高空间分辨率遥感影像（精选8篇）
高空间分辨率遥感影像 篇1
0 引 言
阴影是高空间分辨率遥感影像上最常见的问题之一,它是指成像光线被障碍体完全或者部分遮挡的成像区域。与被遮挡区域不同,影像阴影区域内仍有信息,只是亮度和颜色与周边的影像不一致,在经过适当的处理以后,影像质量可以得到一定程度的改善,从而提高目标信息的提取精度。因此如何有效地减少或去除阴影的影响,在遥感影像的预处理中是十分重要的问题。本文首先分析了遥感影像阴影的几何特征和光谱特征;然后利用光谱中的亮度阈值进行阴影检测;接着对检测出的阴影区域利用灰度线性映射的方法进行阴影补偿;最后对2组样本数据进行了实例分析。
1 高空间分辨率遥感影像阴影处理的研究现状
目前,关于阴影的研究成果主要体现在阴影检测和阴影消除2个方面。
在阴影检测方面的研究成果主要分为2类,分别为基于物体形状特性和基于阴影特征的阴影检测[1]。基于物体形状特性的检测方法是通过已知场景和目标物的三维空间结构特征和光源特性的角度等信息来检测图像中的阴影区,利用这些条件可以比较精确地计算出阴影的形状和位置,但是在实际中操作起来很困难;而基于阴影特征的检测方法具有较普遍性,识别阴影的依据是非阴影区图像所表现出来的亮度特征,几何结构特征以及色彩特征与非阴影区域的差异性,方便易操作。
对于影像中的阴影消除一般采用补偿阴影区域信息和基于积分的阴影去除方法。阴影区域信息补偿法是通过亮度信息,对阴影区域的RGB分量进行调整,以达到阴影补偿的目的,方法简单效果不错,是一种被推广的研究方向;而基于积分的阴影去除方法的优点在于能够保留阴影区域中图像的细节,具有较好的视觉效果,缺点在于算法复杂度高,并可能造成部分图像失真,甚至导致图像具有人工痕迹(artifacts)[2]。
2 高空间分辨率遥感影像阴影的检测与补偿
2.1 遥感影像阴影的特征分析
一般来说,由于阴影区域光线被部分遮挡,阴影区域较非阴影区域具有较低的灰度值[3]。而且在遥感图像中,阴影区和非阴影区灰度直方图呈双峰曲线。在如图1(b)的示例中,双峰之间的谷值可以认为是区分阴影区与非阴影区的阈值。
2.2 遥感影像阴影的检测
由阴影特征可知,非阴影区的亮度值比阴影区域的亮度值高,图像中的某像素点的亮度值和背景像素亮度值相减为正数的像素点不可能是阴影,图像中某点的像素与背景像素点的亮度值差分低于一定值t(t为负)时,则将该像素点认为是阴影,所有阴影像素点的集合区域,即为阴影区域[4]。基于亮度的阴影检测公式为:
式中:(x,y)为像素坐标;1为阴影点,0为非阴影点;IF(x,y)为被检测图像像素点的亮度值;I(B(x,y))为背景图像像素点的亮度值;t为考虑噪声设定的灰度阈值。
计T=t+I(B(x,y)),故当IF(x,y)<T 时,待检测点即为阴影点。因此本算法的关键是计算阈值T并保证其可靠性。
根据基本原理,阈值T的选取是非常重要的。可以利用包含阴影区域的遥感影像呈现出双峰特性的特点,得出遥感影像直方图中的阈值T来检测图像中的阴影。
图1(b)是一幅带有阴影的遥感影像的灰度直方图,由图1(b)可以很清晰地看出,图中有非常突出特征的双峰曲线,在这2个峰值区域,靠近较高的峰值区域是图像信息集中的主要区域,也是图像中非阴影区域部分。由于正常无阴影的遥感影像,其灰度直方图应该近似为平滑曲线,或亮度信息均匀分布。所以,靠左边的峰值区域可以认为主要是阴影区域造成的,而事实也确实如此,基于亮度的提取,正是基于这一特点,以双峰之间区域的灰度值为分界点,将低于该灰度值的像素判为阴影区域。对于双峰之间区域阈值的选取主要依赖于直方图的分析。
对于直方图的分析主要依照以下2个原则:①如果直方图中的高低波峰距离较远,那么在两波峰之间必然会出现一个波谷,此波谷的位置所对应的灰度值即可作为区分阴影区和非阴影区的阈值;②如果直方图中的高低波峰之间的距离较近,那么在两波峰之间可能会出现另一个小波峰,该波峰的位置所对应的灰度值也可作为区分阴影和非阴影的阈值[5]。
2.3 遥感影像阴影的消除
遥感影像亮度等信息的太阳光直射函数和地物反射函数具有不同的波谱特性[6]。阴影主要是因为遮挡物挡住了太阳光,使得太阳直射光照不足引起的,从而造成对应区域像素点亮度小、色彩信息缺乏等特点,就相当于对阴影区的地物反射函数经过一个较小函数变换[7,8]。因此只要在原始图像阴影区域反射函数的基础上,乘以一个较小的补偿函数,并顾及色彩信息,就可以实现对阴影区的信息补偿。
阴影补偿的实质是对图像的阴影区域进行增强,包括对于亮度的增强和对色彩的增强。阴影区域增强的方法分为空间增强方法和频率增强方法两类,空间增强是以对图像的像素点进行直接处理为基础的增强。空间域处理可用下式表示:
式中:f(x,y)为输入图像像素点亮度函数;g(x,y)为处理后的图像像素点的亮度函数;A为对f一种函数操作;(x,y)是图像像素点对应的位置。
由于影像上亮度值是局部均匀的,因此对于亮度的补偿应该采用分段线性变换的方式,即:
式中:M为图像区域的最大亮度;k1、k2、k3为分段直线的斜率,通过对a、b控制参数(b≥a)的调整,可实现对任一亮度区间的扩展或压缩。一般情况下a为图像灰度直方图的左峰峰值;b为图像灰度直方图的右峰峰值;k为各对应区域临近非阴影像素点与阴影像素点灰度值的比值。
采用上述方法,对图2(a)进行分段灰度线性变换,使图像亮度值得到调整。这里分3个部分进行线性变换,包括左锋区域、中间小峰值区域和右峰区域。左锋区域的灰度区间为[0,60],中间小峰区域的灰度区间为[60,100],右峰区域的灰度区间为[100,180]。将此3部分作为输入图像,通过线性函数映射的处理对应输出图像的灰度值分别为:[0,120]、[120,130]、[130,226],经过灰度级线性变换处理后,图像的整体变亮了,且中间区域缩小了。再次调整进行亮度的分段补偿, 去除中间区域使其分布更均匀,得到最后的处理效果。
图2(a)的灰度直方图,选取合适的分段变换函数,可以使整体亮度右移,结果见图2(b)。
3 阴影处理实验及结果分析
采用基于亮度的阴影检测方法对遥感影像中的阴影部分进行检测,并采用灰度线性映射阴影补偿的方法对阴影进行处理。采用两组样本数据进行实验,第一组是Worldview-2影像,见图3(a)。
图3(a)是一幅Worldview-2的遥感影像图,于2010年3月拍于中国杭州上空,空间分辨率为0.5 m。由于城市道路两旁有大量的高建筑物,遮挡住了直射太阳光而在路面形成了大量的阴影,给阴影区域中的地物信息如(道路,标志标线,车辆等)的识别造成了困难,使得本文后面研究的车辆分类的精度难以保证,因此为了使阴影区域中车辆信息显示更加清楚,尽量减少阴影对后续车辆提取的不利影响,需要对影像中的阴影区域进行检测和处理。
1) 利用基于亮度的检测的方法对此遥感影像进行阴影检测。根据遥感影像的灰度直方图,得到阴影图像的双峰曲线,根据上文中阈值的选定方法认为选取亮度阈值等于40是检测阴影区域的最佳值,检测结果如图3(b)。
在图3(b)中,黑色线条标出部分表示阴影区域的边界,与原影像(图3(a))比较可以看出,图3(a)中的阴影区域大部分都被正确地检测出来了,证明基于亮度的阴影检测方法是有效的;但是,原图中某些亮度较低的非阴影区也被当作阴影检测出来了。
2)利用灰度线性映射阴影补偿的方法进行阴影消除处理利用灰度级线性变换对图像进行增强,选择分段函数适当增强阴影区域,抑制非阴影区。
在图3(c)中,与原始影像(图3(a))相比,非阴影区域的改变甚微,阴影区域却有较大改善,虽然没能完全消除影像中的阴影,但阴影区域的信息已经有所增强,使阴影区域中的地物目标更加清晰,因此说明这种方法是能够有效改善阴影区域信息的。
基于亮度的阴影检测方法和灰度级线性变换的阴影补偿方法在处理本实例影像时,可以很好地把原本阴影所造成的影响很大程度上减弱。
第二组数据是2011年3月11日拍摄于罗马的0.41 m空间分辨率的Geoeye-1遥感影像。阴影处理结果见图4。
由上述2组数据可以看出通过对本研究中所使用影像的道路区域阴影的处理,可以较清楚地看到阴影区域内部的景物,是行之有效的方法。
4 结束语
阴影处理对于阴影区域车辆提取研究来说有着至关重要的作用,是后续研究的基础。阴影检测不仅为后续的阴影消除确定了阴影区域,也为车辆提取限定了研究区域;阴影消除处理更是为了增强阴影区域内车辆信息,方便车辆的识别和分类,保证车辆提取的精度。
参考文献
[1]陈绍武,唐亮.基于边缘特征和模糊理论的阴影检测[J].微计算机信息,2007,23(3):122-124.
