对象提取（精选4篇）
对象提取 篇1
摘要：面向对象的影像分割技术是信息提取方法的核心之一, 分割效果直接影响到信息提取的质量。本文对分割参数的选择进行了大量的实验研究, 提出将纹理信息和边缘检测信息加入到分割过程中的新方法。实验表明, 该方法有效避免了分割结果过于破碎的现象, 有利于边缘点多且较为复杂的影像地物的分割。得到的分割结果边缘连续, 很好地解决了“椒盐噪声”对信息提取结果 的影响。
关键词：面向对象,影像分割,纹理滤波,边缘检测
0 引言
当前智慧城市建设如火如荼, 其发展离不开基础数据的支撑。遥感影像分割技术作为信息提取的核心之一, 对信息提取的质量具有决定性意义。遥感影像信息量丰富, 地物形状结构复杂多样, 是影像分割过程中需要克服的难点。
面向对象影像分割有两个主要影响因素:分割尺度和分割参数。分割尺度决定生成影像对象的图斑大小。影像的分辨率差具有不连续性, 存在一定的阶梯类型现象, 不同类别的地物需要选择不同的分割尺度。传统影像分割技术主要依靠影像的光谱信息, 面向对象影像分割过程中, 除可以设置光谱因子、形状因子外, 还可以加入纹理、DEM等作为专题信息, 从而生成高同质性的影像图斑对象。为提高影像分割的质量, 本文提出将纹理信息和边缘检测信息作为专题, 参与面向对象影像分割的方法。
1 纹理信息提取
为获取较好的纹理信息, 本文在纹理信息提取过程中进行了大量的实验对比:一是对比五种纹理概率统计滤波与8种二阶概率统计滤波的提取效果, 并确定二阶概率统计滤波效果更好;二是分别选用3×3, 5×5以及7×7的窗口提取纹理滤波, 对比提取结果发现窗口大小为3×3时效果最好;三是对比二阶概率统计的8个纹理滤波, 并分别参与影像分割, 结果显示相关性 (Correlation) 纹理滤波参与分割的效果最佳。图1为分割结果。
从实验结果来看, 加入非相似性、同质度、方差以及对比度等纹理信息, 显示的分割结果特别破碎。而加入相关性纹理信息后分割效果相比不加纹理的分割效果有明显提高, 尤其是房屋的完整性及边缘分割效果非常好。
2 影像分割试验
利用canny算法对遥感影像的边缘进行检测, 不仅可以有效抑制非边缘信息的干扰, 而且还可以尽量定位到边缘的中心位置, 故而得到的边缘检测结果精度较高。将边缘检测的结果作为专题层参与影像分割, 对建筑物等边缘较为敏感的地物具有突出优势。
2.1 基本参数设置
本文采用面向对象的多尺度分割算法, 基于异质性最小原则进行区域合并。异质性指混合光谱 (标准偏差) 和形状 (紧致度和光滑度的偏差) 的异质性, 即以光谱度、光滑度、紧密度异质性最小为原则执行分割。影像对象的异质性计算公式如下:
光谱异质性计算公式为:
其中nObj1, nObj2, σcObj1, σcObj2为相邻区域的面积和方差, σc为像元内部象元值的标准差, wc为参与分割合并波段权重。
形状因子的平滑度 (hsmooth) 和紧密度 (hcompact) 的计算公式如下:
2.2 影像分割
本文将基本分割参数设置为尺度50, 形状因子0.3, 紧致度因子0.4, 并在此基础上添加边缘和纹理专题执行分割, 图2为分割效果的对比。
对比分析图2的分割结果看到, 只利用光谱信息参与分割, 会产生地物类别的混分现象, 不同性质的地块因为亮度值相似而被合并为一个影像多边形对象。而加入纹理和边缘专题后, 生成的多边形对象同质度较高, 且边缘清晰、完整, 使得分割效果有了非常明显的改善。
3 建筑物信息提取实验
本文选取了沈阳市和平区一块大小为2345pixel×2345pixel的IKONOS高分辨率遥感影像作为数据源。该影像拍摄于2010年, 其全色波段的空间分辨率为1m, 多光谱波段为4m。实验基于前面阐述的分割方法对影像进行分割, 然后针对建筑物的特征建立了知识规则, 并对影像中的建筑物信息进行了提取, 提取结果如图3所示。
图3为提取建筑物信息后叠加在原始影像上的结果, 红色部分为提取的建筑物信息。叠加结果显示:建筑物整体提取效果很好, 提取信息与原始影像中建筑物的大小、形状、位置基本吻合。
4 结论与展望
多尺度分割技术是面向对象分类方法的关键, 信息提取结果的好坏在很大程度上由前期影像分割结果的质量决定。就目前国内外的研究成果而言, 尚未形成最优分割参数的一致评价标准, 只能依靠进行大量的实验。
本文提出的将纹理和边缘检测结果作为专题层参与分割的方法, 大大降低了影像对象的异质性, 提高了影像分割的整体效果, 从根本上改善了建筑物信息提取的质量。面向对象多尺度分割过程中, 各参数的权重系数也是一个很重要的影响因子, 这也是下一步需要重点研究的内容。
参考文献
[1]CHEN Jianyu, PAN Delu, MAO zhihua.Optimum segmentation of simple objects in high-resolution remote sensing imagery in coastal areas[J].Science in china Series D:Earth Sciences, 2006, 49 (11) :1195-1203.
[2]孙晓霞, 张继贤, 刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学, 2006, 31 (01) :62-63.
[3]Haralick R M.Statistical and Structural Approaches to Texture[J].Proceeding of the IEEE, 1979, (67) :768-804.
[4]张俊, 朱国龙, 李妍.面向对象高分辨率影像信息提取中的尺度效应及最优尺度研究[J].测绘科学, 2011, 36 (2) :107-109.
[5]Baatz M, Schape A.Multi-resolution Segmentation:An Optimization Approach for High Quality Multi-scale Image Segmentation[C].Information sverarbeitung XⅡ, 2000, (6) :12-23.
