影像提取

影像提取（共8篇）

影像提取 篇1

基于像元光谱信息的统计分类方法作为常见的遥感信息提取方法, 按照是否根据训练样本来进行分类, 可分为两大类:监督分类与非监督分类。

1 非监督分类

非监督分类是在没有先验知识的情况下, 仅根据图像自身的统计特征以及自然点群的分布情况来划分地物的类别, 在分类完成后再对分出的地物进行属性确认, 因此, 分类带有一定的盲目性, 这种方法无需选取各类样本, 一般只提供某些阈值对分类过程加以部分控制, 它实际分出的是“谱类”而不是“地类”, 常用非监督分类法有ISODATA, K-MEANS等。

1.1 常见的非监督分类方法

(1) ISODATA分类。ISODATA方法是非监督分类中具有代表性的一种方法。这种方法是先对遥感图像进行初始分类, 得到粗略的分类结果, 然后基于某种原则在分出的类别间重新组合样本, 直到分出比较合理的类别为止。 (2) K-MEANS分类。K-means方法是通过计算数据空间上均匀分布的初始类别值, 然后采取最短距离技术进行迭代, 并将它们聚集到最近的类别中。

1.2 实验结果

对于ISODATA分类, 结合实际情况, 将最小分类数以及最大分类数均设置为7, 迭代次数的最大值设为500, 变化阈值设为5.0, 每一类中的最小像元设为10, 其余值均采用系统默认值。而K-MEANS分类, 则只设置三个参数, 分别是分类数为7, 变化阈值设为5.0, 迭代次数的最大值设为500。采用非监督分类的方法分类, 水体分类比较准确, 但是对于其它的地物类型都没有得到很好的区分, 我们有必要采取更好的方法对图像进行进一步的分析。

2 监督分类

2.1 常见的监督分类方法

监督分类法用于在数据集中根据用户定义的训练样本类别来聚集像元, 它又称为训练场地法或先学习后分类法。在分类过程中, 可以选择ROI训练样本来“训练”计算机, 对未知地区的像元进行处理分类, 各类别之间不应该有重叠, 最后将分类结果分别归入到已知的类别中, 达到自动分类识别的目的。

监督分类主要包含以下两个阶段, 一是训练样本ROI的选取过程;二是执行监督分类的过程, 具体的监督分类只需要选取某一种监督分类方法, 其余的交给计算机自动完成。

2.1.1 平行六面体分类

平行六面体分类法是通过设定在各轴上的一系列分割点, 将多维特征划分成分别对应不同分类类别的互不重叠的特征子空间的分类方法。它用一条简单的判定尺度对多光谱数据进行分类, 来判定边界在图像数据空间中, 形成了一个n维平行六面体。平行六面体的维数由来自每一种选择类别的平均值的标准差的阈值确定。如果像元值位于多个类别中, 则将其归入到最后一个匹配的类别中, 如果未落入到任何一个类别中, 则属于未知类型, 按照这种方法直到完成所有像元的分类。

2.1.2 最小距离分类

最小距离分类法是一种常见的监督分类方法。它的具体分类思想如下:

(1) 利用训练样本数据计算每一类的标准差和均值向量。

(2) 以均值向量为类别在特征空间中的中心位置, 计算影像中每个像元到各种类别中心的距离。在给定的阈值范围内进行距离比较时, 距离越大, 相似度越小;距离越小, 相似度越大。

(3) 假设图像中有n类, 各个类别的中心参考向量分别为:R1, R2, …, Rn。假设未知类别像素的特征向量为:Ri。则所属类别的判定可以通过计算Ri与各个类别的中心参考向量之间的距离来确定。在遥感影像分类处理中, 应用最广的距离函数是欧几里德距离:

由式 (1) 中D值可以得出, 如果D值小于设定的阈值, 则判定为相对应的类别。

2.1.3 最大似然分类

最大似然分类, 是假设每一个波段的每一种类别统计都呈正态均匀分布, 并计算给定像元属于某一种特定类别的似然度的一种分类方法。最大似然分类是一种稳定性、鲁棒性好的分类器。除非选择一个似然度阈值, 所有像元都将被分类。每一个像元被归并到似然度最大的那一类中去的方法。

最大似然分类使用高斯概率密度函数作为它的概率密度函数。

2.1.4 马氏距离分类

马氏距离分类, 它与最大似然分类相似, 是一个应用了每个类别统计信息的方向灵敏的距离分类器。它假定所有类别的协方差都是相等的, 所以是一种较快的分类方法。除非用户限定了一个距离阈值, 这时, 如果一个像元不在阈值内, 就会被划为无类别, 否则所有像元都被归到最邻近的那一类。

2.1.5 支持向量机分类

支持向量机 (SVM) 是一种建立在统计学习理论基础上的分类学习方法。正因为它具有统计学的特点, 因此, 适合有限样本 (小样本) 问题, 在很大程度上解决了传统方法存在的过学习、非线性、局部极小点等问题。支持向量机算法有它独有的优势, 不仅设置参数简单容易, 更重要的是它能够得到全局最优的结果。当它在区别两种光谱均值非常接近的类别时, 能够根据有限的训练样本将它们分开, 得到较好的效果。因此, 将SVM应用到高空间分辨率的遥感影像图中进行分类会能够取得不错的效果。

2.1.6 BP神经网络分类

神经元网络分类在进行监督学习时使用标准的反向技术 (back propagation) 。用户可以根据实际需要选择隐藏层的数量, 也可以选择所需要的函数 (对数或双曲线活化函数) 。由于调整节点中的权重可以使输出节点活化与所需的输出结果间的差异达到最小化, 因此神经网络技术利用该方法对发生的事件进行学习。

2.1.7 波谱角分类 (SAM)

波谱角分类方法是一个基于自身的波谱分类, 这一算法是通过计算波谱间的角度来判定两个波谱间的相似度。样本光谱与待分类图像像元光谱之间的夹角越小, 两条光谱越相似。

2.2 ROI的选取

在进行监督分类前, 必须先进行ROI样本的选取。为了保证监督分类结果有较高的精度, 这里选取ROI训练样本有两个标准, 第一是训练样本的数量足够多, 具体多少要视分类影像的大小而定。一般情况下, 每类至少要有10到100个训练样本数据。其次, 选择ROI训练样本应具有代表性, 即训练样本必须覆盖分类遥感影像图中的所有的类型。但是自然条件、仪器精密程度等因素的影响, 分布在不同位置的同类地物光谱特性往往会有些差异, 因此, 选取ROI训练样本像元尽可能与地类分布相一致, 避免集中在某个局部位置上。

3 分类比较

3.1 分类结果比较

比较两种非监督分类方法所得出的结果以及七种监督分类方法得出的结果, 从中非监督分类结果普遍精度较低, 基本上每一种地物的分类精度都较低, 而监督分类则相对来说除了平行六面体、SAM分类的分类效果较差外, 其余五种分类方法对大部分地物的分类精度都能够达到60%以上, 部分甚至能够达到80%以上。说明这五种分类器的分类效果相对其他几种分类器来说较好。

3.2 优缺点比较

从上面各种子分类器得出的最终分类结果可以得出, 不管是非监督分类还是监督分类方法, 总体分类精度来说都还不是特别理想, 分类精度最高的SVM也只达到了81%, 不能满足用户的生产需求。从非监督分类与监督分类的优缺点比较可以看出, 单独的非监督分类以及监督分类都存在一定的缺陷。如何弥补这种缺陷进而获得更高的分类精度就成为了我们必须解决的问题。

参考文献

[1]V.Vapnik.Statistical learning theory[M].New York:John Wiley and Sons, 1998:57-73.

[2]蒋宗礼.人工神经网络导论[M].北京:高等教育出版社, 2003:278-313.

