TM影像水体提取方法研究.docx
《TM影像水体提取方法研究.docx》由会员分享，可在线阅读，更多相关《TM影像水体提取方法研究.docx（24页珍藏版）》请在冰豆网上搜索。
TM影像水体提取方法研究
TM影像水体提取方法研究
摘要
水是维系内陆生态系统稳定和健康的决定性因子，利用卫星遥感影像快速、准确地提取水体信息已经成为水体调查、研究与保护的重要手段。
TM遥感影像具有较高的空间分辨率、波谱分辨率、极为丰富的信息量、较高的定位精度和相对较低的价格。
本文使用ERDAS软件对LandsatTM遥感影像中水体与其他地物之间以及不同水体之间的光谱曲线进行研究。
利用TM1~TM7的光谱关系提取水库、宽大河流、细小河流以及其他地物并根据其光谱特征进行分类和精度评定。
对水体提取的常用方法进行研究。
对于长江和其他水体的水质差异如何区分、细小河流如何分类以及水体和阴影部分如何分类本文将作相应的描述。
关键词：
ERDASLandsatTM水体图像分类光谱
Abstract
Waterissustainedinlandecologicalsystemwhichisstableandhealthydecisivefactor.Bymakinguseofsatelliteremotesensingimagequicklyandaccuratelyextractwaterinformationhasbecomewatersurvey,animportantmeansofresearchandconservation.TMremotesensingimageswithhighspatialresolution,spectralresolution,extremelyrichinformationandhigherpositioningaccuracyandrelativelylowprices.ThispaperisusedLandsatTMERDASsoftwareinremotesensingimagewaterandotherfeaturesandbetweendifferentspectralcurvebetweenwater.UseTM1~TM7spectralrelationshipofreservoirs,widerivers,extractedfromtheriverandotherfeaturesandtinyclassifiedaccordingtotheirspectralfeaturesprecisionandassess.FortheYangtzeriverandotherwaterbodiesofwaterqualitydifferencetohowtodistinguish,smallrivershowtoclassifyandwater,andtheshadedparthowtoclassifythispaperwillmakecorrespondingdescription.
Keywords:
ERDASLandsatTMWarterImageclassificationSpectrum
第一章前言
1.1陆地卫星Landsat
陆地卫星（Landsat）是美国地球资源卫星系列。
是美国用于探测地球资源与环境系列地球观测卫星系统，曾称作地球资源技术卫星（ERTS）。
自1972年7月23日发射一号陆地卫星至今美国landsat计划已经发射了1~7号卫星，6号卫星因发射失败而丢失。
陆地卫星的主要任务是调查地下矿藏、航洋资源和地下水资源，监视和管理农、林、牧和水利资源的合理使用，预报和鉴别农作物的收成，拍摄各种目标的图像借以绘制各种专题图
表1-1Landsat卫星的轨道参数
Landsat系列卫星
Landsat1～3
Landsat4/5
Landsat7
轨道高度H（km）
轨道倾角I（°）
运行周期性T（min）
重复周期性D
降交点时间
偏移系数d
图像幅宽
915
99.125
103.26
18天251圈
9:
42a.m.
-1
185
705
98.22
98.9
16天233圈
9:
30a.m.
-7
185
705
98.22
98.9
16天（233圈）
10:
00a.m.
