（摄影测量与遥感专业论文）基于面向对象方法的城市植被提取与绿量估算研究.pdf

摘要 城市绿化是城市生态系统的重要组成部分，采用高空间分辨率卫星数据及 时、准确地获取城市植被信息( 城市植被类型、分布及其结构) ，可为城市生态 效益定量分析评价提供依据，满足城市绿化建设与管理部门的需求。 本文利用i k o n 0 s 影像，探讨了基于面向对象方法进行城市植被分类的最 优分割尺度选择问题，构建了城市植被分类的类层次进行城市植被提取；为提高 城市绿量估算的精度，在b p 神经网络绿量估测模型的基础上，采用遗传算法对 模型进行优化，并列参考因子进行改进，本文主要研究内容与结论如下： l 、影像预处理中，为识别城市植被中较小类型，提高植被分类精度，采用 影像融合增强影像的解译能力。经分析比较，主成份变换3 、4 波段融合效果最 好，可用于城市植被提取；高分辨率卫星影像中建筑阴影以及地形起伏影响，严 重干扰了影像中地物的光谱信息，本文采取不同的方法对建筑物阴影和山体阴影 分别进行校正：对城区建筑物阴影，采用面向对象的方法对影像分割后进行提取， 采用朗伯模型进行校正；对紫金山山体阴影，结合d e m 采用朗伯模型和经验统 计模型分别校正，实验表明，朗伯模型存在过校正现象，经验统计模型校正能取 得较为理想的效果。 2 、利用面向对象的方法进行城市植被自动分类，提出了以实验法确定城市 植被的最优分割尺度；基于商业软件构建了城市植被的类层次结构，应用对象的 光谱、纹理以及上下文信息实现了城市植被的分类，分类总精度为8 5 5 ，k a p p a 系数为o 8 2 6 ，取得了较好的分类效果。相比常用的基于像元的分类方法，面向 对象的分类方法可以获得更高的分类精度。 3 、利用遥感信息作为城市植被“绿量”的数据源，本文在神经网络估算模 型的基础上，对估算参数进行了改变，选取植被指数以及环境因子、高程因子作 为自变量；采用遗传算法对b p 网络的权值、闽值进行优化，建立遗传优化的神 经网络估算模型。实验结果表明，加入环境因子、高程因子，可以提高绿量的估 算精度；采用遗传算法优化b p 神经网络的权值、阂值，能够使网络收敛到全局 最优解，提高了网络训练的稳定性。 关键词：城市植被面向对象绿量遗传算法b p 神经网络 a b s t r a c t u r b a nv i r e s c e n c ei sa ni m p o r t a n tp a no ft h ec i t ye c o s y s t e m h i 曲一r e s o l u t i o n s a t e l l i t ei m a g ei sa d o p t e dt oe x a c tt h eu r b a nv i r e s c e n c ei n f 0 肌a t i o n ( t h et y p e s ， d i s t 曲u t i n ga n ds t m c t u r eo fu r b a l lv e g e t a t i o n ) i m m e d i a t e l ya 1 1 de x a c t l y ，w h i c hi sa n i m p o n a n t b a s i sf o re v a l u a t i n gq u a l 酊o fc i t ye c o s y s t e m s ，a 1 1 dm e e t i n gt h ed e m a n do f d e p a n e n tf b ru ，b a np l a n n i n g i nm i sp 印e r ，t h ei k o n o si m a g ei su s e dt oe x t r a c tu r b a nv e g e t a t i o nt l l m u 曲 o b e c t o r i e n tc l a s s i f i c a t i o nm e t h o d h o wt os e l e c to p t i m a is e g m e m a t i o ns c a l ei s d i s c u s s e d ，i nl l r b a nv e g e t a t i o ne x 扛粥t i o n t h e n ，t h eu r b a nv e g e t a t i o nw a se x t r a c t e db v a i le s t a b l i s h e dc l a s sh i e r a r c h mt bi n c r e a s i n gt h ea c c u r a c vo fu r b a n “g r e e no u a n t i t v ” e s t i m a t e d ，t h eo p t i r 】1 i z e db pn e