影像提取 篇2

关键词：高分辨率；道路提取；遥感影像

随着遥感技术的发展，越来越多的商业化卫星可以提供相当高分辨率的遥感影像数据，目前已达米级甚至亚米级，目前主流的高分辨率卫星及其空间分辨率如表1所示。这些高分辨率遥感影像为很多应用提供了有利的条件，例如土地资源调查、地理数据更新、土地利用和土地覆盖变化监测等。准确快速地从遥感影像中提取感兴趣信息是遥感的一个热门研究方向。其中，道路信息的提取更是研究热点，因为道路不仅是基础的地理信息，而且为提取其他地物提供了参考[1]。本文分析了道路在遥感影像中的特征，然后对目前在遥感中常用的道路提取方法进行了分析和对比，最后对遥感中道路提取方法的发展方向进行了展望。

1. 道路特征提取的原理

道路在高空间分辨率的遥感影像上，通过人工解译是很容易被识别和提取出来的，这主要是因为道路的物理和几何特性与其他地物有明显的区别，因此，只有明确道路的特征，然后才可以通过计算机进行自动识别。道路的特征可以大体分为两类，一类是物理特征，一类是几何特征[2]。

物理特征主要指道路的成分，通常与其他地物不同，例如，水泥路、柏油路等。在遥感影像上，这一点就体现在辐射特征的不同上，道路的辐射特征与相邻其他地物的辐射特征差异明显，这在一定程度上可以通过监督方法，自动提取出道路。

几何特征包括道路的形状特征、拓扑特征及上下文特征。道路的形状通常为长条状，长度与宽度之比非常大，而且道路的变化较小，即使是弯道，也有曲率的限制。拓扑特征是指道路通常是相互交叉的，以道路网的形式存在。上下文特征主要是指道路上的标志、高速路中间的绿化带以及行人斑马线等[3]。

基于以上特征，我们可以在高、中、低三个层次上进行道路特征提取。低层次主要依赖各种基本要素，包括特征点、线、面，边缘及纹理等，这一层次较少涉及道路的相关知识；中层次是在低层次结果的基础上，对多种特征进行分析、整合、精简等，形成一定的结构化；高层次则要求利用道路的相关知识及规则，从而识别道路。

2. 道路特征提取现状

目前，通过计算机对道路进行提取，大体可以分为两种，一种是监督道路提取，一种是全自动道路提取。

2.1 监督道路提取

监督道路提取主要是采用人机交互的模式。首先，由人工选取道路的起始点和起始方向，然后设置规则，由计算机进行处理识别，通常在识别过程中，还需要进行适当的交互，以此确保识别的精度。这一过程通常包含如下四个步骤：第一，对遥感影像的道路特征进行增强；第二，确定道路的起始点和起始方向；第三，扩展和跟踪起始点，提取道路段；第四，将各个道路段连接，从而形成道路网[4]。

具体方法包含五种：分别是动态规划法、基于模型法、主动试验法、模板匹配法、概率论法和基于知识的方法。

动态规划法通常将识别问题转化为最优化问题，即将道路起始点与其他点之间赋予代价函数，然后计算点与点之间的最优路径。这种方法最早是从低分辨率遥感影像道路提取中发展来的，实验表明，这种方法对于道路边界提取效果一般，但是对道路中心线提取精度较高。

基于模型法即将影像的各种特征通过函数表达出来，然后对该函数求极值从而提取目标。常用的模型有Snakes及其多种改进算法（例如，LSB-Snakes， Ziplok Snakes， Double Snake），Active Contour模型等[5]。

主动试验法是通过选定道路起始点和起始方向从而获得道路的统计模型特征，以此建立决策树；然后，用决策树对道路进行跟踪提取。在高分辨率影像中，通常要假定道路段为矩形，结合主动试验法提取道路中心线。这种方法由于有限制条件，因此对道路中心线的提取效果一般。

模板匹配法即用戶首先选取感兴趣的特征点，然后为这些特征点定义一个特征模板，最后将其他点与特征模板进行匹配，当相似度达到要求的时候即匹配成功。

概率论法将道路的边缘假定为一个随机过程路径，该随机过程是基于统计模型驱动的。通过后验概率判定道路是否被准确提取。

基于知识的方法是通过人工的认识转化为判定道路的规则，以此来提取道路。这种方法的思路是首先提取道路片段，然后将对该道路片段的认识转化为道路识别规则，然后用建立的规则对影像其他部分的道路进行提取。这种方法的好处是在建立规则的时候，可以采用多种特征，而这些特征又不存在冗余，所以该方法不仅准确率高，而且速度快。但是这种方法对于操作人员的专业知识要求较高，不仅要有遥感知识，还要有其他多学科的知识。

2.2 全自动道路提取

全自动道路提取即不加入人工干预，直接设定规则，由计算机自行判断并提取。这类方法包括平行线法、中心线探测法和统计模型法等。

平行线法是从道路的几何特征出发，因为道路边缘可以看成是一组平行线，因此，根据这一特征可以设计一种道路边缘提取算法。这种方法在数学形态学中可以简化为三个过程：一是影像分割及直线提取；二是降低影像分辨率提取道路轮廓；三是根据上一步骤提取的道路轮廓线，从第一步骤提取的直线中确定道路边缘[6]。

中心线探测法即道路中心线检测，通常对影像进行分割，然后在分割的基础上，提取中心线，再结合道路的灰度特征、几何特征对中心线周围的区域进行合并，最终形成道路网。

统计模型法不依赖于某个因素，因此适合道路提取这种相对复杂的地物。可以通过几何概率分布模型，设置窗口，对道路进行检测提取。这种方法对道路有一定的要求，包括道路宽度变化不能太大、局部辐射亮度变化较小、道路曲率较大、背景差异明显、长宽比较大等。当然，一般的全自动道路提取都应该满足这些条件。

3. 遥感影像道路提取展望

目前，利用高空间分辨率影像进行道路提取的研究已经很多，每种方法都有一定的适用性，但是毕竟现实世界中的道路无论从材料还是设计都具有很大的多样性及复杂性，而研究中提到的方法往往只能解决某一种或几种类型的道路提取，并且这些方法的自动化程度、算法效率及精度方面也有较大差异，因此，距离实际应用还有很长的路要走。

首先，对道路特征的挖掘。目前的大部分道路提取算法都只利用了道路的一种或几种较为基本的特征，由此建立的模型也相对简单。那么，对于高空间分辨率的遥感影像而言，道路的纹理特征比中低分辨率影像要明显的多，因此，如何在已有算法中结合高分辨率影像中道路的纹理特征是一个值得研究的方向[7]。

其次，多维模型的建立。遥感影像是二维图像，但是表达的是三维世界，因此，在三维到二维的过程中，必然有很多有用的信息被损失掉。可以考虑，用多幅影像，来构建三维模型，这样可以建立道路与其他地物之间更具体的联系，由此得到适合道路特征提取的多维模型。

再次，多方法嵌套使用。大部分的单一方法都是针对某种类型的道路，当现实情况比较复杂的时候，这些单一方法就不再适用了。因此，如何将多种方法有机地结合起来形成新的方法体系也是一个值得研究的问题。多方法嵌套不仅提高了方法的适用性，也在一定程度上提升了全自动的可能。

第四，结合面向对象的思想。面向对象是将若干像元合并为一个对象，再对对象进行分析研究的方法。这种方法的大致步骤包括以下四步：影像分割得到对象，对对象进行特征提取，将提取的特征组合成模型，根据模型提取道路。这种方法目前在道路提取中已经获得不错的效果[8]。

最后，多学科结合。道路在现实世界中是相当复杂的，因此道路提取涉及很多学科的问题，包括数学、计算机视觉和计算机图形学等。因此，在道路提取的研究过程中，要充分結合其他学科的方法及最新研究成果，将这些方法在更高的层次进行结合，最终可以提升道路提取的精度。

参考文献：

[1] 李光耀， 胡阳. 高分辨率遥感影像道路提取技术研究与展望[J]. 遥感信息， 2008（1）：91-95.

[2] 吴亮， 胡云安. 遥感图像自动道路提取方法综述[J]. Acta Automatica Sinica， 2010， 36（7）：912-922.

[3] 雷小奇， 王卫星， 赖均. 一种基于形状特征进行高分辨率遥感影像道路提取方法[J]. 测绘学报， 2009， 38（5）：457-465.

[4] 朱晓铃， 邬群勇. 基于高分辨率遥感影像的城市道路提取方法研究[J]. 资源环境与工程， 2009， 23（3）：296-299.

[5] 唐伟， 赵书河. 基于GVF和Snake模型的高分辨率遥感图像四元数空间道路提取[J]. 遥感学报， 2011， 15（5）：1040-1052.

[6] 朱长青， 王耀革， 马秋禾，等. 基于形态分割的高分辨率遥感影像道路提取[J]. 测绘学报， 2004， 33（4）：347-351.

[7] 胡海旭， 王文， 何厚军. 基于纹理特征与数学形态学的高分辨率影像城市道路提取[J]. 地理与地理信息科学， 2008， 24（6）：46-49.

[8] 胡进刚， 张晓东， 沈欣，等. 一种面向对象的高分辨率影像道路提取方法[J]. 遥感技术与应用， 2006， 21（3）：184-188.