[6]Canny J.A Computational Approach to Edge Detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8 (6) :679-698.
[7]陈云浩, 冯通, 史培军等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报 (信息科学版) , 2006, 31 (4) :316-320.
对象提取 篇2
过去40年间遥感技术有了长足的发展, 具备了高光谱分辨率、高时间分辨率、高空间分辨率、多传感器、多平台、多角度对地观测能力, 已经形成了三多和三高的发展局面。2008年9月6日, 美国从范登堡空军基地发射了“地球之眼”-1 (GeoEye-1) 多光谱成像卫星。该卫星由“地球之眼”商业成像卫星公司研制, 可提供分辨率为0.41m的黑白卫星图像和分辨率为1.65m的多光谱卫星图像, 同时可提供被侦察目标的误差小于3m的定位信息。地球之眼-1是当今世界上能力最强、分辨率和精确度最高的商业成像卫星。
一方面是我们获得的遥感图片分辨率越来越高, 另一方面是人们对遥感信息的认识和利用程度远远落后于遥感信息获取的速度, 造成大量资源的严重浪费, 但据统计, 人们用到的遥感信息仅占全部获取信息的5 %左右, 而深层次的信息开发更少, 这个事实极大地限制了遥感技术实际应用效果[1]。现有的遥感处理软件大都采用传统的基于像元与统计分析的分类方法, 主要包括监督分类和非监督分类。
监督分类是一种常用的精度较高的统计判决分类, 在已知类别的训练场地上提取各类训练样本, 通过选择特征变量、确定判别函数或判别规则, 从而把图像中的各个像元点划归到各个给定类的分类方法[2]。非监督分类是在没有先验类别知识的情况下, 根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理。
以上这些方法适合于多光谱和高光谱分辨率的遥感图像, 对于分析低分辨率遥感图像中的大面积区域变化可能会取得较好的结果。然而, 对于高分辨率的遥感图像, 目标物的形状清晰可见, 图像上地物景观的结构、形状、纹理和细节等信息都非常突出, 而光谱分辨率并不高, 因此, 针对高空间分辨率图像, 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。
面向对象的信息提取方法, 针对的是对象而不是传统意义上的像素, 可以充分利用了对象信息 (色调、形状、纹理、层次) , 类间信息 (与邻近对象、子对象、父对象的相关特征) 。目前关于面向对象的分类平台应用较单一, 多基于德国的Ecognition 软件, 本文基于ENVIZOOM 软件平台对面向对象的分类方法做了有益探索, 为更好的利用地球之眼卫星图片提供参考。
2 实验区及数据源
2.1 地球之眼-1卫星的基本参数设置
地球之眼-1将运行在684km高的太阳同步极地轨道上, 以大约7.5km/s的轨道速度飞行, 每天绕地球12或13圈, 每天都在当地时间上午10:30左右通过给定地区。它将能以0.41m全色分辨率和1.65m多谱段分辨率搜集图像, 而且同样重要的是它还能以3m定位精度精确确定目标的位置。
2.2 实验区域
本文所采用的数据是由GeoEye提供的中国张家界国家森林公园的遥感影像, 研究区域内地形多以山地为主, 景观多为森林。影像数据包括全色和多光谱, 其中全色分辨率为0.5m, 多光谱为2m, 带有各自的rpc参数。
3 理论基础与方法
3.1 影像对象构建
影像对象构建主要用了影像分割技术, 常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法, 这种方法综合遥感图像的光谱特征和形状特征, 计算图像中每个波段的光谱异质性与形状异质性的综合特征值, 然后根据各个波段所占的权重, 计算图像所有波段的加权值, 当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时, 进行重复迭代运算, 直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。
多尺度分割是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的对象中去。在这个聚集过程中, 最优化技术可最小化异质的权重。在每一步骤中相邻的影像对象对, 只要符合定义的异质最小生长的标准就合并, 如果这个最小的扩张超出尺度参数定义的阈值范围, 合并过程就停止。
任何一个影像对象的异质性值f是由4个变量计算而得:wcolor (光谱信息权重) 、wshape (形状信息权重) 、hcolor (光谱异质性值) 、hshape (形状异质性值) 。w是用户定义的权重, 取值于0～1之间:wcolor+wshape=1,
F=w·hcolor+ (1-w) ·hshape。
形状异质性值由两部分组成:紧密度hcmpct和光滑度hsmooth:
Hshape=wcmpc·thcmpct+ (1-wcmpct) ·hsmooth。
3.2 影像对象的分类
面向对象分类技术提供了丰富了对象特征, 在分类的时候, 可以利用丰富的影像特征:影像的对象信息, 如光谱、形状、纹理、层次等;影像对象的上下文信息, 如与邻近对象、子对象、父对象之间的关系等;同时还可以导入、导出专题数据等。
目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和监督分类是有区别的, 它分类时和样本的对比参数更多, 不仅仅是光谱信息, 还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。由于本文所采取的辅助参考数据较少, 研究区域类别较少所以采用监督分类的方法。
4 地球之眼卫星遥感影像分类与信息提取
4.1 地球之眼遥感数据特性评价
4.1.1 直方图评价
对各个波段图像进行灰度值统计, 可以得出如下结论:红外波段变动范围最大。按标准差由高到低, 各波段的排序为波段红外、红、蓝、绿。按其动态范围由高到低, 各波段的排序为波段红外、红、蓝、绿。其信息量由高到低的排序为波段红外、红、蓝、绿。
4.1.2 波段的相关性评价
在大量的遥感图像数据处理中发现, 遥感图像的波段之间具有较强的线性相关性, 尤其相邻波段的线性相关性非常强。波段数据之间这种强线性相关性正是遥感多光谱数据的重要特点之一。