[2]程伟,田庆久.高分辨率遥感影像阴影检测与补偿的主成分分析方法[J].遥感学报,2007,10(3):151-159.
[3]高龙华.高分辨率影像阴影校正模型研究[J].计算机工程与应用,2005,41(11):56-60.
[4]黄浩,马雪梅.基于影像融合的IKONOS影像阴影信息自动提取方法[J].遥感信息,2004,4(4):99-103.
[5]虢建宏.遥感影像阴影多波段检测与去除理论模型研究[J].遥感学报,2006,10(2):121-124.
[6]Gevers,Stokman.Transactions on pattern analysisand machine intelligence[J].NSTL,2004,26(1):11-14.
[7]Pan F,Wang X Y,Wang Q Q.Human detectionbased on head and shoulde feature in intelligent sur-veillance system[J].Journal of Zhejiang University(Engineering Science),2004,38(4):397-401.
[8]Lo KuoHua,Yang Mau-Tsuen.Shadow detectionby integrating multiple features[C]∥The 18th In-ternational Conference on Pattern recognition,Hongkong,20-24August,2006.
高空间分辨率遥感影像 篇2
摘要：在遥感影像处理过程中，如何提高分类精度一直是备受关注的问题，传统的基于像元的分类方法，精度提高方面很难再有质的飞跃。因此，面向对象的方法应运而生。本文通过对比的方法，来比较基于像元的方法和面向对象的方法的分类精度。借助已有遥感软件对内蒙古自治区呼和浩特市某区的快鸟影像进行分类试验，根据试验结果，得出面向对象的分类方法对于高分辨率遥感影像的分类有着非常好的效果。
关键词：像元；面向对象；高分辨率；分割；影像分类
1. 引言
遥感技术现已成为资源环境监测和地表动态变化研究的主要方法和手段，帮助人类获取了多平台、多时相、多光谱的实时信息。在遥感技术中，分类是获取信息的前提。随着遥感成像技术的不断发展，图像分类的精度也在提高，从单波段的数据到多波段的数据再到如今的高光谱图像，应用研究得到深入和扩展。
早期在进行图像识别分类的时候，大多依靠目视解译的方法，要求判读人员具备相应的判读知识，能够提取相关的空间信息，但是这种方法，效率非常低，而且跟判读员的主观意识存在一定关系。这种方法目前仍然广泛应用，并且与计算机相结合，辅助计算机进行自动识别分类。计算机分类的方法主要是针对图像上的光谱信息和空间信息进行采集、分析、特征识别及最终的信息提取，将每个像元按照一定的规则划分到不同的类别当中去。在计算机自动识别分类领域，目前有两类方法：第一类就是传统的基于像元的分类方法，即处理的最小单位是像元，并且仅仅依靠像元的光谱特征进行，通常采用监督分类或者非监督分类；第二类是面向对象的方法，这种方法处理的最小单元就不再是像元，而是对象，并且利用的不止包括光谱信息，还包括空间关系等。
2. 遥感影像分类方法简介
2.1 基于像元的分类方法
基于像元的分类方法作为传统方法，由于其在技术上已经很成熟，所以至今仍然应用广泛，具体分类方法主要有两类：即监督分类和非监督分类。基于像元的分类方法，顾名思义，是以像元作为最基本的处理单元，依据地物的光谱特性来进行归类，由于同类地物体现出的光谱特征一致，所以在特征空间中呈现出聚类的特点，那么不同的地物就会呈现出不同的聚类区域。无论是监督分类法还是非监督分类法，都是对于一个一个的像元进行处理，所以都属于基于像元层次的分类方法。
监督分类法又称为场地训练分类法，是以先验知识作为基础，选择样本进行训练，以此建立统计识别函数，按照概率规则进行类别的划分。即首先选择样本，确定特征参数，根据特征参数，建立判别函数及判别规则，最后对未分类地区进行模式识别的一种方法。这种方法的关键就是选择样本和确定判别规则，要求样本必须具有较强的代表性和典型性，判别规则要满足分类精度的要求，否则要重新确定分类规则。非监督分类是指人们在分类之前对于分类过程不施加任何先验知识，仅仅依靠图像上地物的光谱特征进行盲目的分类，这个分类过程只是将不同类别进行了区分，但是没有确定类别的属性，属性要通过后期分析及实地调查方可确定。在实际工作中，由于监督分类和非监督分类都存在各自的局限性，故通常将二者结合使用。即首先通过非监督分类来确定样本结构，再依据非监督分类确定的样本进行监督分类。这种方法可以使得人为产生误差的机会大大减少，从而提升一定的分类精度。
本文基于像元的分类方法采用的是ENVI4.5平台。
2.2 面向对象的分类方法
对于遥感图像而言，除了光谱信息外，还包含很多信息，比如空间信息、语义信息和上下文信息。为了充分利用这些信息，面向对象的方法应运而生。这种方法在进行分类处理时，最小单元就不再是像元，而是由若干像元组成的对象，这种对象就不仅包含像元的光谱信息，同时包含像元之间的语义信息、拓扑信息和纹理信息。
面向对象的影像分类方法首先对图像进行分割，获得对象，再依据对象的光谱特征、纹理特征、形状特征和布局特征等，根据模糊分类方法对影像进行分类及信息提取。在这个过程中，形成了面向对象方法的两个特点：第一，可以利用对象的多特征，即光谱特征和其他特征；第二，可以利用不同的分割尺度形成不同大小的对象，并且每一尺度可形成一个对象层，在多尺度层下根据不同地物的特点选择适当尺度层进行提取，可以充分利用地物的各种特征。分割尺度决定了形成对象的异质度，尺度较大，则分割过程中地物的很多细节被忽略，因此产生的对象数量就较少，每个对象的面积较大。反过来，分割尺度较小，则地物细节体现的就较多，对象数量较多，对象的面积就较小。
本文面向对象的分类方法采用的是eCognition7.0平台。
3. 遥感影像分类试验
3.1 基于像元的分类试验
试验流程如图1所示。
（3）对影像进行分割：在Process tree列表中单击右键，选择Append New，弹出Edit Process对话框，修改名称为学校，点击OK。在Process Tree中选中学校，点击右键选择Insert Child，在对话框中重命名为Segmentation。在Process Tree中选中Segmentation，点击右键选择Insert Child，在算法4）在Class Hierarchy中点击右键选择Insert Class，并选择颜色。由此创建道路，裸地，阴影，植被，建筑物等类别。在菜单栏的空白处点击右键选择sample editor。选取典型样本（classification→ samples → select samples），在sample editor的工作栏中的active class选择当前激活的类，如：建筑物、绿地等，在影像上双击想要选择为样本的对象。样本选择完毕后，选择feature space optimization。在feature空白处选择需要添加的特征，选择相应的level点击calculate，系统将会根据样本自动计算出最优化的分类特征组合。点击advanced，选择apply to classes。现在我们双击class hierarchy中的任意一类，类描述中出现最邻近分类的特征。在process tree 中添加新的process （process tree中点击鼠标右键，选择append new），算法选择classification，设置相关的参数。单击execute执行，得到分类结果。
4. 总结
通过上述试验，对于基于像元的传统分类方法和基于面向对象的新分类方法进行了比较。基于像元的分类方法，分类精度稍低于面向对象的方法。面向对象的分类技术，首先对遥感影像进行分割，然后进行分类。影像分割是面向对象高分辨率遥感影像分的前提和关键，分割结果的好坏将直接影响分类精度。在分割过程中选择的分割尺度为100进行图像分割，这个尺度相对比较合理，从分类结果来看，基于像元的分类效果确实不如基于面向对象分类合理，总之面向对象分类方法对于高分辨率遥感影像更加合适，能够提高其分类的精度。
参考文献：
[1] 翟涌光，王耀强.基于点特征的多源遥感影像高精度自动配准方法[J]. 遥感技术与应用.2010.6（3）：404-409.