ETM影像水体信息提取研究 篇3

基于遥感影像提取水体信息,前人做了大量研究工作,一般分为两大类:单波段阈值法和多波段增强图像阈值法[3]。

单波段法利用了水体在近红外波长处的强吸收性及植被和干土壤在此波长范围内的强反射性特点设置阈值提取水体信息。Shih[4]利用Landsat MSS的近红外波段,采用密度分割的方法提取水体;陆家驹[5]等利用TM5设定阈值,识别水体,但效果较差;Jupp[6]等利用TM7波段设置阈值提取水体信息。但是单波段法难于区分混淆在水体中的阴影与细小水体[3]。

多波段增强图像阈值法是指利用多波段的优势综合提取水体信息,也是较为广泛使用的方法,可分为谱间分析法和比值法。谱间分析法是通过分析水体与背景地物的光谱曲线差异特征,分析各自的变化规律,进而找到水体信息提取的逻辑运算公式将水体提取出来。杨存建[7]等研究发现TM影像,水体具有TM2+TM3>TM4+TM5的特点,据此可以将水体提取出来;刘建波[8]等利用TM的4、5、7波段进行大型水库库情监测;陈华芳[9]等在对山地高原水体识别工作中,提出(TM2+TM3)-(TM4+TM5)的逻辑表达式,设置阈值提取水体信息。比值法则根据不同地类在不同波段中的波谱特点,利用比值计算,扩大二者之间的差异从而突出目标地物。但是这一方法无法彻底避免与水体无关的信息。水体指数法是基于多波段的水体光谱特征分析,选取与水体识别密切相关的多个波段,构建水体指数模型,再由阈值识别水体。

现以湖南省岳阳市湘阴县为研究区,选用ETM图像,利用归一化植被指数法、水体指数法与改进的水体指数法对水体信息进行了提取,并对各方法进行精度比较和评价。

1 研究区与研究方法

1.1 研究区概况

湘阴县位于湖南省东北部,南洞庭湖滨,湘资两水尾间,E112°30′~113°02′,N28°30′~29°03′,南北61 km,东西51.3 km,面积1 581.5 km2。湘江自南向北贯穿全境,把全县分为东西两部,东部为丘陵岗地,西部为滨湖平原。湘阴位处中亚热带向北亚热带过渡的季风气候区,四季分明,湿润多雨,具有春温变幅大,初夏雨水多,伏秋天热易旱,冬季严寒不多的特点。

1.2 数据源

ETM遥感数据具有较高的空间分辨率、光谱分辨率,广泛地应用于对地观测,已经成为研究地表覆盖与环境的重要遥感数据源。研究选用2002年10月13日的ETM影像,空间分辨率为30 m;进行水体提取。所选用的数据已经过大气校正和正射校正。研究区4、5、3波段合成影像如图1所示。

1.3 研究方法

采用ETM遥感影像提取水体信息,主要是依据水体在各波段上的反射值与其它地物之间的区别,通过分析水体与背景地物的光谱值,利用多个波段构建水体信息提取模型,从而实现水体信息的提取。

研究借助于ENVI 4.3软件的Band Math模块,采用归一化植被指数法(NDVI)、归一化水体指数(NDWI)与改进的归一化水体指数法(MNDWI)建立水体信息提取模型,设置阈值,生成水体信息专题图像,最后对提取结果进行精度评价。

2 水体信息提取

2.1 归一化植被指数法

归一化植被指数(NDVI)定义为:近红外波段与可见光红波段数值之差和这两波段数值之和的比值,公式为:

undefined

其中:Nir为近红外波段,Red为红光波段。

对应于TM波段,NDVI定义如下:

undefined

其中:CH3、CH4分别为TM影像3、4波段的像元值。

对于陆地表面主要覆盖而言,云、水、雪在可见光波段比近红外波段有较高的反射作用,因而其NDVI值为负,岩石、裸土在两波段有相似的反射作用,故其NDVI值接近0,而在有植被覆盖的情况下,NDVI为正值,并且随植被覆盖度的增大而增大。因此,可以利用NDVI阈值法提取水体信息,由于裸地和水体在可见光红波段具有相似的反射率,这就容易造成裸地和水体混淆。应用式(2)进行归一化植被指数计算后,确定水体提取阈值为-0.191,即<-0.191的像元为水体。

2.2 水体指数法

Mcfeeters[10]借鉴归一化植被指数(NDVI)的构建思想,利用绿波段和近红外波段提出了归一化差异水体指数NDWI(Normalized Difference Water Index),可使水体信息得到增强,非水体信息得到抑制,有利于水体信息提取。其公式如下:

undefined

式中Green为绿光波段,Nir为近红外波段。

对应于TM波段,NDWI定义如下:

undefined

其中:CH2、CH4分别为TM影像2、4波段的像元值。然而,Mcfeeters在构建NDWI指数时,只考虑了植被因素,却忽略了地表的另一个重要地类—土壤/建筑物。由于土壤、建筑物在绿光(TM2)和近红外波段(TM4)的波谱特征与水体几乎一致,即在绿光(TM2)处的反射率高于近红外波段(TM4),且具有较大反差。因此采用NDWI计算出来的水体指数中筑物和土壤也呈正值,有的数值还比较容易和水体混淆,形成噪音[11]。因此,用NDWI提取水体信息时,容易误把城镇用地判为水体。利用式(4)计算出研究区NDWI,结果见图2,经过多次试验确定水体提取阈值为:0.228~0.415。

2.3 改进的归一化差异水体指数法

徐涵秋[11]在利用NDWI对TM数据进行水体信息提取研究时,发现建筑用地信息和水体信息容易混淆,难以得到满意的结果,通过波段特征分析发现建筑物在TM的4波段和5波段光谱值突然变大,于是将NDWI做了修改,用近中红外波段(MIR)TM5替换了原来NDWI的近红外波段(NIR)TM4,则计算出来的建筑物的指数值将明显减小。反之,由于水体在中红外波段的反射率继续走低,这就使得水体与建筑物的反差明显增强,从而有利于水体信息的准确提取。改进的归一化差异水体指数(MNDWI)定义为:

undefined

其中:CH2、CH5分别为TM影像2、5波段的像元值。利用式(5)计算出研究区MNDWI,结果见图2,经过多次试验确定水体提取阈值为:0.278~0.669。

3 精度评价

精度是指对一幅不知其质量的遥感图像分类图评价其和一幅假设准确的图像(参考图)之间的吻合度[12]。精度验证通常可以分为实地验证和利用较高比例尺的影像或相关材料进行验证[13]。现采用2002年湘阴县土地利用现状图,随机抽取200个水体像元和200个非水体像元进行精度验证(见表1)。

由表1可知,水体遥感信息提取方法中MNDWI法精度较高,可以有效解决城镇用地与水体混淆的问题,在研究区取得了较好的提取结果。在GIS软件支持下,通过与土地利用现状图叠置分析及精度检验可以看出MNDWI法精度达到了98.0%。

4 结论与讨论

该研究基于ETM遥感影像,运用最为常用的多波段增强图像阈值法对水体进行了提取实验,最后采用MNDWI法对湘阴县的全幅遥感图像进行水体提取,得到湘阴县的水体分布专题图(见图3)。将水体信息提取结果转化为矢量格式,导入GIS软件中,统计得湘阴县的水域总面积为346.904 km2。

影像提取 篇4

目前,航天遥感技术的发展为开发应用提供了具有实用性的遥感数据,Aster遥感数据在0.52～11.65m波长范围内共有l4个波段,是唯一提供了可见光近红外(VNIR)、短波红外(SWIR)及热红外(TIR)三个通道集空间、辐射和波谱高分辨的数据,能够满足一定矿物、岩石等的划分需要。本文以纳米比亚某地区Aster影像为基础,提取该地区构造及古河道影像信息,挖掘出新的找矿技术与方法,以大幅减轻野外工作,提升工作效能,提高找矿工作的效率和成功率。

1研究区概况

研究区为起伏不大的戈壁荒漠地貌,岩石裸露,几乎没有植被发育,勘查区荒无人烟。处于达马拉带次级构造单元中央带南部区和奥卡汉贾线形带(Okahandija Lineament)内(纳米比亚矿产地质图,1998,纳米比亚地调局),位于北东向奥玛鲁鲁(Omaruru)断裂和奥卡汉贾(Okahandja)断裂所夹持区域。

2材料与方法

2.1 数据来源及介绍

(1)数据来源。

以Aster数据(2008-06-21)和1∶5万地形地质图作为遥感解译的信息源。在Erdas中对影像进行配准、增强等预处理。

(2)数据介绍。

Aster传感器搭载于Terra卫星,于1999年l2月l8日成功发射,2000年2月24日开始采集科学数据,Aster数据属性见表1。Aster数据具有以下特点:①可见光通道图像的空间分辨率较高;②可见光～近红外通道(0.78～0.86μm)具有底视和后视功能;③增加SWIR区域的波段,增强表面岩性制图能力;④在TIR区加入5个波段,生成精确的表面温度和发射。通过改善辐射分辨力和精度,从而提高解译能力。

2.2 研究方法

首先使用ENVI 4.2软件输出原始影像图,根据该地区的地理位置坐标,使用Erdas软件将工作区范围从一幅Aster图像裁剪出来;其次使用Erdas软件采用二次多项式方法进行几何校正:以1∶5万地形地质图为基准,在地形图和遥感影像上采集10个同名控制点,校正后的均方差均在0.5个像元以内。

