基于面向对象方法的高分辨率遥感影像提取.docx

基于面向对象方法的高分辨率遥感影像提取.docx

《基于面向对象方法的高分辨率遥感影像提取.docx》由会员分享，可在线阅读，更多相关《基于面向对象方法的高分辨率遥感影像提取.docx（38页珍藏版）》请在冰豆网上搜索。

基于面向对象方法的高分辨率遥感影像提取

摘要

遥感技术的发展使我们能够获得及其丰富的信息。

尤其是近年来高分辨率遥感影像的出现更扩大了人们对自然界观察的视野。

与中低分辨率的遥感影像相比，QuickBird和IKONOS等高分辨率遥感影像具有更加丰富的结构信息和纹理信息，对于高分辨率遥感影像来说，对于单一的传统的基于像元光谱信息分类方法不但会导致分类精度降低，而且也会造成空间数据大量冗余和资源浪费。

在对传统的基于像元的分类方法分析的基础上，把一种新的信息提取方法——面向对象的信息提取方法引入到高分辨率遥感影像提取中，影像分割和信息提取是这种方法的两个关键步骤。

本文所做的工作如下：

多尺度影像分割，需要用户输入适当的参数来得到较好的分割结果。

本文用目标函数法来对分割结果质量进行评价，已得到最优的影像分割结果。

目标函数法的目标是:

使影像对象内部同质性和影像对象之间异质性尽量最大化，其中同质性保证对象的纯度，异质性保证对象的可分性。

针对研究区域的特征，本文采用决策树分析的方法为研究区域的相应类别选择了合理的特征，并根据决策树分析过程建立了相应的分类体系，取得较高精度的信息提取结果。

面向对象信息提取方法和基于像元分类方法进行了综合比较：

（1）理论上的比较；

（2）目视效果的比较。

关键字：

高分辨率面向对象基于像元

Abstract

Thedevelopmentoftheremotesensingtechnologymakesusobtainveryabundantinformationofthenature,especiallywiththeappearanceofhighresolutionremotesensing,itextendsthevisualfieldofthenature.Comparedwiththelowormiddleresolutionimage,thehighresolutionremotesensingimagesuchasQuickBirdandIKONOShasricherstructureinformationandthetextureinformation.Itwillresultinnotonlyreducingtheaccuracyofclassificationbutalsomakingthespatialdataredundantandwastingtheresourcewhenthesingletraditionalclassificationmethodbasedonspectrumofpixelsisappliedtothehighresolutionremotesensingimage.

Anewinformationextractionmethod——objectorientedinformationextraction——isintroducedinextractinginformationformhighresolutionremotesensingimage.Imagesegmentationandinformationextractionarethemostimportantinthemethod.

Theworkisdoneinthewordasfollowing:

Inthemulti-segmentationmethod,usersareneededtosupplysuitableparameterstogetagoodsegmentedresult.Anobjectivefunctionisproposedtomeasurethequalityoftheresultingsegmentation,soabestsegmentationresultcanbegot.Thefunctionaimsatmaximizingintrasegmenthomogeneityanintersegmentheterogeneity.Intrasegmenthomogeneityensuresthesimpleofimage-objectandintersegmentheterogeneityensurestheseparabilityofimage-object.

Accordingtothecharacterofstudyarea,decisiontreeanalysisisusedtoselectthesuitablefeatureforeachclass,andaclassificationsystemisfoundedbasedonthis.Abetterresultisgot.

Pixel-basedandobject-orientedimageclassificationapproachesarecomparedinthreeaspects:

（1）compareoftheory;

（2）compareofeyes.

