《几种基于高分辨率遥感影像分类技术的分析与探讨.doc》由会员分享，可在线阅读，更多相关《几种基于高分辨率遥感影像分类技术的分析与探讨.doc（6页珍藏版）》请在金锄头文库上搜索。
1、几种基于高分辨率遥感影像分类技术的分析与探讨吴洪涛 天津市测绘院摘要 本文初步分析了应用高分辨率遥感影像进行分类处理的三种特殊方法即基于光谱信息及相关监测模型综合分类技术、利用高程信息辅助分类技术和面向对象的特征相关属性分类技术的基本原理。分析比较了它们在进行遥感影像分类的特点和优势，探讨总结了它们在农作物监测、城市建筑物分类、土地利用调查等实际生产中应用方法和效果。关键词 影像分类 光谱 高程 特征相关1前言 我们知道，随着社会经济的快速发展，人们的生活需求与资源环境的矛盾越来越突出，遥感技术(RS)作为一种准确、客观、及时获取地球表面宏观信息的手段，在城市规划建设、土地利用监测、农业、林业
2、以及自然灾害预报等方面越来越得到广泛的重视和应用。另外由于航空航天遥感以及计算机技术的迅猛发展，应用于遥感的传感器分辨率越来越高，获取的遥感影像质量也越来越好。特别是SPOT、IKONOS、QUICKBIRD等高分辨率遥感卫星影像的出现更为后期遥感影像的分析和应用带来了更好的数据源和更广大深入的应用前景。要更好地利用遥感影像进行资源调查和动态监测就必须利用各种方法对获取的高分辨率遥感影像进行融合、分类等处理，以提取并区分各种地物地貌信息，同时对分类结果加以统计分析以满足不同的需要。当今，进行遥感影像分类处理的方法很多如常用的监督分类法、非监督分类法、最大似然法以及人工神经元网络、小波变换等方法
3、。他们进行遥感影像分类主要是利用这一基本原理即：不同的地物在同一波段影像上表现的亮度互不相同，同时不同地物在各个波段影像上亮度呈现的规律也不同，也就是说遥感影像上的地物光谱特征通常是以地物在多光谱影像上的亮度体现出来的。这一点构成了区分不同影像地物的依据。但是我们很多的影像分类技术与算法更多地着重于遥感影像上像元亮度或光谱信息的本身而没有综合考虑影像地物之间的特征相关性如植被和土壤的关系、土壤与水分的关系；也没有考虑到地形起伏或地物高度变化的影响因素；更没有将一幅遥感影像而非像素来作为一个对象进行面向对象的综合分析如纹理、形状、特征继承相关等特殊要素。 为了得到更好的分类结果，更好地提取遥感信
4、息，本论文结合自己的工作实践以及国内外相关应用实例的分类效果比较，经过分析探讨认为以下三种基于高分辨率遥感影像分类技术在实际生产中可以得到更好的分类结果。即基于光谱信息及相关监测模型综合分类技术、利用高程信息辅助分类技术和面向对象的特征相关属性分类技术。下面将逐一进行分析比较与总结。2 基于光谱信息及相关监测模型综合分类技术应用分析 对于植被的光谱反射特性我们都很熟悉，植物对不同光谱段能量的反射和吸收的状况与其叶绿素含量有关，叶绿素能够大量反射近红外能量，而吸收大部份的可见光波段的能量。健康的绿色植物含有大量的叶绿素，通常反射4050%的近红外（0.71.1m）波段的能量，吸收将近8090%的
5、可见光波段（0.40.7m）的能量（详见图1）。相反，枯萎和衰老植物的在可见光波段所反射的能量要大大高于健康植物的反射值，而在近红外波段所反射的能量则要低于健康植物的反射值1。因此，在遥感影像中，处于不同生长期的植物就能通过光谱反射特性基本地区分出来。 三种不同地表光谱反射曲线图 我们使用ERDAS或ENVI等遥感应用软件已有功能我们可以根据植被或地物的光谱特性进行影像相减、比值法进行分类。但是为了得到更好更细致的分类效果，在农业和林业遥感监测中我们通常在利用光谱信息的基础上使用更多的辅助分类方法得到更丰富的分类信息。2.1 多时相数据融合 可以利用不同时期的监测数据进行多时相数据融合、滤波处