2.2.1 主成分分析

多波段图像的不同波段之间往往存在着很高的相关性,造成信息冗余,通过主成分分析可以去除波段间的相关性而减少信息冗余,增强了图像的有用信息。主成分分析不仅能提高色彩的饱和度,同时又保持原来假彩色合成的色调,以便于识别和解译。

2.2.2 图像融合

本次工作是利用数据融合技术来提高图像分辨率,Aster数据1～3波段空间分辨率为15 m,这就为图像分辨率的提高提供了基础。为充分利用Aster数据4～9波段(空间分辨率为30 m)能精细反映岩性及构造的优势,将1～3波段与4～9波段进行融合处理,处理后图像分辨率达15 m。

2.2.3 波段选取

由于Aster遥感数据中的热红外波段(TIR)主要是用来研究地表热环境变化,而3B主要是用来生成地表高程,本次工作只对这两个波段以外的其他9个波段进行光谱信息统计分析及选取。各波段光谱信息特征见表2。

根据该地区地理因素及本次工作的目的(识别构造及古河道分布区域),选取不同波段组合,也注重其视觉效果。可见光波段选择波段2、3。对波段432,波段532,波段632(图1所示),732(图2所示)等不同组合的结果进行分析比较,最终确定波段6,3,2 (RGB)的组合效果最佳。第四系为紫红色及灰绿色;干涸的河道被第四系覆盖,而形状特征较明显;其他有或无植被的山体呈绿色或山体自身的。

3结果与分析

3.1 断裂构造解译标志的建立与分析

(1)断裂往往表现为较平直的线状地物,长条状的沟谷、串珠状的山间小盆地等可作为断层的标志。两侧色调(彩)深浅不同的色界,穿越具有不同影纹特征地质体的线形影像,亦是断裂存在的标志。

(2)浅色调的第四系和深色调的山地之平直的色调变化地带亦是断裂的表现;断层崖、山脊错断是断层的直观表现。

(3)水系呈直线、折线、弧形展布及分流点、汇流点等可能是断裂控制所致。

线性构造是指图像上那些呈直线状沿一定方向有规律展布的与地质作用有关的线性影像。断裂是线性构造中主要的一种线性影像。研究区内构造发育,本次共解译出16条断裂,按其展布方向主要有北西向(8条)、北东向(5条)、东西向(2条)、正北向(1条)四组。具体分布见图3。

(1)北西向线性构造。该组断裂在研究区非常发育,主要见F4、F16,其次F2、F7、F10、F12、F14、F15。规模大小不一,数百米至数千米不等。在影像图上,F4周边岩层有明显的山脊错断,F2线性的色调与两侧的岩层色调明显不同,其他构造在影像上表现出明显的的长条状的沟谷。

(2)北东向线性构造。该组断裂在研究区较发育,主要见F11,其次F1、 F3、F8、F13。F11呈长条状,长约3.5km,处于浅色调的第四系和深色调的山地地段。F1线性的色调与两侧的岩层色调明显不同。F3、F8、F13均呈现长条状的沟谷,以F3尤为明显。

(3)东西向线性构造。该组断裂在研究区仅发现2条,F6及 F9。其中F6影像特征同F4,周边岩层有明显的山脊错断。F9在影像上呈现出大的沟谷。

(4)正北向线性构造。F5是本次解译出的最大构造,呈长条状,长约4km,影像特征很明显,水系呈直线状。

3.2 古河道解译标志的建立与分析

(1)古河道在图像上的形状特征。

古河道在图像上反映的形状与其自身形状一致,呈现蜿蜒曲折的线状特征,宽窄不一,甚至与周边坑塘、湖泊相连,因此以古河道流域来表述。

(2)古河道在图像上的色调特征。

由于古河道已淹没在地面以下,反映在图像上的是覆盖在古河道以上地物的电磁波谱辐射特征。从而形成了识别古河道的间接判读标志,受工作区自然环境的影响,几乎没有植被发育,古河道的间接判读标志主要为土壤,其原因是古河道的存在影响了其上地表土壤的某些物理特性,造成了与周围土壤辐射特征的差异,与正常地区相比,土壤颜色呈浅色调。

根据上述判读标志,判读出该地区古河道分布(图4矩形框范围内),从图4上看,古河道所处区域地势低洼,数百条间歇性河流交汇于此,呈东西向分布,因未经过实地验证,只能称其为古河道异常。异常区EW长约11.25 km,NS宽约8.6 km,总面积约96.7 km2。

4小结

本次工作主要利用ENVI 4.2、Erdas及MapGIS软件,在1∶5万地形地质图的基础上,对纳米比亚某地区的Aster数据进行解读处理及分析,建立相应的解译标志,提取其岩性、构造及古河道区域信息。由于本次工作是进行1∶5万遥感影像图的解译,同时又有1∶5万的地形地质图做基础,在数据的处理中(几何校正、图像配准)较精确,更利于精确的解译。本次工作借助Google Earth软件对岩性和古河道进行目视解译,了解到该区域岩性的大体分布及古河道的大致走向,与本文中分析的较吻合。

参考文献

[1]赵玲,王核,刘建平,任广利.西昆仑地区恰尔隆、大同一带ETM遥感影像构造解译[J].大地构造与成矿学,2008,32(4):470-474.

[2]张焱,陈清,何丽娟.基于ENVI4.2的遥感图像分析处理[J].软件导刊,2008,7(6).

[3]姬俊虎.新疆维族自治区库米什——伊热大阪地区ETM遥感图像处理及信息提取[Z].中南大学地学与环境工程学院,2002.

影像提取 篇5

近年来, 随着社会经济的快速发展, 城市化进程进一步加快, 谋求城市与环境协调发展, 已经成为城市发展的方向[1]。在城市建设的整体格局上, 开始从城市局部的环境绿化, 发展到整体生态城市的建设, 城市的可持续发展理念越来越受到重视。为了实现这一目标, 需要努力探索城市空间内绿地的生态质量和景观布局、绿地功能与城市功能布局之间的关系, 以寻求在有限的城市空间内实现城市绿地的最大生态效益。应用高分辨率卫星影像研究城市绿地类型、分布和结构, 可以城市绿地系统规划、改善城市生态质量提供参考, 因此具有重要的理论与现实意义[2]。

2 遥感影像预处理

遥感影像预处理过程主要包括数据格式转换、影像校正、图像增强等步骤。数据格式转换使得影像数据纳入统一的数据空间和格式。影像纠正时采用GPS实测控制点, 坐标系统为哈尔滨市城市坐标系, 采用RPC纠正模型和双线性内插法对遥感影像进行正射纠正。图像增强主要包括图像色彩增强、图像边缘增强、图像滤波等过程。保证图像在保持原光谱信息和空间信息的基础上, 色彩明亮, 边缘清晰、纹理清楚。

3 城市绿地信息解译

根据城市绿地特点, 在对Quick Bird图像进行目标信息增强处理的基础上, 针对分类方案对各种绿地类型分别建立了解译标志[3]。一般地, 不同的地物类型具有不同的解译标志。对城市绿地而言, 影响波谱反射率的主要因素是叶绿素对波谱的反射与接收, 除部分阴影的干扰外, 其它因素对各类绿地的影像特征影响较小。成像时间不同, 亦即季节的不同, 而季节的差异是各类绿地是否茂盛的关键因素。在绿地遥感调查中, 为了保证各类绿地尽可能多地在遥感图像上得到显现, 采用了8月的卫星数据。这是树木花草较茂盛、植被发育较好的时期;实验区落叶林较少, 绿地基本上能在遥感图像上得到反映。因此, 从成像时间考虑, 使用Quick Bird数据可以满足园林绿化遥感调查的要求。

3.1 Quick Bird绿地信息分类预处理

地物信息分类是遥感影像处理中的重要环节, 对于研究区的绿地信息提取, 本文利用ERDAS IMAGINE图像处理软件中分类模块的监督分类功能对Quick Bird影像进行分类。首先确定两类影像的地物类别和分类模板, 对模板进行比较评价, 执行监督分类, 生成分类结果图, 然后提取了影像研究区的绿地信息评价比较图像的分类精度。监督分类主要有以下几个步骤:建立模板、评价模板、确定初步分类图、检验分类结果、分类后处理和分类特征统计。

3.2 基于最大似然法的影像分类

目前在基于遥感的自动分类应用中有基于传统统计参数型分类方法和基于学习的非参数型分类方法两种类型[4], 用得较多的是传统的基于统计的模式识别分类方法, 诸如最小距离法、平行六面体法、最大似然法、混合距离法 (ISOMIX) 、循环集群法 (ISODATA) 等监督分类法。最大似然判别分类是根据有关概率判决函数的贝叶斯准则对遥感图像进行的识别分类, 是至今应用最广的监督分类方法, 又称为贝叶斯判别法。这种方法是以归属某类的概率最大或错分损失最小为原则进行的判别。