[2] 翟涌光，王耀强.基于分辨率融合的多尺度遥感影像分类技术研究[J].测绘与空间地理信息.2010.4（2）：109-113.
[3] 翟涌光.多尺度分割技术对遥感影像分类精度影响问题的研究[D].内蒙古农业大学.2010.
[4] 籍晓婧，郝蕾.基于面向对象方法的高分辨率遥感影像城市用地分类研究[J].西部资源，2013（6）.
高空间分辨率遥感影像 篇3
关键词：高分辨率遥感影像分类,WOCI,光谱特征,空间特征
高空间分辨率遥感影像[1]一般是指影像空间分辨率达到10 m以内的航天、航空遥感影像。传统的分类方法大多是基于像素的光谱特征,而未考虑像素的空间特征,比如神经网络法[2]、最大似然法[3]及K-means[4]法。表达和利用目标空间上下文及语义信息是高空间分辨率遥感影像分类的一项关键技术[5]。已有文献提出了长宽比算法(LWEA)[6]和像素形状指数(PSI)[7]来进行影像分类,但由于高分辨率影像的像元之间存在较强的异质性,易出现空间不连续和椒盐噪声[8,9]的分类结果,降低了分类精度。
面向对象的方法对影像按照一定的同质性规则进行区域划分,从而得到具有同质性的多个像元集区域,然后通过对像元集合形成的对象进行分析,完成影像分类与目标提取[10,11]。本文提出了一种用于高分辨率遥感影像分类的面向对象的空间特征,即加权对象相关指数(WOCI)。首先采用e Cognition内嵌的分形网络进化多尺度分割算法[12,13]对影像进行分割,然后根据分割后的对象提取WOCI特征,并结合其他特征组成特征空间[14],最后使用支持向量机(SVM)[15,16]进行分类。
1 加权对象相关指数WOCI
WOCI是加权对象相关指数,其在OCI[11]的基础上增加了权重因子w,并增加了直方图标准差指数,可更全面地描述影像的上下文结构。其是一种对象与对象之间的空间特征,计算流程如图1所示。
该方法弥补了高分辨率遥感图像的光谱信息的不足,可较好地表征地物信息。本文使用多尺度分割法来提取图像对象,然后使用平面几何方法计算每个对象的重心,最后计算每个对象的WOCI特征值。WOCI的计算流程如图1所示。
1.1 对象方向线及其扩展
在分割好的遥感图像对象中,选择其中的之一作为中心对象,并用几何方法计算该对象的重心。对象方向线是较多相隔一定角度的、由中心对象重心朝不同方向发散的线段,其长度各不相同,是由相邻对象间的光谱同质性测度和阈值来确定的。
(1)第k个方向的对象方向线表达式
其中,中心对象Ocen的重心为g0(x0,y0);α为相邻方向线之间的夹角;yk是重心g0发散的第k个方向线。
(2)光谱异质性定义如下
其中,Oscen和Ossur分别表示中心对象Ocen和相邻对象Osur的平均光谱值。每条方向线均按照特定的规则从中心对象出发朝两边扩展。第k条方向线扩展应满足光谱异质性约束条件:Mhhet≤T1,即光谱异质性小于阈值T1,Mkhet较大的对象不被该方向线接受,此外为防止方向线的无休止扩展,第k个方向线上的对象总数小于预先设定的阈值T2。T1是同质性阈值,T2是一个方向线上的最大值,其值由实验得到,因这两个参数和图像中对象的形状和空间排列有关。
1.2 方向线长度计算
当第k个方向线扩展停止时,方向线和末端对象以及中间的对象相交并产生诸多交叉点,所有的交叉点为[I1,I2,I3,…,In],每个方向线的远地点为If(xf,yf)。研究已证明了用最大街区距离(City Block Distance)能够更精确地描述空间特征。本文采用最大街区距离来计算方向线的长度,第k个方向线的长度为
其中,Lk为g0到If方向线的距离长度。
1.3 加权对象相关指数WOCI
其中,OCIcen为,M=360/α表示方向线的总数,,SDk表示方向线k的标准差。表达式为
式(4)为增加的权重w,减少了不稳定且同质性低的方向线。该特征的判别算法为:对不同的地物提取的方向线长度差别较大,其标准差也较大,由式(4)得其WOCI的大小也会相差较多。此特征应用在影像分类中有更明显的优势,例如道路具有狭长的类似长方形的结构,其可能会与房屋产生相同的OCI[11],但其方向线直方图的分布不同,用标准差可区别出来。实验证明,WOCI特征可较好地表征地物之间的差异,运用WOCI可较好地对高分辨遥感影像进行精确的分类。
2 实验
实验选取的数据为重庆市北环区域的World view-2遥感卫星影像,该影像为1.88 m空间分辨率包含红、绿、蓝3个波段的多光谱影像,图像大小为906×665像素,该图像包括5类:草地、裸地、建筑物、道路和阴影。如图2所示。
首先对原始影像进行多尺度分割,经过多次实验最终选取了scale=40,color=0.8进行分割,分割后的对象为1 058个结果,如图3所示。然后对分割后的影像对象按照上述方法提取WOCI特征。为了评价不同特征的精确性,本文采用以下提取的特征进行分类对比:长宽比(LWEA)[6]、OCI和WOCI。使用的分类器为支持向量机(SVM),经过大量实验本文提取的方法中,参数分别设置为α=30,T1=30,T2=50。
3 实验结果与分析
在试验中,将提取的WOCI特征分类结果和LWEA、OCI特征分类结果分别在主观和定量上进行比较。图4、图5和图6分别为LWEA、OCI和WOCI特征分类的结果。在主观评价上,图4分类结果中将部分建筑物分类成了道路,一些建筑物的阴影并未被提取出来且存在部分裸地和建筑物混淆的现象。图5分类结果和图4分类结果相比一些和建筑物混淆的裸地被分离了出来,道路提取更加完整,成功解译了影像中的4种地物,但部分阴影仍未被提取出来,错分现象依然存在。图6中道路提取更加完善,大部分地物阴影细节均被提取出来,且植被和裸地已被完整分离,建筑物和裸地也基本分开。与图4和图5的分类结果相比,图6的分类结果在分类精确性和细节提取上均有了较大的提高。从图6分类结果可看出,增加权重后的WOCI特征能更精确地表征地物之间的差异,减少了地物之间的错分现象。
