毕业论文-面向对象的遥感影像土地利用信息提取.doc

第页摘要对于高分辨率遥感影像来说，利用单一传统的基于像元的分类方法不仅会导致分类精度降低，而且会造成空间数据大量冗余和资源浪费。本文将面向对象的思想引入到高分辨率信息提取技术中，对面向对象的遥感影像分类方法进行了研究，应用面向对象方法提取QuickBird影像上的土地利用信息。旨在加深对面向对象分类方法的理论和应用认识，为后续研究打下基础。本文主要研究内容和结论如下：(1)本文在基于像元的尺度转换基础上研究了面向对象的尺度转换问题。分别以对象均值、对象标准差、对象分形维数等指标对尺度转换结果进行评价，结果显示各类别对象的评价指标值随尺度会发生变化，且不同类别的变化有一定差异。(2)影像最优分割尺度是面向对象多尺度分割的关键。为此，本文提出了一种最优分割尺度计算模型，并对影像进行了分割试验。结果表明，此模型计算最优分割尺度方便快捷，避免了目视的主观性，能提高影像分割效率。(3)选取最优分割尺度对实验区进行分割，建立类层次结构，定义模糊规则和特征空间进行模糊分类提取。(4)将面向对象遥感影像分类方法的分类结果与传统基于像元 (如最大似然分类法)的分类结果进行对比评价，结果表明，采用前者对高分辨率遥感影像进行信息提取时，分类的精度更高，有效避免了“椒盐现象”，分类结果也更易于理解和解释。关键词：遥感影像面向对象多尺度分割信息提取 西南科技大学硕士研究生学位论文 第页Abstra 西南科技大学硕士研究生学位论文 第IV页绪论11.1研究背景和意义11.2研究现状21.2.1传统的遥感影像信息提取（分类）方法研究现状21.2.2面向对象影像分析研究现状51.2.3土地利用信息提取技术研究现状61.3研究内容、技术路线和组织结构71.3.1研究内容71.3.2技术路线82面向对象信息提取方法与技术92.1术语92.2多尺度分割102.2.1图像分割概述112.2.2多尺度分割技术132.2.3多尺度分割参数选择182.3影像对象分类技术202.3.1标准最邻近分类方法202.3.2模糊分类方法212.3.3特征选择和特征分析253转换及最优分割参数选择293.1对象的尺度转换方法293.1.1于象元与面向对象尺度转换方法比较303.1.2度转换结果评价分析313.2最优分割参数选择343.2.1最优分割参数选择353.2.2最优分割尺度的选择最优分割尺度计算模型364 面向对象的土地利用信息提取454.1研究区概况和数据源454.1.1研究区概况454.1.2实验区数据源464.2遥感影像预处理474.2.1遥感影像融合474.2.2遥感影像精纠正484.3多尺度分割494.3.1分割方法504.3.2分割结果514.4面向对象土地利用信息提取544.4.1土地利用分类体系建立554.4.2土地利用信息提取555精度评价比较625.1精度评价625.2面向对象与基于象元信息提取比较65结 论67致 谢69参考文献69攻读学位期间发表的学术论文及研究成果74 第 72 页绪论1.1研究背景和意义自20世纪60年代遥感技术出现以来，遥感就应用于诸如测绘、地学、环境、农林和军事等领域，并发挥着越来越重要的作用。卫星遥感技术经过30多年的发展，遥感影像的光谱分辨率、空间分辨率和时间分辨率都有了巨大的进步，己经具备了高光谱分辨率、高时间分辨率、高空间分辨率、全天时、全天候、实时/准实时的对地观测能力。目前，已经形成三多(多星种、多传感器、多分辨率)和三高(高空间分辨率、高时间分辨率、高光谱分辨率)的发展局面。高分辨率数据越来越丰富，如法国的SPOT卫星影像(全色波段空间分辨率为2.5m)，美国的IKONOS卫星影像(多光谱影像的空间分辨率为4m，全色影像的空间分辨率为1m)，美国的QuickBird卫星影像(多光谱影像的空间分辨率为2.44m，全色影像的空间分辨率为0.61m)等。在本文中所谓的高分辨率卫星影像指的是高空间分辨率遥感影像。遥感传感器的发展无疑为遥感应用朝着定量化方向发展提供了坚实的技术基础，但是针对遥感影像的处理技术发展速度却跟不上传感器的发展速度。遥感图像处理包括纠正图像中存在的畸变及失真现象，根据人的视觉原理对遥感图像进行各种变换和增强处理，其最终目标就是要对图像进行分析和解译1。分类问题是遥感图像信息提取中最基本的,也是最重要的问题之一，有关应用的许多方面都会涉及到这一问题2-4。所以说，遥感图像分类技术的提高直接促进遥感技术的应用发展。传统的遥感图像分类研究主要是针对分辨率低于10m的低分辨率卫星影像的。传统遥感图像分类方法主要包括极大似然法、最小距离法、马氏距离法等监督分类法和ISOdATA、K-均值等非监督分类法，它们都是基于影像光谱信息的分类方法，对于低分辨率的多光谱和高光谱遥感图像分类效果较好5。然而随着遥感应用商业化的不断深入，越来越多的高分辨遥感卫星成为遥感应用的主流。由于空间分辨率较高，影像的结构和纹理信息非常突出，但是高分辨影像的光谱分辨率却并不高，多为四个波段蓝、绿、红、近红外。因此，仅仅依靠像素的光谱信息进行分类，着眼于局部像素而忽略邻近整片图斑的纹理、形状、结构等信息必然会造成分类精度的降低6。