i l r a ln e t w o r km o d e li su s e dt oe s t i m a t i n 2u r b a n “g r e e nq u a i l t i t y ”b a s e do ng e n e t i ca l g o t h i n st h em a i nc o n t e n t sa n dr e s u l t sa r ea s f o l l o w s ： 1 t oe n h a l l c ei m a g ei n t e r p r e t a t i o na b i l i t y ，i k o n o sp a ni sm e r g e d州t h m u l t i s p e c t m li m a g ci nt 圭1 ei m a g ep r o p r o c e s s i n g ，b ya i l l y s i n gf o u rm e t h o d so f i m a g ef u s i o n ， t h ep c at r a n s f o m a t i o ni st h eb e s tm e t h o df o rv e g e t a t i o n c l a s s i f i c “o n b e c a u s eo ft h eb u i l d i n gs h a d o wa n dt e r r a i ne 虢c ti n h i g h r e s o l u t i o ni m a g e ，t h es p e c t r a lo fg e o g r 印h i ce n t i t yd i s t o r t e ds e r i o u s l yt h i s p a p e ra d o p t sd i f j e b r e n tm e t h o dt or e c t i f ym o u n t a i ns h a d o wa n db u i l d i n gs h a d o w o no n eh a n d ，t h eb u i l d i n gs h a d o ww a sa u t o m a t e de x t r a c t i o nb yo b i e c t o r i e n t m e t h o da n dc o r r e c t e db vn l el a m b e n i a nm o d e l ：o n 廿l eo t h e rh a n d t h em o u n t a i n t e r r i e nn o n i l a l i z a t i o nw a sc o r r e c t e db ys t a t i s t i c e m 讲r i c a im e m o du s i n gd e md a t a t h ee x p e r i m e n ts h o w st h a tl 锄b e r t i a nm o d e lw a so v e r c o r r e c t i o ns e r i o u s 】v ：b u t s t a t i s t i c e m p i r i c a lm e t l l o dc a ng e tb c n e rp e o n a n c e 2 i nt h i sp a p e r ，u r b a nv e g e t a t i o ni n f o r m a t i o nw a se x t r a c t e db yo b j e c t o r i e n tm e t h o d an e wi n e m o di sd e v e l o p e df o rs e l e c t i n go p t i m a ls e g m e n t a t i o ns c a l e u r b a j l v e g e t a t i o ni sc l a s s i f i c a t e db yac l a s s1 1 i e r a r c h vb a s e do ns p e c t r a l ，t e x t u r ea 1 1 d c o n t e x ti n f 0 衄a t i o nw h j c ha r ee s t a b l i s h e dt h o u g hc o m m e r c i a ls o f t 、v a r e t h e2 r o s s a c c u r a c yi s8 5 5 a i l dk a p p ac o e m c i e n ti s0 8 2 6 t h ee x p e r i m e ms h o w st h a t o b