6、理迅速得到植被变化区域或变化程度，便于宏观决策。如下多时相数据融合图。 多时相数据融合图2.2利用归一化植被指数（NDVI）及农作物生长模型的综合应用所谓归一化植被指数（NDVI）在农业或林业监测方面应用十分广泛。如下图：植被对于不同波的反射曲线图NDVI=（IR-R）/（IR+R）（IR为近红外光波段，R为红色波段）通过遥感影像NDVI指数的变换分析处理我们可以根据应用需要达到几个要求即：消除地形起伏的影响减少大气的辐射和反射影响利用归一化可以改正扫描角和亮度的影响。另外，在精细农业生产中为了预先统计农作物的产量、计算种植面积或者监测病虫害情况等，我们可以将农作物的NDVI指数与农作物的生长
7、模型一起综合考虑进行分类统计。以水稻种植为例： 水稻生长期模型曲线图：水稻生长期模型曲线图NDVI指数随月份（1-8）变化曲线见下图：水稻NDVI指数随时间变化图综合考虑NDVI指数及水稻生长模型后的遥感影像进行分类结果见下图： NDVI指数+水稻生长模型分类结果图中黄色为RICE1，深灰为RICE2，浅灰为RICE3，红色为建筑物，蓝色为水域，绿色为稀疏植被。RICE1、RICE2和RICE3细为三个不同生长阶段的水稻，它被分为三类。经实地检验，分类精度符合预想的统计分类要求可以用来估计水稻的产量。2.3 各种机械或经验模型在遥感监测及影像分类中的综合应用 在有些遥感影像分类过程中除了需要了
8、解地物基本反射光谱特性以外还可以加入辅助决策信息如作物生长模型WOFOST及SUCROS等因素。这些模型主要设计用于如禾本科等草本作物，针对各种作物考虑专用的一套参数，进而模拟作物从出苗、营养生长、生殖生长直到作物衰老死亡的整个生长循环过程。所以在遥感影像分类过程中由这些模型库中各种农作物的模型参数特点等等信息作为专家知识进行辅助分类。也可以作为分类的判决条件大大提高分类效果。 总之，在实际分类过程中以上三种分类一般都是综合进行的，作为分类判决条件越精确那么分类的效果会更好，这需要了解植被、土壤、水等等基本地物要素在不同条件下的基本属性。3利用高程信息辅助分类技术 在常用的遥感分类算法中，大多
9、数是基于光谱信息进行的，而高分辨率遥感影像具有丰富的纹理信息，并且在后期处理过程中很容易地提取高程信息，因此在分类中除了利用常用的基于光谱信息外，常常引入相应的高程等三维信息进行分类，其效果也十分地明显，经实验证明是一种提高分类精度的有效措施。 我们知道在山地、丘陵等地形变化的地区，由于地形起伏的影响，地物的光谱将发生不同的变化。例如在不同坡面上的同一种类型的地物在影像上可能表现为不同的光谱响应特性，而位于不同坡面上的不同类型的地物在影像上可能又表现为相同的光谱响应特性。 在遥感影像分类总加入高程信息判断条件是：某类别的先验概率P（wi）和某个高程带区h中分布的先验概率P（wirn）不相同，即
10、P（wi）P（wirn）。所以可以将Bayes分类器中的判别函数变为：P（wiX，rn）= (P（wiX，rn）. P（wirn）)/P(X) 如果高程信息的引入不显著改变随机变量X的统计分布特性，那么带有高程信息的Bayes分类器中的判别函数可变为P（wiX，rn）= (P（Xrn）. P（wirn）)/P(X) 我们在实际软件分类算法中一般利用已有的和遥感影像配准纠正完成的数字高程模型数据来确定影像中没一个像素的高程数值h，然后依据h选择相应的类别先验概率P（wirn）。所以在充分考虑到高程不同的影响因素后我们就可以使分类结果更加地精确。 另外在建筑物密集的城区我们同样可以利用建筑物的高程