对子图像进行各波段的相关性分析, 公式如下:
其中Rkl为k波段与l波段间的相关系数, Vijl为l波段图像中第i行、j列的像元亮度值, ul为l波段的均值。
从表3中可以看出, 红外波段与波段蓝、绿、红的相关系数均比较低。而波段蓝与绿波段的相关系数最高。其次是绿波段和红波段。再次, 就是红波段和蓝波段。就波段组合而言, 最佳波段组合应为红外、红、蓝。
4.2 影像处理
在进行分类处理之前对影像在erdas中进行预处理, 比如影像的校正、图像光谱增强、影像融合、直方图均衡化等处理, 预处理的主要目的是根据资料及所需要的专题信息设法提高遥感图像的可分性, 使其更利于图像分割及信息提取。
在完成几何校正、噪声消除及图像配准后, 是信息融合过程。通过信息融合, 将大大减少或抑制探测对象或环境解释中可能存在的多义性、不完全性或不确定性, 从而提高遥感图像分割、识别及解译的能力。
数据融合技术一直是近几年国际遥感界研究的热点。将高分辨率遥感影像与多光谱影像进行融合的主要目的是提高多光谱波段的空间分辨率, 增强图像的清晰度和解译能力[3,4]。本研究中, 图像融合方法以ERDAS9.2软件为平台, 对实验区范围内GeoEye全色影像和多光谱影像进行融合处理, 分别采用了主成分分析、乘积法变换、Brovey变换和小波变换4种融合算法融合。
主成分变换, 其算法是将输入波段中共有的信息编制到第一主成分, 再把全色数据拉伸使其和主成分第一分量有着相同的均值和方差, 并把全色数据代替PCT的第一分量进行主成分逆变换完成影像融合。乘积法是一种简单的代数运算, 即将高分辨率波段与多光谱两个灰度矩阵进行矩阵乘积。Brovey变换法是通过归一化后的多光谱波段与高分辨率影像乘积来增强影像的信息[5]。小波变换在空间域上和频率域上同时具有良好的局部化性质, 利用小波变换法可以“聚焦”到对象的任意细节, 从而被誉为“数学显微镜”[6]。影像经小波分解后其频率特性得到了有效分离, 低频部分反映的是影像的整体视觉信息, 各高频成份反映的是影像的细节特征[7]。小波变换的优点是保留了高分辨率影像的高频特性, 使整体融合效果较好, 提高了多光谱影像的空间分辨率, 同时又保持了多光谱影像的光谱信息[8]。
从本次实验的效果看, 小波变换的融合效果最好 (图1) 。
4.3 面向对象的多尺度图像分割
定义地表覆盖类型是分类建立的基础。经过野外调查和目视判读, 本文将研究区的土地利用和覆盖类型分为4类:植被、耕地、居民地和道路。确定地表覆盖类型之后, 就可以对分割后的每个对象进行特征计算, 提取出对象的特征。
图像分割是生成图像对象的过程, 产生一个图像对象层体系, 为后续的分类或分割工作提供信息的载体和构建的基础。本研究采ENVI ZOOM软件自带的边缘分割算法对影像进行分割。ENVI ZOOM是envi4.5版本中推出的专业用于面向对象影像分类的新模块, 其Feature Extr action模块采用基于边缘分割的算法, 能够快速、准确地对影像进行分割, 并可以实时快速地在一个预览窗口中查看结果以评估分割的准确性。经过多次试验, 设置分割尺度参数为30。
影像分割时, 由于阈值过低, 一些特征会被错分, 一个特征也有可能被分成很多部分。可以通过合并来解决这些问题。FX利用了 Full Lambda-Schedule算法。经过反复实验我选择的参数为95。
计算4个类别的属性:光谱、空间、纹理、自定义 (颜色空间和波段比) 。其中“颜色空间”选择3个RGB波段转换为HSI颜色空间, “波段比”选择绿波段和红绿蓝3波段的和计算比值。监督分类选择4类地物的样本用红色表示耕地, 蓝色表示道路, 紫色表示房屋, 绿色表示林地。分类结果如图2。
4.4 对比实验
为了与在ENVI ZOOM面向对象分类方法相比较, 本文还在ENVI4.5平台上进行了使用最大似然法分类器的基于像元的分类。基于像元的监督分类方法通过比较待分类像元与训练样本中各类别的n维灰度向量 (n为参与分类的波段数) , 将待分像元进行分类。常用的监督分类有平行六面体法、最大似然法、最小距离和马氏距离等。最大似然分类法是经常使用的监督分类方法之一, 它是通过求出每个像元对于各类别归属概率 (似然度) , 把该像元分到归属概率 (似然度) 最大的类别中去的方法。最大似然法假定训练区地物的光谱特征和自然界大部分随机现象一样, 近似服从正态分布, 利用训练区可求出均值、方差以及协方差等特征参数, 从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时, 其分类可靠性将下降, 这时不宜采用最大似然分类法。本文最大似然法分类结果见图3。
4.5 精度评价
在影像上随机选取参考点, 通过高分辨率影像图进行图上判读, 精确确定每个参考点的地物类别, 对两种分类方法进行精度评价。两种种分类方法的精度评价结果如表4。总的来说, 基于分割, 选取训练样本对象, 采用监督分类的面向对象分类方法总体精度从基于像素的分类方法的84.23 %提高到91.38 %, 面向对象的分类方法有很大的优势。从表4中看出, 由于道路有明显的几何形态特征, 面向对象的方法在对道路进行分类具有很高的精度, 远远大于基于相元的关于道路的分类。耕地的纹理特征也比较特殊, 因此基于对象的分类, 对耕地的分类效果也比较满意。本研究中房屋的分类精度低于基于像素的分类, 原因在于选取对象时分块取值参数为30, 对于林地而言参数过小, 使部分小林斑归入了房屋。
5 结语
通过对实验区的地球之眼遥感卫星图片进行基于相元与基于对象的分类方法的对比试验, 结果如下。
(1) 面向对象的信息提取方法可以灵活运用地物的形状特征、光谱和纹理信息, 能比基于像元的传统分类方法得到更多地物信息和更好的提取效果。
(2) 通过影像分割, 面向对象的信息提取方法能保持分类对象在空间上的连续性, 避免了“椒盐噪声”现象。
(3) 对象特征的长宽比是道路信息提取最重要的影响因素。寻找对象的显著特征对面向对象的信息提取至关重要。
(4) 影像分割尺度参数的获取带有人为的主观性, 未能进行可靠分割精度评价, 这也是今后影像分割尺度研究的一个方向。
(5) ENVIZOOM只基于一个分割图层的多尺度分割方法有很大的局限性, 比如本研究区分割尺度设为30能满足大部分地物的分割要求, 但对于林地约显过小, 如果能基于多层进行多尺度分割能很好的解决这一问题。
参考文献
[1]张俊, 于庆国, 侯家槐.面向对象的高分辨率影像分类与信息提取[J].遥感技术与应用, 2010 (1) :112~117.