为更有效地评价本文所提出特征在分类精度上的改善,以下对实验结果进行定量评估。本文采用混淆矩阵、生产者精度(PA)、用户精度(CA)和Kappa系数对3种特征产生的分类精度进行客观的对比评价。图2中的红色标记是在原始影像中随机选取的1 000个测试样本点,各类样本点的数量为:植被309个、裸地261个、道路114个、建筑物为211个、阴影为105个。
3种特征分类的评价结果如表1~表3所示,综合评价结果如表4所示。从表3和表4可看出,WOCI特征得到的分类总体精度为94.09%,Kappa系数为0.923 2,其中植被为96.73%、裸地为93.87%、道路为98.18%、建筑物为91.67%、阴影为87.73%。相比LWEA特征和OCI特征的分类结果,这5种地物提取上精度均分别得到了提高且总体精度提高了7.16%,Kappa系数提高了0.092 6。该结果表明,运用面向对象分析方法可有效地利用真实地物的空间特征,如长宽比和形状等参与影像的分类,能更精确地解译影像中的地物类别,尤其对同谱异物的地物类别效果更加明显。WOCI特征能显著区分影像中各类地物,且由于道路具有狭长的长方形特征,尤其对道路的提取产生更高的分类精度。
4 结束语
高空间分辨率遥感影像 篇4
基于遥感影像人口信息提取采用的卫星影像通常是空间分辨率在5m以内。对于高分辨率遥感卫星以及遥感性能的参数指标, 如表1。[1]
由于与人口信息相关的地表信息在影像上的表达纹理、形状各异, 利用某种方法从高分辨率遥感影像中提取人口信息是今后研究的一个突破点。
2 高分辨率遥感影像提取人口信息方法
用于遥感在人口估计统计模型中的使用始于20世纪50年代中期, 该手段解决了手工统计人口费时, 费力的缺陷, 同时也使人口数据库得到及时更新。而且该方法和技术也越来越成熟。
2.1 利用不透水地面和居住地面积估测人口密度
Dengsheng Lu等人主要是利用线性和非线性回归分析估价模型来检验美国印第安纳州的马里恩县的人口密度。该模型反映出: (1) 人口密度和居住面积呈线性关系, 但只适用于居住面积在25%~85%之间, 此范围之外则误差较大。 (2) 不透水面和人口密度的关系更为密切, 线性关系更为明显, 利用该自变量对人口密度建模, 估测的影响会更大一些。
2.2 土地利用密度法统计人口密度
土地利用密度法模型适合于总人口难于统计地区或者普查时间外的某地区总人口数, 该模型精度主要取决于土地利用类型的分类精度, 而不同土地利用类型可以
从遥感影像上提取。人口数据与土地利用类型尤其是耕地和居民点之间的关系最为密切。
2.3 居住单元估计法
居住单元估计法, 首先是在高分辨率遥感影像 (SPOT或QUICKBIRD影像) 上提取所有类型的建筑物, 其次是结合一张土地利用类型图在建筑物影像上提取居住建筑, 而后计算出不同地区的居住建筑密度和建筑物的数量;再次根据建筑数量与建筑容积率的关系建立相应的模型, 计算出该地区的人口密度。用该方法计算了不同类型居住单元的平均人口密度, 克服了人工计算居住单元数量费时费力的缺点。在单个网格像元水平上, 使用一种基于栅格的方法从航空照片上提取居住区的建筑物密度的方法。另外的一种方法就是利用高分辨率遥感影像、最新的土地利用分类图和不同地区的人口普查数据来共同完成影像上的人口分布统计。
2.4 热红外波段人口分布信息提取
用彩红外影像上建筑物的数量作为间接指标来验证人口普查数据的精度;等采用实用线性扫描系统OLS的夜间热红外影像, 与栅格化的美国1990年1km×1km人口分布数据相比较, 得出人口的密集程度与OLS影像值的高低在趋势上具有很好的一致性;在人口密集的大城市地区, OLS影像值与人口密度具有很高的相关性 (R2=0.84) , 但是在全国尺度上, 二者的相关性一般 (R2<0.6) , 且尺度随着空间分辨率的增大而减小。这些遥感参数与人口信息之间的空间稳定性较差, 难以推广到大尺度上。
3 结语
根据人口估计的目标和使用的数据源不同, 可以把基于RS和GIS的人口估计方法分为面插值法和和统计模型法。这两种方法彼此并非孤立。虽然基于RS和GIS进行人口估计的理论研究已经取得很大成就, 但是要在实际中有效应用, 还需要从以下几个方面开展更多更深入的研究:
3.1 提高小范围内人口估计精度
利用RS影像进行人口估计的研究大都得出了一致的结论, 即小范围内人口估计不如大区域内的人口估计精确, 究其原因主要是大区域人口估计过程中过高和过低估计相互抵消, 使得总体估计精度较高, 今后应向提高小范围内人口估计精度方面开展深入研究。
3.2 充分利用新的R S数据源进行人口估计
随着高空间分辨率商业卫星RS影像如IKONOS、QuickBird的出现, 为提高人口估计精度提供了很好前景。此外, 由于城市建筑物在雷达图像上具有强烈的后向反射特征, 使得雷达图像成为研究城市的有效遥感数据源。虽然雷达遥感在城市研究中有一些成功案例, 但是目前在人口估计方面的研究很少, 今后应加强雷达图像在城市人口估计方面的应用研究。
3.3 考虑影响人口分布的多种因素, 提高人口估测精度
人口分布是多种因素相互影响共同作用结果。除了遥感影像上获取的与人口分布有关的信息外, 其它信息例如对于城市人口分布来说, 大型商场和超市的位置、地价水平等都是影响人口分布的重要因素。今后在人口估计的过程中, 应多方面考虑影响人口分布的各种因素以此来提高人口估计的精度。
摘要：随着遥感技术的不断提高, 人们开始考虑使用高分辨率遥感影像对某区人文信息进行提取, 本文主要是基于高分辨率影像人口信息提取方法的研究综述, 目的在于借鉴前人的研究, 以求在此基础上更进一步发展。
关键词：高分辨率遥感影像,人口密度,不透水地表,居住单元
参考文献
[1]刘建华, 胡光道.高分辨率遥感影像的土地利用分类[J].资源开发与市场, 200420 (4) .