i e c t o r i e n tm e t h o dl e a dt oi m p r o v eu r b a nv e g e t a t i o nc l a s s i f i c a t i o na c c u r a c y c o m p a r e dt op i x e l - b a s e dc l a s s i f i c a t i o nm e t h o d 3 r e m o t es e n s i n gi st h es o u r c eo fg e t i n gt h el l r b a l l “g r e e nq u a n t i t y ”i n f o m a t i o n b a s e do nb pn e u r a ln e t w o r km o d e l ，w h j c hi se 咖b l i s h e d ，m i sp a p e rc h a n 2 e d 帆o e s t i t l l a t i o np a r a m e t e r s i ta d o p te n v i m n m e mf a c t o ra 1 1 de l e v a t i o nf a c t o rw h i c ha r e c o r r e l a t ew i t hv e g e t a t i o n ，d i s c a r dt e x t u r ei h c t o rw h i c hi sl i t t l ec o 玎e l a t ew i t l l v e g e t a t i o n t h e no p t i m i z et h eb pn e u r a ln e t w o r km o d e lb yg e n e t i ca l g o r i t h m s t h ee x p e r i m e n t ss h o wt h a tt h ce s t i m a t i o no fc i t y “( 打e e n0 u a m i t y ”i n c r e a s e d b e c a u s eo fa d o 嘶n 窖e n v i r o n m e n tf h c t o ra i l de i e v a t i o nf a c t o lt h en e u m ln e t w o r k m o d e lt r a i n i n gw a sm o r es t a b l eb e c a u s eo p t i m i z e db yg e n e t i ca l g o r i t l l l l l s k e y w o r d s ：u r b a l lv e g e 诅t i o n ；0 b j e c t - o r i e n t ；g r e e nq u a n t i t y ；g e n e t i ca l g o 枷1 r i l s ；b p n u e r a ln e t w o r k 学位论文独创性声明： 本人所呈交的学位论文是我个人在导师指导下进行的研究工作 及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工 作的同事对本研究所做的任何贡献均已在论文中作了明确的说明并 表示了谢意。如不实，本人负全部责任。 论文作者c 签孙缝童垒鱼 厕( 年月，日 ( 注：手写亲笔签名) 学位论文使用授权说明 河海大学、中国科学技术信息研究所、国家图书馆、中国学术 期刊( 光盘版) 电子杂志社有权保留本人所送交学位论文的复印件或 电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子 文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外， 允许论文被查阅和借阅。论文全部或部分内容的公布( 包括刊登) 授权 河海大学研究生院办理。 论文作者c 签名，：丝型坠渔 bc 年6 月7 日 ( 注：手写亲笔签名) 第一章绪论 1 1 研究背景及意义 第一章绪论 随着我国经济的发展，城市化水平的不断提高，城市环境问题日益突出( 热 岛效应显著，污染越来越重) ，城市的绿化建设则是城市生态化的一个重要方面， 城市绿化水平被视为维系城市可持续发展的重要因素【l l 。 城市绿地生态建设要以扩大绿地面积、提高绿地覆盖率、以质取胜为目标【2 l 。 由于不同的植被类型，生态效益大不一样，因此，对于城市绿化的定量分析评价 提出更高的要求。“三维绿量”指标能够确切地反映植被构成的合理性及生态效 益水平，体现城市绿化的整体水平1 3 】。因此绿化现状调查不仅包括植被覆盖的面 积，还需要更准确的植被类型、分布以及“三维绿量”信息。