[2]李爽, 丁圣彦, 许叔明.遥感影像分类方法研究[J].河南大学学报:自然科学版, 2002, 32 (2) :70~73.
[3]张炳智, 张继贤, 张丽.土地利用动态遥感监测中多源遥感影像融合方法比较研究[J].测绘科学, 2000, 25 (3) :46~50.
[4]楼立明, 刘卫东, 冯秀丽.基于高分辨率遥感影像的土地利用变化监测[J].遥感技术与应用, 2004, 19 (1) :30~33.
[5]孙丹峰.IKONOS全色与多光谱数据融合方法的比较研究[J].遥感技术与应用, 2002, 1 (17) :41~44.
[6]王智均, 李德仁, 李清泉.利用小波变换对影像进行融合的研究[J].武汉测绘科技大学学报, 2000, 25 (2) :137~141.
[7]林卉, 景海涛, 张连蓬.atrou小波变换与PCA变换相结合的遥感影像融合分析[J].地球信息科学, 2008, 10 (2) :269~272.
对象提取 篇3
湿地是陆地系统和水体系统相互作用形成的自然综合体, 被称为天然的“物种基因库”、“地球之肾”, 在保护生态环境和物种多样性等方面发挥着重要作用, 具有重要的经济和社会效益。 然而, 随着人类对湿地开发强度日益提升, 湿地面积大幅萎缩、生物多样性逐渐下降, 湿地的生态功能也逐渐减弱。 因此, 如何科学合理地利用和保护湿地, 实现经济社会的可持续发展, 成为目前国内外学者研究的热点[1]。 传统野外实地的湿地调查和测绘方法费时费力, 而遥感技术的快速发展为监测研究湿地提供了新的途径。
早期的人工目视解译和基于像元的监督分类方法效率低, 精度差, 而近年来出现的面向对象的影像分析方法可以充分利用影像的光谱、 形状、纹理等细节信息处理遥感图像数据, 其高效、准确的特点得到了国内外学者的青睐。 安如等利用面向对象方法构建了黄河源玛多县地区的遥感湿地提取方法[2]。 牟凤云等以山东省微山湖湿地为实验区, 探索了面向对象技术在提高湿地植被分类精度的有效方法[3]。 赵志龙等利用面向对象方法对羌塘高原内的典型沼泽1976-2010 年的面积变化状况开展了遥感提取分析[4]。
宁夏回族自治区中卫市地处西北半干旱气候区, 是我国重要的湿地分布区。 但是该区域湿地的研究工作尚少, 且多以遥感影像人工目视解译结合现场调查为主, 效率低、 受主观经验影响严重, 因此, 研究一种有效的适用于该地区的湿地遥感监测技术显得十分重要。
本文以宁夏回族自治区中卫市及其周边为研究区, 研究适合于该地区不同类型湿地信息提取的分类决策树模型, 利用面向对象方法进行湿地信息提取, 为深入探讨研究西北干旱半干旱气候区的湿地遥感监测等问题提供有效的技术手段。
2 研究区概况
研究区位于宁夏回族自治区中卫市与腾格里沙漠边缘及其毗邻区域, 属中温带半干旱气候区。地理范围:105° 1′ 37.77″ ~105° 10′ 30.59″ E, 37° 29′55.68″~37°35′53.95″N, 面积约144.05km2。 中卫地处黄河前套之首, 研究区内存在马场湖和龙宫湖两个较大的湖泊, 水稻种植与鱼类养殖业较为发达。 研究区范围内的湿地对防治沙漠东移、维持绿洲生态平衡发挥着巨大的作用。
3 数据源及其预处理
论文使用的数据源是Landsat8OLI影像 (成像时间2015 年9 月5 号, 影像分幅:130/034) 。 Landsat8 的OLI陆地成像仪在ETM+ 传感器的基础上, 增加了可用于海岸带观测的蓝色波段和具有水汽强吸收特征的短波红外波段, 并对近红外波段进行了调整, 以便消除大气在0.825μm处水汽吸收特征的影响 (见表1) 。
首先利用FLAASH模型对Landsat8OLI影像进行大气辐射纠正, 获取了更加准确的地表反射率信息。然后, 使用Gram-Schmidt融合方法, 将Landsat8OLI影像中的全色波段数据和大气辐射纠正后的多光谱波段数据进行图像融合, 使遥感数据既有较高的空间分辨率, 又具有丰富的多光谱特征。
4 研究区湿地分类决策树模型的构建
4.1 分类体系的建立
根据研究区的遥感数据特点和野外实地调查结果, 参照全国湿地资源调查技术规程, 建立如表2所示的研究区湿地分类体系。 选取可靠性高的训练样本是建立研究区湿地分类决策树模型的关键, 直接影响到规则设立的质量[5]。 通过对研究区Landsat8OLI影像的目视解译, 参考Google earth高分辨率影像和野外实地考察数据, 选择113 个影像对象作为训练样本 (每种湿地类型的训练样本不得小于该湿地类型样本对象总数的2/3) , 建立研究区的湿地分类决策树模型。
4.2 影像分割
面向对象的影像分析方法首先通过影像分割形成由同质像元组成的影像对象, 然后利用影像对象的光谱、纹理、形状和上下文等特征进行影像分类[6]。多尺度分割算法包含尺度因子 (scale) 、 形状因子 (shape) 、 紧凑度因子 (compactness) 三个参数, 决定了影像分割后生成的影像对象的大小、 数目和形状等。 本文的多尺度分割采用Liu等[7]提出的不一致性评价法, 对分割参数组合进行优选。土地覆盖类型具有层次性, 因此, 论文以分层提取的方法进行研究区的湿地分类, 根据各层提取地物类型的不同, 建立不同尺度大小的参考数据集并分别从分割数据集中挑选出匹配对象, 以其综合评价参数ED2 最小的参数组合作为最终的多尺度分割参数 (见表3) 。
