土地資源管理-遙感圖像處理課程論文

1、淺談面向?qū)ο蠓诸惙椒ㄕ航陙?，各種類型的衛(wèi)星遙感己經(jīng)被廣泛應(yīng)用于土地的覆蓋利用、環(huán)境監(jiān)測、農(nóng)業(yè)估產(chǎn)、森林火災(zāi)及政府決策等方面。對遙感影像數(shù)據(jù)的利用絕大多數(shù)的情況都需要對其進行分類以獲取分類數(shù)據(jù)（專題數(shù)據(jù)），分類技術(shù)也稱之為影像分析技術(shù)。一直以來，遙感影像數(shù)據(jù)的分類都是基于像素的?；谙袼氐倪b感影像分類方法所提取出來的專題信息誤差較大，會產(chǎn)生許多的無效破碎圖斑，從而降低了分類精度。針對這些問題，近年來發(fā)展起來的一種新的影像分類方法面向?qū)ο蠓诸惙ㄊ且环N越于影像對象的分類方法。影像對象是指具有一定相似特征的像素的集合。相比傳統(tǒng)的遙感影像分類方法，這種分類方法具有很多的優(yōu)點：其影像分割可以分出同性

2、質(zhì)像元組成的影像對象，對象內(nèi)部的光譜值差異極其微小甚至可以忽略，此消除了“椒鹽現(xiàn)象”的產(chǎn)生；分類時對象之間的區(qū)分利用遙感影像所表現(xiàn)出的形狀、空間、紋理等特征信息對影像進行分類，減小了“同物異譜、”“同譜異物”現(xiàn)象對分類精度的影響；采用多尺度分割空間信息的分析方法，能夠滿足提取不同尺度的地物信息的要求從而達到了較高的分類精度。論文嘗試借助面向?qū)ο蠹夹g(shù)對泰安市土地現(xiàn)狀進行簡單分類來介紹面向?qū)ο蠓诸惣夹g(shù)。關(guān)鍵詞：LandsatTM衛(wèi)星影像數(shù)據(jù)，分割，面向?qū)ο蠓诸悺?面向?qū)ο笱芯糠椒ňC述近些年，許多分類方法在遙感應(yīng)用出得到廣泛的發(fā)展，例如：根據(jù)是否需要先驗知識的監(jiān)督、非監(jiān)督分類方法：模擬人腦的某種抽樣

3、、簡化，由大量處理單元（神經(jīng)元）相互連接的人工神經(jīng)網(wǎng)絡(luò)方法；基于模式識別和人工智能技術(shù)的遙感圖像解譯專家系統(tǒng)分類方法等。盡管以上方法已經(jīng)取得良好效果，但從本質(zhì)上都是屬于一種基于像素方法。完全基于像素的分析方法存在許多缺陷，例如通過數(shù)據(jù)源的單個像素只能反映出其自身光譜特性。這種分析方法不足以表達對地理學、景觀生態(tài)學或其他學科具有認識論或者哲學意義的基本概念。面向?qū)ο蠓椒ㄊ且环N基于分割單元的分析方法。在這種分析方法不足以表達對地理學、景觀生態(tài)學或其他學科具有認識論或者哲學意義的基本概念1。面向?qū)ο蠓椒ㄊ且环N基于分割單元的分析方法。在Baatz、Herold、Geneletti、Gorte、Thom

4、as等研究人員的研究工作基礎(chǔ)上，和德國DefiniensImaging公司推出eCognition軟件,美國RSI公司推出ENVIEX等之后，為我們在面向?qū)ο蟮恼n題研究上提供了相關(guān)理論基礎(chǔ)和軟件準備。國內(nèi)的中科院、南京大學、武漢大學、北京大學等各大高校、研究機構(gòu)在面向?qū)ο蟮难芯糠较蛏弦沧龀隽送怀龅某煽?，許多的方法值得我們借鑒。許多國內(nèi)外學者運用面向?qū)ο蠓诸惙椒ㄟM行了探索性研究，取得一些進展。面向?qū)ο笥跋穹诸惙椒ǖ难芯吭谖覈鸩捷^遲，衣燕、劉悅、文斯等對昆明市滇池流域的遙感影像，采用而向?qū)ο蟮姆诸惙椒ㄟM行了信息提取和分類并取得了很好的分類精度。2面向?qū)ο蠓诸惙椒ǖ膬?yōu)點面向?qū)ο蠓诸惙椒ǎ鄬τ趥鹘y(tǒng)

5、分類方法有以下幾個優(yōu)點：可充分利用遙感影像的多種特征，更接近人腦的解譯方式。這種特征使得影像分類能充分利用影像的多種信息，因此，分類的依據(jù)就可以更多，分類更加靈活。人類對外部景物的感知是一個統(tǒng)一的整體，包括對場景中每個物體的形狀、大小、顏色、距離等性質(zhì)都按照精確的時空方位等特點被完整地感知。在目視判讀遙感影像時，除感受色調(diào)、色相的差別外，還通過形狀和位置的辨認來獲得大量信息。在遙感影像中，任何地物都可以用其特征進行描述，只要提供足夠且合適的特征，某一地物就可以和其它類別區(qū)別開。因而，模擬人腦的解譯方式，將遙感信息的多種特征充分利用起來，是遙感信息高精度提取的重要途徑?？捎貌煌姆指畛叨壬刹煌?/p>