另外，提高绿化现 状及其变化信息的现势性，不仅对分析、评价区域生态环境具有重要现实意义， 而且对城市绿化动态监测与评估、城市规划管理与决策有重要参考价值。要使绿 化调查达到这些目标，必须结合高科技手段。 遥感作为一种覆盖范围广、速度快、能够提供具有客观事实依据的资源调查 手段，在城市绿化调查方面具有很强的先进性。高分辨率遥感影像( i k o n o s 、 q u i c k b i r d ) ，具有更加丰富的地表景观的信息，这为精确的城市绿化调查提供了 条件，而且更新速度快，所获取的绿化信息可比性、现势性强，能够满足城市快 速发展的要求。随着高分辨率卫星的广泛应用，高分辨率遥感影像将成为主要的 城市绿化调查手段。由于城市植被覆盖具有结构类型复杂、树种多样、林相不齐 以及零星分布的特点，再加上高分辨率遥感影像信息的复合性、多样性、复杂性 以及光谱信息的相对不足，制约着城市植被信息的自动提取。因而，研究高分辨 率卫星影像自动分类的方法，具有一定的理论和应用价值。 城市植被的“三维绿量”是精确的定量化研究城市绿化的方向，因此，城市 绿化调查不仅包括平面植被覆盖，还需要植被的三维绿量。目前提出的“绿量” 调查方法上，无论是北京市直接量算叶面积的方法，还是上海市逐株测量冠幅、 以平面量模拟立体量1 4 j 的方法，都存在工作量重、周期长、投资大的缺点，实施 起来相当困难。因此利用遥感影像信息及其它数据信息( d e m 等) 进行“绿量” 信息的估算，有着十分重要的理论和现实意义。 1 2 研究现状 1 2 1 城市植被遥感调查现状 遥感包括航空遥感和航天遥感，目前我国许多城市包括上海、北京、天津、 太原、广州等都开展了遥感综合和专项应用研究，取得了良好的社会、经济、环 河海大学硕士论文 境效益。开展的工作较多是以航空遥感为主。如上海市提出每隔3 5 年组织一 次航空遥感调查。并先后在1 9 8 8 、1 9 9 4 年进行了两轮城市航空遥感调查。但因 航空遥感飞行投资大、耗时长，极大地限制了其应用。 随着卫星遥感技术在空间分辨率、时间分辨率、光谱分辨率上的不断提高， 已经成为城市遥感应用的新的技术平台。基于遥感的城市植被调查将逐渐成为城 市植被溷查的主要手段。目前，基于航天遥感的城市植被调查已有许多研究报道， 但大多是基于较低分辨率的遥感影像【5 _ 7 l ，例如：上海、广州利用t m 和s p o t 数据 对外环内城市绿地景观进行了分类研究( 车生泉，2 0 0 1 ；石冬雪、李敏等，2 0 0 1 ) 。 近年来，许多学者进行了高分辨率遥感影像城市植被调查的应用研究( 宣勇 等，2 0 0 4 ：郑红，2 0 0 5 ) 0 】，城市植被调查更加精细，不仅调查植被的分布和 面积，而且对不同的植被类型也进行了提取( 高云霄，2 0 0 4 ；黄浩2 0 0 5 ；莫登 奎，2 0 0 5 ) 。影像遥感信息定量化研究是遥感领域的重要研究方向之一，因此高 分辨率影像的应用研究越来越受到人们的重视，成为当前遥感信息研究的热点。 高分辨率影像将会成为2 1 世纪城市空间地理信息的主要数据源。 1 2 2 城市植被信息提取方法研究现状 在目前的城市植被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，这种分类方法工作量大，自动化程度低，效率低，更新速度慢， 跟不上城市的快速发展。而且依赖参与解译分析的人，在很大程度上不具备重复 性。 基于遥感的自动分类应用中用得较多的是传统的基于统计的模式识别分类 方法，诸如最小距离法、平行六面体法、最大似然法、混合距离法( i s o m i x ) 、 循环集群法( i s o d a t a ) 等监督非监督分类法。其分类原理是根据遥感数据的统 计值特征与训练样本数据之间的统计关系来进行地物分类的，结果由于遥感影像 本身的空间分辨率以及“同物异谱”、“异物同谱”现象的存在，而往往出现较多 的错分、漏分情况，导致分类精度不高。 随着人工智能的方法在理论与技术上取得了很大的进展，基于机器学习的非 参数型计算机分类方法已逐步成熟，如人工神经网络分类法( a n n c ) 、决策树分 类法( d t c ) 和支持向量机( s v m ) 。在不知各类型的先验性分布知识及其概率的 情况下，其分类效果要较基于统计的模式识别分类方法理想。 以上的遥感影像自动提取方法有一个共同点就是在描述地表模式过程中以 像元为基本单元进行信息提取，即参与信息提取的因子是像元的光谱信息，很少 考虑类别内部的结构纹理以及相邻像元之间的关联信息。随着高分辨率遥感影像 的广泛应用，基于像元( p i x e 卜b a s e d ) 的影像分析方法在遥感应用中的局限性越 来越明显，而且随着分辨率的提高，局限性越加严重。