高空间分辨率遥感影像 篇5
遥感影像技术指的是采用计算机处理遥感图像从而对测绘过程中获得的数字图像进行处理。一般情况下采用摄影的方式所获得的模拟图像是要经过图像扫描进行模和数的转换, 随后再经过扫描的方式获取必须的数字形式的数据存在进算计中, 可以作为可读取输出的CCT等载体上。一般来讲, 计算机图像处理是在图像处理系统中操作的, 而图像处理系统则是由硬件和软件两部分构成的, 其中硬件系统包括计算机、显示器、数字化仪、磁带机等, 软件系统包括数据的输出和输入、数据矫正、变换、以及数据分类等功能。总体来说, 遥感影像技术可以更好的展现工程测绘对工程所在地质的地面分辨率、光谱分辨率、时间分辨率以及辐射分辨率四种。
卫星遥感技术可被用在无人飞行器的摄影测量, 统称为无人飞行器低空遥感系统, 这个系统的目标是为了获得低空高分辨率的遥感影像数据等高科技技术。被广泛应用在土地动态检测、矿产勘测、地质环境勘察等领域。目前在我国, 遥感影像技术已经被应用到很多领域, 比如灾害评测, 遥感影像技术与其他辅助数据结合, 可以有效的检测自然灾害的动态情况, 对沙尘暴、洪涝、旱灾、地震等都可进行有效预警和灾后评估;还可应用在环境监控方面, 科学家利用可见光和红外谱段的遥感器可以观测到地球表面超过百分之七十的资源和环境状况;遥感影像技术也应用在城市规划方面, 利用遥感信息的影响可以轻松获得城市的土地利用状况, 包括交通、道路、建筑等情况。
2 高分辨率遥感技术优势
随着科技的进步, 我国目前也已进入信息化的时代, 传感的信息技术使我国在科研方面发生了巨大的发展。我国的测绘生产技术一直依靠着遥感影像。遥感影像技术在我国仍然存在着很多不足, 例如在测量几何图形时的能力有限, 而且测量范围有限等。卫星的高分辨率遥感技术的出现在很大程度上克服了这些不足, 它足够的精准性在测绘领域有着突出的贡献, 发展前景也十分可观。随着影像技术的不断成熟, 高分辨率遥感影像技术更是上到了一个新的发展高度, 在测绘的领域上得到人们的普遍认可, 有希望取代一切测绘应用技术。
我国遥感系统由最初始的老式中低分辨率遥感影像发展到今天的高分辨率遥感影像, 取得了巨大的成就。高分别率遥感影像系统有着自身独特的优势, 比如它具有高光谱分辨率、周期长、覆盖面广, 而且可以对传统遥感影像对几何测量的范围和精确度上进行了巨大的改善;更重要的是, 其技术可以形成立体的结构图形, 这对地面测绘来说, 三维空间的即视感可以使测量的数据更加准确。其巨大的优势有以下几点:
2.1 高分辨率遥感影像传感器的成像聚焦长达10m, 这会大大提升成像的质量, 在测绘时更加清楚的展现出地形地貌, 这对测量来说可以大大提升精确度。
2.2 立体成像传感器的技术排列采用CCD线的阵列方式, 这使得测量角度增加到三种, 分别是前视角、正视角和后视角, 综合这三个视角所测绘出的结果更加准确。
2.3 高分辨率的相对基高比大于0.6, 这在立体目标的成像中与航空影像技术相比, 和基本的影响水平非常相近。
3 高分辨率遥感影像技术在测绘中的应用
测绘在我国一般比例尺的地图上应用非常广泛, 同时也得到了很大的发展。在测绘领域, 对影像源有着特殊的要求。主要在以下三个方面, 首先影像必须可以提供可大可小相当范围的详细的特征物质, 其次, 影像上必须存在足够的地形信息和地貌信息, 最后, 地面上进行目标定位时, 影像必须能确保足够的精确程度。具体的要求分析如下:
3.1 高分辨率遥感影像有着很高的立体空间分辨率, 所以可以更好地展示出地面上物质的细节和特征。有学者报道, 毫米级的影像分辨率可以满足1:10000到1:50000的比例尺的测绘, 而且能够清楚的看到目标物体的具体特征, 便于识别和提取。但存在的问题就是很难提取一些比如电线、围墙这样的细长形信息。
3.2 高分辨率的遥感影像有很强的高程信息功能, 可以更好的测量高程信息的情况。一般分辨率的遥感影像上只存在起伏形式的地表信息, 高分辨率遥感影像可以提取出更高精确度的高程信息。比如卫星遥感的高度已远远超过航天飞行器的拍摄高度, 因此成像的焦距要求是非常大的。而对于卫星正下方的物体, 投影的差距又很小, 这就要求高分辨率的遥感卫星摄像范围必须足够大。
3.3 由于制图要足够的精确度, 所以影响的立体成像与模型的基高比就是非常重要的参数。航空飞机摄影的基高比在0.8左右, 有时单张成像上的地表地貌信息的高程差也可以用视觉差来表示的。
4 结论
综上所述, 高分辨率的遥感影像技术多被应用在土地动态检测、矿产勘测、地质环境勘察等领域。目前在我国, 遥感影像技术已经被应用到很多领域, 比如灾害评测, 遥感影像技术与其他辅助数据结合, 可以有效的检测自然灾害的动态情况, 对沙尘暴、洪涝、旱灾、地震等都可进行有效预警和灾后评估;再比如环境监控方面, 科学家利用可见光和红外谱段的遥感器可以观测到地球表面超过百分之资源和环境状况;另外还可应用在城市规划方面, 利用遥感信息的影像可以轻松获得城市的土地利用状况, 包括交通、道路、建筑等情况。所以对高分辨率的遥感影像技术的研究具有十分重要的意义。
参考文献
[1]张茂林.遥感影像定位技术在工程测绘中的应用[J].中国科技博览, 2015.
[2]刘庆元, 徐柳华, 沈彩莲等.基于无人飞行器遥感影像的数字摄影测量关键技术研究[J].测绘科学, 2010.
[3]白木.探测地球的“千里眼”——卫星遥感影像技术的应用[J].城市与减灾, 2003.
[4]李小龙.关于高分辨率遥感影像技术在测绘生产中的应用潜力研究[J].科技致富向导, 2015.
高空间分辨率遥感影像 篇6
城市化进程的不断加快, 对土地资源的需求也越来越大。要获得某一城市区域范围内的土地资源类型, 通常需要通过测量技术手段, 但这种方式耗时长、投资大。随着遥感技术的不断推广和普及, 尤其是高分辨率卫星遥感影像的商业化应用, 快速获取地表土地资源类型变得非常快捷, 而且省时、投资少。加之遥感影像不受人为因素干扰, 获取的信息更加准确客观。近年基于多源遥感影像获取土地利用类型, 并借鉴景观生态学的基本原理和方法进行土地利用景观格局分析成为土地利用研究的热点。景观格局分析的目的在于从似乎无序的景观中发现潜在的、有意义的秩序和规律[1]。它是景观生态学研究的基本内容, 也是进一步研究景观功能与动态的基础, 对土地资源的合理利用、景观生态设计、土地利用规划等具有重要意义。
本文基于高空间分辨率的卫星遥感影像——IKONOS (伊科诺斯) , 采用人机交互式目视解译方法获取泸州市区的土地利用类型, 在此基础上应用景观格局分析软件Fragstatsv 3.3, 从斑块类型水平和景观水平两个层次, 对土地利用景观空间格局特征进行分析, 以期为泸州市土地资源的合理利用、城市规划空间的合理布局和城市生态环保护等提供决策支持。
2 研究区概况与数据源
泸州市位于四川省东南部川渝黔滇结合部, 地理坐标27°39′—29°20′N、105°08′41″—106°28′E, 东西宽121.64km, 南北长181.84km, 幅员面积12246.87km2, 人口480万人。泸州市东邻重庆市、贵州省, 南界贵州省、云南省, 西连宜宾市、自贡市, 北接重庆市、内江市, 辖江阳区、龙马潭区、纳溪区、泸县、合江县、叙永县和古蔺县。泸州市地处四川盆地南缘与云贵高原的过渡地带, 地势北低南高, 北部为河谷、低中丘陵, 平坝连片, 为“鱼米之乡”;南部连接云贵高原, 属大娄山北麓, 为低山, 河流深切, 河谷陡峭, 森林矿产资源丰富。泸州市海拔240—520m, 气候温和, 四季分明, 北部为准南亚热带季风湿润气候, 南部山区气候有中亚热带、北亚热带、南温带和北温带气候之分, 具有山区立体气候的特点。年均气温17.1—18.5℃, 年均降雨量748.4—1184.2mm, 日照1200—1400h, 无霜期300—358d。土地肥沃, 物产富庶, 具有“春荣、夏艳、秋实、冬秀”的江南特色, 图1为研究区范围示意图。
