留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于随机森林的地理要素面向对象自动解译方法

顾海燕 闫利 李海涛 贾莹

顾海燕, 闫利, 李海涛, 贾莹. 基于随机森林的地理要素面向对象自动解译方法[J]. 武汉大学学报 ● 信息科学版, 2016, 41(2): 228-234. doi: 10.13203/j.whugis20140102
引用本文: 顾海燕, 闫利, 李海涛, 贾莹. 基于随机森林的地理要素面向对象自动解译方法[J]. 武汉大学学报 ● 信息科学版, 2016, 41(2): 228-234. doi: 10.13203/j.whugis20140102
GU Haiyan, YAN Li, LI Haitao, JIA Ying. An Object-based Automatic Interpretation Method for Geographic Features Based on Random Forest Machine Learning[J]. Geomatics and Information Science of Wuhan University, 2016, 41(2): 228-234. doi: 10.13203/j.whugis20140102
Citation: GU Haiyan, YAN Li, LI Haitao, JIA Ying. An Object-based Automatic Interpretation Method for Geographic Features Based on Random Forest Machine Learning[J]. Geomatics and Information Science of Wuhan University, 2016, 41(2): 228-234. doi: 10.13203/j.whugis20140102

基于随机森林的地理要素面向对象自动解译方法

doi: 10.13203/j.whugis20140102
基金项目: 国家科技支撑计划(2012BAH28B03);地理空间信息工程国家测绘地理信息局重点实验室开放基金(201101)。
详细信息
    作者简介:

    顾海燕,博士生,主要从事遥感影像智能解译方法与应用研究。guhy@casm.ac.cn

  • 中图分类号: P208;P237

An Object-based Automatic Interpretation Method for Geographic Features Based on Random Forest Machine Learning