传统的基于像元的信息提取方法很难在基于高分辨率遥感影像的项目中得到应用。为了更好的实现高分辨率遥感影像的信息提取，合理地利用高分辨率遥感影像提供的丰富信息，根据高分辨率遥感影像的特点，面向对象的高分辨率遥感影像信息提取方法应运而生。该方法不仅利用地物的光谱信息，更多的是利用其几何信息和结构信息，影像的最小单元不再是单个的像元，而是一个个对象，在后续的影像分析中也是按照对象来进行处理的。目前，这种方法的应用研究已经取得了一定的进展7-10。实验证明，这是一种很有前途的信息提取方法，尤其是eCognition软件的出现更加速了这种方法的发展。面向对象信息提取方法的出现，为在实际应用中实现半自动或自动的信息提取(分类)提供了可能性，对这种方法进行深入的研究是很有意义的。土地利用调查是土地管理中最基础的最重要的环节，是一个极其复杂的工作，需要处理大量数据，如何提高土地信息调查的效率和质量，对土地管理信息化建设十分重要。传统的土地利用的获取主要通过野外调查，费工费时。作为近年来迅速发展起来的空间信息获取和处理新技术，遥感技术成为进行土地利用调查的有力工具，可以提高土地利用现状调查的效率以及数据的现势性和真实性。目前，遥感技术已经广泛应用于国土资源调查工作当中。但是，对于1：1万等大比例尺的土地利用调查，在实际工作中都是采用人机交互解译的方法，效率不高。主要原因是高分辨率影像的信息自动化提取精度不高，因此，研究高分辨率遥感影像自动分类的方法，具有一定的理论和应用价值。1.2研究现状1.2.1传统的遥感影像信息提取（分类）方法研究现状遥感应用的最终目标就是从遥感图像提供的众多信息中提取出应用者感兴趣的地物信息，其中遥感图像分类就是实现这一过程的基本方法之一。遥感图像分类是将遥感图像中的每个像元划归到不同类别中去的过程，它主要经历了目视解译和计算机自动分类两个阶段11-12。近些年来，越来越多的人们开始关注高分辨率遥感图像的分类技术。目前，很多的国内外文献都是利用一些传统的分类方法(比如监督分类方法和非监督分类法)加以改进来进行高分辨率遥感图像的分类。监督分类方法，如基于最小错误概率的分类器、最大似然法、最小距离法和神经网络分类法，这些方法首先根据类别的先验知识确定判别函数和相应的准则，其中利用一定数量的已知类别的样本的统计特征来确定判别函数中待定的参数过程称之为学习，然后根据判别函数和判别准则以及样本的统计特征来将未分类的像元划分到相应的样本类中13。最大似然分类法是遥感分类的主要手段之一，其分类器被认为是一种稳定性、鲁棒性好的分类器。但是，如果图像数据在特征空间中分布比较复杂、离散，或采集的训练样本不够充分、不具代表性，通过直接手段来估计最大似然函数的参数，就有可能造成与实际分布较大的偏差，导致分类精度下降。为此，不少学者对传统的最大似然分类器进行了改进。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型，其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器)，复杂的有EdiriwickremaJ等提出的启发式像素分类估计先验概率法14。非监督分类包括ISODATA算法、k均值、k均值的改进算法模糊k均值以及近几年发展起来的一种崭新的全局优化算法一遗传算法(Genetic Algorithm,GA)，它借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性的提高15-16。还有些通过在基于像素的传统的分类器中结合纹理和上下文信息来提高分类的精度17-20。这几种方法分类简单、易操作。但是，这些方法的缺点在于需要事先确定各个类别的初始聚类中心和聚类数目(遗传算法可不设定聚类数目)，自动设置各类别中心到现在为止还没有一个切实有效的方法，而且从肉眼观察很难获得一幅遥感图像中类别的数目。为了有效地提高遥感图像分类精度，近年来发展了一些新的分类方法，诸如人工神经网络、模糊聚类、决策树分类、专家系统分类法、SVM分类法以及其它一些纹理分类算法等。M. Mokhtarzade 和 M.J. Valadan Zoej利用人工神经元网络对Kish Island and Bushehr Harbor两个地区的IKONOS、 QuickBird影像上的道路进行检测，取得了较好的效果21。然而，神经元网络学习算法存在收敛速度缓慢、易陷入局部极小、甚至小收敛等缺陷。这使该网络的分类性能受到严重影响，对此，许多文献提出了一些改进算法，如自适应调整参数法、附加动量法，拟牛顿法、共扼梯度法等等，这些改进的BP算法在一定程度上克服了以上的缺陷，提高了网络收敛速度，降低了网络陷入局部极小的出现次数22。模糊聚类算法是非监督分类中一种重要方法，它以Zadeh创立的模糊集和模糊数学理论为基础决策树分类法具有灵活、直观、清晰、健壮运算效率高等特点，在遥感分类问题上表现出巨大的潜力，相关文献对决策树分类方法进行了较为深入的研究23-24。