6、尺度的影像對象層。因為所有地物類別并不是在同一尺度的影像中進行提取，而是在其最適宜的尺度層中提取。使得分類結(jié)果更合理。而傳統(tǒng)的分類方法缺點是：基于像元級的處理；不同的影像目標處理均在同一尺度層次內(nèi)進行。統(tǒng)計勾紋理計算具有實際意義，使用形狀因子、拓撲特征以及真實世界和影像對象之間的關(guān)系來定義對象的特征空間，從而使分類精度大大提高。根據(jù)地物類別的特點提取不同尺度層上的信息。傳統(tǒng)分類方法由于分類器設(shè)計的缺陷，使得傳統(tǒng)分類方法只能在同一分辨率層次上對所有影像目標整體解算這種方法阻礙了目標地物特性的提取。面向?qū)ο蠓诸惙椒朔藗鹘y(tǒng)分類方法的缺陷，可以在單一分辨率的影像基礎(chǔ)上，根據(jù)像元光譜與空間分布的特征

7、，形成具有不同分辨率的影像目標層次，從而形成具有層次結(jié)構(gòu)的影像資源集合，從遙感影像中提取所蘊含的影像空間信息，提高了面向?qū)ο蠓诸惙椒ǖ姆诸惥扰c可靠性2。面向?qū)ο蠓诸惙椒ㄑ芯棵嫦驅(qū)ο蟮姆诸惙椒ㄊ欠N智能化的自動影像分析方法，它的分析單元不是單個像素，而是由若干個像素組成的像素群，即目標對象。目標對象比單個像素更具實際意義，特征的定義和分類均是基于目標進行的。面向?qū)ο蟮姆诸惙椒ㄌ峁┝藘煞N不同類型的分類器：隸屬度函數(shù)分類器和最近鄰分類器。隸屬度函數(shù)法是基于可利用目標特征的模糊邏輯來分類，精確定義對象屬于某一類的標準，是基于一個特征的。因此，如果只用一個或少數(shù)特征就可以將一個類同其他類別區(qū)別開時，可以

8、使用隸屬度函數(shù)分類器。最近鄰分類相類似于監(jiān)督分類，需要選擇樣本訓練。樣本是一個類的典型代表，在聲明每個類的樣本對象后，每個影像對象都賦為特征空間中最鄰近樣本所代表的類中。當無法描述特征空間時，允許用戶通過模糊的規(guī)則明確地表達分類要求，對類進行描述可用不確定性。面向?qū)ο蟮倪b感影像分類分為兩個階段：第一，圖像分割階段。通過進行特征抽取，獲得關(guān)于原始圖像的特征圖像，采用合適的圖像分割方法對特征圖像進行分割，使獲得的分割單元內(nèi)部的一致性和單元之間的相異性程度盡可能呈現(xiàn)雙高。第二，圖像分析階段。選用合適的特征，經(jīng)過特征計算，獲得關(guān)于單元的特征矢量，通過模式分類方法或模式匹配，分割單元將被歸類到對應(yīng)的模式

9、類，或者特定的目標被識別，從而完成圖像分析。影像分割圖像分割技術(shù)是將圖像劃分為若干個有意義區(qū)域。這里所謂的有意義是指所分割的圖像區(qū)域與場景的各個目標及背景的像一致。通常各個目標及背景的像通常具有不同的顏色、形狀或紋理，為了分割出這些目標區(qū)域，圖像分割所遵循的原則是：使區(qū)域內(nèi)部所考慮的特征或?qū)傩允且恢碌?，而這些屬性或者特征在相鄰的區(qū)域之間是不同或相異的。下面重點介紹兩種分割算法：基于區(qū)域的分割算法和基于邊界分割算法:（1）基于邊界的分割算法基于邊界的分割算法分為兩類:一類是先檢測目標邊緣點，組成目標的邊界實現(xiàn)分割,如:微分算子、Hough變換等;另一類是先確定邊界的起始點，根據(jù)某種策略進行順序搜

10、索,以此確定目標的邊界實現(xiàn)分割,如:邊界跟蹤、曲線擬合等。這種方法適合于區(qū)域內(nèi)部異質(zhì)性小且邊界變化明顯的情況,尤其是適合對特定目標的提取但是對于遙感影像信息提取,自然環(huán)境復(fù)雜且多變,各種環(huán)境要素之間的變化大部分也是漸變的,所以很難進行合理的分割整景遙感影像,因此不適宜采用基于邊界的方法對遙感影像進行分割。（2）基于區(qū)域的分割方法基于區(qū)域的分割是利用區(qū)域內(nèi)部特征的相似性把影像劃分為有意義區(qū)域的處理方法。A、區(qū)域生長法。區(qū)域生長方法是依據(jù)地物區(qū)域內(nèi)像元的相似性來聚集像元的方法,從面向?qū)ο蟾叻直媛蔬b感影像信息提取初始區(qū)域（如小區(qū)域甚至是單個像元）開始,將相鄰的具有同樣性質(zhì)的像元并到目前的區(qū)域中，從而