-7
185
TM影像是指美国陆地卫星4~5号专题制图仪（ThematicMapper）所获取的多波段扫描影像。
有7个波段，其波谱范围：
表1-2TM影像中各波段的波谱范围
通道
波长范围/μm
辐射灵敏度ΔPNE/（%）
TM1
0.45～0.52（蓝）
0.8
TM2
0.52～0.60（绿）
0.5
TM3
0.63～0.69（红）
0.5
TM4
0.76～0.90（红外）
0.5
TM5
1.55～1.75（红外）
1.0
TM6
10.4～12.6（热红外）
ΔTNE/K0.5
TM7
2.08～2.53（红外）
ΔTNE/K2.0
1.2国内外水体提取的研究方法
快速、准确地提取水体信息是水资源调查、水资源宏观监测、湿地保护、海岸线变化、洪水淹没范围评估以及灾后评估等的重要手段。
利用LandsatETM+遥感影像提取水体信息，前人做了不少研究，大致分为两类，单波段阈值法和多波段增强图阈值法[1]。
单波段阈值法，是早期使用的方法。
1985年Jupp等通过分析影像直方图，在TM7波段使用阈值法提取出水体口。
1990年Moller-Jensen通过对TM4、TM5设定经验阈值识别水体。
1992年陆家驹等利用TM5设定阐值，利用密度分割法识别水体，但效果不佳，只能识别：
>4000m2的水体1998年Brasud和Feng对路易斯安娜海岸线的描绘过程中，对各种波段阈值分割方法进行评估，并提出对M5进行阈值划分是最适合的方法。
而2000年Frazier和Page在探测澳大利亚Wagga湖泊区域工作中却指出，TM5相对TM4和TM7来说，阈值分割提取水体的精度较高，但是却不能精确地提取细小的水体。
这类方法是根据影像单个波段中水体值低手或高于其他地物值，设定阈值提取出水体信息，其缺点是水体与非水体之间的过渡区被忽略，无法提取细小水体。
多波段增强图阈值法是近来国内外使用较多的方法。
1996年McFeeter利用归一化水体指数DNWI=（TM2—TM4）/（TM2+TM4）抑制植被和土壤信息提取水体。
2005年徐涵秋提出NDWI：
难以抑制土壤和建筑物信息，并提出改进后的归一化水体指数MDNWI=（TM2—TM5）/（TM2+TM5），并提出在部分城区建筑区域MNDWI>k（k为下限阈值）来提取水体。
1998年杨存建等发现TM各波段影像中，水体具有（TM2+TM3）>（TM4+TM5）的特征。
而2004年陈华芳等在对山地高原水体识别工作中，提出（TM2+TM3）—（TM4+TM5）>k能较好地分开山体阴影和水体]。
2006年Oum和Tateishi在描绘东非裂谷内的湖泊岸线肘，认为NDWI3=（TM4TM5）/（TM4+TM5）和缨帽变换的湿度分量TCW能较其他水体指数更好地划分岸线，于是结合两者识别水体边界多波段增强图阈值法利用水体在TM不同波段的波谱特性，通过多波段运算来增强影像中的水体信息，使得在增强图中水体值高于非水体地物值，从而设定下限阈值即可提取水体。
但是，这类方法存在两个问题。
第一，由于部分细小水体在影像中以混合像元的形态存在，存在水体和非水体地物过渡区，阈值难取。
阈值高了将丢失细小水体信息，阈值低了将会把其他的地物信息误提出来。
第二，各种方法增强效果均有区域局限性。
在地类复杂的区域中，NDWI只在非山地的植被区域较好；MNDWI、TCW、NDWI3在建筑居民用地区域较好，却难以区分部分山体阴影和水体；而（TM2+TM3）一（TM4+TM5）在山体和农林区域较好，却难以区分部分建筑居民用地和水体。
本文将采用监督分类来提取水体，对水体和其他地物进行分类并作精度评定。
对于水体和阴影部分如何区分以及宽大河流和细小河流如何分类将作相应的描述。
第二章遥感图像处理
在LandsatTM影像中对水体及其他地物进行提取和精度评定，这个过程也就是对遥感图像进行处理。
遥感图像处理主要包括几何处理、辐射处理、图像滤波与增强、图像变换、特征提取、遥感图像分类[2]。
2.1几何处理
具有空间定位信息是遥感影像区别于一般图像的重要方面，因此涉及位置的处理如几何校正、地理纠正、坐标变换等式遥感影像处理的重要方面。
只有在符合精度要求的几何变换处理后，遥感影像表示的信息才能和真实的地表位置实现对应，并能和其他地图或数据源复合处理，实现基于遥感的地理空间要素、信息分析表达与制图[3]。
2.2辐射处理
遥感记录的信号是地物电磁波特征在经过大气影像、光电转换等步骤后的信息，如何通过遥感影像记录的特征值（如灰度）回复地物反射率，需要进行特定的辐射处理。
2.3图像滤波与增强
噪声是遥感影像中不可变面的要素，在一定程度上影像了图像的质量与应用。