4.3 特征分析
4.3.1 光谱特征
Landsat 8 OLI影像中新增加的Band1 蓝色波段对水体的穿透性强, 可用于区分土壤和植被。Band5 近红外波段处于水体的强吸收区, 对绿色植被差异敏感, 可增强陆地-水域与土壤-农作物之间的反差。 SWIR2 中红外波段2 也处于水的强吸收区, 对植被水分含量十分敏感。通过训练样本的统计分析, 在Level1 层上, 可有效利用遥感影像的光谱信息, 将湿地 (含有部分水浇地) 和非湿地信息区分出来。
研究区的农作物以水田和水浇地 (小麦、玉米) 为主, 影像获取时间的水田处于抽穗期和乳熟期之间, 光谱特征易于水浇地混淆。 因而, 在Level2 层上, 仅仅依靠单波段的光谱反射率难以区分出各湿地类型, 所以, 本文除了选取Landsat 8 OLI影像的7 个波段反射率均值之外、 还选择了各个波段的标准差和归一化指数对研究区的湖泊、坑塘、芦苇地和水田及其除湿地外的其他地物类型进行统计分析, 结果发现:差异环境植被指数 (DVI) 对土壤背景的变化反应敏感, 可以将错分为水田的部分水浇地从湿地中剔除。
4.3.2 纹理特征
本研究加入了Landsat 8 OLI影像的7 个多光谱波段数据通过计算得到的纹理均值 (Mean) , 方差 (Std Dev) , 同质性 (Homogeneity) , 相异性 (Dissimilarity) , 对比度 (Contrast) , 相关性 (Correlation) 和角度二阶矩 (Second Moment) 6 个特征变量作为统计变量, 计算窗口选用33。 影像分析发现, 应用影像近红外波段的同质性易于将湖泊、 库塘与芦苇地、水稻田区分开来。 近红外波段的方差再求其标准差后的影像对绿色植被的类别差异更为敏感, 可以进一步将芦苇地和水稻田区分开来。
4.3.3 形状特征
地物的几何特征有助于突破光谱信息无法解决的“同物异谱”和“异物同谱”现象, 提高了遥感图像处理分析结果的精度。 研究区中湖泊和部分库塘的面积存在较大差异, 可利用面积特征将湖泊和库塘进行区分, 余下较大面积的库塘其形状近似矩形, 因此, 可以采用矩形拟合度将其与湖泊区分开来。 芦苇地主要分布于湖泊周边, 可以利用其椭圆形拟合度小的特点, 将其与水田区分出来。
4.4 模型构建
基于对典型地物的光谱特征、纹理特征和形状特征分析, 构建出研究区遥感影像湿地信息提取的决策树分类模型, 如图1 和图2 所示。
5 结果及精度评价
在e CognitionDeveloper9.0、Arc GIS10.2 等遥感图像处理和GIS软件的支持下, 以构建的分类决策树模型为基础, 利用分层提取的面向对象法进行了研究区遥感湿地提取分类, 得到了湿地分类结果图, 然后随机选择100 个对象作为评价样本, 针对模型分类结果采用混淆矩阵对结果进行精度评价 (见表4) 。 同时, 为了更加客观地评价基于决策树模型的面向对象法的分类结果, 在ENVI5.1 软件的支持下对研究区的遥感影像进行了基于像元的最大似然法分类, 分类结果如图3 所示, 精度评价见表5。
从分类结果图看, 基于决策树模型的面向对象法的分类结果与基于像元的最大似然法的分类结果相比, “椒盐现象”得到缓解, 图斑规整, 边界明确, 尤其是水田湿地和沼泽湿地的区分效果更好。 从精度评价结果看, 基于决策树模型的面向对象法的结果中湿地总体精度是84%, Kappa系数是0.78, 基于像元的最大似然法的结果中湿地的总体精度是65.55%, Kappa系数为0.61。 可见, 基于决策树模型的面向对象法在湿地信息提取中的精度更高, 总体精度提高了18.45%, Kappa系数提高了0.17。
6 结论与讨论
本文针对研究区的Landsat 8 OLI遥感影像, 利用基于决策树模型的面向对象法分析得到的湿地分类结果较基于像元的最大似然法的分类结果精度高, 有效的减弱了分类结果图的“椒盐”现象。
本文基于决策树模型的面向对象法在宁夏回族自治区中卫市与腾格里沙漠边缘及其毗邻区域的湿地信息提取工作中具有良好的适用性, 有效地结合了遥感地学领域的专家知识, 充分发挥了遥感影像中的光谱、纹理、几何等多种特征的优越性, 准确高效的提取了地物信息, 提高了遥感影像的分类精度, 对于今后西北干旱半干旱气候区的湿地遥感监测工作具有重要的借鉴意义。
参考文献
[1]邓凡双.基于面向对象技术的辽东湾双台子河口湿地信息提取研究[D].东北师范大学, 2012.
[2]安如, 陈志霞, 陆玲, 等.面向对象的黄河源典型区湿地信息提取[J].河海大学学报:自然科学版, 2011, 39 (4) :355-360.
[3]牟凤云, 韩葵.面向对象的遥感湿地植被分类与信息提取—以微山湖为例[J].安徽农业科学, 2012, 40 (12) :7574-7576.
[4]赵志龙.羌塘高原湿地信息提取与典型湿地变化分析[D].青海师范大学, 2014.