研究使用IKONOS (伊科诺斯) 高空间分辨卫星遥感影像。研究区的遥感影像为存档数据, 分别在2009年8月30日和2009年11月24日获取, 影像快视图见图2 (封二) 。IKONOS卫星于1999年9月24日发射成功, IKONOS是可采集1m分辨率全色和4m分辨率多光谱影像的商业卫星, 同时全色和多光谱影像可融合成1m分辨率的彩色影像。全色波段0.45—0.90μm;彩色波段4个:蓝色0.45—053μm、绿色0.52—0.61μm、红色0.64—0.72μm、近红外0.77—0.88μm。本次研究的数据是红、绿、蓝三波段与全色波段融合后的真彩色影像, 空间分辨率达到了1m, 影像格式为GeoTIFF, 投影为UTM。
3 土地利用景观类型解译与制图
3.1 景观类型划分及其遥感解译标志的建立
景观分类有不同分类体系[2]:主要有按人类影响强度的景观分类、以土地利用方式为主的景观分类、根据自然度不同的景观分类和以植被类型或地貌特征为主的景观分类等方式。本研究按照土地利用方式进行景观分类。根据影像特征差异分为耕地、疏林地、有林地、绿地、河流、坑塘水面、道路、住宅用地、教育用地、城市广场、机场建设用地和其他建设用地12类。
遥感解译标志是指所有反映目标地物信息的遥感影像特征, 包括颜色、纹理、形状大小、阴影与特征地物等, 解译标志是遥感解译准确性的保证。本研究建立的遥感影像解译标志主要是通过目视判读和人工野外采点, 建立影像与地物的对应关系。不同地类在不同季节的影像特征差异很大, 建立遥感影像的地类解译标志必须充分考虑影像的成像时间[3]。
3.2 土地利用类型解译与制图
遥感影像的分类方法主要有人机交互式目视解译方法和计算机自动分类方法[4]。本研究采用人机交互式目视解译方法判读遥感影像。这种方法通过计算机GIS环境对遥感图像进行各种增强和缩放后, 判读人员根据解译标志直接用鼠标沿影像特征边缘准确勾绘出地类边界, 对目视解译后的景观分类结果进行景观制图输出, 利用GIS的制图功能得到泸州市区的土地利用景观类型图, 见图3 (封二) 。
4 土地利用景观格局分析
4.1 景观格局指数选取和计算
景观格局指数是指能高度浓缩景观格局信息, 反映其结构组成和空间配置某些方面特征的定量指标。本文景观格局指数采用Fragstats 3.3软件中的计算方法。Fragstats是由美国俄勒冈州立大学森林科学系开发的一个景观指标计算软件[5]。Fragstats可在斑块水平 (patch-level) 、斑块类型水平 (class-level) 和景观水平 (landscape-level) 3个层次上计算多种景观指数。
本研究选取斑块类型水平上的指数7个[6,7]:斑块数量NP (Number of Patches, 个) 、面积CA (Class Area , hm2) 、景观比例PLAND (Percentage of Landscape , %) 、最大斑块指数LPI (Largest Patch Index) 、斑块密度PD (Patch Density, 块/100hm2) 、分离度指数Fi和散布与并列指数IJI (Interspersion-Juxtaposition Index) 。景观水平上的指数8个[6,7]:景观斑块数NP、总面积TA (Total Area, hm2) 、斑块密度PD、最大斑块指数LPI、香农多样性指数SHDI (Shannon's Diversity Index) 、香农均匀度指数SHEI (Shannon’s Evenness Index) 、破碎度指数C和散布与并列指标IJI, 各景观指数计算结果见表1和表2。
4.2 景观格局总体特征分析
由表1可知, 研究区内景观斑块数为4187、总面积10140.57hm2、斑块密度41.29 (块/100hm2) 、斑块平均面积2.42hm2、最大斑块指数19.06%, 说明研究区内斑块平均面积较大, 且斑块面积大小差异较悬殊。多样性指数为1.93, 说明研究区内景观多样性程度高, 景观类型丰富;均匀度指数0.78, 说明研究区内景观类型均匀程度较高, 优势景观类型不明显;景观破碎度指数为0.41, 说明受人类干扰程度的影响较大, 景观稳定性较差;散布与并列指标值为66.70, 说明斑块聚集程度较高, 不同景观类型的斑块彼此间连通性较好。
4.3 斑块类型级别的特征分析
研究区范围内耕地面积2357.01hm2, 占23.24%;林地 (含有林地和疏林地) 面积2182.03hm2, 占21.52%;水域 (含河流和坑塘水面) 面积1993.26hm2, 占19.66%, 三者面积之和占64.42%。这也再次证明研究区内景观多样性程度高、景观类型丰富、面积比较均匀, 优势景观类型不明显。耕地主要分布在城郊地区, 最大斑块指数3.45, 斑块密度3.33 (块/100hm2) , 分离度为0.39, 而散布与并列指数达到61.55, 说明耕地斑块聚集程度较高, 彼此间连通性较好。林地 (含有林地和疏林地) 面积占21.52%, 说明研究区森林覆盖率较高;有林地的斑块密度远大于疏林地, 说明有林地分布比疏林地广泛。但有林地的分离度指数远低于疏林地, 而散布与并列指数较接近, 说明有林地和疏林地斑块的聚集程度较高。疏林地斑块内部之间较分离, 连通性较低, 但有林地具有集中连片分布的特征。绿地面积少, 所占比重小, 且主要集中分布在龙马潭区沱江左岸。其散布与并列指数为71.98, 而分离度指数高达4.07, 说明绿地斑块聚集程度较高, 内部较离散, 连通性低。水域 (含河流和坑塘水面) 所占面积比例较高, 说明泸州市区的湿地资源较丰富。河流最大斑块指数达到19.06%, 散布与并列指数达到67.51, 而斑块密度为0.23 (块/100hm2) , 分离度指数为0.12, 说明河流斑块数少、聚集程度高、内部连通性好。从图3可知, 研究区内的河流景观斑块主要是长江和沱江, 它们已经交融为一个整体。道路斑块的散布与并列指数为75.10, 斑块密度为4.26 (块/100hm2) , 而分离度指数为2.85, 说明道路景观的斑块数较多, 且集聚分布, 内部连通性较好。从图3可知, 道路主要分布在龙马潭区和江阳区的老城区范围内, 这些区域路网交织, 道路通达性较好。住宅用地是整个研究区内斑块数量最多的景观类型, 达1504块, 但面积比例仅13.83%, 斑块密度达14.83 (块/100hm2) 。散布与并列指数为58.02, 分离度指数为1.39, 说明住宅用地斑块集聚程度较高, 内部连通性较好。从图3可知, 泸州市的住宅区主要分布在龙马潭老城区和江阳新城区。教育用地和城市广场景观斑块数少, 所占面积比例也较小。教育用地主要分布在江阳新区, 而城市广场用地主要分布在龙马潭区和江阳区的沱江两岸地区, 主要供市民休闲娱乐之用。机场建设用地只有一块, 相对独立。其他建设用地斑块数为376, 面积比例占12.99%, 散布与并列指数为70.34, 分离度指数为0.74, 说明斑块集聚程度高, 且内部连通性好。
5 结束语
遥感技术具有观测范围大、获取速度快、信息客观准确等常规测量手段无法比拟的优势, 可以节约大量人力、财力和物力。本研究利用高空间分辨率的IKONOS遥感影像, 在GIS技术的支持下快速获取到泸州市区的土地利用类型, 在此基础上引入景观生态学的基本原理和方法, 用景观格局指数定量分析了土地利用景观格局, 可为泸州市土地资源合理利用和优化配置提供决策支持。遥感、GIS技术与景观生态学结合进行城市土地利用景观格局的定量分析, 揭示了城市土地利用的空间规律, 拓宽了城市土地利用研究的一个新领域。
摘要：以IKONOS卫星遥感影像为基础数据源, 在GIS技术的支持下, 获取了泸州市区的土地利用类型。借鉴景观生态学的基本原理和方法, 基于Fragstats 3.3软件, 用景观格局指数定量分析了泸州市区土地利用景观格局的特征。分析结果表明, 泸州市区土地利用景观类型丰富, 景观多样性程渡高, 景观类型均匀程度也较高, 但优势景观类型不明显;由于人类干扰程度较大, 土地利用景观破碎, 稳定性较差。
关键词：IKONOS影像,土地利用,景观格局分析,泸州市
参考文献
[1]傅伯杰, 陈利顶.景观生态学原理及应用[M].北京:科学出版社, 2001.