4 绿地分类及统计

按照城市绿地分类标准对绿地进行分类, 绿地分类包括:附属绿地、公园绿地、生产绿地、防护绿地及其它绿地。根据绿地分类定义统计哈尔滨市各区、各分类面积, 统计表见表1。从表中可以看出, 哈尔滨市绿地分布, 以附属绿地、公园绿地为主, 而生产绿地、防护绿地所占比例很少。根据各区绿地面积及建成区面积比, 计算各区绿化覆盖率, 可以看出松北区, 道里区的绿地覆盖率最高, 而呼兰区、道外区较低, 这与事实是相符的。因为松北区拥有太阳岛风景区、东北虎林园等大型绿地;道里区的群力新区新建公园、小区绿地覆盖率较高。呼兰区、道外区、平房区, 建筑密度较大, 绿地面积较少。

5 结束语

本文以哈尔滨市Quick Bird影像作为信息源, 尝试应用遥感技术来研究城市绿地, 对哈尔滨市区影像数据进行分类研究, 哈尔滨市绿地分布, 以附属绿地、公园绿地为主, 而生产绿地、防护绿地所占比例较少。从各区绿地建设情况来看, 松北区, 道里区的绿地覆盖率最高, 而呼兰区、道外区较低。因此, 应当加强多样化的绿地建设, 提高景观效果。

参考文献

[1]张秋菊, 傅博杰, 陈利顶.关于景观格局演变研究的几个问题[J].地理科学, 2003, 23 (3) :264-270.[1]张秋菊, 傅博杰, 陈利顶.关于景观格局演变研究的几个问题[J].地理科学, 2003, 23 (3) :264-270.

[2]马严, 张斌, 城市景观格局与城市可持续发展[J].浙江师范大学学报, 2003, 26 (3) :293-296.[2]马严, 张斌, 城市景观格局与城市可持续发展[J].浙江师范大学学报, 2003, 26 (3) :293-296.

[3]宣勇, 谢炳庚, 姜端午.高分辨率遥感数据在城市绿化调查中的应用[J].国土资源科技管理, 2004, 01:74-77.[3]宣勇, 谢炳庚, 姜端午.高分辨率遥感数据在城市绿化调查中的应用[J].国土资源科技管理, 2004, 01:74-77.

影像提取 篇6

关键词：遥感,信息提取,数据源

引言

遥感是20世纪60年代发展起来的综合性对地观测技术, 它的产生和发展是人们认识和探索自然界的客观需要[1]。它拓展了人眼观察的光谱范围, 大大提高了数据获取的空间详细程度, 可应用于军事、农业、林业、地矿、水利和环保等领域。但通过遥感器观测的遥感数据, 由于受到太阳和大气等条件的影响, 必须经过人工判读或计算机处理, 才能最终应用于各种领域。本文综述了基于遥感影像提取地物信息的方法, 并列举一些应用实例。

一、多源遥感数据概述

遥感技术作为一种准确、客观、及时获取宏观信息的手段, 在城市规划、土地利用监测、农业、林业以及自然灾害预报等方面越来越得到广泛的重视和应用[2]。准确选取适当的遥感数据是快速、精确地发现并提取遥感图像中所需信息的前提[3]。地物信息提取常用的遥感图像可以分为以下几类。

1. 多光谱和全色影像。

全色影像具有较高的空间分辨率, 而多光谱图像可以更精细地描述目标光谱。全色图像与多光谱图像融合, 既可以利用全色图像的高分辨改善多光谱图像分辨率, 又可以充分利用多光谱图像中特有的对目标某些独特特征的精细描述, 使融合图像包含更丰富的信息[4]。多光谱影像及融合影像是目前地物信息提取研究的主要信息源。

2. SAR影像。

合成孔径雷达 (synthetic aperture radar, SAR) 是一种主动遥感方式, 与光学遥感相比, 具有全天时、全天候、多波段、多极化工作方式、可变侧视角穿透能力强和高分辨率等特点[5]。SAR影像在水体覆盖区域具有反射值低的特征, 能够与其他地物形成明显的反差, 在研究水体覆盖变化方面具有独特的优势。SAR图像中还含有丰富的纹理结构信息, 不同的地表粗糙度呈现出不同的纹理特征。原始的光谱信息加上纹理信息可以提高影像的精确性, 建立和充分应用基于纹理特征的地物分类及信息提取方法, 将是今后研究高分辨率遥感影像信息提取的方向之一[6,7,8]。

3. 高光谱影像。

高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内, 利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。高光谱遥感数据有更多的波段, 更高的波谱分辨率, 使得高光谱数据在生态领域有更广泛的应用[9,10]。对高光谱数据特征的研究和分析对于准确地获得目标地物的有用信息是极其重要的。

4. 航片。

航空影像数据以其直观、信息量丰富、可读性强等诸多优点, 使它既是基础地理数据产品的重要组成部分, 又是生产或合成其他基础地理数据产品的信息来源与基础。许多学者在城市防震减灾、沟谷侵蚀定量监测以及测绘中都进行了成功应用[11,12]。

二、遥感影像提取地物信息的方法

1. 目视解译。

卫星影像的解译是应用遥感技术的一个关键环节, 目视解译基于专家经验和智能, 是遥感应用的一项很重要的基本功, 它是根据样本的图像特征和空间特征 (形状、大小、阴影、图形、纹理、位置和布局) , 并与多种非遥感信息资料相结合, 运用生物、地学等相关规律, 采用对照分析的方法, 由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程[13,14,15]。目视解译的方法目前在遥感解译中的应用非常普遍。赵兴实等[14]在土壤侵蚀现状调查中, 张芳等[15]在森林资源调查中都运用了遥感影像目视解译的方法。

2. 非监督分类法。

遥感影像的非监督分类也称为聚类或点群分析, 是在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督算法是按照某种相似性准则对样本进行合并或分类, 不需要人工选择训练样本, 仅需极少的人工初始输入, 计算机按一定规则自动地根据像元光谱或空间特征组成集群组, 然后分析者将每个组和参考数据比较, 将其划分到每一类中[16,17]。但由于“同物异谱、异物同谱”等现象的存在, 其结果一般不能令人满意。

3. 监督分类法。

监督分类是在已知类别的训练场地上提取各类别训练样本, 通过选择特征变量、确定判别函数或判别式把影像中的各个像元点划归到各个给定类的分类[17]。监督分类方法由于引入了部分先验知识, 故其分类精度相对于非监督分类算法往往较高, 同时, 算法的稳健性也能得到较大程度地提高[18]。

4. 最大似然法。

最大似然方法通过对研究区域的统计和计算, 得到各个类别的均值和方差等参数, 从而确定一个分类函数, 然后将待分类图像中的每一个像元代入各个类别的分类函数, 将函数返回值最大的类别作为被扫描像元的归属类别, 从而达到分类的效果[19]。最大似然法分类一直受到许多学者的关注, 张亮等[20]将光谱角以概率因子的形式加入到判别函数中构造一种新的判别函数, 有机地将光谱角这一特征信息加入影像分类;吴连喜等[21]将一种改进的最大似然法用于地物识别;陈敬柱等[22]提出了“先主要后次要, 层次化推进原则”, 应用最大似然方法进行植被信息识别提取, 降低了“异质同像”的误判率, 较大程度上避免了“混合像元”的不确定因素, 同时将“混合像元”作为进一步区分不同植被类型的参考依据, 使可解译的植被信息量增加, 取得良好的效果。

三、实例分析

1. 植被信息提取。

遥感技术提取植被信息已经有很长的历史, 遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。由于植被在不同波段内表现出不同的吸收反射特征, 这些特征可以有效地监测出植被的各类信息[23]。丁丽霞等[24]利用TM和SPOT遥感影像, 采用目视解译和图像勾绘的方法, 得出天目山国家级自然保护区毛竹林信息;官凤英等[25]以TM影像为数据源, 应用ERDAS提供的非监督分类、最大似然分类和子象元分类三种方法, 对典型地物进行了分类和精度评价;李敏等[26]讨论了面向对象的高分辨率遥感信息提取的技术, 并从IKONOS影像中提取耕地信息与传统分类方法提取的结果进行了对比。