滤波与增强是遥感图像处理的重要方面，通过高通滤波、低通滤波、图像锐化与平滑等处理，可以提高图像的目视解译效果，能够在一定程度上改进图像质量，提高应用精度。
2.4图像变换
图像变换是遥感影像处理中的重要部分，特别是对于多光谱遥感影像来说，通过主成分变换、K—T变换等对原始图像空间进行转换，以实现对目标更有效的描述，同时降低信息维数，提高处理效率。
各种图像运算与图像统计则是变换中不可缺少的基本处理。
2.5特征提取
遥感影像中蕴含了丰富的空间、光谱与专题信息。
首先，通过光学影像的立体像对或雷达影像的干涉处理可以提取底标高程信息，获取空间数据；其次，基于对图像的领域处理，可以计算和提取反应局部特征的纹理信息，这是分类的有效依据；第三，边缘提取后形成的边界及对边界的统计，是线状和面状目标提取以及基于对象分类中的重要信息。
光谱特称是遥感影像特点的重要体现，也是遥感优越性的保证。
多光谱、高光谱遥感影像通过从不同的光谱区间反映地物的光谱特性，得到了广泛应用。
如何从光谱维提取特征是遥感影像处理的重要内容。
通过多光谱遥感影像的红波段和近红外波段能够提取植被指数、归一化植被指数以及反映植被状态的“红边”参数，通过其他波段组合可以提取反映水体、建筑物、农田等地物的特征的信息。
此外，应用高光谱遥感数据还可以计算光谱吸收、导数光谱等其他特称值[3]。
2.6遥感图像分类
遥感研究地表空间时最主要的一项工作就是对地表覆盖进行分类识别，分类是遥感影像处理中最为重要的环节[4]。
在缺乏先验数据与训练样本的情况下，往往采用非监督分类。
监督分类则是目前分类的主要途径，往往采用最大似然、最小距离等判别函数。
传统的分类是基于纯像元中每一类别的比例。
面向对象的分类技术突破了传统基于象元的分类，从对象的层次进行综合应用语义信息的分类。
遥感图像分类包括：
非监督分类、监督分类、专家分类、决策树分类等等。
2.6.1非监督分类
非监督分类（UnsupervisedClassfication）运用ISODATA（IterativeSelf-OrganizingDataAnalysisTechnique）算法，完全按照像元比例的光谱特性进行统计分类，对分类区情况不了解时常使用这种方法。
使用该方法是，原始图像的所有波段都参与分类运算，分类结果往往是各类像元数大体等比例。
由于人为干预较少，非监督分类过程的自动化程度较高。
非监督分类一般要经过以下几个步骤：
初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换以及统计分析[5]。
2.6.2监督分类
监督分类（supervisedclassification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。
即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。
要求训练区域具有典型性和代表性。
判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。
常用算法有：
判别分析、最大似然分析、特征分析、序贯分析和图形识别等。
分类方法的定义：
平行六面体法
平行六面体将用一条简单的判定规则对多光谱数据进行分类。
判定边界在影像数据空间中是否行成了一个N维的平行六面体。
平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据每种所选类的均值求出的。
最大似然法
假定每个波段中的每类的统计都呈现正态分布，并将计算出给定象元都被归到概率最大的哪一类里[6]。
最小距离法
特征空间中的距离作为作为像素分类的依据。
首先由训练组数据得出每一类别的均值向量和协方差矩阵，然后以各类的均值向量作为该类在多位空间中的中心位置。
计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，则该像元就归入哪一类。
因而。
在这类方法中距离就是一个判别函数。
最小距离分类方法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
最小距离分类法中通常使用以下2种距离判别函数。
（1）欧几里德距离
欧几里德距离判决函数为：
（2-1）
式中
—波段数；
—像元
在
波段的像元值；
—第
类在第
波段的均值。
分类的原则就是把
归入
最小的那一类。
（2）马氏距离
马氏距离既考虑离散度，也考虑到训练组数据的均值向量和协方差矩阵，是一种加权的欧氏距离：
（2-2）
式中
—协方差矩阵；
。
当
=
（单位矩阵）时，欧氏距离的平方即为马氏距离。