[5]黄颖, 周云轩, 吴稳, 等.基于决策树模型的上海城市湿地遥感提取与分类[J].吉林大学学报 (地球科学版) , 2009 (6) :1156-62.
[6]陈云浩, 冯通, 史培军, 等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报 (信息科学版) , 2006 (4) :316-320.
对象提取 篇4
我国是世界上公认的稀土资源大国,2009年我国的稀土产量达12万吨,占世界产量的97%。然而,近年来我国的稀土开发一直存在过度开采、盲目竞争、低价流失海外等严重现象,资源效益也没有得到显现。再加上我国矿产资源开发利用一直比较粗放,缺乏实时监控,再加上逐级上报和群众举报的单一管理模式,容易导致资源的严重浪费。同时,也严重破坏和污染了矿区及周边地区的生态环境。而遥感技术具有多种类、多平台、多波段、多时相的特色和宏观、快速、同步等优点[1],因此将遥感技术应用于稀土矿开采地的监测,可直观反映研究区域的稀土矿开采现状和生态环境的情况,是最快速、最有效的先进手段之一。而稀土矿开采地信息提取是对稀土矿开采地进行遥感监测的基础。
目前,在矿山开采地信息提取方面,针对TM、ETM等中低分辨率遥感影像的矿山开采地信息的提取大部分都是采用监督分类的方法等传统的基于像素的分类方法[2,3];而对于高分辨率遥感影像的矿山开采地信息提取,由于矿区这一特定的研究对象,区域较小,很多解译工作者选择采取人机交互或目视解译等方法[4,5]。然而在研究区域较大的情况下,该方法虽然精度高,但是效率极低。一些学者开始将计算机自动提取的方法应用到基于高分辨遥感影像的矿山开采信息提取方面。Nuray Demirel 等人采用支持向量机的分类方法对Goynuk 露天煤矿的IKONOS进行信息提取,结果表明该分类方法精度能满足项目的需求[6]。Thomas Blaschke等人讨论了传统基于像素的方法的不足,并提出了根据尺度的影像分割,并对保护环境的关注提出了面向对象的分类方法[7]。祝振江[8]以辽宁本溪市某露天矿区的SPOT5数据为实验区,运用面向对象分类技术结合一些纹理信息,地学信息等来研究矿山遥感调查信息的提取,并与传统的分类方法进行了对比分析。结果表明,面向对象分类法比基于像元的分类方法精度更高,更适合于高分辨率遥感分类。以上研究说明,从遥感数据中精确提取矿山开采地信息,需充分利用高分辨遥感影像信息,并结合地学资料、高程信息等的方法。实现矿山开采地信息提取的自动化和准确性,将是今后矿山环境遥感监测研究的一大热点。
1 研究区概况和数据预处理
本文选取江西省定南县为研究区域,分别提取该县2001年、2010年的稀土矿开采地信息,并分析稀土矿的开采现状以及十年的变化情况。研究区位于江西省最南端,研究区总面积1 318.72 km2,辖6镇7乡,人口19.2万。该研究区域是赣南脐橙的主产区之一,且矿产资源丰富,富含稀土矿、钨矿等矿产资源,是2011年江西省赣州市首批稀土国家规划县之一。
本研究主要收集的资料有:2010年11月份的ALOS遥感影像,2001年的Spot—1数据;30 m DEM数据,行政区划矢量数据;以及研究区的其他土地利用等数据。通过对原始遥感影像数据的正射,镶嵌,融合等处理,分别得到2001年和2010年研究区遥感影像数据。
1.1 稀土矿开采地解译标志
对研究区进行稀土矿开采地信息提取,首先要建立相对应的解译标志。研究区内稀土矿开发比较早,随着开采方式的不断改进,矿区内分布了大量已使用过的开采方式相配套的地物类型。研究区中,稀土矿开采方式根据开采工艺的先进程度主要分为三种:池浸法,原地堆浸法和原地浸矿法。其中,池浸法工艺最差,现在基本都已经停开了,原地浸矿法到目前为止最为先进。从色调、形状、阴影、纹理及影像结构等方面,对被提取的与矿山开发状况有关的目标地物要素进行了认真地影像分析、总结和归纳,并通过野外调查,照片资料和遥感影像的辨识对比,建立了研究区稀土矿开采地的遥感解译标志(表1)。
1.1.1 池浸法和原地堆浸法
这两种稀土矿开采方式都是直接剥离山体,将含稀土矿较多的泥土挖起堆放在一起放入浸矿池中,用硫酸铵水等化学液体浸泡。这两种开采方式所开采过的区域,在影像上的色调,纹理和形状基本一致,如图1所示。又池浸法开采方式现在大部分都已经弃用,故本文将这两种开采方式的稀土矿开采地归为同一类(统称为非原地浸矿法)。
1.1.2 原地浸矿法
该方法是近几年引进的一种新的开采方法,该方法不动土方,直接在山顶或山坡上挖注液井,对山体结构的破坏相对于池浸法和原地堆浸法要小,在遥感影像上表现为沿着山脊的条带状或明暗相间的密集点状区域,如图1。将原地浸矿法的稀土矿开采地单独归为一类。
因此,本研究中,将稀土矿开采地信息分为原地浸矿法开采地和非原地浸矿法开采地两类。
(左:非原地浸矿法,右:原地浸矿法)
1.2 研究区域稀土矿开采地信息提取的难点
通过分析分辨率为2.5 m的2010年遥感影像图和野外调查发现:
(1)仅利用遥感影像的光谱信息来提取这两种开采方式的矿区,很难将两者区分。但是,其纹理信息、形状信息和面积信息都有所区别,如图1所示。因此采用基于纹理信息的面向对象的信息提取方法以区分原地浸矿法和非原地浸矿法的稀土矿开采区。
(2)研究区有很多石山,主要成分是石灰岩,山体上的植被疏松,也是沿着山脊的条带状或斑点状,与原地浸矿法的表现形式很相似,如图2。而稀土矿区有尾矿库等相配套的设施。可采用上下文关系将石山和原地浸矿法的矿区区别。
(左:石山,右:原地浸矿法稀土矿开采地)
(3)矿区与刚开发的林地的区分。刚开发的脐橙园在影像上呈一垄一垄的阶梯状,如图3所示。即两者纹理信息有很大的不同,因此可以采用纹理信息来区分二者。
