基于高分辨率遥感影像信息提取研究.doc

1、 南阳师范学院 20XX 届毕业生 毕业论文（设计） 题 目： 基于高分辨率遥感影像信息提取研究 完 成 人： 班 级： 学 制： 专 业： 测绘工程 指导教师： 完成日期： 目 录 摘要 （ 1） 0引言 （ 1） 1基于像元的信息提取方法 (2) 1.1监督分类 (3) 1.2 非监督分类 (3) 2基于面向对象的提取方法 (3) 2.1 多尺度分割 (4) 2.2 模糊分类 (6) 3 高分辨率遥感影像信息提取实验 (6) 3.1 实验区概况 (6) 3.2 影像预处理 (7) 3.3 面向对象的信息提取 (8) 3.3.1 多尺度分割 (8） 3.3.2 信息特征提取 (9) 3.4

2、基于像元的信息提取 (11) 3.5 精度评定及结果分析 (11) 4 结论与展望 (13) 参考文献 (13) Abstract (14) 第 1 页 (共 14 页 ) 基于高分辨率遥感影像信息提取研究 摘要： 本文主要介绍基于像元的和面向对象两种对高分辨率遥感影像信息提取的方法。通过对比，引入面向对象的思想，能更为有效地对高分辨率遥感影像进行信息提取。对道路和植被等进行提取测试，实验结果表明基于面向对象的方法对高分辨遥感影像信息提取有更高的精度和更好的效果。 关键词： 高分辨率遥感；信息提取；面向对象；多尺度分割 0 引言 随着遥感技术的发展，高空间分辨率已然成为其发展方向，高空间分辨率

3、数据愈加丰富。虽然高分辨率影像数据空间信息丰富，但光谱 分辨率却很低，光谱信息相对较弱，其光谱统计特性不如中低分辨率影像稳定，光谱差异较大。仅考虑单个像元光谱信息因素的方法极易出现大量错分，结果往往出现大量的椒盐噪声。如果用灰度域滤波方式抑制又会降低影像分辨率，失去高分辨率影像的意义。利用基于像元的遥感分类算法对高分辨率遥感数据进行分类，往往难以取得满意的效果。这样的方法更适合于中、低空间分辨率多光谱遥感影像信息的提取。虽然 传统的基于像元的提取方法虽然技术比较成熟，但由于其精度不高，效率低等原因在高分辨率遥感影像的信息提取中逐渐失去地位。因此我们不得不探寻对高分 辨率遥感影像信息提取更为高效

4、的方法，基于面向对象的方法成为当下研究的热点。 国外对高分辨率遥感影响的信息提取研究较多，如 Kevin Tensey 利用英国南部乡村的航空影像，用面向对象的分类方法实现了对农业用地中的灌木的自动提取 1。 Geoffrey J.Hay 采用面向对象的分类方法，对 IKONOS 影像中加拿大地区森林景观进行多尺度分割实验，得出该地区的森林覆盖情况 2。 Michael Book 使用 EOS 数据，以德国北部地区为实验区，用面向对象分类方法实现了栖息地多尺度制图工作 3。 Bauer 对奥地利 维也纳市进行航空影像土地利用分类，认为目视解译能取得一定的精度，但速度很慢，采用面向对象的计算机自

5、动分类技术，速度快、精度高，是高分辨率影像自动分类的理想选择 4。 Willhauck采用面向对象的影像分析方法，集合了多种数据如 ERSSAR 影像、植被图及 NOAA第 2 页 (共 14 页 ) 数据完成了印尼在 1997 与 1998 年严重森林火灾后的制图 5。 Sande 利用 IKONOS数据进行洪水灾害评价，灾害评价考虑众多要素如道路、建筑物与耕地 6。这些地类在空间与光谱上的差异很大，通过影像对象之间的语义信息及对象之间的上下文信息来识别这 些类别是很有效的方法。 国内的很多学者对高分辨率遥感影像信息的提取应用进行了研究和实验，也取得了较为丰硕的成果。衣燕用面向对象的分类方法

