(shè)(2020年4期)2020-09-21 03:39:12
中學生數(shù)理化·七年級數(shù)學人教版(2019年4期)2019-05-20 10:06:32
中學生數(shù)理化·七年級數(shù)學人教版(2018年6期)2018-06-26 08:36:06
初中生世界·七年級(2017年9期)2017-10-13 22:27:46
人大建設(shè)(2017年2期)2017-07-21 10:59:25
人大建設(shè)(2017年9期)2017-02-03 02:53:31
意林原創(chuàng)版(2016年10期)2016-11-25 10:28:30
Coco薇(2016年2期)2016-03-22 02:42:52
Coco薇(2015年1期)2015-08-13 02:47:34