随空间遥感信息获取技术日臻完善，一个多层、立体、多角度、多种传感器、多分辨率、多时相、全方位和全天候的对地观测网正在形成25。如何充分利用这些多源遥感信息以及一些气候、地面等信息来提高遥感分类精度被许多学者提出，其中专家分类系统被大多数学者认同。它由知识库和算法两个部分构成，知识库包含与模型系统相关的数据和连接数据的规则，即证据；在证据和将被解决的假设之间的控制流程为算法。近些年，学者设计了大量的专家分类系统用于遥感图像分类26-28。研究中有学者发现遥感图像尤其是高分辨遥感影像有着周期性规律分布的纹理信息，这些信息可以显着地提高遥感影像分类精度。此后，学者们提出了许多提取纹理用于分类的算法，这些算法都不同程度地提高了遥感图像的分类精度。近年来，机器学习理论得到很大的发展，其中支持向量机(SVM)理论被广泛地应用到许多分类领域，在遥感影像分类应用中也有良好地表现。该理论是在Vapnik创立的统计学习理论基础上发展起来的一种全新的机器学习算法。SVM基于统计学习理论的结构风险最小化原则，它将最大化分类间隔的思想和基于核的方法结合在一起，表现出很好的泛化能力，同时有效地克服了神经元网络产生的“过学习”现象29 以上介绍的这些分类方法都有一个共同特点，它们都是以像元为基础单元进行信息提取，这种方法主要根据地物的光谱特性来进行分类，即同类地物像元的特征向量将集群在同一特征空间区域，而不同的地物其光谱信息特征或空间信息特征将不同30，即基于像元的分类方法。高分辨率影像具有丰富的空间信息，地物几何结构和纹理更加明显，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、层次和专题属性，但其通常包含较少的光谱波段，光谱特征不如空间特征丰富31。因此，基于像元的分类方法在对高分辨率影像进行分类时精度不是很理想。为了利用高分辨率遥感影像的空间信息、光谱信息以及上下文信息，学者们提出了面向对象的影像分析方法。这种分析方法，是将具有相同或相似的均质特性的像元集合区域视为一个均质对象，每个对象都有各自的属性描述，在对图像进行分类时，不同大小的区域对象作为分类的基本单元。这种方法有效地避免了由于高分辨率影像同种地物光谱变异较大而引起的分类“椒盐”现象，同时应用各个对象的光谱、空间、上下文关系可以有效地提高高分辨率影像的分类精度。1.2.2面向对象影像分析研究现状面向对象的遥感信息提取方法综合考虑光谱统计特征、形状、大小、纹理、相邻关系等一系列因素，能够得到较高精度的信息提取结果。此方法的关键技术是对图像数据进行分割，从二维化了的图像信息阵列中恢复出图像所反映的景观场景中的目标地物的空间形状及组合方式。影像的最小单元不再是单个的像素，而是一个个对象，后续的影像分析和处理也都基于此对象进行。面向对象的遥感影像分析技术是针对高分辨率影像应用而兴起的一种新的遥感分类技术。早在20世纪70年代它就被应用于遥感影像的解译中。Ketting and Landgrebe (1976)提出了同质性对象提取的优点，并提出了一种分割算法ECHO (Extraction and Classification of Homogenous Objects) 32；Wharton (1987)设计了一种光谱知识的专家系统用于城市土地覆盖分类33 Lobo (1996)等人利用基于目标的信息提取思想对遥感影像进行分类，得到了比较好的效果，同时他们特别指出，与传统的基于像元的分类结果相比，基于目标的方法得到的结果往往更容易被解释，而且处理结果中图斑的完整性更好34。Willhauck and Schneider et al. (2002)使用常规的目视解译、面向对象两种方法对SPOT数据与航空影像数据进行森林类别的识别，结果表明面向对象的分类方法优于传统的目视解译，而且分类数据可直接进行动态监侧变化的定量分析。Willhauck et al. (2002)采用面向对象的影像分析方法，集合了多种数据如ERS SAR影像、植被图及NOAA数据完成了印度尼西亚在1997与1998年严重森林火灾后的制图任务35。Huang Huiping 02003)等进行了相关的实验也对这种基于基元和面向对象的分类结果的精度和准确性进行了肯定36。 面向对象影像分类研究在我国起步较迟，于近几年开始进行该技术的应用研究。杜凤兰等结合IKONOS高分辨率遥感数据，利用面向对象分类法实现土地覆盖精确分类，并探讨面向对象分类法在地物分类应用中的潜力和限制30。莫登奎等以高分辨率遥感影像数据IKONOS为主要数据源，以多尺度分割与基于模糊逻辑分类的面向对象影像分析方法为主要技术，自动提取株洲市城乡结合部的土地覆盖和土地利用信息，达到了提取郊区丘陵地带林地信息和城市建筑、道路等土地覆盖信息的目的，而且精度高，速度快37。覃先林等利用Quickbird影像分割后的影像对象提取树冠信息，取得了不错的效果38。黄慧萍等以高分辨率遥感影像为数据源，以多尺度影像分割与面向对象影像分析方法为主要技术，利用样本多边形对象的成员函数建立训练区，自动提取大庆市城市绿地覆盖信息，达到清查城市绿地的目的。