6、，对昆明地区海 1： 3 城镇的 Quick Bird 影像进行地物提取，取得了较好的效果，最后提取的精度达93 66 7。苏簪铀以地形复杂的武夷山自然保护区为研究区域，以 SPOT5 原始影像为数据源，采用面向对象的多尺度分割方法，实现了不同尺度地物信息的分层提取 8。张秀英以常德市石门县第二次土地调查为例，采用面向对象的分类技术对 SPOT5 影像进行分割和自动分类，将分类结果导入 GIS 环境下，进行拓扑构建和属性编辑，实现图形数据、属性数据的关联，完成土地调查数据建库 9。覃先林 Quick bird 影像进行树冠信息提取，取得了不错的效果 10。宋晓宇在对试验区 IKONOS 卫星高

7、分辨率影像预处理的基础上，采用 HIS 变换法对 lm 分辨率全色影像和 4m 分辨率多光谱影像进行了融合处理；通过建筑物阴影提取了建筑物高程，采用正交小波变换方法提取了图像的纹理信息；采用了四种不同的特征图像组合方式，引入高程信息、纹理信息，形成复合影像，对影像区高、中、低层建筑物进行了分类，研究表明：由融合图像、高 程信息和纹理信息参与的分类结果精度最高，对高层建筑物分类的精度可达 80 11。 1 基于像元的信息提取方法 遥感影像分类是遥感图像处理系统的核心功能之一，也是信息提取的重要环节，它实现了基于遥感数据的地理信息提取。目前应用较多的遥感解译方法体上有两种基于像元和面向对象。 基于

8、像元的分类方法是一种传统的分类方法，至今应用较为广泛，技术上发展的也比较成熟，主要包括两种，监督分类和非监督分类。 监督分类是自顶向下的知识驱动法，先进行训练再进行分类，即先学习再分类法，而非监督分类是一种自底向上的数据驱动方法。比 较常用的监督分类法有：最小距离法 (Minimum Distance Classification)、费歇尔 (Fisher)线性判别分类法、最大似然比分类法 (Maximum Likelihood Classifier)、平行六面体法、马氏距离法、波谱角度制图 (SAM)以及二进制编码方法等。常用的非监督第 3 页 (共 14 页 ) 分类法有：分类集群法 (H

9、ierarchical Clustering)、波谱特征曲线图形识别法、平行管道分类 (Parallelepiped Classification)、动态聚类法 (Iterative Self-Organizing Data Analyses Technique Algorithm， ISODATA)和 K-means法。 1.1 监督分类 监督分类 (Supervised Classification)又称训练分类法，是通过选择有代表性的、地物类别已知的训练数据来训练分类器，再用训练好的分类器对未知地区影像数据进行自动分类的方法，即用被确认类别的样本像元去识别其他未知类别像元的过程 12。这

10、种分类方法可以根据实际的目的来决定所分的类别数量，能避免大量的数据冗余；结合分类者的实际知识及经验来控制训练 样本的选择，能过提高分类精度。 1.2 非监督分类 非监督分类 (Unsupervised Classification)，也称为聚类分析或点群分析。即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程，其前提是假定影像上同类物体在同样条件下具有相同的光谱信息特征。非监督分类方法不必对影像地物获取先验知识，不需要人工选择训练样本，仅需极少的人工初始输入，依靠影像上不同类地物光谱信息 (或纹理信息 )进行特征选取，再统计特征的差别来达到分类目的，最后对已分出各个类别的实际属性进行确认。经

11、过长期发展，目前已形成了近百 种不同的监督分类方法 12。 由于非监督分类不需要分析者选择训练样本，只需要其具有对非监督分类所得结果的解释能力，故对分析者的经验要求较低；主观因素影响小，在非监督分类过程中只需要分析者预先定义几个参数，如分类数目、分类类别等。即使分析者对图像有很强的看法偏差，也不会对分类结果有很大影响，因此非监督分类可以产生比监督分类更均质的图像；与监督分类相比，非监督分类不需要分析者对研究区域有很好的了解，因而可以节省大量的人力、时间等；在非监督分类中，独特的、覆盖量很小的类别也能够被识别，而不至于像监督分类中由于分 析者的失误造成有用信息的丢失。 2 基于面向对象的提取方法