Funds: The National Science & Technology Pillar Program, No. 2012BAH28B03; Key Laboratory of Geoinformatics of National Administration of Surveying, Mapping and Geoinformation, No.201101.
  • 摘要: 面向地理对象影像分析(GEOBIA)技术取得了显著的进展,代表了遥感影像解译的发展范式,其主要目标是发展智能化分析方法。随机森林机器学习方法是一种相对新的、数据驱动的非参数分类方法,具有自动特征优选、自动模型构建等优势,为智能化分析提供了有效手段。充分利用GEOBIA及随机森林机器学习的优势,提出了基于随机森林的地理要素面向对象自动解译方法,阐述了随机森林面向对象分类方法的技术流程,为设计和实现该方法提供了详细指导,有助于指导用户优选特征和构建分类模型。通过与支持向量机分类的对比实验证明,该方法可以自动进行特征优选及分类模型的构建,利用较少的特征得到较高的分类精度,在不损失性能的前提下减少了计算量和内存使用,能够为大范围、大区域地理要素自动解译提供先验知识及自动化的手段。
  • [1] Wiki. GEO-Object-Based Image Analysis[OL]. http://wiki.ucalgary.ca/page/GEOBIA,2015
    [2] Hay G J, Castilla G. Object-based Image Analysis:Strengths, Weaknesses, Opportunities and Threats (SWOT)[C].The 1st International Conference on Object-based Image Analysis (OBIA), Salzburg, Austria, 2006
    [3] Robertson L D, King D J. Comparison of Pixel-and Object-based Classification in Land-cover Change Mapping[J]. International Journal of Remote Sensing,2011,32(6):1505-1529
    [4] Li Haitao, Gu Haiyan, Han Yanshun, et al. Object-oriented Classification of High-resolution Remote Sensing Imagery Based on an Improved Colour Structure Code and a Support Vector Machine[J]. International Journal of Remote Sensing,2010,31(6):1453-1470
    [5] Blaschke T. Object Based Image Analysis for Remote Sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2010, 65:2-16
    [6] Definiens Imaging GmbH. Developer 8 Reference Book; Definiens Imaging GmbH[OL]. http://www.doc88.com/p-0963997861736.html
    [7] Baraldi A, Boschetti L. Operational Automatic Remote Sensing Image Understanding Systems:Beyond Geographic Object-based and Object-oriented Image Analysis (GEOBIA/GEOOIA). Part 1:Introduction[J]. Remote Sensing,2012,4:2694-2735
    [8] Baraldi A, Boschetti L. Operational Automatic Remote Sensing Image Understanding Systems:Beyond Geographic Object-based and Object-oriented Image Analysis (GEOBIA/GEOOIA). Part 2:Novel System Architecture, Information/Knowledge Representation, Algorithm Design and Implementation[J]. Remote Sensing,2012,4:2768-2817
    [9] Stumpf A, Kerle N. Object-oriented Mapping of Landslides Using Random Forests[J]. Remote Sensing of Environment,2011,115(10):2564-2577
    [10] Breiman L, Cutler A. Random Forests[OL].http://www.stat.berkeley.edu/users/breiman/RandomForests/cc_home.htm,2015
    [11] Breiman L. Random Forests[J]. Machine Learning, 2001,45(1):5-32
    [12] Rodriguez-Galiano V F, Chica-Olmo M, Abarca-Hernandez F,et al. Random Forest Classification of Mediterranean Land Cover Using Multi-seasonal Imagery and Multi-seasonal Texture[J]. Remote Sensing of Environment,2012,121:93-107
    [13] Guo L, Chehata N, Mallet C,et al. Relevance of Airborne LiDAR and Multispectral Image Data for Urban Scene Classification Using Random Forests[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(1):56-66
    [14] Stumpf A, Kerle N. Combining Random Forests and Object-oriented Analysis for Landslide Mapping from very High Resolution Imagery[J].Procedia Environmental Sciences, 2011,3:123-129
    [15] Liu Yi,Du Peijun,Zheng Hui,et al. Classification of China Small Satellite Remote Sensing Image Based on Random Forests[J].Science of Surveying and Mapping, 2012,37(4):194-196(刘毅,杜培军,郑辉,等.基于随机森林的国产小卫星遥感影像分类研究[J].测绘科学,2012,37(4):194-196)
    [16] Lei Zhen. Random Forest and Its Application in Remote Sensing[D].Shanghai:Shanghai Jiao Tong University,2012(雷震. 随机森林及其在遥感影像处理中应用研究[D].上海:上海交通大学, 2012)
    [17] Li Haitao, Gu Haiyan, Han Yanshun, et al. An Efficient Multi-scale SRMMHR (Statistical Region Merging and Minimum Heterogeneity Rule) Segmentation Method for High-resolution Remote Sensing Imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2009,2(2):67-73
    [18] Verikas A, Gelzinis A, Bacauskiene M. Mining Data with Random Forests:A Survey and Results of New Tests[J].Pattern Recognition, 2011,44(2):330-349
    [19] OpenCV Documentation.OpenCV 2.4.6 Online Documentation[OL].http://docs.opencv.org/modules/ml/doc/random_trees.html,2015
    [20] Huang C, Davis L S, Townshend J R G. An Assessment of Support Vector Machines for Land Cover Classification[J]. International Journal of Remote Sensing,2002,23(4):725-749
    [21] Pal M. Random Forest Classifier for Remote Sensing Classification[J]. International Journal of Remote Sensing, 2005,26(1):217-222
  • [1] 李秋萍, 刘逸诗, 巩诗瑶, 周素红, 卓莉, 陶海燕, 栾学晨.  基于居民出行活动特征的个体经济水平推断方法 . 武汉大学学报 ● 信息科学版, 2019, 44(10): 1575-1580. doi: 10.13203/j.whugis20170426
    [2] 韩波, 李衡, 王志波, 崔晓晖.  气溶胶光学厚度估测中的LASSO特征选择方法 . 武汉大学学报 ● 信息科学版, 2018, 43(4): 536-541. doi: 10.13203/j.whugis20160014
    [3] 刘坚, 李树林, 陈涛.  基于优化随机森林模型的滑坡易发性评价 . 武汉大学学报 ● 信息科学版, 2018, 43(7): 1085-1091. doi: 10.13203/j.whugis20160515
    [4] 程诗尧, 梅天灿, 刘国英.  顾及结构特征的多层次马尔科夫随机场模型在影像分类中的应用 . 武汉大学学报 ● 信息科学版, 2015, 40(9): 1180-1187. doi: 10.13203/j .whu g is20130692
    [5] 王云艳, 何 楚, 涂 峰, 陈 东, 廖明生.  特征选择双层svm的融合算法用于极化sar图像分类 . 武汉大学学报 ● 信息科学版, 2015, 40(9): 1157-1162. doi: 10.13203/j .whu g is20140351
    [6] 孙杰, 赖祖龙.  利用随机森林的城区机载LiDAR数据特征选择与分类 . 武汉大学学报 ● 信息科学版, 2014, 39(11): 1310-1313.
    [7] 李雪, 舒宁, 李井冈, 刘小利.  基于特征贡献选择的遥感影像变化检测方法研究 . 武汉大学学报 ● 信息科学版, 2013, 38(10): 1158-1162.
    [8] 刘梦玲, 陈嘉宇, 孙洪.  Joint Boost特征选择的SAR信息可视化技术研究 . 武汉大学学报 ● 信息科学版, 2012, 37(10): 1240-1243.
    [9] 何楚, 刘明, 许连玉, 刘龙珠.  利用特征选择自适应决策树的层次SAR图像分类 . 武汉大学学报 ● 信息科学版, 2012, 37(1): 46-49.
    [10] 余晓敏, 湛飞并, 廖明生, 胡金星.  利用改进SEaTH算法的面向对象分类特征选择方法 . 武汉大学学报 ● 信息科学版, 2012, 37(8): 921-924.
    [11] 刘海, 陈晓玲, 宋珍, 殷守敬.  MODIS影像雪深遥感反演特征参数选择与模型研究 . 武汉大学学报 ● 信息科学版, 2011, 36(1): 113-116.
    [12] 李祖传, 马建文, 张睿, 李利伟.  利用融合纹理与形态特征进行地震倒塌房屋信息自动提取 . 武汉大学学报 ● 信息科学版, 2010, 35(4): 446-450.
    [13] 杨柳, 刘艳芳.  将微粒群和支持向量机用于耕地驱动因子选择的研究 . 武汉大学学报 ● 信息科学版, 2010, 35(2): 248-251.
    [14] 薄树奎, 韩新超, 丁琳.  面向对象影像分类中分割参数的选择 . 武汉大学学报 ● 信息科学版, 2009, 34(5): 514-517.
    [15] 张睿, 马建文.  一种SVM-RFE高光谱数据特征选择算法 . 武汉大学学报 ● 信息科学版, 2009, 34(7): 834-837.
    [16] 叶志伟, 郑肇葆, 万幼川, 虞欣.  基于蚁群优化的特征选择新方法 . 武汉大学学报 ● 信息科学版, 2007, 32(12): 1127-1130.
    [17] 金淑英, 李德仁, 龚健雅.  基于偏最小二乘回归的纹理特征线性组合 . 武汉大学学报 ● 信息科学版, 2006, 31(5): 399-402.
    [18] 许才军.  随机模型误差对函数模型选择的影响 . 武汉大学学报 ● 信息科学版, 1992, 17(3): 36-42.
    [19] 吴京航, 桂志鹏, 申力, 吴华意, 刘洪波, 李锐, 梅宇翱, 彭德华.  顾及格网属性分级与空间关联的人口空间化方法 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200379
    [20] 毛丽君, 李明诗.  GEE环境下联合Sentinel主被动遥感数据的国家公园土地覆盖分类 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200633
  • 加载中
计量
  • 文章访问数:  1067
  • HTML全文浏览量:  35
  • PDF下载量:  699
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-08-04
  • 刊出日期:  2016-02-05