Keywords：

highresolutionobject-orientedPixel-based

目录

摘要I

AbstractII

1绪论1

1.1高分辨率遥感影像的发展1

1.2高分辨率遥感影像的分类方法3

1.3高分辨率遥感影像分割与信息提取3

2遥感影像信息提取方法的研究5

2.1基于像元的分类方法5

2.1.1监督分类及其优点6

2.1.2非监督分类及其优点6

2.1.3传统信息提取新方法7

2.2面向对象的影像分析方法9

2.2.1面向对象信息提取技术发展历程10

2.2.2多尺度分割技术11

2.3.3影像分割与分割参数的确定16

2.2.4影像分类技术18

2.4该方法存在的不足22

3.1最优尺度定义24

3.2多尺度分割的实验25

3.3最优尺度的选择26

3.3.1最大面积法26

3.3.2目标函数法26

3.3.3目标函数27

3.3.4实验结果和分析28

3.3.5本章小结29

4面向对象遥感信息提取实验30

4.1遥感影像预处理30

4.1.1遥感影像融合30

4.1.2遥感影像精纠正30

4.2多尺度分割参数选择实验31

4.3面向对象信息的提取31

4.3.1影像信息提取实验32

4.4面向对象和基于像元信息提取的比较35

5总结与展望36

5.1总结36

5.2本文的不足与展望36

参考文献38

致谢39

1绪论

近年来，随着遥感技术的发展，遥感影像的时间分辨率、空间分辨率以及光谱分辨率都有了极大的提高，给人们带来了极丰富的地表信息，应用领域也越来越广。

高分辨率遥感影像的空间分辨率在5米以内，由于其自身的辐射特点，像元的混合程度明显低于中低分辨率影像。

高分辨率影像数据具有极其丰富的空间信息、地物几何结构，纹理信息更加明显，更便于认知地物目标的属性特征，如地物的图层值、形状、纹理、层次和专题信息属性。

随着高空间分辨率遥感影像分类方法的研究成为备受关注的领域之一，采取适合的技术方法快速、自动识别和提取影像上的地物信息，从而使遥感技术应用的深度和精度得以提高面临新的挑战。

1.1高分辨率遥感影像的发展

高分辨率遥感影像通常是指像素的地面分辨率在10米以上的遥感影像。

早期高分辨率传感器的研制与应用主要在军事领域，以大比例尺遥感制图和对地物的分析和人类活动的监测为目的，20世纪90年代以后才逐渐进入商业和民用领域的范围，并迅速地发展起来。

1957年原苏联将全球首颗人造地球卫星成功送入预定轨道，开创了空间技术研究和应用的新局面。

1968年，美国阿波罗-8宇宙飞行器发送回了第一个地球影像，从此，人类以全新的视角来重新认识自己赖以生存的地球。

20世纪70年代初，美国成功发射了世界上第一颗真正的地球观测卫星——陆地卫星Landsat-1，其多光谱空间分辨率达到80米。

1986年2月法国SPOT卫星成功发射，其高分辨率可见光传感器HRV的地面分辨率达到10米，并能通过侧视观测在相邻轨道间构成异轨立体。

在1991年开始的海湾战争中，以美国为首的多国部队采用SPOT影像，不仅修测了大量军用地形图，而且还为多国部队空袭目标的定位和空袭效果的评估做出贡献，推动力航天影像测图技术走向实用。

20世纪90年代，随着“冷战”的结束，俄罗斯将原苏联解体前从空间拍摄的高分辨率影像以低廉的价格出售给其他国家，给国际遥感图像市场提供了新的选择。

随后，美国克林顿政府于1994年取消了对10-1米级分辨率卫星遥感影像数据的商业销售禁令，从而揭开了发展高分辨率商业遥感卫星的序幕。

在不长的时间里，美国使有数家私营企业提出高分辨率遥感系统方案：

数字地球公司提出“Earlybird”和“Quickbird”卫星系统；GDE公司提出GDE卫星系统；轨道成像公司提出“OrbView”（轨道观测）卫星系统；空间成像公司提出IKONOS卫星系统。

随后，以色利的EROS-2和法国的SPOT-5等高分辨率遥感卫星系统也相继面世。

在Landsat-1成功发射后的几十年里，研制出具有1米分辨率的卫星传感器一直是可望不可及的梦想，而在1999年商业遥感市场上出现的第一景IKONOS卫星影像时，人们的愿望终于变成现实。

IKONOS卫星是高分辨率商业遥感卫星发展史上的一个里程碑，他首次在民用领域将星载传感器的地面分辨率提高到1米之内。

IKONOS、Quickbird等高分辨率影像进入世界遥感影像数据市场，大大缩小了卫星影像与航空相片之间分辨能力的差距，打破了较大比例尺地形图测绘只能依赖航空遥感的局面。