12、 高分辨率图像的光谱分辨率并不高，往往其几何纹理的信息丰富，图像地物景观的结构、形状、纹理和细节等信息都非常突出。由于基于像元的遥感影第 4 页 (共 14 页 ) 像信息提取方法存在着不可忽视的弊端和局限，对于高分辨率遥感影像来说，必然会影响分类的精度和数据的利用率。面向对象的分类方法成为一种主要的地面分类的方法，在分类时不能仅依靠其光谱特征，更多的是要利用其几何信息和结构信息。 高分辨率影像的纹理、形状、结构等细节信息丰富，但其光谱分辨率较低。传统的基于像元的影 像分类，主要是根据单个像元的光谱特性，仅局限于对图像低层次的理解，孤立地考虑单个像元的灰度特征，而忽略了更为复杂和丰富的其他地物

13、信息，如地物的空间分布、形状、尺寸、纹理特征，地物之间的拓扑关系以及上下文信息等。因此，在运用传统的基于像元的分类方法对高分辨率影像进行信息提取时，无法得到满意的效果。为了解决这一问题，于是，我们提出了面向对象的分类方法，其基本原理是分类时不仅依靠地物的光谱特征，更多的是根据像元的形状、颜色、纹理等几何特征和结构信息，把具有相同特征的象素组成一个对象，然后根掘每一个对象的特征进行分 类。面向对象的分类基本分析单元不再是单个像元，而是更有实际意义的影像对象。影像对象是与像元相对应的影像分析单元，由影像的多尺度分割而形成的、由若干个同质像素组成的集合体，对象的大小由分割尺度决定，影像的分类都是基于

14、对象进行的，这样能更好的利用地物目标的几何特征。 面向对象的遥感图像分类方法的本质是以对象 (或基元 )为分类或检测的最 小单元，从较高层次 (对象层次 )对遥感图像进行分类，以减少传统的基于像元 层次分类方法语义信息的损失率，使分类结果含有更丰富的语义信息 13。面向对象遥感影像分类方法突破了 传统分类方法以象元为基本处理单元的局限性，它是一种相邻像元组成的对象为处理单位，以实现较高层次的遥感图像分类和目标地物的提取。 面向对象的分类方法通常包含两个步骤：多尺度分割和模糊分类。 2.1 多尺度分割 多尺度分割是一种从一个像素的对象开始进行一个自下至上的区域合并技术，小的影像对象可以合并到稍大

15、的对象中去。在每一步骤中相邻的对象对，只要符合定义的异质性最小的标准就合并，如果这个最小的异质性超出尺度参数定义的阈值范围，合并过程就停止。通过多尺度分割，可以生成多个影像对象层，各类地物可以从 不同的影像层中提取。模糊分类不是仅仅把一个影像对象赋予一个类，它可以提供这个对象对所有可以考虑类的隶属度。分类赋值的第 5 页 (共 14 页 ) 策略是透明的，因此比神经网络更容易接受 14。在分类的过程中，可以通过建立类层次结构，根据影像中各类地物的纹理、形状、结构以及空间分布等特征确定子类与父类，父类通过大尺度的分割获得，而子类则是通过小尺度的分割获得，子类可以继承父类的特征，这样使分类更加便捷

16、与精确。模糊逻辑甚至支持某一类通过不同种类的逻辑运算组合不同种的特征来描述。 影像分割是指将整个图像区域分割成若干个互不交叠的非空子区域的 过程，每个子区域的内部是联通的，同一区域内部具有相同或相似的特性，可以是灰度、颜色、纹理等。其目的就是把一幅图像分割成与实体对象相对应的不同部分，一个对象即为一个真正存在的、划分出来的实体。影像分割技术同时利用光谱信息和空间语义信息在图像上识别和划分出适合的片段，主要有两种方法：基于边缘的图像分割和基于区域的分割。影像分割是从图像处理过渡到图像分析的关键步骤，对图像工程有着重要的作用。首先，影像分割作为目标表达的基础，对特征测量有重要的影响；其次，基于分割