马氏距离对不同特征（波段）是敏感的，需要进行加权，通过协方差矩阵来考虑变量相关性，加权的办法就是考虑不同特征（波段）中像元值的离散程度，离散程度大的波段在距离中应相应地削弱它的影响程度。
二值编码分类法
根据波段值落在均值的上或下方，把数据波普和端元波普编码为0或1，异或逻辑函数用来将每种编码后的参考波普同编码后的数据波谱进行比较，生成一副分类影像。
波谱角填图分类法
是一个基于物理的波谱分类法，它是用N维角度将象元与参考波谱进行匹配，此方法将波谱看成是空间中的矢量，矢量的维数就等于波段的个数，通过计算波谱间的角度，来判断连个波谱间的相似程度
监督分类（SupervisedClassification）比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。
在监督分类过程中，首先选择可以识别或者借助其他信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元对分类结果进行评价后在对模板进行修改，多次反复后建立一个比较确定的模板，并在此基础上最终进行分类。
监督分类一般要经过以下几个步骤：
建立模板（训练样本）、评价模板、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换[7]。
2.6.3专家分类
专家分类（ExpertClassification）首先需要建立知识库，根据分类目标提出假设，并依据所拥有的数据资料定义支持假设的规则、条件和变量，然后应用知识库自动进行分类。
ERDASIMAGINE图像处理系统率先推出专家分类器模块，包括知识工程师和知识分类器两部分，分别应用于不同的情况
2.6.4决策树分类
首先将提取的水体在ARC/INPO系统下，由栅格转换为失量多边形，并计算每个多边形的面积、周长和形状指数。
在利用地貌类型资料（失量多边形）与水体多边形进行叠置分析将水体划分为不同地貌类型。
然后制定分类规则，用决策树分类的方法对水体进行分类。
在山区由于阴影的影响，单一方法往往无法将水体有效的提取出来，而决策树分类方法的总体框架，每一步采用一种具体分类方法可以有效的提取水体。
[13]
利用光谱信息无法对提取的水体进行分类。
但不同类型的水体其面积、周长、形状等几何特征各有特点，并且与地貌类型有一定的关系。
利用水体的空间特征信息分析不同水体的空间特征特点，以此建立不同水体与空间特征的知识表达模型或水体分类决策规则，可以对水体进行有效分类[8]。
2.7ERDAS软件概述及其功能
ERDASIMAGINE是美国EADAS公司开发的专业遥感图像处理与地理信息系统软件，以模块的方式提供给用户，可使用户根据自己的应用要求、资金情况合理的选择不同的功能模块及其不同的组合，对系统进行精简，充分利用软件硬件资源，并最大限度地满足用户的专业应用要求。
ERDASIMAGINE面向不同需求的用户，系统的扩展功能采用爱芳的体系结构，以IMAGINEEssentials、IMAGINEAdvantage、IMAGINEProfessional的形式为用户提供了低、中、高三档产品架构，并有丰富的功能扩展模块供用户选择，使产品模块的组合具有极大的灵活性。
2.7.1IMAGINEEssentials级
这是一个包括制图和可视化核心功能的价格较低的图像工具软件，无论是独立地从事工作还是处在企业协同计算的环境下，都可以借助IMAGINEEssentials完成二维/三维显示、数据输入、排序与管理、地图配准以及简单的分析。
可以集成使用多种数据类型，并在保持相同的易于使用和易于剪裁的界面下，升级到其他级别的ERDASIMAGINE软件。
可扩充的模块包括：
Vector模块、VirtualGIS模块、Developer’sToolkit模块。
2.7.2IMAGINEAdvantage级
IMAGINEAdvantage级建立在IMAGINEEssentials级基础之上，增加了更丰富的栅格图像GIS分析和单张航片正射校正等软件。
IMAGINEAdvantage为用户提供了灵活可靠的用于栅格分析、正射校正、地形编辑及图像拼接工具。
简而言之，IMAGINEAdvantage是一个完整的图像地理信息系统（ImagineGIS）。
可扩充模块包括：
Radar模块、OrthoMAX模块、OrthoBase模块、OrthoRadar模块、SteroSARDEM模块、IFSARDEM模块、ATCOR模块。
2.7.3IMAGINEProfessional级
IMAGINEProfessional级面向从事复杂分析、需要最新和最全面处理工具的专业用户，是功能完整丰富的图像地理信息系统。