近几年来，随着一系列高分辨率卫星的相继上天，使得高分辨率卫星遥感的应用成为可能，也使得遥感技术走向产业化、商业化。

由于卫星遥感获取资料迅速，成本相对较低，并且不受区域限制，因此他已经在空间探测、资源调查、通讯、导航、气象、测绘和军事侦察等领域得到了广泛的应用。

随着高分辨率遥感卫星的出现，使人们认识到遥感卫星有着更加巨大的应用潜力。

高分辨率遥感影像的空间分辨率一般可达到米级，地物的空间特征、几何结构、纹理及形状等信息非常丰富，真实的反映了地面的各种地物信息。

典型的高空间分辨率遥感卫星如：

IKONOS、QuickBird、SPOT5、EOS、WorldView-1、北京一号卫星等，空间分辨率均可达到米级。

WorldView-1卫星于2007年9月18日成功发射，是全球分辨率最高、响应最敏捷的商业成像卫星，全色影像的分辨率可达0.5米。

IKONOS卫星是高分辨率商业遥感卫星发展史上的一个里程碑，它首次在民用领域将星载传感器的地面分辨率提高到1米以内。

IKONOS-1于1999年4月27日发射失败，同年9月24日，IKONOS-2发射成功，于10月12日成功接收到第一幅影像，空间分辨率为1米。

QuickBird卫星于2001年10月18日成功发射，多光谱的空间分辨率为2.44米，全色波段的空间分辨率可达0.61米。

SPOT-5卫星利用影像重采样技术可得到2.5米分辨率的全色影像。

EOS卫星全色影像的空间分辨率达到0.6-3米，多光谱影像分辨率达到4米，高光谱影像分辨率达到8米。

北京一号卫星是国家“十一五”科技攻关计划和高科技研究发展计划联合支持的研究成果，同时被列为“北京数字工程”、“奥运科技行动计划”重大专项。

卫星可获取4米分辨率的全色影像数据，已完成了3次全国基本无云的32米多光谱影像覆盖，并对重点地区进行了密集观测，为减灾救灾提供了数据支持。

汶川地震发生后，北京一号卫星为国家诸多部门提供了大量地震灾区中的中分辨率多光谱和高分辨率全色卫星影像存档数据，为抗震减灾工作提供了重要的数据支持。

这些高分辨率卫星遥感影像的出现使得在较小的空间尺度上观察地表的细节变化、进行大比例尺遥感制图以及监测人为活动对环境的影响成为可能。

高分辨率影像数据具有丰富的空间信息，地物几何结构，纹理信息更加明显，更便于认知地物目标的属性特征，如地物的图层值、形状、纹理、层次和专题信息属性。

与此同时，高分辨率影像的光谱分辨率却很低，影像一般只有3-4个波段，光谱信息相对较弱。

1.2高分辨率遥感影像的分类方法

遥感影像分类是遥感影像处理系统的核心功能之一，也是信息提取的重要环节，他实现了基于遥感数据的地理信息提取。

目前应用较多的遥感解译方法有目视解译、基于像元的分类方法，面向对象的影像分析方法。

随着高分辨率遥感卫星的发展，具有丰富的几何结构和纹理信息的高分辨率遥感影像扩充了人们的视野，同时又为遥感信息提取技术提供了新的发展机遇。

传统的遥感信息提取方法都建立在像素的统计特征基础上，很少利用地物的形状几何结构等信息，分类精度较低，效率不高，而且依赖解译人员，很大程度上不具备重复性。

高空间分辨率遥感影像使得在较小的空间尺度上观察地表细节变化，进行大比例尺遥感制图，以及监测人为活动对环境的影响成为可能，随着高分辨率影像的应用越来越普及，迫切要求人们对高分辨率遥感信息提取进行研究，以满足高分辨率影像信息不断增长的应用和研究需要。

为了更好地利用高分辨率遥感影像的丰富信息，实现高分辨率遥感影像的信息提取，面向对象的影像分析方法应用而生，他所处理的信息不再是低层次的像素，而是经过多尺度分割后的目标对象。

与像素层面的分析方法相比，影像分析和理解的层次有了很大的提高和进步。

尤其是第一个面向对象的影像分析软件eCognition的出现，更加速了该方法的发展。

1.3高分辨率遥感影像分割与信息提取

遥感影像信息提取的依据是各类样本内在的相似性。

遥感影像中的同类地物在相同的条件下（地形、光照、时间等）具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性。