该方法信息获取周期短、精度高、成本低，实现了城市绿地信息精确获取与快速更新391.2.3土地利用信息提取技术研究现状在目前的土地利用遥感分类当中目视解译或者计算机辅助目视解译仍然是主要的技术手段，人工目视解译的精度完全依靠于个人的经验，而且对于同一影像，不同的人可能得出不同的结果或结果有所差异，比如在进行地物面积统计时，由于个人经验和认知的不同以及勾绘精度的差别，统计的结果可能存在一些差异，造成结果的不统一，人为主观性较强，而且需要投入大量的人力和物力，花费时间多，自动化程度低，效率低，更新速度慢，在一定程度上影响信息提取的适时性。因此，有许多学者研究了基于遥感影像自动分类的土地利用信息提取技术。很长一段时间内，很多文献都是利用一些传统的分类方法加以改进来进行高分辨率遥感图像的分类。万幼川和宋杨则通过构建一个三层的MLP(多层感知器)分类器对融合后的IKNONOS影像进行监督分类，提取城市建筑物与道路信息，并在此基础上实现了地图的更新40。孙丹峰等人研究了JKON 0 S米级高分辨率遥感影像在大比例尺土地利用图件更新中的应用技术，提出采用基于知识的上地利用覆盖分类以及变化监测系统方法41。近些年，诸如IKONOS, QuickBird等高分辨影像在土地调查中的应用越来越成为主流。因而，出现了针对高分辨卫星影像的分类方法的研究。经过大量的研究，一种面向对象的影像分析方法出现了，并很快地应用到土地利用信息分类中。Aplin (1999 )等人基于这种思想对高分辨率遥感进行土地利用分类(34)Hellwich (2000 )等人利用影像分割和知识辅助，从高分辨率多源遥感影像数据中提取了道路网格、农用地块和居民地信息42。Hofmann （2001）在面向对象的分类方法中利用影像对象的光谱、纹理、形状与背景信息识别IKONOS影像中的非正式居民地，得到的分类结果具有较高的精度43-44。 Bauer等(2001)对奥地利维也纳市进行了航空影像土地利用分类，提出，目视解译能取得一定的精度，但速度慢，所以采用面向对象的计算机自动分类技术，该方法速度快、精度高，是高分辨率影像自动分类的理想选择45黄慧萍等以不同的尺度参数对大庆市IKONOS影像进行多尺度分割，然后采用面向对象的分类方法将绿地分为乔木、灌木、人工草地、疏林地等类别，最后精度评价分别为94.81%, 86.67%, 98.08%, 88.89%,总精度为92.11 %。综上所述，面向对象的影像提取技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力。对于面向对象的信息提取方法而言，其最终结果的精度受初期分割结果的影响很大，在很大程度上依赖于分割结果的质量。虽然众多学者对面向对象力一法进行了大量研究和试验，但分割中分类参数的选择和信息提取中分类特征的的选择以及分类体系的建立却很少有人涉及。 1.3研究内容、技术路线和组织结构1.3.1研究内容高分辨率遥感影像应用越来越广泛，针对高分辨率遥感影像信息提取的研究也越来越多。国内外研究证明面向对象的遥感影像分类方法具有较好的效果。面向对象影像分析方法研究的两个主要内容是影像多尺度分割技术和对象多特征模糊分类模型。本文拟将面向对象影像分析方法研究和其在土地利用信息提取中的应用研究相结合，加深对面向对象分类方法的理论理解，提高对其应用实践能力。针对面向对象方法的研究，阐述尺度转换、尺度效应，针对面向对象影像分析中的尺度问题提出了一种计算最优分割尺度的方法最优分割尺度计算模型，以选择最优分割结果，并以目视方法相结合，建立合理的层次网络结构；通过试验建立合理的模糊规则，并根据分析过程建立合理的分类层次结构和分类体系，在面向对象分类方法研究的基础上，采用其对土地利用信息进行提取，并与传统基于像元分类方法进行比较。1.3.2技术路线数据预处理原始遥感影像最优分割参数选择影像分割影像对象分类特征选择分类系统建立分类规则进行分类面向对象分类结果最大似然法分类分类结果基于象元的分类方法面向对象的分类方法分类结果评价与比较图1-1技术路线Fig.1.1 route of technology2面向对象信息提取方法与技术自从IKONOS，QuickBird等高分辨率卫星成功发射并投入商业运行以来，高分辨率卫星遥感数据的实用化开创了遥感应用的新时代。高分辨率遥感影像与中、低分辨率遥感影像相比具有更加丰富的结构信息和纹理信息，这对高分辨率遥感影像的处理和信息提取提出了更高的要求。面向对象信息提取技术是近年来提出的一种新的信息提取方法，与传统的分类方法相比最大的不同是：面向对象分类方法不是基于单个的像元，而是基于影像对象或者更直接一点说就是区域。影像对象(区域)的形成需要对影像进行分割，这样就形成了初始较为同质的影像对象，使得同类地物的光谱变化被减小，不同类型地物之间的差异增大，增加了类别的可分性。近年来矢量GIS的应用得到了极大的成功，人们习惯在使用数据过程中以矢量多边形来表达。而遥感影像作为GIS数据库的重要来源，却是以栅格形式表示，所以遥感数据和GIS的矢量数据在数据格式上存在很大的差异。