在高分辨率影像中感兴趣 的空间地理实体不再是单一的像元，而是许多像元的集合，地物的几何结构和纹 第一章绪论 理信息更加突出，空间破碎性更加明显，这增加了影像分析的不确定性，即使是水 面也不是均值的，会因为受污染的程度不同而产生像元灰度值的变化。在影像分 析中如果以像元的光谱信息量化地物类别的属性，缺乏空间信息与特征纹理对地 物类别的描述，类别错分的现象十分严重，同一建筑物的屋顶可能会分为不同的 地物，要达到一定的精度要求，需要花很大的精力来进行人工的干涉，因此对于 基于像元的影像分析方法是否适合于任何空间尺度的专题应用引起了广泛的争 论 。 针对基于像元的方法的局限性，在2 0 世纪7 0 年代，k e t t i n b ，l a n d g r e b e ( 1 9 7 6 ) 在遥感影像的解译中提出了同质性对象提取的方法，并推出了一种分割 算法称为e c h 0 ( e x t r a c t i o na n dc l a s s i f i c a t i o no fh o m o g e n o u s0 bj e c t s ) 。 面向对象与基于像元的影像分析方法最明显的区别是分析的基本实体不同。前者 操作的基本实体是有意义的影像对象，而不是单个像元，参与信息提取的因子不 仅是影像对象的光谱信息，还有对象的语义信息与纹理信息。9 0 年代以来，随 着遥感技术的发展，遥感数据源不断增多，分辨率不断提高，使得影像纹理信息 极大的丰富，传统的基于像素的分类方法无能为力。面向对象( o b j e c to r i e n t ) 分类技术在这样的背景下得到迅速的发展。越来越多地受到遥感专题应用研究者 的青睐。a r i g i a l i s ，h a r l o w ( 1 9 9 0 ) 在回顾计算机影像分类模型时说：面向对象 技术促进了影像分析的发展，从基于数学与统计的方法发展为基于逻辑与启发的 分析技术12 1 。 国外尤其是欧洲国家在高分辨率卫星影像中将尺度分割用于信息提取的相 对较多【i ”j ，如利用i k o n o s 数据农田识别地块中作物与道路建筑物等，但分割 技术的应用重点依然在于t m s p o t s a r 等影像的分析中。w 订l h a u c ka n d s c h n e i d e re ta 1 ( 2 0 0 0 ) 使用两种方法对s p o t 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分类方法，而且分类数据 可直接进行动态监测变化的定量分析。b e n ze ta 1 ( 2 0 0 1 ) 采用面向对象的模 糊数学分类方法对极化雷达数据进行植物细节的分析，参与分类的对象属性有嫡 值、各向异质及不同波段的光谱差值等。b a u e re t a l ( 2 0 0 1 ) 对奥地利维也纳市 进行航空影像土地利用分类，表示目视解译能取得一定的精度，但速度很慢，采 用面积对象的计算机自动分类技术，速度快精度高，是高分辨率影像自动分类的 理想选择。w 儿l h a u c ke ta 1 ( 2 0 0 2 ) 采用面向对象的影像分析方法，集合了多 种数据如e r ss a r 影像、植被图及n o a a 数据完成了印尼在1 9 9 7 与1 9 9 8 年严重 森林火灾后的制图任务。h o f m a n n ( 2 0 0 1 ) 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i k o n o s 影像中的非正式居民地，得到的分 类结果有较高的精度。h o f m a n ne ta 1 ( 2 0 0 1 ) 在对i k o n o s 影像中提取建筑物与 道路时使用了附加的高程信息，即在对象影像分类时d e m 作为其中个专题层参 河海大学硕士论文 与分割，有助于对建筑物与道路的形状作出更正确的判别。s a n d ee ta 1 ( 2 0 0 1 ) 利用i k o n o s 数据进行洪水灾害评价，灾害评价考虑众多要素如道路、建筑物与 耕地，这些地类在空间与光谱上有很大差异，通过影像对象的语义信息及对象之 间的上下文信息来识别这些类别是很有效的方法【2 ”。 国内将尺度分割用于信息提取也有一些初步的应用研究【2 6 ”j ，如利用航片和 t m 融合影像分割后对大庆市城市绿地信息调查( 黄慧萍，2 0 0 4 ) ；结合i k o n o s 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( 杜风兰等，2 0 0 4 2 ) ：株洲土地覆盖 信息提取( 莫登奎，2 0 0 5 ) ；利用q u i c k b i r d 影像分割后的影像对象提取树冠信 息( 覃先林等，2 0 0 5 4 ) ；取得了不错的效果。目前对于多尺度分割中最佳参数 的选择研究较少，黄慧萍提出“最大面积法”确定最优分割尺度，但在植被分割 中有较大的局限性。 