(左:脐橙地,右:稀土矿开采地)
综上所述,利用基于纹理信息、面积信息及上下文关系等特征可以将稀土矿区快速、准确地提取出来。
2 技术方法
从上述分析可知,采用传统的基于像元的分类方法无法有效地提取稀土矿开采区信息。面向对象的信息提取方法是基于面向对象的分割算法产生的,该方法是对图像进行分割,将具有相同的光谱信息和空间特征的同质像元归并成大小不同的影像对象的过程。该方法能够充分挖掘影像自身的光谱信息,空间特征及上下文关系,在不增加额外辅助信息的情况下增加分类的依据,使分类结果与地物的实际情况更加吻合。因此,本研究中结合纹理信息,并利用面向对象的信息提取方法对稀土矿开采地的信息进行提取。
2.1 纹理特征提取方法
如果图像内区域的局部统计特性或其他特性是常数、缓变的或者近似周期性时,我们就称该图像的这一区域具有确定的纹理特征。根据以往的研究,可将纹理分析方法归纳为:统计法,结构(几何)法,模型法以及基于数学变换(信号处理)的方法[9,10]。其中,自Haralick于1973年提出灰度共生矩阵之后,成为应用最广泛的纹理统计分析法,已广泛应用于数字图像处理的许多领域。
2.1.1 灰度共生矩阵
从灰度的角度所描述纹理的定义来看,纹理被认为是在局部窗口内,影像灰度级之间的空间分布及空间相互关系。灰度共生矩阵从该定义的基本思想[9]出发,以条件概率提取纹理特征,统计处于同样位置关系的一对像元的灰度的相关性,并以这一对像元的某一灰度的条件概率来表示纹理,即以P(i,j/Δx, Δy)表示纹理。P(i,j/Δx, Δy)表示给定一对相距(Δx, Δy)的像元,其中一个像元i灰度,另一像元为j灰度的情况出现的联合条件概率密度。统计图像中相距位置为(Δx, Δy)的两个灰度像元同时出现的联合概率的分布成为共生矩阵,设图像灰度为2m级,则灰度共生矩阵由2m×2m矩阵来表示,记做M(Δx, Δy)。
基于灰度共生矩阵的纹理计算步骤如下: ①首先确定纹理的窗口大小N×N,移动步长Δx, Δy; ②通过计算得到窗口区域的灰度共生矩阵;③利用相对应的权矩阵对共生矩阵进行滤波,得到的结果置入新的矩阵中,如均值、熵矩阵;④移动纹理窗口。重复前面的步骤,直到所有的像元都计算完,最后得到完整的纹理图像。
2.1.2 纹理特征提取
根据灰度共生矩阵的定义和原理,可知需要确定的参数有纹理窗口的大小,移动的步长。为了提高运算速度,对不同参数进行比较,先选取了研究区域影像中的一块450×450大小的区域进行实验。
(1)由于ALOS影像各波段之间存在着相关性,为了减少纹理波段的数目与冗余性,首先对影像进行主成分分析,选取信息量最大的第一波段。
(2)通过对步长和窗口大小的不同参数进行一系列的实验,最终确定窗口大小为9×9,步长大小为(1,0)。
(3)最后得到一系列的纹理特征图像(图4)。
[窗口大小: 9×9,步长(1,0)]
2.2 稀土矿开采地信息提取
面向对象的分类方法首先根据图像的光谱信息,形状信息以及紧密度等进行分割,而不同地物类型由其最佳的分割尺度描述,从而形成了多种尺度对象层次的分割网络体系。通过试验,本研究区域中分别采用尺度参数为115的尺度和45的尺度进行多尺度分割,并分别用于后面的大面积地物和小面积地物的分割。之后,选取地物最合宜的特征,建立相应的判定规则。然后采用相应的方法(包括最邻近法和模糊隶属度函数两种方法)进行相应地物的信息提取。
本研究中稀土矿开采地信息提取技术流程如图5所示,具体步骤如下:
(1)首先在大尺度分割层级上,利用稀土矿开采地与石山、刚开发林地、裸地、采石场等地物的相似光谱特征,采用标准最邻近的方法,将稀土矿开采地、石山、刚开发林地、裸地、采石场作为广义的裸地提取出来。
(2)在提取出裸地的基础上,利用对象的面积指数,可以将石山、原地浸矿法开采区等小面积地物提取出来。石山和原地浸矿法开采区也一般是沿着山脊的呈条带状,在图像上所呈现的面积相对于大片开发的稀土矿区、开发的林地、采石场等要小得多;通过观察与实验,采用面积指数小于4 000 pixel即可较好地将石山,原地浸矿开采区等地物提取出来。
(3)在提取出来的石山和原地浸矿法开采地的地物中,利用上下文关系,可将原地浸矿法开采区提取出来。
(4)在分割尺度为45的层级上,剩余未提取的池浸法/原地堆浸法开采区,大面积的采石场、裸地,以及刚开发出来的林地等地物,采用纹理特征进行提取。
实验过程中,池浸法/原地堆浸法开采区,大面积的采石场、裸地,以及刚开发出来的林地等各地物分别选取20个训练区,并分别计算各地物的灰度共生矩阵指标。图6为上述4中不同土地类型的七种特征纹理信息图像灰度共生矩阵纹理值曲线图(由于每种纹理特征的均值基本位于相似的范围,且其指标值相对其它的特征指标值大得多,为了得到一个更易于确定阈值的曲线图,故舍弃了均值特征)。
观察图6发现,非原地浸矿法开采区与其他三种地物类别的协同性(homogeneity)、相异性(dissimilarity)、熵(entropy)、角二阶矩(second moment)这四种的纹理特征指标差别不大;而方差(variance)和对比度(contrast)的纹理特征指标相差较大,可以作为提取池浸法/原地堆浸法开采区的依据。其判别规则是:variance>9 and contrast>4。
通过以上的步骤,便可以将池浸法/原地堆浸法开采区和原地浸矿法开采区提取出来。
2001年研究区的稀土矿区的信息提取是在2010年的提取结果图的基础上,采用面向对象的方法进行的,即结合回溯与面向对象的方法。分类结果如图7所示。
(左:2010年,右:2001年)
3 精度评价与结果分析