传统的基于像元的分类方一法要想输出矢量格式就要对分类后的结果影像像进行栅格矢量化的分类后处理，那么分类结果的矢量化的价值就不是十分突出，而且传统分类方法存在较大的噪声，矢量后的结果也不能直接入库，需要大量人工的修改。而面向对象的信息提取方法则能很好的提供矢量成果信息，大大的提高了遥感与GIS集成的能力。面向对象影像信息提取分为两个独立的模块：对象生成(影像分割)和信息提取(影像分类)46。对象生成是采用分割技术生成属性信息不同的影像对象的过程，成功地影像分割是面向对象影像信息提取的必要前提；影像信息提取是基于模糊逻辑的分类系统，并不简单地将每个对象分到某一类，而是给出每个对象隶属于某一类的概率，根据地物特征以及空间相关信息建立模糊逻辑的知识库，进行信息提取。下面对这两个技术进行详细的阐述。2.1术语尺度：实体、模式与过程被观察与表示的空间大小与时间间隔。面向对象影像分析中的尺度指的是一个分割结束的阈值，其大小决定了所生成对象的大小。影像对象：分割后得到的信息类的像元集合体，具有明显的空间性，对象大小取决于影像的分割尺度阈值与空间结构特征。影像分割：遵循异质性最小的原则，把光谱信息相似的邻近像元合并为一个同质的影像对象，分割后属于同一对象的所有像元都赋予同一含义。影像分割过程中对影像对象的空间特征、光谱特征和形状特征同时进行操作，因此生成的影像对象不仅包括了光谱同质性，而且包括了空间特征与形状特征的同质性。多尺度分割：在影像信息损失最小的前提下，以任意尺度生成属性信息类似的有意义的影像对象，构建不同尺度的影像对象网络层次结构。面向对象的影像分析：采用多尺度分割技术生成有意义的多边形对象，以影像对象为信息提取的基本单元，运用模糊数学分类方法实现类别信息的半自动或自动提取。2.2多尺度分割遥感影像分割采用Toble的地理第一定律47：把光谱信息相似的邻近像元合并为一个同质的影像对象，分割后属于某一影像对象的所有像元都隐含地被赋予同一含义。近年来影像分割技术在医学、电信工程、神经信息学等领域中得到了很大的发展，相应的软件也有所发展。但是，由于遥感影像的多波段多分辨率特征，使得分割技术进入遥感影像领域中的时间还不长。其它领域的图像分割技术不能适用于遥感影像的分析，主要是因为遥感传感器获得的遥感影像是多光谱、多尺度的，比其它图像信息要更丰富、更复杂。当前，影像分割己成为遥感专题信息提取中不可缺少的技术，如何根据专题应用尺度将相邻的像元组成有意义的影像对象并融入对象的背景信息是影像分析成功的关键。考虑到遥感影像的复杂性，为获取最佳的影像对象，在进行影像分割之前，必需充分考虑以下几个要求48：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；几乎所有的影像对象属性如色调、纹理、形状和邻域关联度或多或少与尺度有一定的依赖关系，类似尺度的影像空间结构在特征上有可比性；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感兴趣的尺度大小相适宜；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。遥感影像是由空间结构上相互联结的像元组成的对象，反映了地表物体固有尺度。要理解影像对象如何在不同的尺度域之间相互作用，就需要一种技术既能自动生成影像对象，又能将这些影像对象按等级结构联接起来。2.2.1图像分割概述图像分割是图像分析和模式识别过程中的第一个环节，也是一项具有挑战性的工作。这个环节的质量好坏，直接关系到甚至决定了其它后续处理如图像测量、图像识别等工作的质量。图像分割在很多行业都有重要的应用。图像分割的目的是根据应用的需要，选定一些特征，如灰度、颜色、纹理等，将图像分割成不同类的区域，在同类的区域内，图像具有相同或相近的特征性质，在不同类的区域间，图像特征具有明显的差异。简单地说，图像分割是将一幅数字图像分割成不同的区域，在同一区域内具有在一定准则下可认为是相同的性质，如灰度、颜色、纹理等等。而任何相邻区域之间其性质具有明显的区别。一般图像分割可以以以下的形式定义49-50：令有序集合R表示图像区域(像点集)，对R的分割是将R分成若干个满足下面5个条件的有序非空子集R1，R2，Rn；(1)一幅图像的分割结果中全部子区域的总和(并集)应能包括图像中所有像素，或者分割应将图像中的每个象素分进某个子区域中，即；(2)分割结果中各个子区域互不重叠的或者分割结果中一个像素不能同时属于两个区域，即对于所有的i和j， ，有；(3)分割结果中每个子区域都有独特的特性或者属于同一个区域的像素应该具有某些相同的特性，即；(4)分割结果中不同的子区域具有不同的特性，没有公共元素或者属于不同区域的像素应该具有一些不同的特性，即，；(5)分割结果中同一个子区域内的像素应当是连通的，即Ri ，i=1，2，n 是连通的区域。所谓影像分割是将整个影像区域分割成若干互不交叠的非空子区域的过程，每个子区域的内部都是连通的，同一区域内部具有相同或相似的特性，此处特性可以是灰度、颜色、纹理等。