本文拟对城市植被最优分割尺度选择方法进行探讨，选择不同植被类型的最 优分割尺度，提高植被分类精度。 1 2 3 “绿量”获取现状 城市绿地的生态评价指标常常采用以下四项指标，即植被类型、人均绿地面 积、人均公共绿地面积、城市绿化覆盖率和绿地率。这些都是从城市绿地覆盖面 积的角度来对城市绿地进行评价的，但既然是评价绿地空间的生态效益，仅仅只 有绿地覆盖面积不能满足确切评价城市绿地生态效益的要求，不同的绿地组成及 分布结构因其绿色量的差异，其生态效益大不一样。正是在这一背景下，“绿量” 的概念应运而生。 关于“绿量”一词最早出现在8 0 年代，日本曾提出“绿的量”这一概念， 进入上世纪9 0 年代，随着植物生态学、城市生态学和植物生理学的进一步发展， 人们更加注重发挥绿色植物的生态功能，追求更大的生态效益，并开始把这种生 态功能进行量化，对绿地生态效益的评价开始注重定量化的研裂1 0 。2 j ，有学者正 式提出了“绿化三维量”的概念1 3 4 3 5 j ( 周坚华，1 9 9 5 ；刘立民和刘明，2 0 0 0 ) 。 “绿化三维量”又称“绿量”，指绿色植物茎叶所占据的空问体积，以单位m 3 来 计算。这一概念是从生态学的能量转换和植物茎叶的生理功能这一基本点出发 的，可以揭示叶面积指数与植物生态功能水平的相关性，进而说明绿地功能的生 态效益。相对于平面量( 如绿化覆盖率) 而言，三维绿量指标可以更确切地反映 植被构成的合理性及生态效益水平，体现城市绿化的整体水平1 3 ”，它为生态园林 研究提供了理论依据，使城市园林绿化定量研究发生了质的飞跃【3 5 珊j ( 黄晓和张 国强，1 9 9 8 ；张浩和王祥荣，2 0 0 1 ) ，受到许多业内有关人士的重视。 近年来，国内对城市区域“绿量”的定量研究主要集中在北京、上海等特大 城市，积累了一些经验m 4 1 。陈自新等于1 9 9 8 年开始结合北京市园林绿化的实际 第一章绪论 情况，对北京市典型的有代表性的乔、灌、草进行了系统研究，认为以叶面积为 主要特征的绿量是决定绿地生态效益大小的最具实质性的因素，他们对绿量的计 算采用的是叶面积的总量，通过大量实地测定建立了不同植株个体“绿量”的数 学回归表达式；以周坚华为代表的一些学者以上海城市整体范围为研究对象，采 用“以平面量模拟立体量”的方法1 4 j ，通过在彩红外航片上分树种逐株测算绿量 的方法，对不同树种，通过回归分析建立冠幅和冠高的相关方程，根据冠幅求出 冠高，从而求得树木的树冠体积，并建立了全国第一个城市绿量数据库( 周坚华， 1 9 9 8 ) 。周坚华等还借助于绿色植物的环境效益典型试验值，对城市绿化环境效 益作了估算( 周坚华，2 0 0 1 ) 。无论是北京市直接量算叶面积的方法，还是上海 市逐株测量冠幅、以“平面量模拟立体量”的方法，都存在工作量重、周期长、 投资大的缺点，实施起来相当困难，因而还需要探索“绿量”调查的新思路。 在国内，利用遥感进行生物量估算已有很多报道。张良培等( 1 9 9 7 ) 利用高 光谱对样本n d v i 和测量所得的生物量数据进行回归分析，相关系数在o 8 以上； 童庆禧等( 1 9 9 7 ) 在都阳湖湿地建立了植被因子与生物量之间的经验模型，利用 植被生物量与归一化植被因子的关系，对研究区进行生物量制图：牛志春等 ( 2 0 0 3 ) 利用青海湖环湖地区州遥感数据和同期野外实测的3 4 处样方产草量数 据，分析了遥感植被指数与草地植被生物量之间的相关关系，进而分别建立了遥 感植被指数与草地植被生物量的一元线性回归模型和非线性回归模型。目前，有 人提出了基于高分辨率遥感的绿量估算方法口9 】( 黄浩，2 0 0 5 ) ，以高分辨率的遥 感影像为基础，通过解译获取城市植被的类型，将不同植被类型的遥感信息( 植 被指数、纹理量等) 与实地调查的绿量之间进行非线性的拟合，建立了基于遥感 的神经网络估算模型，该方法具有较强的可行性，但在估算精度和模型的稳定性 方面有待进一步提高。 本文拟对神经网络模型进行改进，提高模型估算精度和稳定性。 1 3 研究目的与研究内容 本文利用高分辨率卫星遥感影像对城市绿地进行全面监测，不仅包括城市植 被覆盖类型以及分布结构，而且还包括城市植被“绿量”的计算、监测与预报。 论文研究主要内容包括： 为充分利用i k o n o s 全色片丰富的信息提高城市植被提取精度，将全色片 和多光谱影像进行融合；对于山区地形效应引起的辐射失真，结合d e m 采用朗伯 模型和经验统计模型进行校正，对两种校正方法进行了分析比较。 运用面向对象的分类方法提取城市植被，在探讨了最优分割尺度选择方法 的基础上，根据影像分割后多边形对象的光谱信息，空间纹理信息，上下文信息 以及语意信息，应用模糊分类提取城市植被，并与其他基于像元分类方法进行分 类精度比较。 