3.1 信息提取精度评价
分类结果精度评价采取和亚米级的卫星影像进行对比以及野外验证两种方法。通过与亚米级的卫星影像进行对比的评价方法是:在2010年矿山开采地信息提取的结果上均匀随机选取地检验点,各类别选取的检验点数目根据信息提取结果得到的每个类别的数目而定,其中非原地浸矿法开采区选取94个点,原地浸矿法开采区选取36个点,并以gooleearth以及高分影像为参考数据,进行统计,得到统计结果(表2)。
同时在提取结果图上分布均匀地选取了12个点,并进行野外实地调查,其中有11个点是稀土矿区,另一点所代表的区域实际上是裸岩,野外验证的精度高于90%。
通过精度评价表可以发现,自动信息提取的精度超过了85%,且各类的kappa系数达到了0.8,因此该评价方法的精度评价的结果可信。同时结合野外验证的精度,可知信息提取的结果比较满意。另根据统计结果可以发现,采用面积指数会把某些非原地浸矿开采区误分为原地浸矿开采区,这还有待于今后的进一步研究。
3.2 稀土矿开采现状及十年变化分析
根据2010年、2001年定南县稀土矿区分布图,得到2001—2010年稀土矿区十年变化图,如图8。
对提取出来的稀土矿开采区的面积进行统计,统计结果如表3所示。
通过观察和分析2001—2010年研究区稀土矿区十年变化图以及矿区面积统计表,可以得到研究区稀土矿区的空间分布情况和面积扩展情况,即:
(1)研究区稀土矿开采区主要集中分布于研究区的北部地区的迳脑乡和龙头乡;较少数分布在研究区的中西部地区。
(2)2001年研究区采用池浸法和原地堆浸法进行稀土矿开采,面积为7.39 km2,占研究区面积的0.56%;到2010年研究区采用了一种原地浸矿稀土开采方式,占地面积为0.76 km2;2010年稀土矿开采地总占地面积增长到17.65 km2,占研究区面积的1.31%,是2001年稀土矿区面积的2.34倍。
(3)2010年相比于2001年稀土矿区面积扩展了12.16 km2,2001年中有2.88 km2的稀土矿区,在2010年恢复了植被。
4 结 论
采用结合纹理的面向对象的分类方法对研究区稀土矿开采地进行信息提取,并且将原地浸矿法开采区与非原地浸矿法开采区区分开来,总体精度达到了85.38%。
根据2001年、2010年两年的稀土矿分布图生成了2001—2010年的稀土矿区变化图。在此基础上对稀土矿开采的现状及十年变化进行了分析,发现研究区稀土矿矿区主要集中分布在研究区的北部地区;2001年主要是采用池浸法和原地堆浸法这两种开采方式,在2010年采用了原地浸矿的开采方法;2010年的稀土矿区开采面积总体来说相对于2001年扩展了12.16 km2,同时2001年中有2.88 km2的稀土矿区,在2010年恢复了植被。
研究结果表明,文中采用的方法是有效的。该方法可节省大量的人力和物力,可为相关大面积矿产资源开采区生态环境遥感监测提供技术参考。
摘要：原地浸矿法和池浸法/原地堆浸法(非原地浸矿法)是江西省稀土矿开采常用的方式。以江西省定南县为研究区,根据稀土矿开采方式和特点,采用面向对象分类的方法,结合纹理信息、面积大小及上下文关系等特征,对研究区2010年的ALOS影像进行稀土矿开采地的信息提取,有效区分了原地浸矿法和非原地浸矿法开采区,且两者的总体精度高达85%。并采用回溯法提取了2001年的稀土矿开采地的信息。最后根据稀土矿区分布图,对稀土矿开采现状以及2001—2010年的十年开采变化情况进行了分析。该研究可为该区域及相关矿产资源开采区的环境遥感监测提供数据支持和技术借鉴。
关键词：稀土矿,面向对象,纹理信息,信息提取
参考文献
[1]梅安新,彭望琭,秦其明.遥感导论.北京:高等教育出版社,2001:1—13
[2]Anderson A T,Schultz D,Buchman N,et al.Landsat imagery for sur-face mine inventory.Photogrammetric Enginnering and Remote Sens-ing,1977;(43):1027—1063
[3]陈华丽,陈刚,郭金柱.Landsat TM在矿区生态环境动态监测中的应用,2004;(1):31—33
[4]闵艳艳,龚梅,李思发,等.基于高分辨率卫星遥感数据的铝土矿矿山环境调查研究.贵州地质,2011;28(2):154—157
[5]蔡冬梅,李明哲,曹继如.矿产资源开发动态监测中遥感技术应用综述.矿山测量,2011;(4):32—33
[6]Demirel N,Kemal E M,Sebnem D H.Surface coal mine area moni-toring using multi-temporal high-resolution satellite imagery.Internal Journal of Coal Geology,2011;(86):3—11
[7]Blaschke T,Lang S,Moller M.Object-based analysis of remote sens-ing data for landscape monitoring:recent developments.Anais XII Simpósio Brasilerio de Sensoriamento Remoto,Goiania,Brasil,2005:2879—2885
[8]祝振江.基于面向对象分类法的高分辨率遥感影像矿山信息提取应用研究.徐州:中国地质大学,2010
[9]李京,刘龙飞,陈云浩,等.遥感影像纹理分析方法综述与展望.遥感技术与应用,2003;18(6):441—447