基于随机森林的地理要素面向对象自动解译方法

doi: 10.13203/j.whugis20140102
    基金项目:  国家科技支撑计划(2012BAH28B03);地理空间信息工程国家测绘地理信息局重点实验室开放基金(201101)。
    作者简介:

    顾海燕,博士生,主要从事遥感影像智能解译方法与应用研究。guhy@casm.ac.cn

  • 中图分类号: P208;P237

摘要: 面向地理对象影像分析(GEOBIA)技术取得了显著的进展,代表了遥感影像解译的发展范式,其主要目标是发展智能化分析方法。随机森林机器学习方法是一种相对新的、数据驱动的非参数分类方法,具有自动特征优选、自动模型构建等优势,为智能化分析提供了有效手段。充分利用GEOBIA及随机森林机器学习的优势,提出了基于随机森林的地理要素面向对象自动解译方法,阐述了随机森林面向对象分类方法的技术流程,为设计和实现该方法提供了详细指导,有助于指导用户优选特征和构建分类模型。通过与支持向量机分类的对比实验证明,该方法可以自动进行特征优选及分类模型的构建,利用较少的特征得到较高的分类精度,在不损失性能的前提下减少了计算量和内存使用,能够为大范围、大区域地理要素自动解译提供先验知识及自动化的手段。

English Abstract

顾海燕, 闫利, 李海涛, 贾莹. 基于随机森林的地理要素面向对象自动解译方法[J]. 武汉大学学报 ● 信息科学版, 2016, 41(2): 228-234. doi: 10.13203/j.whugis20140102
引用本文: 顾海燕, 闫利, 李海涛, 贾莹. 基于随机森林的地理要素面向对象自动解译方法[J]. 武汉大学学报 ● 信息科学版, 2016, 41(2): 228-234. doi: 10.13203/j.whugis20140102
GU Haiyan, YAN Li, LI Haitao, JIA Ying. An Object-based Automatic Interpretation Method for Geographic Features Based on Random Forest Machine Learning[J]. Geomatics and Information Science of Wuhan University, 2016, 41(2): 228-234. doi: 10.13203/j.whugis20140102
Citation: GU Haiyan, YAN Li, LI Haitao, JIA Ying. An Object-based Automatic Interpretation Method for Geographic Features Based on Random Forest Machine Learning[J]. Geomatics and Information Science of Wuhan University, 2016, 41(2): 228-234. doi: 10.13203/j.whugis20140102
参考文献 (21)

目录

    /

    返回文章
    返回