[2]肖笃宁, 钟林生.景观分类与评价的生态原则[J].应用生态学报, 1998, 9 (2) ∶217-221.
[3]许辉熙, 薛万蓉, 慕长龙, 等.基于IKONOS影像的绵阳市官司河流域土地利用景观分类与制图[J].安徽农业科学.2009, 37 (11) ∶5286-5288.
[4]刘建华, 胡光道.高分辨率遥感影像的土地利用分类[J].资源开发与市场, 2004, 20 (4) ∶298-300.
[5]邬建国.景观生态学——格局、过程、尺度与等级[M].北京:高等教育出版社, 2000.
[6]McGarigal K, Marks B J.FRAGSTATS:Spatial Pattern Analysis Program forQuantifying Landscape Structure[Z].Oregon State University, Covalis, OR, 1993.
高空间分辨率遥感影像 篇7
1 研究区概况
霍山县落儿岭镇坐落于五桂峡、六万寨、白云庵风景区, 距县城15Km, 鄂皖通道318线横贯而过。总面积61.3km2, 辖8个行政村82个村民组10098人, 为全县的山口要镇、资源大镇、工业重镇、经济强镇。该镇地处山口要塞, 距县城仅15km, 青山-晓天断裂和落儿岭-土地岭断裂交汇于附近, 是安徽省境内著名的霍山窗地区。
本研究在安徽省境内选取大别山研究区内以霍山县落儿岭镇镇中为例, 根据区域内多种遥感数据源、高程数据及行政区划数据等资料, 开展基于多源遥感影像数据的建筑物提取方法研究。
2 数据源介绍
2.1 高分一号数据
高分一号卫星是中国高分辨率对地观测系统的第一颗卫星, 高分一号小卫星能获取8米多光谱影像和2米全色影像。多光谱影像信息量丰富、获取时间短, 波段基本与TM影像2、3、4波段类似。
2.2 TM影像数据
美国陆地卫星7 (Landsat-7) 数据质量优越, 与Landsat系列卫星保持了数据的延续性, 已成为中国卫星地面站的主要产品之一。在数据产品方面, Landsat-7增加了分辨率为15m的全色波段。
3 遥感影像预处理
研究区高分一号全色波段数据, 于2014年购买, 图幅编号为GF1_PMS1_E116.0_N31.4_20140402_L1A0000194766。
TM影像数据为美国马里兰大学对外公开的ftp下载, 共包括7个波段, 为了与高分一号全色波段数据进行几何校正等预处理需要, 在ERDAS和ENVI里对图像进行裁剪操作。
对数据预处理的过程包括几何精校正、配准、图像镶嵌、阴影处理和光谱归一化几个环节。
图1中所示为对TM数据与高分一号影像数据进行融合操作, 图像融合是对多遥感器获取的遥感影像数据的处理, 把在空间或时间上冗余或互补的多源遥感数据通过运算处理, 生成一幅具有综合性的空间、波谱、时间特征的合成图像。本研究采用主成分融合法对影像进行融合操作。将融合后的遥感影像叠加该地区乡镇点行政区划数据和活动断裂数据, 从图2中可以清晰地看出落儿岭镇周边环境及所处位置。
4 建筑物信息提取
4.1 研究区典型地物光谱特征分析
首先对研究区内典型地物建筑用地、林地、农田、水体和低密度植被覆盖区进行光谱采样, 图3中为5类典型地物在TM影像上的光谱响应曲线。可以发现各类地物的光谱特征在各波段是不同的, 通过找出建筑用地和背景地物差距就可以将提取出建筑用地信息。
4.2 归一化裸露指数 (NDBI)
NDBI指数是杨山提出的仿归一化植被指数, 用于研究城乡聚落形态提取。吴宏安等在研究中指出, NDBI从本质上讲揭示了地表裸露特征。NDBI的公式如下:NDBI= (TM5-TM4) / (TM5+TM4) 。
4.3 归一化植被指数 (NDVI)
NDVI能够反映植被覆盖度、季相动态变化等因子。NDVI的公式如下:NDVI= (TM4-TM3) / (TM4+TM3) , 植被在TM 4波段反射率强, 在3波段则很弱, 通过指数运算可以增强植被的亮度, 其他地物的NDVI的值在则-1~1。
通过对两个指数的分析, 发现NDBI来提取建筑结果含有植被覆盖区, 利用NDVI来提取建筑结果含有裸地和水体。所以, 我们可以利用这两种方法综合提取的方法来提取城市建筑用地。
4.4 城市建筑用地信息提取
通过两个指数的对比分析得到研究区典型地物二值化后的像元值。
NDBI像元值建筑用地的和低密度植被覆盖区为1, 其他像元值为0;NDVI像元值建筑用地和水体为1, 其它则为0。两幅影像叠加分析后, 得到的结果是只有建筑用地的像元值为1, 以白色显示, 其他地物赋予真彩色显示。该方法克服了靠某种单一指数提取建筑用地的不足, 结果客观可信。
5 结语
在研究区域落儿岭镇内采用TM数据和高分一号数据进行融合, 对遥感影像进行波段建模和运算, 从而对建筑物进行提取、识别, 从图4提取结果来看, 范围区域内建筑物提取效果较为理想, 该方法的利用为建筑物提取提供了一种很好的方法, 将其运用在地震前后建筑物的损毁情况对地震灾害的预评估起到一定的辅助作用。建筑物的破坏监测对灾情速报、灾害等级划分、灾害评估、应急抢险、灾后重建规划等具有重要的指导意义。
参考文献
[1]明冬萍, 骆剑承, 沈占锋, 等.高分辨率遥感影像信息提取与目标识别技术研究[J].测绘科学;2005 (3) .
[2]杨化超, 邓喀中, 张书毕.基于Hough变换的航空影像建筑物半自动提取[J].测绘科学, 2006 (6) .
[3]张源, 王仰麟, 彭建, 等.基于空间概率面的山区居民地遥感信息提取[J].地理与地理信息科学;2006 (4) .