影像分割算法总体上可分为基于边界的分割算法和基于区域的分割算法。、基于边界的分割算法基于边界的分割算法可以分为两类：一类是先检测目标的边缘点，然后组成目标的边界来实现分割，如：微分算子、Hough变换等；另一类是先确定边界的起始点，然后根据某种策略进行顺序搜索，确定目标的边界来实现分割，如：边界跟踪、曲线拟合等。这种分割方法适合处理区域内部异质性小而且边界变化明显的情况，尤其适合对特定目标的提取。但对于遥感影像信息提取而言，自然环境复杂多样，各环境要素之间的变化大部分是渐变的，这种方法很难对整景遥感影像进行合理的分割，因此不适宜采用基于边界的方法对遥感影像进行分割。、基于区域的分割方法基于区域的分割方法是利用区域内特征的相似性把影像划分为一系列有意义区域的处理方法。(1)区域生长法 区域生长方法是根据同一地物区域内像元的相似性来聚集像元的方法，从初始区域(如小区域甚至是单个像元)开始，将相邻的具有同样性质的像元或其它区域归并到目前的区域中从而逐步生长区域，直至没有可以归并的像元或其它小区域为止。区域内像元的相似性度量可以包括光谱平均值、纹理、形状、位置等信息。 区域增长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的影像，如自然景物。但是，区域增长方法是一种迭代的方法，空间和时间的开销都比较大。这种分割方法对种子点的选择有很大依赖，不同的种子点设置一般会有不同的分割结果，而且在不同地物之间过渡平缓的情况下会把不同类型的区域合并到一个区域。(2)分裂、合并混合法 这种分割思想是先从整幅影像开始通过不断分割得到各个区域。实际应用中常常把影像分割成任意大小且不重叠的区域，然后再合并或者分裂这些区域以满足分割的要求。通常用的是一种利用四叉树表达的简单分裂合并算法，如图2.1所示：R代表整个正方形区域。图2.1四叉树表达方法Fig.2.1Expression of quad tree2.2.2多尺度分割技术 1、多尺度分割概念 地表信息在不同的时间跨度上和空间跨度上都有着不同的表现，如一块稻田在夏季获得的真彩色影像上显示绿色，在秋季则显示黄色；当人们贴近城市影像观察时所识别的只是单个的房屋，而当视线远离影像时识别的则是城市。这只是尺度在人们生活中常见的例子之一，说明相同的地表在不同的尺度上有不同的表现，不过本文所讨论的尺度仅限于空间上的尺度。在前面的例子中，人们要想识别出自己感兴趣的目标，就必须选择适合这个目标的尺度，也就是不断调整视线使目标容易识别。因此，影像分割的对象尺度与所要识别的目标尺度相一致。 多尺度分割的方法考虑了地表实体或过程的多层次，克服数据源的固定尺度，采用多尺度影像对象层次网络结构揭示地表特征(如图2.2)。影像对象的层次网络中不同尺度对象的尺寸大小有差异，但大尺度对象与小尺度对象一样为原始像元的聚合，只是聚合阈值的大小不一样，而呈现不同的像元组合特征，因此大尺度的影像对象中并没有损失原始像元的信息。在图中可以看到，固定空间分辨率的遥感影像在多尺度分割之前，表示为同一空间尺度的类别信息，该尺度即为影像的空间分辨率。当要识别树木和房子等目标时，原始的影像尺度显然过小，每个像元只代表目标的很小一部分，因此需要通过聚合目标组成像元的方法来增大尺度，这样就可以识别出树木和房屋了。同样地，要识别城市和郊区就要在此基础上进一步增大尺度。多尺度分割的突出贡献是把同一空间分辨率的遥感影像转换成多个适宜的尺度来描述51。此外在影像对象网络层次结构中，每一个影像对象的属性信息中不仅有与其相邻对象的关系属性，还有与子对象和上层对象之间的关系属性。有些对象的光谱信息与形状信息都十分相似，若以相邻对象的背景信息作为分类的一个条件，则提取就容易得多。在对层次等级的关系进行操作时，上下层次对象间的关系亦显得十分重要，可根据父对象的属性对子对象分类、根据子对象的平均属性对父对象的纹理属性分类、根据已分类的子对象的组成对父对象分类等。图2.2 多尺度分割网络层次结构图Fig.2.2 The hierarchical network of multi-segmentation2、基于异质性最小原则的区域合并算法区域合并方法的基本思想是将具有相似性质的像元集合起来构成区域多边形，先对每个需要分割的区域找一个种子像元作为生长的起点，然后将种子像元周围邻域中与种子像元有相同或相似性质的像元合并到种子像元所在的区域中，将这些新的像元当做新的种子像元继续进行上面的过程，直到再没有满足条件的像元，这样一个区域就生成了50。为了保证影像分割生成的多边形对象内部的同质性与相邻多边形对象的异质性的适宜程度，在区域合并的分割过程中需要考虑两个标准：设置类似像元合并的准则与确定停止像元合并的条件，这两个标准在分割过程中控制像元的归属，因此标准设置的合理与否将直接影响分割后影像对象有效性。 传统的区域合并算法存在两个问题：第一，以种子像元为生长起点。研究发现分割得到的区域与初始种子像元的选择关系密切，不同的种子像元生长成的区域一般不同，有时差别很大。第二，合并准则基本只考虑了像元的光谱信息，没有考虑像元的位置、形状等空间信息。