同类地物的像元的特征向量将集群在同一特征空间区域，不同类型地物其光谱信息特征或空间信息特征不同，他们将集群在不同的特征空间区域。

遥感影像信息提取一直是遥感技术的一个最重要研究领域。

从早期的影像目视解译技术到后期的计算机辅助分类，乃至当今的自动化判读技术，遥感影像信息提取逐步从单纯的像元物理特性识别向影像理解演变。

事实上，遥感影像中蕴含着丰富的色彩信息、空间信息、纹理信息，而传统的分类方法一般只利用了像元的色彩信息。

无论是监督还是非监督法均是基于像元级的处理，像元间的天然的内在联系被舍弃了。

即使采用纹理等影像辅助分类，其目的也仅是为了提高像元级的识别精度与可靠性，而从未顾及到遥感影像中丰富的空间信息的提取。

传统影像的分类方法是针对中、低分辨率遥感影像而设计的，因为低空间分辨率遥感影像本身单一像元代表的是混合地物，研究方向是从像元到亚像元的解译过程。

低空间分辨率遥感影像的光谱分辨率一般较高，而高空间分辨率遥感影像的光谱分辨率则相对较低，处理上应该采用从上至下的综合方法——影像分割。

高空间分辨率遥感影像可以通过建模从分割影像中获得除光谱信息之外的空间特征、纹理特征及层次特征等信息。

高空间分辨率遥感影像分割及特征提取、选择的过程是从另一个角度增加信息维并降低单维影像信息的冗余度，有助于提高遥感解译的精度。

2遥感影像信息提取方法的研究

遥感影像计算机分类是通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间，然后将图像内各个像元按照某种规则或算法划分到各个子空间中去，从而实现分类。

遥感影像计算机分类是统计模式识别技术在遥感领域的具体应用。

统计模式识别的关键是提取待识别模式的一组统计特征值，然后按照一定的准则做出决策，从而实现对数字图像的计算机分类。

遥感图像数据源的增多，人们对遥感数据处理分析方法和手段也在不断发展，新的分类方法和分类的思想也都在不断涌现。

传统的基于像素的常规遥感图像分类方法主要有非监督分类法和监督分类法，近年来发展的神经网络分类方法使得分类趋于人脑化和自动化，也使得遥感影像分类更趋于人的思维；面向对象的遥感影像分类方法，使得分类方法更加趋于完善和分类的结果精度更高，使得图像分类更加灵活和方便，为遥感影像分类和信息提取的发展迈出了跨越性的一步。

鉴于目前遥感影像分类法多而杂的现状，现从不同的角度进行分类总结。

按照分类的依据可以分为光谱特征分类和知识特征分类，而按照分类的对象可以划分为面向像素的分类和面向对象的分类；按照分类时被分像元的纯净程度来分，则可以分为纯净像元分类和混合像元分类。

传统面向像元分类方法是从中低分辨率遥感影像的基础上发展起来的，主要根据像元的光谱信息进行分类，然而，高分辨率遥感数据通常包括较少波段，光谱信息不如空间特征丰富，分类时不能仅靠光谱特征，更多的是要利用几何特征和纹理信息。

同时，高分辨率影像信息提取对计算机的软、硬件都提出了更高的要求，以面向像元分类方法对高分辨率影像进行信息提取的速度慢，不能满足遥感信息快速提取的需要。

面向像元分类方法提取的最终信息是离散的，不能表征不同的地物边界、面积等特征。

此外，面向像元的分类方法，所有地物类型的提取均在一个尺度中实现，不能充分利用影像的蕴含信息，因此，对于高分辨遥感影像而言，利用这种传统的分类方法，不能利用高分辨率影像的丰富信息，会造成分类精度降低，空间数据的大量冗余，造成资源的浪费。

2.1基于像元的分类方法

基于像元的分类方法是传统的分类方法，至今应用比较广泛，技术上发展比较成熟，主要包括监督分类和非监督分类。

监督分类是自顶向下的知识驱动法，先进行训练再进行分类，即先学习再分类法，而非监督分类是一种自底向上的数据驱动方法。

比较常用的监督分类法有：

最小距离法、费谢尔线性判别分类法、最大似然比分类法、平行六面体法、马氏距离法、波普角度制图以及二进制编码法等。

常用的非监督分类法有：

分类集群法、波谱特征曲线图形识别法、平行管道分类法、动态聚类法和K-means法。

高空间分辨率影像数据空间信息丰富，但光谱分辨率却很低，光谱信息相对较弱，其光谱统计特性不如中低分辨率影像稳定，类内光谱差异较大，光谱信息相对较弱。

仅考虑单个像元光谱光谱信息因素的方法极易出现大量错分，结果往往出现大量的椒盐和噪声。

如果用灰度滤波方式抑制又会降低影像分辨率，失去高分辨率影响的意义。

利用基于像元的遥感分类算法对高分辨率遥感数据进行分类，往往难以取得满意的结果，更适合于中、低空间分辨率多光谱遥感影像信息提取。

2.1.1监督分类及其优点

监督分类（SupervisedClassification）又称训练分类法，是通过选择有代表性的、地物类别已知的训练数据来训练分类器，再用训练好的分类器对未知地区影像数据进行自动分类的方法，即用被确认类别的样本像元去识别其他未知类别像元的过程。