2. 水体信息提取。

水资源分布的调查与监测是控制水污染和生态保护的前提, 而遥感影像具有监测范围广、获取周期短、地物信息丰富的特点, 对调查与监测水资源分布起着重要的作用[27]。黄海波等应用ASTER遥感影像研究了水体信息提取的方法;遥感影像上陆地和水体的边界线被定义为水边线, 郑宗生等[28]利用遥感信息提取水边线, 可以监测海岸带潮滩的动态变化, 也可以利用不同时相的水边线信息构建潮滩的三维地形模型, 为淤泥质潮滩剖面的研究提供重要的数据保证。

3. 道路信息提取。

从遥感数字影像中自动提取道路之类的线性地物信息是遥感信息提取的难点, 影像上的道路比其他地物更突出, 而且道路成网, 关系明晰, 但实际提取效果并不理想。如何快速、准确地从遥感影像中提取所需信息已成为研究方向[29,30]。

4. 居民地信息提取。

居民地是人类从事生产和生活需要而集聚定居的各种形式的居住场所, 是自然景观和人造景观的综合体[31]。利用遥感影像快速准确地提取居民地信息可以为灾害评估、城镇扩展和环境变化等相关研究提供必要的基础信息[31,32,33,34]。查勇等[32]运用归一化建筑指数, 从TM图像成功提取了无锡市城镇用地信息;杨存建等[33]从对居民地的遥感信息机理分析入手, 分析了居民地在Landsat TM2、TM3、TM4、TM5、TM7等各个波段上与其他地类的可分性;安如等[34]基于光谱特征分析, 建立决策树模型, 进行了居民地信息的自动提取。

5. 其他地物信息提取。

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区域人文信息进行提取[35]。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, 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[35,36]。

结论与展望

随着遥感技术的迅猛发展, 光学、热红外、微波、多光谱、高光谱等大量功能各异的遥感器不断更新换代, 遥感已经越来越多地用作提取局域、区域以及全球尺度土地利用、地面覆盖变化特征以及人文特征的信息源。准确选取适当的遥感数据是快速、精确地发现并提取遥感图像中所需信息的前提。全色与多光谱融合影像由于成本较低是目前地物信息提取的主要数据源, 不同的研究尺度及研究内容在遥感数据选择上各有侧重。

遥感数据的解译是遥感应用的基本方法, 目前采用的解译方法有很多, 各有优势, 但单一方法得到的解译结果往往不能达到满意的效果。因此许多学者同时使用多种方法进行遥感数据解译。戴昌达等[37]利用Landsat TM数据, 采用了图像自动识别分类与目视判读相结合的方法获得城市的面积;陈超等[38]采用目视修改的方法来对监督分类进行补充。

影像提取 篇7

1 预处理

本文的预处理采用影像融合, 随着多种遥感卫星的发射成功, 我们有了许多可利用的多传感器、多时相、多分辨率和多光谱遥感影像。遥感影像的信息提取常常要求把多传感器、多时相、多光谱和多分辨率影像进行融合分析, 以提取感兴趣的信息。

图像融合的定义可描述为:将传感器获取的图像数据预处理后, 采用一定的算法将各图像中所包含的信息有机的结合起来, 以产生新的数据, 来获得对同一事物或目标更客观、更本质的认识。从而大大提高融合图像的信息含量并使其在特征提取、分类、目标识别以及目视效果等方面更为有效。其优点可以归纳如下。

(1) 可靠的数据来源。在有若干传感器不能被利用或受干扰, 或某个目标/事件不在覆盖范围内时, 至少有一种传感器可以提供图像信息。 (2) 增加测量维数, 增加了置信度。利用对同一目标的多波段、多时相、多角度的图像数据可以更全面地揭示目标的本质特性, 提高目标判别结果的可靠性。 (3) 提高了空间分辨率。多传感器孔径可以获得比任何单一传感器更高的图像分辨率。 (4) 信息互补。不同的影像传感器由于其观测能力的片面性, 不能全面的反映地物的整体信息, 将不同类型、不同时相的影像数据进行针对性的融合可以进行信息互补。 (5) 改进了系统的可靠性和可维护性, 且降低了对单个传感器的性能要求。通过实验要求及实验所得效果比较, 采用本文主成份变换融合法对Quickbird全色和多光谱图像进行融合。

2 建筑物特征选择

建筑物特征选择与提取是在影像分割得到多边形对象基础上进行的, 通过分割得到多边形对象并不是最终目的, 而是为后续分类提供更多的描述特征, 参与影像分类的因子不仅包括对象的光谱信息, 还有对象的纹理、形状、拓扑、语义等信息, 但并不是特征越多, 效果越好, 特征提取也是研究的关键。由此, 本节重点定量化描述了这些特征, 并介绍了特征提取的策略, 同时提出并解决了特征选择与提取实现中的关键问题。影像对象包含了丰富的特征信息, 它主要包括光谱、几何、纹理等特征。

2.1 光谱特征

光谱特征是所有描述影像对象与像元灰度值相关特征的集合, 反映对象的光谱信息。它包括影像对象的均值、均方差、亮度、比率等。

2.2 几何特征

影像对象的形状特征反映了对象的几何特征, 形状特征是所有描述影像对象本身形状特征的集合, 反映对象的形状方面的信息。它是在提取区域边界点的基础上形成的, 计算形状特征的理论基础是根据矢量化后各点的坐标组成的协方差矩阵, 即:

其中, X和Y分别是该对象的所有像元坐标 (x, y) 组成的矢量, var (x) , var (y) 分别是X和Y的方差, cov (XY) 是X, Y之间的协方差。

2.3 纹理特征

纹理在遥感影像分类中占有重要地位, 描述纹理最常用的方法有灰度共生矩阵 (GreyLevel Concurrence Matix, GLC-M) 。通过分析与实验, 得到建筑物与其他地物对比度较大的有光谱特征和形状特征。所以本文将从光谱特征和形状特征中选择特征参数进行提取建筑物外形。

3 建筑物外形初步提取

本文使用基于模糊规则的分类器进行提取建筑物外形。模糊分类器能够较准确地提取所属类别的对象。选择不同地物最优尺度对原始影像分割而成的多尺度影像是进行地物信息有效提取的前提, 它是将固定尺度的影像转换为各种地物对应的尺度影像, 使地物在各自的最佳尺度上显示, 尺度分割只完成了面向对象影像分析的一部分。要想提取出感兴趣的地物就必须要对影像对象进行分类, 研究表明模糊分类器分类影像对象效果较好。一般模糊分类器的设计要考虑以下几方面内容。

(1) 模糊特征空间选择, 即在众多的特征中选择相对独立的特征组成模糊空间。 (2) 模糊分类规则的建立。 (3) 模糊集隶属函数 (Member ship Funetion) 的选择及参数调节。

例如水体的提取可以通过下面的表达式来建立模糊规则:

但是在面向对象分类时, 经常出现有些类别不能由单条模糊规则进行有效区别。如河流的分类则不仅需要近红外波段低反射值条件还需要形状特征length/width来区分河流和其他的水域, length/width值越大, 对象越呈线状, 因此水域属于河流。多条件规则表达式的建立需要表示逻辑的“and”、“or”、“not”等连接, 如下河流提取表达式:

这样的分类器一方面可以完成非常复杂的分类任务;另一方面也使得分类过程在细节方面透明、可调节。

4 实验

本实验应用Erdas做影像融合, Ecogni tion实现分割提取, Matlab优化提取结果。首先应用主成份变换进行融合, 然后对融合后的影像进行多尺度分割。本实验在进行多尺度影像分割之前, 充分考虑了以下几点: (1) 分割过程应该生成高度同质的分割区域, 分割后的小区域具有最优的可分离性与代表性。 (2) 由于影像分析问题与给定尺度遥感数据的空间结构有关系, 那么分割后对象的平均大小必须与建筑物的尺度大小相适宜。 (3) 分割过程应该具有普遍性, 能适用于多种不同类型的数据与问题;分割成果应该具有再生性等。由于实验数据只有四个波段, 所以它们将都参与分割, 将权重都设置为1。由于建筑物的特殊性选择异质性尺度为50, 同质性的颜色因子和形状因子各取0.5, 紧凑度和光滑度也各取0.5, 进行分割。

融合后的影像被分割成不同的多边形对象, 如何将属于建筑物的对象提取出来呢?这就需要分析研究建筑物的特征。首先建筑物的亮度值在 (150.5, 184) , 把这个范围内的地物提取出来形成建筑物的候选区。在候选区中我们发现主要是建筑物和道路两种地物, 经过反复实验, 区别这两种地物的主要特征是形状特征。在形状特征中, 由于建筑物的几何特征, 本实验首先选择“矩形匹配”特征;其次根据道路的形状特征, 选择“最大方向”特征。所谓的“最大方向”特征是指影像对象的空间分布协方差矩阵中最大特征向量的方向特征。根据这两个特征进一步提取, 建筑物外形就基本显现出来了。但是由于图像的光谱范围、建筑物自身附带的其他人造目标 (如太阳能热水器) 等因素影像, 提取出来的建筑物外形并不是规则形状。所以下一步就要进行外形优化。

本实验设计了一个方向为26°, 大小9×9的结构元素进行形态学开运算, 优化建筑物外形。根据本文提出的方法进行编程和实验, 得到的结果图如图1。

5 结语

面向对象信息提取是以对象为基本单位来进行的, 其关键步骤有两个:多尺度影像分割 (对象生成) 和影像信息提取。其中分割 (对象生成) 是面向对象信息提取方法的基础, 分割结果的好坏直接关系到后续信息提取结果的精度。本文提出的面向对象的建筑物外形提取基本思路是:预处理→多尺度分割→建筑物特征选择→初步提取→优化外形。

参考文献

[1]唐亮, 谢维信, 等.直线Snakes及其在建筑物提取中的应用[J].西安电子科技大报, 2005, 32 (1) :60-65.