高空间分辨率遥感影像 篇8
关键词：高分辨率,遥感影像,测绘生产技术,应用潜力,研究
1 前言
进入二十一世纪以来, 随着信息技术和传感技术的飞速发展, 遥感影像逐渐由原先的几何测量能力不足、应用范围狭小向高分辨率、高精度的卫星遥感影像发展, 并已经取得了相当大的成就, 卫星遥感影像包括空间分辨率、时间分辨率和光谱分辨率, 空间分辨率发展更为可观, 已经达到一米范围之内, 军用遥感影像甚至达到0.1米;光谱分辨率更为可观已达到5-6nm (纳米) , 包括高光谱在内已超过400个波段。当前随着高分辨率遥感技术的兴起, 为建筑工程测绘生产注入了新的血液。
2 影像测绘生产领域现状
在现代信息测绘领域的基础测绘中, 国家各种应用基本比例尺地图的生产应用和更新都是基于航空影像技术, 而空间分辨率计划由于受到本身几何测量能力的限制, 知识遥感影像不能在测绘领域大显身手, 在地形测量制图的过程中最重要的是几何测量能力要有高精度性, 有较强的空间定位能力, 在这一点上, 航空影像就显得更占优势, 在制图人员的眼里, 如果没有几何测能的缺陷, 遥感影像相对于航空影像在很多方面都占据着极为重大的优势, 主要表现如下几个方面:
2.1 在没有专门的飞行计划和航空管制条件下, 可以快速地获取相关信息。
2.2 通过卫星全生命周期运行 (这个周期还可通过发射继发卫星进
一步延长) , 可以在继承原始遗留下的数据而反复的获取全球各地详细的大地影像。
2.3 遥感影像技术地面覆盖范围广。
2.4 遥感影像的光谱信息和辐射信息相对较为丰富。
随着影像技术的不断发展更新, 影像技术作为高分辨率遥感技术的代表兴起, 并逐渐成为一种测绘应用技术潮流, 相信在不久的将来, 在测绘领域高分辨率遥感影像技术会成为不可取代的应用技术, 成为国家基本比例尺地图制图的重要影像源。
3 高分辨率遥感影像特点
如今市场上已经相继出现IKONOS (1999年) , EROS (2000年) , Quick Bird (2001年) 等高分辨率遥感系统, 并受到了良好的评价, 这些遥感系统在继承老式的中低分辨率遥感影像的高光谱分辨率、运行周期长、大覆盖范围等优点的基础上, 继续发展了强大的几何测量能力, 大大提高了测量的精度, 并且能够在轨道形成立体图像, 进而获得地面目标的立体三维空间信息, 以IKONOS影像为例, 经调查研究表明, 它的空间分辨率技术指标主要表现如下:第一, 地面分标率为1-3m;第二, 轨道高度为460-680km;第三, 焦距最大为10m;第四, 影像记录方式为CCD线阵列立体成像;第五, 基高比为0.6-2.0;第六, 地面元宽度为6-36km;第七, 重复周期为1-4d。这些指标与那些中低分辨率遥感影像相比具有以下几个有点:
3.1 传感器的成像焦距长达10m, 以此可以从轨道获得更加准确的地面相关地貌信息。为高精度测绘提供技术支撑。
3.2 CCD线阵列立体成像传感器可以从前视、正视和后视3种观测
角度进行观测研究, 能够通过轨道内或轨道间成像的方式获得立体图像, 进而获得地面目标的相关数据信息。
3.3 形成的立体目标图像的相对基高比超过0.6, 接近一般航空影像的技术水平, 这足以能够满足测绘的需要。
然而高分辨率遥感影像技术在基础测绘生产方面依然存在许多问题:受大气折射和地球曲率的影响较大;CCD线性阵列传感器的摄影测量模型不够完善;由于大气云雾覆盖的因素导致影像的可视性较低;其子项目的空间分辨率不够高等问题, 这需要我们在充分发挥遥感影像技术在基础测绘生产领域中作用同时, 进一步加强更新, 不断完善, 以提高基础测绘能力, 促进高分辨率遥感影像的飞跃。
4 高分辨率遥感影像应用于基础
测绘在生产和发展的潜力方面有了很大的提高, 特别是在我们国家一般比例尺的地图上应用的非常的广泛, 并且也得到了很大的发展, 在测绘方面, 对于所需要的影像源有着特别的要求, 主要包括以下三方面。影像上面必须能够提出非常大并非常细小和详细的特征物质。其次, 影像上面必须要有关于特别多的地形信息和关于地形地貌的高程的信息。最后, 在地面上一般的目标定位时, 这里主要是指空间定位, 影像必须确保有着足够的精度和几何尺寸的精度。具体的要求分析如下:
4.1 高分辨率遥感影像的特征·地物提取
高分辨率遥感影像因为它有着非常高的立体空间分辨率, 所以能够很好的表现出地面上的地物的细节和特征。从外国学者的研究报告中, 毫米级超高分辨率感影像已经满足了1:10 000到l:50 000的比例尺的基本制图的要求并且可以清晰的反应出目标物体的特征和具体的特征也可以很好的识别和提取, 并且在某些特殊的情况下还可以比例尺调的更大, 更好的满足要求。但是也存在一些问题, 比如在一些细长的物体上提取信息时, 像电线、围墙等等, 这些东西都是很难确定的并且也是很难提取具体的信息。
4.2 高分辨率遥感影像获取高程信息的能力
4.2.1 投影差在地面起伏中的应用
为了能更好的测量高程的信息情况, 一般的遥感影像上务必存在一些起伏形式的地表相对起伏的信息, 这样才能更好反映出和提取出高程信息。比如, 在地面上的事物的高度D米, 以日为飞行高度, 焦距为厂, 传感器在地物距离正下方的距离地面点为R, 从而得到由于高差的原因得到的地物地面起伏投影差为d为d=Dh。f/H'R/ (H-Dh、) 。详细的分析如下:
(1) 卫星遥感的高度已经远远的超过航天飞行器的拍摄高度, 所以因此而形成的成像的焦距是非常的大, 这样就使得航摄比例尺能够和影像的比例尺厂/日的大小接近。
(2) 然而对于卫星正下方的物体来说, 投影的差距是非常的小, 然而因为遥感卫星的摄像范围是非常的大, 因此在影像的边缘处, 所拍摄到的分子半径是非常大的。因此, 高分辨率遥感影像上表征地形信息的地面投影差是相当大的, 接近于航空影像上的水平。
4.2.2 立体相对模型的基高比和视差
然而对于制图的精度来说, 影像的立体像对模型的基高比就是一个非常重要的参数。对于航空飞机而言影像的基高比一般在0.8左右、置变化所产生的在飞行方向上的地物点的位置变化称作视差。有时单张的影像上的地表特征的地貌信息的高程差, 视觉也是可以用来表示影像是否能够真正的反映特别的多的地形地貌信息。
5 结束语
如今, 高分辨率遥感影像技术经过几年的发展更新, 已经形成了集高程信息获取能力、高精度纠正能力和地表物体提取能力等技术优势于一身测绘技术, 高分辨率遥感影像技术在地图比例尺的生产中得到广泛应用, 以其目前的应用水平, 已经基本可以取代过去的航空影像技术, 在一定程度上摆脱了基础测绘生产对航空影像的依赖。由于发展的需要, 高分辨率遥感影像需要通过更加严格的摄影模型实验, 结合其自有的覆盖面广、高光谱分辨率、重复获取性以及在利用互联网的基础上增进获取与传送能力, 提高测设地面物体空间位置的精度, 以促进基础测绘生产的巨大变革。
参考文献
[1]鲍建宽.陈文慧基于QuickBird影像和GPS RTK的土地利用现状图测绘[J].测绘与空间地理信息, 2009 (1) .[1]鲍建宽.陈文慧基于QuickBird影像和GPS RTK的土地利用现状图测绘[J].测绘与空间地理信息, 2009 (1) .
[2]何金学.航空摄影在尼日利亚铁路建设中的应用[J].铁道勘察, 2007 (6) .[2]何金学.航空摄影在尼日利亚铁路建设中的应用[J].铁道勘察, 2007 (6) .
[3]孙家柄.遥感原理、方法和应用[M].北京:测绘出版社, 1999.[3]孙家柄.遥感原理、方法和应用[M].北京:测绘出版社, 1999.
【高空间分辨率遥感影像】推荐阅读：
高空间分辨率影像05-23
高空间分辨率11-06
超高分辨率卫星影像10-11
高分辨率卫星08-09
高分辨率图像显示08-07
高分辨率磁共振08-10
高分辨率层序地层09-20
元素沉积通量在重金属高分辨率沉积记录中应用-以洪湖为例07-29
鲁北济阳坳陷东营凹陷南坡沙河街组第四段上亚段高分辨率层序地层格架10-10
系统分辨率07-20