除了Essentials级和Advantage级中包含的功能以外，IMAGINEProfessional还提供轻松易用的空间建模工具、高级的参数/非参数分类器、知识工程师和专家分类器、分类优化和精度评定以及雷达图像分析工具。
可扩充模块为SubpixelClassifier模块
2.7.4IMAGINE动态连接库
ERDASIMAGINE支持动态连接库的体系结构，它支持目标共享技术和面向目标的设计开发，提供一种无需对系统进行重新编译和连接而向系统加入新功能的手段，并允许在特定的项目中裁剪这些扩充的功能。
动态连接库包括：
图像格式DLL、地形模型DLL、字体DLL库。
2.7.5ERDASIMAGINE功能体系
通过学习ERDAS软件我们知道该软件是个功能完整的、集遥感与地理信息系统与一体的专业软件。
下表是ERDAS软件的功能体系
第三章南京市水体信息提取
3.1研究区基本概况
南京位于长江下游沿岸，介于北纬31°14′至32°37′，东经118°22′至119°14′。
平面位置南北长、东西窄，成正南北向；南北直线距离150公里，中部东西宽50～70公里，南北两端东西宽约30公里。
南面是低山、岗地、河谷平原、滨湖平原和沿江河地等地形单元构成的地貌综合体。
长江南京段长度约95km；江南有秦淮河，江北有滁河，为南京市境内两条主要的长江支流,其河谷平原为重要农业区。
南京市区主要有玄武湖、琵琶湖、紫霞湖和莫愁湖等,城市南部有石臼湖和固城湖，湖泊水面积分别为201平方公里和24.3平方公里。
水面占全市总面积11.4%，平原、洼地占24.08%。
南京城区起伏不平，四周群山环抱形成了山多水多丘陵多的地貌特征。
图3-1南京市遥感影像
3.2光谱及特征地物的光谱信息
光谱的定义：
光谱（spectrum）光谱是复色光经过色散系统（如棱镜、光栅）分光后，被色散开的单色光按波长（或频率）大小而依次排列的图案，全称为光学频谱[9]。
每种地物都有其独特的光谱特征，（比如水体和林地的光谱特征就不一样）因此要对地物进行分类首先要从其光谱着手。
表3-4南京市特征地物光谱信息
反射率
TM1
TM2
TM3
TM4
TM5
TM6
长江
100
85
87
27
21
16
河流
95
73
72
30
29
19
水库
80
59
47
25
21
16
湖泊
83
61
50
25
22
17
城区
98
74
72
37
47
38
林地
73
51
43
52
55
28
耕地
85
66
62
62
78
45
草地
86
64
58
53
67
41
农村
95
76
77
43
65
55
待建设区域
109
94
108
58
118
97
3.3南京市水体信息提取
本文将使用图像裁切，图像分类以及多光谱混合分析法对南京市水体以及其他地物进行提取、分类和精度评定。
下面分别加以叙述。
3.3.1图像裁切
由于三角洲处农作物秋季收割的原因导致其秋季光谱特征与城区相似为方便分类故将其裁切（运用ERDAS软件中的AOI进行）。
图3-2裁切后南京市遥感影像
3.3.2图像分类
1、非监督分类
非监督分类就是完全按照像元比例的光谱特性进行统计分类，对分类区情况不了解时常使用这种方法。
使用该方法是，原始图像的所有波段都参与分类运算，分类结果往往是各类像元数大体等比例。
由于人为干预较少，非监督分类过程的自动化程度较高[10]。
图3-3南京市非监督分类图像
使用非监督分类的分类后南京市图像，从图像上可以看出非监督分类原始图像的所有波段都参与了分类。
图3-4非监督分类各地物及水体的光谱曲线图
2、监督分类
监督分类（SupervisedClassification）比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况[11]。
在监督分类过程中，首先选择可以识别或者借助其他信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元对分类结果进行评价后在对模板进行修改，多次反复后建立一个比较确定的模板，并在此基础上最终进行分类，本文主要用这个方法。
监督分类顾名思义就是在监督的基础上分类，监督分类的过程：
定义分类模板、评价分类分类模板、进行监督分类、评价分类结果，在实际应用中可根据需要执行其中的部分操作[12]。
一、定义分类模板
ERDASIMAGINE的监督分类是基于分类模板来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器来负责的。
毫无疑问，分类模板编辑器是进行监督分类一个不可缺少的组件。
在分类模板编辑器中生成分类模板的基础是原图像和其特征空间图像，因此，显示这
升级会员 