[2]宋文涛.基于数字摄影测量的DOM制作与应用研究[J].测绘通报, 2010 (2) .

[3]杜金莉.正射影像图的制作与应用研究[J].测绘通报, 2009 (24) .

[4]胡海驹.SPOT-5卫星DOM制作的质量控制研究[J].测绘通报, 2008 (20) .

影像提取 篇8

目前的国内外研究中,遥感影像提取水体的主要研究主要集中在特征提取和水体提取算法两个方面。合适的特征对正确的从遥感影像提取水体至关重要,目前在水体提取中研究的侧重点为水体特征的研究主要包括:

1)光谱特征:遥感影像获取的原始信息进行辐射定标、大气校正后的结果,是水体提取过程中最基本的特征,大部分水体提取过程中均会使用光谱特征。总体上来说,水体在蓝绿两波段上呈现反射特性,在近红外波段上呈现吸收的特性。根据水体和背景像素的光谱反射率差异,得到基于规则的方法得到影像中的水体,或使用光谱反射率作为特征训练分类器如支持向量机(SVM)[4],对影像进行二值分类得到水体和非水体信息。

2)水体指数:通过分析不同地物对遥感影像波段的响应情况对波段进行组合、代数运算,从而增强水体信息,并抑制其他地物信息。常见的水体指数有:NDWI[5],MNDWI[6],AEWI[7],HRWI[4]等。

3)纹理特征:使用纹理特征或纹理特征与光谱的结合,提取水体信息。文献[8]在水体提取问题上提出了方向方差算子和纹理表相结合的多纹理特征结合的水体提取算法,在高分辨率灰度影像的实验上得到了很好的提取结果。文献[9]比较了仅使用颜色特征和颜色特征加灰度共生矩阵角二阶矩特征的提取效果,实验表明,增加纹理特征后,提取结果有了很大的提高。

4)颜色特征:对影像的红绿蓝波段反射率进行颜色空间变化如HIS变换、CIELAB变换等,利用变化后的颜色空间特征作为水体提取的特征。文献[10]研究了HIS变换后的色调(H)、饱和度(S)和亮度(I),对高分辨率遥感影像进行水体提取。文献[9]通过CIELAB变换,使用亮度分量(L)进行分割,并使用颜色分量(a和b)和亮度分量的纹理特征构成特征向量提取航空影像上的水体。

5)形状特征:通过分割的方式得到对象,提取对象的形状特征,利用水体和非水体对象在形状特征上的差异,提取影像中的水体对象。文献[11]使用紧致度(Compactness)、主要点(Critical points)和对称性(Symmetry)三个形状特征成功区分了影像中的阴影和水体。

目前研究中,一般水体提取方法仅使用以上一类或两类特征,然而,由于地表水体的复杂性,以上一种或两种特征的结合并不能很好的从影像中提取水体信息。首先,“同物异谱”导致同样的水体可能具有不同的光谱、水体指数、颜色特征,而“同谱异物”现象使得水体和背景信息在这些特征上存在混淆。其次,一般的纹理特征在计算时需要进行取窗口的操作,在水体边缘上的纹理信息会产出模糊的现象,无法完全反映水体的特点。最后,自然界中的水体往往具有不确定的形状,因此,很多情况下形状特征无法准确区分水体和背景地物。针对以上问题,本文提出一种基于光谱-空间特征的遥感影像水体提取算法,结合了光谱、水体指数、像元长度指数和面积特征,多种类型特征的结合更好的描述了遥感影像上水体的特征,鲁棒地提取遥感影像中的水体信息。

1基于光谱-空间特征的水体提取算法

本文方法使用了光谱、水体指数、像元长度特征和面积特征,通过结合光谱和空间特征,一方面减轻了“同物异谱”和“同谱异物”问题对水体和非水体像素的影响,另一方面引入的像元长度特征综合影像中像素的局部结构特征,有效的反映了像元邻域内的相似性,且避免了求取纹理特征时滑动窗口操作可能产生的问题。本文方法总体上可以分为两个部分,第一部分使用双阈值分割去除影像中的大部分非水体像素,第二部分将第一步得到的水体待选像素聚集成水体待选对象,并使用面积特征和水体指数去除非水体对象,最后对得到的水体对象进行区域生长,得到精确的水体边界信息。方法的整体流程如图1所示。

1.1辐射定标

首先对遥感影像进行辐射定标预处理,根据公式(1)将卫星各载荷的通道观测技术值DN转换为卫星载荷入瞳处等效表观辐射亮度:

式中:Gain为定标斜距;DN为卫星载荷观测值;Bias为定标截距,单位为;以上参数均由实际卫星数据给出;

再根据如下公式,得到大气顶端的表观辐射量:

其中,L为上一步得到的入瞳处的表观辐射量,d为年积日即影像获取时间为一年中的第几天,θ为太阳高度角,以上数据可从影像的元数据获得,ESUN为太阳表观辐射率均值,不同的卫星传感器会给定相应的取值。

1.2基于光谱-空间特征的双阈值分割

本步骤的目标为结合光谱和像元的局部结构特征通过两步阈值分割处理,去除不符合要求的非水体像素。水体指数从光谱的角度反映了水体和非水体像素的差异,其取值范围为[-1,1],水体的ND-WI取值一般为正,且取值越大该像素为水体的可能性也越大,水体指数的计算公式如下所示:

其中,green为遥感影像上的绿波段,NIR为近红外波段的辐射量;

其次,本文引入像元长度指数(Pixel Length Index,PLI),衡量水体内部的相似性。像元长度指数是像元结构特征集合[13](Structural Feature Set,SFS)中的一种特征,该特征考虑了相邻像元的相似性,综合了像素间的上下文信息,具有减少同质性区域的噪声和光谱变化的特性。像元长度特征反映了像元在其邻域内相似性的最大值。由于同一水体对象内部的光谱差异较小,且不同水体对象之间的形态差异较大,使用像元长度指数既可以反映影像内部水体之间的相似性,也减小了水体对象形态差异造成的像元结构差异。

在获得影像的像元长度指数时,为了加大水体之间的相似性,以及水体和非水体之间的差异性,本文使用拉伸后的水体指数SNDWI(Stretched NDWI)特征计算像元长度指数。由公式得到水体指数特征(NDWI),并根据公式(4)进行拉伸。

使用SNDWI得到的光谱相似性测度为下式:

其中,phi表示第i个方向线上中心像素和邻域像素之间的异质性,Psncen为中心像素的SNDWI特征,Psncen为邻域像素的SNDWI特征。

对预处理后的影像数据提取水体指数和像元长度指数,通过双阈值分割,得到水体待选像素,具体步骤如下所示:首先,对影像的SNDWI特征计算得到的像元长度特征使用给定阈值进行二值化,从像元的局部相似性,排除了影像中大量的非水体像素。获得上步中通过阈值分割的像素的NDWI特征值,使用大津法对其进行阈值分割,利用水体和非水体像素在水体指数上的差异进一步排除影像中的非水体像素。

1.3基于双阈值分割结果的水体对象提取

经过上一步的处理,得到了通过光谱和空间特征约束的像素的二值结果。首先,根据二值图上像素的连通性,将8邻域内相邻的连接像素聚集为对象,生成水体待选对象。

根据聚集的水体对象的面积进行阈值分割,给定面积阈值,若对象的面积大于给定的阈值则认为该对象为大面积水体待选对象,否则将其作为小面积水体待选对象。给定一个较大的面积阈值,如10000,则得到的大面积水体待选对象为面积很大的平滑区域,且具有较高的NDWI值。由于遥感影像上存在面积大且水体指数高的弱纹理非水体地物概率非常小,故接受大面积水体待选对象为大面积水体对象。而由于小面积的对象中含有背景地物的概率较高,故对小面积水体待选对象将进行进一步的处理以排除背景地物。