11、逐步生長區(qū)域,直至沒有可以歸并的像元或小區(qū)域為止。B、分裂、合并混合法。這種分割方法的思想是先從整幅影像開始，通過不斷的分割，得到各個區(qū)域。實際應(yīng)用中，常常把影像分割成任意大小且不重疊的區(qū)域,然后再合并或者分裂這些區(qū)域以滿足分割的要求3。多尺度分割多尺度分割是在生成影像對象的過程中壓縮高分辨率影像,把高分辨率像元的信息提取保留到低分辨率的影像（分割后的影像）上,使影像信息損失最小的前提下，將其成功分割成為有意義的影像多邊形。影像分析的不同目的題有其特定的尺度,每一個目的需要分割所生成的影像對象，用最恰當?shù)某叨葋砻枋雠c傳遞影像的最佳信息。因此，在影像分析中總希望在適宜的尺度上進行。多尺度分割中，

12、采用不同的分割尺度生成不同尺度的對象層,使具有固定分辨率的影像數(shù)據(jù)可以有不同尺度的數(shù)據(jù)結(jié)構(gòu)組成,構(gòu)成了與地表實體相似的層次網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)原始像元信息在不同空間尺度上的傳遞,以適應(yīng)特定的應(yīng)用需求。分割尺度選擇影像多尺度分割中的尺度是一個關(guān)于多邊形對象異質(zhì)性最小的閾值,決定生成最小多邊形的級別大小,與空間分辨率是兩個不同的概念。多尺度影像分割表示在分割過程中可采用不同的分割尺度值,所生成的對象大小取決于分割前確定的尺度值,分割尺度值越大,所生成的對象層內(nèi)多邊形面積就越大而數(shù)目越小,反之亦然。影像分割時尺度的選擇是很重要的,它直接決定影像對象分割的質(zhì)量以及信息提取的精度4。影像對象分類技術(shù)影像分割與信

13、息提取是相互影響的循環(huán)的兩個過程,影像分割完成后,利用影像對象的屬性信息，建立訓練區(qū),實現(xiàn)提取類別信息,同時,在類別信息提取后,通過成果分析可以促進影像分割運算處理方法的改進。在許多實際應(yīng)用當中,需要的幾何特征與感興趣的對象，是通過提取類別與分割影像相互作用的循環(huán)提取出來的。執(zhí)行面向?qū)ο蠓诸惷嫦驅(qū)ο筮b感圖像分類方法包括兩個主要步驟：圖像分割和對象的分類多尺度影像分割本研究采用ENVIEX軟件自帶的FeatureExtraction模塊對影像進行分割，設(shè)置分割尺度參數(shù)分別為20、30、40，得到圖4-1。分割尺度為20分割尺度為30分割尺度為40圖4-1不同分割尺度效果圖Figure4-1spl

14、it-scalesegmentationresults對象的分類及結(jié)果本文采用基于分割的最鄰近分類方法5。最鄰近分類通過定義特征空間，選擇樣本實現(xiàn)分類，是一種監(jiān)督分類方法。研究區(qū)所分的主要地類為林地、耕地，水體、道路、建筑用地、其他用地、園地、未利用地，共8種類型，本次試驗中每個類別選取了1630的樣本。利用最近鄰分類法對分割后的圖像進行分類,得到各分割尺度下的分類結(jié)果圖4-2。分割尺度20分割尺度30刪未利用地建筑用地WTOffl分割尺度40圖4-2不同分割尺度分類結(jié)果圖Figure4-2theclassificationresultsofdifferentscales精度驗證將導出的結(jié)果圖

15、在ENVI中進行精度驗證，本研究采用的是繪制感興趣區(qū)域的方法，在未分類的影像上，根據(jù)已有確定知識繪制了63個感興趣的區(qū)域5，以此得出混淆矩陣，其中分割尺度為20的精度較為理想。如表4-1表4-1各尺度精度驗證表Table4-1theaccuracyofdifferentsegmentationscales精度評價分割尺度203040總體精度66.7792%60.1245%56.8451%Kappa指數(shù)0.56950.50520.4778總結(jié)及展望論文從TM影像的信息提取和分類入手，對基于面向?qū)ο蟮姆诸惙椒ǖ睦碚摵驮碜隽艘欢ǖ膶W習和研究工作，并結(jié)合相關(guān)影像數(shù)據(jù)進行了理論上的驗證和分析通過本文的研究,可以得出以下結(jié)論：面向?qū)ο筮b感影像分類的基礎(chǔ)是影像分割。影像分割的結(jié)果直接影響信息提取的準確性和可靠性。分割閾值的設(shè)定是關(guān)鍵,閾值的大小需要進行多次試驗,才能獲得較好的結(jié)果,然后根據(jù)