11、信息来对不同层次的建筑进行分类。如果有立体遥感像对，我们可以建立立体测图环境，测绘建筑物的高度，直接得到各建筑物的离散点高度信息。另外我们可以通过测量建筑物的阴影长度来计算建筑物的高度。建筑物的高度h和阴影长度L的关系为： 。为太阳高度角。一定的情况下，建筑物的高度和阴影长度的关系也保持不变，所以在同一影像上可以根据建筑物阴影长度计算建筑物高度。在得到高度信息后我们经过一系列处理可以得到建筑物高度影像而作为一个波段引入融合影像中，将高程信息作为主要因素对建筑物进行分类。在利用多光谱信息及高程信息四个波段进行分类后可以基本区分高层建筑及中层建筑。当然我们也可以进一步结合遥感影像纹理信息进行特征分
12、类得到不同高度建筑物分类详细结果。中国地震局宋晓宇作过这方面的实验研究，得到很好的效果。4面向对象的特征相关属性分类技术 在当前许多传统高分辨率遥感影像分类软件中都是基于像素的分类，考虑单个像素的特性。但是这种分类方法有很大局限性。首先，基于像素的分析的不能满足有着多样信息的高分辨率遥感图像，它没有顾及影像的不同类型及信息多样性；其次，基于像素的分析主要是利用影像颜色的灰度数值及部分纹理信息而没有充分利用影像中地物类别间及同类地物之间的各种相关属性。因此在分类中我们可以使用面向对象的特征相关分类技术。所谓面向对象的特征的分类主要有两个特点：4.1 多分辨率多尺度的影像分割 多分辨率多尺度的影像
13、分割就是对遥感影像按照一定的尺度依据纹理或者亮度变化自动分割（Segmentation）成大小不一的小区域，以作为进一步分类的基础。切割过程是一个非监督的约束的最优化步骤，使影像对象的带有权重的异质性达到最小化。影像分割主要和分割的比例尺参数、颜色与形状的比例、类间紧密度与平化度等三个参数有关，并以影像对象大小为权重来进行运算。在每一次的影像分割任务都有其自己特定的尺度。例如具有区分房屋和树木的分类主题很明显地要比一个区分森林和城市的分类主题形容的是一个更小的尺度。每一个主题都需要影像对象具有最恰当的尺度和转递对于特定分类任务最佳的信息。包含了对于树木和房屋的分类最佳信息的影像对象，与带有对于
14、森林和城市的分类最适当信息的切割相比，显然平均要明显小得多。所以多分辨率的切割使得可以用一个简单的途径对影像的分辨率进行调整，以适应特定的分类精度任务和特定的数据也有利于后期统计分析。它特别是适合纹理的或低对比度的数据，可以形成金子塔式的分割层。 在对新的图像数据进行分割时，最适宜的方法是先做试验，充分利用色彩信息，使用不同的参数进行不同尺度的分割，直到取得满意的结果。见图9： 分割比例尺参数25 不同分割参数对比图 分割比例尺参数404.2 利用特征相关属性进行分类 在面向对象的分类过程中主要使用的分类特征相关属性有继承属性、分组属性、先验知识判断及地物特征相关等属性。所谓继承属性是指父对象
15、把它们的属性传递给子对象。在父对象中的变化无需在每一个子对象中重做，因为子对象自动继承了这些变化。例如：父类“水体”可用光谱平均值来描述。它把它的类型描述传递给子类“河流”和“湖泊”。“河流”和“湖泊”这两个不同的子类就继承包含了水体相同的类型描述。分组属性是指用分类中用不同语义来定义不同的类别。它允许非常不同的类型分组为一个具有通常语义的更高的类。例如：类型“城市林地”、“城市不透水表面”和“城市绿地”在继承层次中是不同类型“森林”、“不透水表面”和“草地”的子类，从这些类型中继承了它们的类型描述的一部分。然而，在分组层次中它们是同一个父类“城市”的子类，“城市林地”、“城市不透水表面”和“城市绿地”成为同一个高层语义类型的一部分。先验知识判断指的是在分类中可以加入专家或常识性知识辅助分类。例如，我们发现影像上的在城区建筑物包围中有一大片形状不规则的绿地，我们依据常识可以判断其可能为公园；由影像上的水域的长度和宽度我们可以很容易区分湖泊和河流；另外根据林地的稀疏（类间距离）可以区分不同类型的树种。地物