监督分类可根据实际应用目的和研究区域有选择的决定分类类别数量，从而避免大量数据的冗余；可充分结合分析者的知识与经验控制训练样本的选择，有利于提高分类精度。

监督分类一般有以下几个步骤：

定义分类模板、评价分类模板、进行监督分类、评价分类结果。

2.1.2非监督分类及其优点

非监督分类（UnsupervisedClassification），也称聚类分析或点群分析。

即在多光谱图像中搜寻、定义其自然相似光谱及群组的过程，其前提是假定影像上同类物体在同样条件下具有相同的光谱信息特征。

非监督分类方法不必对影像地物获取先验知识，不需要人工选择训练样本，仅需极少的人工初始输入，依靠影像上不同类地物光谱信息（或纹理信息）进行特征提取，再统计特征的差别来达到分类目的，最后对已分出各个类别的实际属性进行确认。

经过长期发展，目前已形成近百种非监督分类方法。

非监督分类运用ISODATA算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。

使用该方法时。

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。

非监督分类一般经过以下几个步骤：

初始分类、专题识别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量数据、统计分析。

监督分类比非监督分类更多的要求用户来控制，常用于对被研究区域比较了解的情况，在监督分类的过程中，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再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。

由于监督分类不需要分析者选择训练样本，只需要其对非监督分类所得结果的解译能力，故对分析者的精度要求较低；主观因素影响较小，在非监督分类过程中只需要分析者预先定义几个参数，如分类数目等。

即使分析者对图像又很强的看法偏差，也不会对分类结果有很大的影响，因此非监督分类可以产生比监督分类更均质的图像；与监督分类相比，非监督分类不需要分析者对研究区域有很好的了解，因而可以节省大量的人力时间等；在非监督分类中，独特的、覆盖量很小的类别亦能被识别，而不至于像监督分类中由于分析者的失误造成信息的丢失。

2.1.3传统信息提取新方法

近年来传统的信息提取方法也发展了一系列新的方法：

人工神经网络、决策树、模糊集、专家系统分类以及其他一些纹理分类方法，其中ANN方法和决策树方法应用较多。

神经网络分类算法属于非参数分类器。

人工神经网络是基于生物神经系统的分布式存储、并行处理、自适应学习这些现象构造出具有低级智慧的人工神经网络系统。

当然这种人工神经网络只是对大脑的粗略而简单的模范，无论在功能上，还是在规模上都比真正的神经网络差得很远，但他在一些科学研究和实际工程领域中已显示了很大的威力。

但是，目前大多数的ANN方法主要是针对遥感数据的计算行为，缺乏地学知识的支持，因此不能真实反映遥感影像中特殊类型的分布特征。

决策树技术，在模式识别领域最早出现在1992年的文献中，90年代才引入

到遥感影像处理中，模拟专家目视解译，建立遥感影像解译的专家系统，实现了影像的自动判读，成为遥感影像解译的主要趋势之一。

基于像元的分类方法存在的不足如下：

（1）分类精度低，一般在70%以下，很难应用于针对高分辨率遥感影像的实际应用中：

（2）针对高分辨率遥感影像时，最终结果存在严重的“椒盐现象”，在很大程度上影响了目视效果；（3）基于像元的分类方法不能充分利用高分辨率遥感影像中包含的丰富的信息，在类别识别或信息提取中存在较大的局限性；（4）由于遥感影像中存在比较普遍的“同物异谱”和“同谱异物”现象，利用基于像元的方法容易产生类别混分的现象，影响最终效果，这就需要利用除光谱之外的其他信息得以解决。

自遥感出现以来，许多学者对上述的方法进行了大量的研究和改进，在很大程度上促进了遥感技术的发展。

Toll（1984）利用监督分类方法进行了大量的研究和改进，在很大程度上促进了遥感技术的发展。

Toll利用监督分类方法对Landsatmss数据进行了土地利用和土地覆盖分类的实验，得到了较好的分类结果；Xia（1996）提出了一种监督分类的改进方法，利用形状信息提高了分类结果；Sanghamitra（2002）和Mind-DerYang（2004）提出了一种新的全局优化算法——遗传算法（GA）。

Gong和Howarth（1990、1992）、Salihe和Wolfman（1992）、Kar