17、的目标表达、特征抽取和参数测量将原始图像转化为更抽象 、更紧凑的形式，使得更高层的图像分析和理解成为可能。随着对影像分割研究的不断深入，目前已经出现了多种针对高分辨率遥感影像分割的方法，主要包括基于形状的分割方法、基于纹理的分割方法、基于灰度的分割方法、基于纹理和灰度的分割方法等。 高分辨率遥感影像中，地物的结构、纹理、空间特征以及与相邻地物的关系等信息十分丰富，在对影像中各类地物进行信息提取时，由于地物之间存在着大小的差异，若用某一单一的尺度对影像进行分割，必然会出现分割过于破碎或者分割不完全的情况。如大面积的地物，若采用较小的分割尺度，就会导致分割过于破碎 ；对于小面积的地物，若采用较大的

18、分割尺度，则会导致分割不完全。因此，针对这种情况，我们可以采用多个分割尺度对不同类别的地物分别进行分割提取。而多尺度影像分割就是对影像中目标设立一个特定的阈值，根据影像中目标地物的色彩、形状、纹理等特征，建立相应的分割准则，基于对象内部异质性最小的原则，将光谱信息类似的相邻像元合并，组成一个有意义的对象，分割后使得对象间的异质性达到最大的目的。进行多尺度分割后，不同类别的地物即可以实现在不同尺度层的信息提取，分类的基本单元已不再是单个的像元，而是富有实际意义的影像对象，使分类 结果更加客观。这样从影像中提取出的对象就会更加完整，也能减少后期信息处理的难度。 多尺度影像分割最关键的部分是对分割参

19、数的设置，首先是分割尺度的选 第 6 页 (共 14 页 ) 择，即设定一个尺度阈值，以此作为像元停止合并的标准；再根据影像中地物的纹理特征以及所要提取专题信息的要求，确定进行分割所需要的光谱因子与形状因子的权重。其中形状因子包含紧密度和光滑度两个参数，一般根据影像中多数地物类别的结构特点来进行确定。然后以影像中任意一个像元为中心开始分割，第一次分割时单个像元被看作一个最小的多边形对象参与异质性值的计算；当第一次分 割完成后，以生成的多边形对象为基础进行第二次分割，同样计算异质性值，判断 y 与预定的阈值之间的差异，若 y 小于阈值 s，则继续进行多次的分割，反之则停止影像的分割工作，形成一个

20、固定尺度值的影像对象层。 2.2 模糊分类 遥感图像的计算机分类分为硬分类和软分类两种方法，分类器给每一个像元只赋予唯一类别的分类方法称为硬分类 (Crisp Classification)。与硬分类相对应，每一个像元有可能被赋予多个不同类别的分类方法则称为软分类 (Soft Classification)15。模糊分类法就是一种典 型的软分类方法。模糊分类方法采用模糊数学的思想，以模糊集合论为基础，是一种针对事物不确定性的分析方法。模糊分类不是仅仅把一个影像对象赋予一个地物类别，它提供这个对象对所有可以考虑类别的隶属度，通过返回对象对于某一类的隶属度值，即一个 0到 1 之间的模糊数值来表示

21、对象对某一类的隶属程度。将“是”与“否“两个严格的逻辑概念转化成为一个 O， 1之间的具体数值， 0 代表完全不属于， 1 代表完全属于，数值越大代表对象对于某一类的隶属程度越大。由于高分辨率影像中像元的混合程度较高，混合像元的存在对遥感影像分类有着不可忽视的影响，因此运用模糊逻辑分类法对高分辨率遥感影像进行信息提取有着很大的优势。主要表现在这几个方面 14：（ 1）特征值向模糊值的转化，这实际上是一个特征标准化的过程；（ 2）允许特征之间的组合，甚至是范围和大小相差很大的特征也可以组合起来；（ 3）提供了明确的、可调整的特征描述；（ 4）通过模糊运算和层次类型描述，能够进行复杂的特征描述。