获得小面积水体待选对象覆盖范围内所有像素的NDWI特征,根据其直方图形状使用峰谷的方法(peak-and-valley method)获得阈值再一次进行阈值分割。为了减小分割时的漏检率,因此选择最左边的谷点对应的NDWI值作为分割的阈值。判断直方图上峰谷的方式为:

1)如果pn≥pn+1&pn≥pn-1,则为直方图上的峰值;

2)如果pn≥pn+1&pn≥pn-1,则为直方图上的谷值;

其中,pn表示直方图上n位置对应的频率。

然而,由上述条件得到的结果往往会包含较多的伪峰和伪谷,因此,通过对直方图进行核函数估计(Kerneldensityestimation,KDE)得到平滑后的概率密度曲线(直方图),从平滑后的结果中提取出峰值和谷值。核函数密度估计是非参数的估计随机变量概率密度函数的一种方法,常被从来实现数据平滑的目的。其计算公式如下所示:

其中,Kh(·)为核函数,本文使用高斯核函数。图2给出了经过第一步处理后剩余像素的NDWI直方图,以及对该直方图进行核函数估计的结果。从图中可以看出,蓝色部分的直方图中存在伪峰值,而平滑后的概率密度曲线上不存在伪峰值,因此,使用平滑后的结果可以得到正确的阈值。

如果概率密度估计得到的结果中不包含谷值点,则说明经过第一步的处理后,剩下的小面积水体待选对象中不包含非水体像素,则不对其进行进一步的阈值分割。

由以上两步可以看出,本文方法旨在对大面积的水体使用较小的NDWI阈值进行分割,而对面积较小的水体使用较高的NDWI阈值分割,并且在使用PLI进行阈值分割时去除了大量的与水体具有类似NDWI取值的背景像素。

由于水体边缘像素的PLI和NDWI特征比水体中心像素小,故在上述处理中可能被错误的去除,因此,在得到水体对象后,通过区域生长的方式得到更精确的水体边界。将所有水体边缘像素加入种子点堆栈,若种子点边缘像素与其邻域像素之间异质性测度小于给定阈值,则认为该邻域像素为水体,并将其加入种子点堆栈,重复进行上述操作直到所有种子点均被处理完成。这里使用的异质性测度为光谱角,因为该特征综合考虑了影像的所有光谱特征,计算公式如(7)所示,给定的阈值为thsa。

其中,SA(x,y)表示光谱向量之间的光谱角,xi和yi分别表示种子点像素和邻域像素在i波段上的光谱反射率,n表示影像的波段个数。对于具有可见光和近红外四个波段的高分辨率遥感影像来说,x和y均为四波段波谱反射率组成的四维向量。

2实验与结果

本文使用两幅高分一号卫星的8米分辨率多光谱影像进行水体提取实验。高分一号卫星是我国高分辨率对地观测系统重大专项的第一个卫星,具有重要的战略意义和地位。其8m分辨率的多光谱卫星有近红外和可见光四个波段,重访周期为4d,具有较高空间分辨率和较短的回访周期的特点,因此,具有较高的应用价值。本文使用两幅高分一号数据进行实验,通过对比人工勾选的水体提取结果定性和定量的比较了本文提取方法与使用光谱特征的支持向量机(典型的水体提取方法)的提取结果。

本文使用如下方法进行定量的精度评点:对比参考影像使用混淆矩阵统计,得到正确提取的水体像素(TP),错误提取的水体像素(FP),正确提取的非水体像素(TN),错误提取的非水体像素(FN),四类的像素个数。使用统计结果得到水体的生产者精度PA=TP/(TP+FN),生产者精度反映了水体的漏检率,使用者精度UA=TP/(TP+FP),使用者精度反映了水体的误检率,总体精度OA=(TP+TN)/N,其中N为影像中的像素总体个数和kappa系数(如式(8)所示)。

图3(a)显示了本文实验中所用的第一幅影像(影像一),图3(b)显示了相应的参考水体掩膜。影像一相幅大小为4548*4500,经度范围为120.0874度到120.5829度,纬度范围为40.0612度到40.4397度。从影像中可以看出大面积水体的光谱特征并不统一,其大部分面积呈蓝色,水体左下角颜色变深,并且在水体内部可以看到条纹状的差异。影像中的背景地物主要由黄色的裸地、深色山体和亮建筑物组成。

图4给出了使用SVM和本文方法提取的结果,表1给出了影像一提取结果的定量评价。从提取结果中可以看出,两种方法均较好的提取出了遥感影像中的水体,本文方法得到的大面积水体更为完整,小面积的误提取更少。从定量的结果可以看出,本文方法在四个指标上均优于SVM的提取结果。其中,使用者精度提高了约3%,说明本文方法极大的减小了误检情况的发生。

图5(a)显示了本文实验中所用的第二幅影像(影像二),图5(b)为其相应的参考水体掩膜。影像二相幅大小为4548*4500,经度范围为120.1701度到120.6267度,纬度范围为39.1023度到30.4952度。从影像中可以看出,大面积的水体本身的光谱发生了较大的变化,左下方主要呈现蓝色,而右上方呈现绿色,说明右上方的水体在红波段的反射率较高。不仅如此,影像中存在小面积的暗水体。影像二的背景信息复杂,既包括亮建筑物,也包括暗建筑物,还存在较多的植被、裸地以及阴影信息。

图6给出了SVM和本文方法对影像二的提取结果,表2给出了定量的精度评价结果。与人工勾选的参考影像相比可以看出,SVM和本文方法均有效提取出了影像中的主要水体信息,且在小面积水体上均存在一定的误检问题,但整体上本文方法得到的结果更为完整,且误检的像素更少。从定量评价的角度可以看出,本文的生产者精度比SVM高约10%,使用者精度高约13.5%,整体精度高2.3%,因此,使用本文方法较好的提高了水体的提取精度。

从总体上了来说,本文方法的提取精度均高于SVM的提取精度,多种特征的结合以及像元长度指数的引入,有效的提高了本文方法在大面积水体提取结果上的完整度,且有效的去除了小面积的噪声。不仅如此,SVM为监督分类方法,使用该方法进行水体提取时,需要人工选择训练样本,并通过多次实验选取合适的参数。而本文方法为自动提取方法,计算速度快。

3结束语

针对目前遥感影像水体提取中使用的特征存在的多种问题,本文提出了一种基于光谱-空间特征的遥感影像水体提取算法。本文方法结合像元长度指数、光谱指数以及对象的面积特征,从光谱和空间特征的角度区分影像中的水体和非水体像素。通过两幅高分一号数据,定性和定量的比较了本文方法的有效性。从总体上来说,本文方法能够高效自动化的提取遥感影像上的水体。

参考文献

[1]Du Z,Linghu B,Ling F,et al.Estimating surface water area changes using time-series Landsat data in the Qingjiang River Basin,China[J].Journal of Applied Remote Sensing,2012,6(1):063609-063609.

[2]Sun F,Sun W,Chen J,et al.Comparison and improvement of methods for identifying waterbodies in remotely sensed im agery[J].International journal of remote sensing,2012,33(21):6854-6875.

[3]Gessner M O,Hinkelmann R,Nützmann G,et al.Urban water interfaces[J].Journal of Hydrology,2014,514:226-232.

[4]Yao F,Wang C,Dong D,et al.High-Resolution Mapping of Urban Surface Water Using ZY-3 Multi-Spectral Imagery[J].Remote Sensing,2015,7(9):12336-12355.

[5]Mc Feeters S K.The use of the Normalized Difference Water Index(NDWI)in the delineation of open water features[J].In ternational journal of remote sensing,1996,17(7):1425-1432.

[6]Xu H.Modification of normalised difference water index(NDWI)to enhance open water features in remotely sensed imagery[J].International Journal of Remote Sensing,2006,27(14):3025-3033.

[7]Feyisa G L,Meilby H,Fensholt R,et al.Automated Water Ex traction Index:A new technique for surface water mapping us ing Landsat imagery[J].Remote Sensing of Environment,2014,140:23-35.

[8]Wang H,Pan L,Zheng H.Multi-texture-model for water ex traction based on remote sensing image[C]//Image and Signal Processing,2008.CISP'08.Congress o n.IEEE,3:710-714.

[9]Zhao M,Zhang Y,Shang H,et al.Water Area Extraction from RGB Aerophotograph Based on Chromatic and Textural Analysis[C]//GEOProcessing 2011,The Third International Conference on Advanced Geographic Information Systems,Applications,and Services:46-52.

[10]柳稼航.基于视觉特征的高分辨率光学遥感影像目标识别与提取技术研究[D].上海交通大学,2011.

[11]Li B,Zhang H,Xu F.Water extraction in high resolution re mote sensing image based on hierarchical spectrum and shape features[C]//IOP Conference Series:Earth and Environmental Science.IOP Publishing,2014,17(1):012123.