这就导致了分割后的区域边界出现破碎化现象，对于低分辨率图像，区域边界破碎化程度不是很明显，但对于空间信息丰富的高分辨图像，分割后区域边界破碎化程度较高，严重降低了图像分割的效果。针对这两个问题，Baatz，M和Schape，A提出了一种基于异质性最小原则的区域合并算法。这种算法以任何像元为中心生长，不用选择种子像元，该方法将光谱异质性标准和空间异质性标准相结合，即光谱因子和形状因子。该方法有效解决了传统区域合并算法的问题，大大提高了影像分割效果，下面是对其详细介绍。任何一个影像对象的异质性值f是由四个变量计算而得(公式2.1)：(光谱信息权重)、 (形状信息权重)、（光谱异质性值)、 (形状异质性值)W是用户定义的权重，取值于0-1之间，且 （2.1） 光谱异质性值不仅与组成对象的像元数目有关，还取决于各个波段标准差(公式2.2 ) 。为像元内部像元值的标准差，根据组成对象的像元值计算得到，n为象元数目。（2.2）形状异质性值由两部分组成(公式2.3 )：紧密度和光滑度（2.3）与取决于组成对象的像元数，多边形的边长1与同面积多边形的最小边长b，见公式2.4和2.5 。（2.4）（2.5） 基于这种方法的多尺度影像分割具体步骤如下：首先设置分割参数，包括设定一个尺度阈值即停止像元合并条件；根据影像信息纹理特征及所提取专题信息要求确定光谱因子与形状因子的权重；在形状因子中，根据大多数地物类的结构属性确定紧密度和光滑度因子的权重。然后以影像中任意一个像元为中心开始分割，第一次分割时单个像元被看作一个最小的多边形对象参与异质性值的计算；第一次分割完成后，以生成的多边形对象为基础进行第二次分割，同样计算异质性值，判断f与预定的阈值之间的差异，若f小于阈值s，则继续进行多次的分割，相反则停止影像的分割工作，形成一个固定尺度值的影像对象层。图2.3为异质性最小的计算流程，s为分割尺度阈值。图2.3基于异质性最小的区域合并影像分割图Fig.2.3Image segmentation chart of regional merger based on minimum heterogeneity2.2.3多尺度分割参数选择 多尺度分割是给影像对象一个特定的尺度，根据指定的光谱和形状的同质准则，使整幅影像的同质分割达到高度优化的程度。要得到满意的结果，在多尺度分割过程中，各个参数的选择是非常重要的。主要的分割参数有：各波段权重、分割尺度、光谱因子和形状因子(其中，形状因子又包括紧密度和光滑度)。1各波段权重的选择 影像各波段权重的设置是影响分割结果质量的重要因素之一。可以根据各个波段对分割结果的贡献程度而取不同的权重。某个波段的权重越高，在分割过程中这个层的信息使用的越多，对分割结果的影响越大。因此，对分割贡献小或无贡献的波段，则赋予较小的权重或权重为0，同时也要考虑波段之间的相关性，以减少信息的冗余度，提高分割的质量和速度。2分割尺度选择影像多尺度分割中的尺度是一个关于多边形对象异质性最小的阈值，决定生成最小多边形的级别大小，与空间分辨率是两个不同的概念。多尺度影像分割表示在分割过程中可以采用不同的分割尺度值，所生成的对象大小取决于分割前确定的尺度值，分割尺度值越大，所生成的对象层内多边形面积就越大而数目越小，反之亦然。影像分割时尺度的选择是很重要的，它直接决定影像对象分割的质量以及信息提取的精度。对于一种确定的地物类型，最优分割尺度值是指分割后的对象(多边形)能将这种地物类型的边界显示十分清楚，并且能用一个对象或几个对象表示出这种地物，既不能太破碎，也不能边界模糊(即不出现混合对象)，能够很好的表达这种地物类别特有的各种特征，使得该地物类别能够很好的与其它地物类别区分开来。不同的分割阈值生成相应尺度的对象层，从而构建影像对象之间的层次网络结构，该网络以不同空间表示了对象多边形所包含的影像信息，每一个影像对象“知道”它的左右对象(邻域)以及父对象(上层对象)、子对象(下层对象)。分割尺度最小的对象层中包含的多边形最多，而分割尺度较大的对象层中包含的对象数量较少。在对象层次网络结构安排方面，按照从大到小、从上到下的排列方式，即原始层(像元层)放在最底层，尺度最大的放在最高层。影像对象的层次网络模型给类别信息的提取提供了方便：影像对象的信息可以在同一时刻以不同的空间尺度被表达，因而可依据它们之间的关系进行分类；不同的等级层次可以根据不同的参数进行分割；影像对象的形状可以根据再分类的子对象进行修正；可以在不同层次提取不同类别。3均质性因子的选择 一般来讲，均质性包括光谱和形状两个属性因子，其中形状因子又包括光滑度和紧密度两个因子。大多数情况下，光谱因子是生成对象最重要的因子，而形状因子的参与有助于避免影像对象过于破碎，同时可以避免“同物异谱”和“同谱异物”现象，以及“椒盐噪声”的污染，从而提高分类精度。光谱因子，即影像的像元光谱值。传统的信息提取方法就是完全依靠像元的光谱值来进行的，也就是不考虑形状因子而将光谱因子设置为l。形状因子，由光滑度和紧密度构成。光滑度描述的是影像目标边界和一个正方形的相似程度，通过平滑边界来优化影像对象；紧密度可以根据较小的差别把紧凑的目标和不紧凑的目标区分开，通过聚集度来优化影像对象。