河海大学硕士论文 本文在b p 神经网络估算模型的基础上，对估算参数进行了改变，选取对 应的n d v i 、s a v i 、m s a v i 、r v i 四个植被指数以及环境因子、高程因子作为自变 量；并采用遗传算法对b p 网络的权值、阂值进行优化，旨在提高绿量神经网络 模型的估算精度和稳定性。 1 4 论文结构安排 本文共分为五章：绪论主要阐述论文的研究背景、研究现状以及本文的研究 内容。第二章介绍数据预处理，主要包括影像融合、几何纠正、城市阴影校正和 山区地形校正。第三章分析探讨了最优分割尺度的确定方法，并利用面向对象的 方法进行城市植被提取。第四章对绿量估算模型的参数选择进行分析，并建立遗 传优化的神经网络模型。最后，对本文研究作总结，并对进一步研究进行展望。 本文技术路线如图1 一l 所示。 i k o n o s 原始影像 i l 影像融合 l 商向 i 面向对象的城市植被分类 i 实地调查取样l 4 一参数选择分析 l g a b p 网络估算模型i l 城市植被绿量遥感估算模型探讨i i 结论与建议 图卜1 论文技术路线 6 第二章i k o n 0 s 影像预处理 第二章 ik o n 0 s 影像预处理 在遥感应用研究中，为了从原始数据中挖掘出满足该研究项目所需的信息， 必须对遥感数据进行预处理，这是进一步研究的前提和基础。针对不同的研究内 容，其预处理的内容也不完全相同。在植被信息提取研究中，遥感影像预处理的 内容包括：影像融合、几何校正和辐射校正。 2 1 研究区概况 本文所用i k o n 0 s 影像，包括4 米分辨率的多光谱数据，和1 米分辨率的全 色片。它覆盖了南京市玄武区的大部分区域。影像采集时问为2 0 0 0 年3 月2 6 号 上午1 0 时2 9 分，太阳高度角为5 2 0 0 2 6 度。 玄武区是南京市的中心城区之一，是南京市委、市政府及南京军区机关所在 地，面积8 0 9 7 平方公里，人口近4 0 万，下辖“个街道，1 2 个行政村，8 4 个 社区居民委员会( 以上数据来源于玄武区政府网站) 。城区内地形起伏较大，包 括海拔4 6 8 m 的紫金山、占地面积4 3 7 公顷，水面约3 6 8 公顷的玄武湖，因此植 被类型多样。 研究区地理位置及影像覆盖范围如图2 一l 所示。 图2 1 研究区地理位置及影像覆盖范围示意图 此外，本文还参考了研究区内其他卫片和各类地面资料，主要有 南京市s p o t 5 影像( 2 0 0 3 年8 月) ； 南京市行政区划电子地图( 南京市国土局，2 0 0 2 ) 紫金山地区5 米d e m ( 南京市测绘院，2 0 0 0 ) ； 地面调查及“绿量”实测数据( 2 0 0 5 年l o 1 2 月) 1 河海大学硕士论文 2 2 影像融合 本文利用i k o n o s 影像进行城市植被提取，为增强对城市植被中较小类别的 识别能力，以及充分利用全色片的空间信息和多光谱数据一起进行分类，提高影 像自动提取的类别精度【4 3 】，因此进行影像融合处理。 多源遥感数据融合是指多种空间分辨率、辐射分辨率、波谱分辨率和时间分 辨率的遥感数据之间以及遥感与非遥感空间数据之间的信息进行有机组合匹配 的技术。影像融合充分利用了多源遥感数据的信息，有效提高了遥感影像的可应 用性和地物的识别能力 4 4 】。影像融合技术在近1 0 年发展成为遥感应用研究领域 的重要主题。遥感数据融合分为三级：像元级融合( p i x e lb a s e d ) 、目标级或特征 级融合( f e a t u r eb a s e d ) 、决策级融合( d e c i s i o nl e v e l ) j 。根据不同的应用目 的，选用不同级别的融合方法，本文是利用遥感影像进行城市植被提取，故采用 像元级的融合方法。现有的基于像元级遥感影像的融合方法在遥感领域应用较多 的融合方法有i h s 变换、主成分分析、b r o v e y ( 颜色归一化) 、小波变换等。本文 在对融合效果分析的基础上，选用有利于城市植被提取的融合方法。 在影像融合前，全色片与多光谱波段需要精确配准，由于i k o n o s 全色片与多 光谱数据来自同一传感器系统，两种数据获取时间一致且无需配准，不存在配准 误差，所以本文首先进行影像融合，再进行几何纠正与辐射纠正。 2 2 1 主成分分析( p c a ) 融合方法 主成分分析( p c a ) 是在统计特征基础上进行的一种多维( 多波段) 正交线性 变换，又称为k l 交换。在遥感应用领域这一方法目前主要用于数据压缩，用少 数几个主成分代替多波段遥感信息，在光谱特征空间中提取有显著物理意义的影 像信息和监测地表覆盖物的动态变化。对遥感影像数据进行主成分变换首先需要 计算出一个标准变换矩阵，通过变换矩阵使影像数据转换成一组新的影像数据 主成分数据。其变换公式可用下式表示： y = a x( 2 一1 ) 其中：x 为原影像p 个波段像元值向量； y 为变换后产生的q 个主成分像元值向量，q p ； a 为实现这一正交线性变换的变换矩阵。 