22、3 高分辨率遥感影像信息提取实验 3.1 实验区概况 我们 以 2000 年获取的 IKONOS 多光谱影像为实验数据，影像分辨率为 4 米， 利用 ENVI4.3 环境中 Subset 截取影像中的一部分作为研究区。研究区位于欧洲第 7 页 (共 14 页 ) 西部，东经 6 39 7 01、北纬 52 07 52 20之间，该地区畜牧业较发达，分布有大面积的草地和森林。 3.2 影像预处理 首先要做的是图像融合。遥感图像融合是将不同类型传感器获取的同一地区的影像数据进行空间配准，然后采用一定算法将各影像数据中所含的信息优势或互补性有机结合起来产生新影像数据的技术 12。这样做能够最大限度地

23、将各种有用信息统一起来，提高综合分析精度。影像融合前，一般全色影像与多光谱 波段需要精确配准，由于 IKONOS 全色影像与多光谱数据来自同一传感器系统，两种数据获取时间一致，不存在配准误差，因此无需配准。这里将先进行影像融合，再进行辐射校正和几何校正。我们用主成分分析法将多光谱波段与全色波段进行融合。主成分分析法一种多维正交线性变换，又称为 K L 变换，它的最大优点是可以应用任意数目的波段，使融合后的影像细部特征更加清晰，光谱信息更加丰富。对遥感数据进行主成分变换，首先应计算出一个标准变换矩阵，通过变换矩阵使影像数据转换成一组新的主成分数据。分别对 IKONOS 多光谱数据的 4 个波段作

24、主成 分变换，得到 4 个相互独立的主成分，其中第一主成分表达了影像的空间结构信息，而各波段的光谱信息则反映在其他各主成分中。主成分分析融合方法就是将 IKONOS 影像全色波段替代第一主成分进行逆变换，得到空间分辨率更高的多光谱融合影像。融合后影像的分辨率为 1 米。 由于传感器的响应特征和大气吸收、散射以及其他因素的影响，致使遥感影像模糊失真，从而导致影像的分辨率和对比度有所下降，为了消除和改正因辐射误差而引起的影像畸变，因此需要对影像进行辐射校正。辐射校正是影像恢复的一个内容。校正方式有两类：传感器辐射校正和大气辐射校 正。 遥感图像的几何校正是指消除遥感图像中的几何畸变、定量地确定图像

25、上像元坐标与目标物的地理坐标间对应关系的过程。由于影像已进行过粗略校正，这里只需对影像进行几何精校正即可。几何校正的方法有很多种，我们采用三次多项式转换模型，选取 17 个地面控制点 (GCP)，校正精度可达两个像元左右（如图 1）。 第 8 页 (共 14 页 ) 处理前 处理后 图 1 为预处理前后影像对比图 3.3 面向对象的信息提取 3.3.1 多尺度分割 本实验以三个尺度对影像进行分割，分割策略如图 2 所示。 尺度： 5 尺度： 15 尺度： 20 图 2 为植被提取多尺度分割策略 在影像中，房屋，单行树木和道路的面积相对较小，若采用较大分割尺度，很容易被划分到其它地类 中去，不能够很好的将这三类地物进行提取， 由于房屋和道路形状较规则，因此本层在分割时以形状特征为主，分割尺度设为 5。草地和林地面积相对较大，分割尺度选择 15，主要以光谱信息为主。水体和裸地较之前两层的地物来说分类精度受尺度的影响相对较小，且裸地的最优尺度为20，因此，第三层的分割尺度为 20。 单行树木，道路，房屋 多尺度分割 第一层 第二层 第三层 浓密草地，稀疏草地，有林地，疏林地 水体，裸地