光滑度和紧密度两个形状因子并不是对立的，即通过紧密度优化过的对象也会具有光滑的边界。 进行参数设置时，应该充分了解到光谱信息是影像数据中所包含的主要信息，应该充分利用光谱信息，倘若形状因子权重太高的话会导致光谱均质性的损失，这不利于信息的提取。因此在进行影像分割时要遵循两条原则：一是尽可能的将光谱因子的权重设的较大；二是对于那些边界不很光滑但聚集度较高的影像对象使用尽可能大的形状因子。总之，光谱是优化波谱均质的变量、平滑度和紧密度是优化空间复杂度的变量，分割尺度是一个异质容许值。如何设置这些变量的数值要根据具体的要求，如果将颜色权重设为1，而不考虑形状信息的话，会生成锯齿状波谱范围很窄的多边形：如果强调形状信息而忽略光谱信息的话，生成的多边形没有定形，并且与特征边界不严格吻合。紧密度权重过高的话也会生成无定形不具有明显地物特征的多边形；光滑度权重高一些，则会使生成的多边形与地物的自然特征更加吻合52。目前，在对新的影像数据进行分割时，最适宜的方法就是尝试，使用不同的参数进行分割，直到取得令人满意的分割结果。在对整个影像数据进行操作前，我们可以截取有代表性的子区做实验，一旦找到了适合的分割参数，则可以把它们用于整个影像，这样可以节省时间、提高效率。在第三章中，将对分割参数的选择进行论述和实验。2.3影像对象分类技术 影像分割与信息提取这两个影像处理过程是相互影响的循环过程，影像分割完成后，利用影像对象的属性信息建立样本训练区，实现类别信息的提取，反过来，在类别信息提取后，通过成果分析可促进影像分割运算处理法则的改进。在许多应用中，需要的凡何信息与感兴趣的对象是通过类别提取与影像分割这一相互作用的循环一步步提取出来的。2.3.1标准最邻近分类方法标准最邻近法类似于传统分类方法中的监督分类，是通过选择样本的方法来进行影像的分类，但这种方法针对的是分割后形成的影像对象，而不是单个像元，所用的分类特征比单个像元丰富的多，因此分类精度比较高。其原理是通过选择的样本统计该样本类的特征，以这个特征为中心，以未分类对象中包含且用于分类的特征与样本类特征之“差”为距离，该对象距离那个样本类最近，就被分到那个类别中。如图2.4所示。 图2 .4(标准)最邻近分类法原理Fig.2.4 Principles of classification standard the nearest这种方法的好处是分类操作比较简单、直观，而且处理速度快。但这种方法会限制在分类中所用的对象信息，如果所用的信息过多，会影响分类的速度，使信息冗余增多，使用过多的对象信息不但不能提高分类结果，相反会降低分类结果精度，而且这种方法不能很好的利用上下文关系。利用这种方法进行分类(信息提取)时，所选择的特征最好不要超过3个。2.3.2模糊分类方法遥感图像的计算机分类分为硬分类和软分类53。硬分类是指图像中某个像元完全属于某一个类别，而软分类是指图像中的某个像元按照一定的隶属度属于某几个类别。由于遥感图像普遍存在混合像元的现象，直接把混合像元分为某一类是不正确的，特别是在低分辨率遥感图像中，混合像元大量存在，硬分类的分类精度往往较低。软分类充分考虑这一因素，按照一定的隶属度将像元分为几个类别，再根据其它判断规则最终确定像元的类别，这样可以有效提高分类的精度。1模糊分类概述模糊集合(Fuzzy Sets)理论是由美国加州伯克莱分校L.A.Zadeh教授1965年提出的54，用来处理模糊不清、不严密和不明确的问题。模糊集合理论克服了传统集合论“非此即彼”的二值逻辑，允许“是”与“非”之间平滑过渡判断存在，使得集合更加符合真实世界中具有模糊性的事物。模糊集合中的元素不像普通集合中的元素只属于且完全属于某个集合，它以特定的隶属度部分地属于某个集合。当隶属度为1时，模糊集合就成了普通集合，所以，普通集合是模糊集合的一个特例。模糊分类是除传统的统计分类方法和神经元网络分析方法外的又一强大分类方法。它针对遥感图像信息不确定性特点提供了强有力的分类工具。模糊数学分类方法以模糊集合论为基础，分类过程中把类型特征值转换为0与1之间的模糊值的一种方法，0与1之间的所有值表示“非”与“是”之间的或多或少的某一状态，以此来表明对于一个特定类别的隶属度。地物类别的信息是通过模糊数学的方法提取的，相比于人工神经网络等其它方法来说，它是一种对类别进行透明和适应性描述的技术。早期，模糊数学分类主要应用在工程控制领域，在遥感图像处理领域中的应用很少。随着模糊数学分类方法在模式识别中的应用越来越多，遥感图像模糊分类的研究也逐渐开始了。Wang在研究遥感影像分类方法时，给出了模糊分类方法的详细步骤，其中主要包括地理信息的模糊集表达、模糊参数的估计和光谱空间的模糊划分等55许磊等将模糊数学与支持向量机(SVM)结合对遥感图像进行分类56。利用模糊分类具有以下几个方面的优点：特征值向模糊值的转化，实际上是一个特征标准化的过程；允许特征值之间的组合，甚至是范围和大小不同的特征也可以组合起来；提供了明确的和可调整的特征描述；通过模糊运算和层次类型描述，能够进行