a 是通过原始影像元值向量x 的协方差矩阵x 的特征向量矩阵的转置矩 阵。a 矩阵的每一行都是x 矩阵的特征向量。因此y 所代表的各主成分，均 是x 的各分量，即各波段信息的线性组合。生成的主成分像元值向量y 的协方 差矩阵为y ，且： 第二章 k o n 0 s 影像预处理 i 由 oo l ，：o ”一oi ( 2 2 ) l j i i j 其中： i 为原始影像协方差矩阵x 的特征值，j ( i = l ，2 p ) 按由大 到小的顺序排列。 l 2 1p 为各个主成分的方差，任何两个主成分之问的协 方差都为o ，互不相关，保证各主成分之间没有信息的重复和冗余。 i k o n o s 多光谱的4 个波段作主成分变换，得到4 个相互独立的主成分其中 第一主成分p c i 表达了影像的空间结构信息，而各波段的光谱信息则反映在其他 各主成分中。主成分分析融合就是将i k o n o s 全色波段代替第一主成分进行逆变 换，得到空间分辨率提高的多光谱融合影像。 利用p c a 方法融合的具体步骤如下： ( 1 ) 将i k o n o s4 个多光谱波段作p c a 变换为4 个独立的主成分； ( 2 ) 用i k o n o s 全色波段与p c l 进行直方图匹配； ( 3 ) 用i k o n o s 全色波段代替p c l 进行主成分逆变换完成融合。 2 2 2 融合效果分析比较 本文选取试验区采用四种常用融合方法对i k o n o s 影像的融合效果进行了分 析比较，融合结果如图2 2 ： ( a ) 全色影像( 1 m ) ( b ) 43 2 波段合成影像( 4 m ) 河海大学硕士论文 ( c ) h i s 变换融合( 1m )( d ) b r o v e y 变换融合( 1m ) ( e ) p c a 变换融合( 1 m )( f ) 小波变换融合( 1m ) 图2 2 融合效果斟 从图a f 中影像的颜色变换可以看出，由于在多光谱影像中引入了高分辨 率全色影像的结构信息，融合后的影像得到了令人满意的目视效果。h i s 变换融 合影像水体边界、建筑物等地物类型表现得比较清晰，有助于城市目标和河道信 息的提取，植被色彩变化较大，说明对原始的光谱特性产生扭曲。b r o v e y 变换 融合影像色调协调、影像清晰，影像各地物的边缘和轮廓清晰可见，有助于提取 地物边界、纹理和地面形迹等信息。p c a 变换融合影像光谱信息保持较好，与原 始多光谱影像相比，亮度增加而且目标的细部特征更加清晰。小波变换融合影像 植被颜色变化不大，空间细节信息不突出，地物边界较为模糊。 1 、光谱质量分析 像素的灰度平均值，反映了影像的平均亮度，如果均值适中，则目视效果良 好；标准差是衡量影像信息量的重要指标，标准差越大，信息越丰富【4 5 郴】。 1 0 第二章i k o n 0 s 影像预处理 表2 1i k o n 0 s 融合前后光谱均值( m e a n ) 、标准差( st d v ) 融合影像的均值与原始光谱均值差异，反映了光谱扭曲的程度。从表2 一l 可 以看出，b r o v e y 变换融合的光谱扭曲最大，h i s 变换融合次之，p c a 变换融合 光谱扭曲最小。光谱信息量方面，h i s 变换融合4 波段增加最多，2 波段出现退 化；b r o v e y 变换融合信息量最小；p c a 变换融合4 波段光谱信息量增加仅次于 h i s 变换融合，1 ，2 ，3 波段出现较小的退化；小波变换融合四个波段信息量均 增加。 绿色植被在可见光红光波段( 3 波段) 具有强吸收特性，在近红波段( 4 波 段) 具有高反射、高透射特性，不同植被的光谱相应也不同，因此是植被分类主 要特征波段。从表l 可以看出，h i s 变换融合在3 ，4 波段的信息量最大，但光 谱扭曲也较大，仅次于b r o v e y 变换融合，而且h i s 变换一次只能融合三个波段， 损失了i 波段的信息，因此不利于植被分类，小波变换与p c a 变换在3 ，4 波段 的信息量相当，而p c a 变换的光谱扭曲最小，因此更适合植被分类。 2 、空问纹理信息分析 影像的高频信息反映了影像的空问纹理信息，因此融合影像各波段与全色波 段高频部分的相关性表示了融合影像空间纹理信息的丰富程度【4 6 ，4 8 】，相关系数越 大，说明空间纹理信息越多。在此采用简单高通滤波分别对融合后多光谱波段和 全色波段滤波，进而计算这些融合前后纹理信息的相关程度。 表2 2 融合后各波段与全色波段的相关系数 从表2 2 可以看出，在空间纹理信息方面，b r o v e y 变换融合效果最好，小 波变换融合最差。综合光谱质量和空间纹理信息两方面，p c a 变换融合的整体效 果最好，适合用于植被分类。本文采用p c a 变换融合方法进行融合处理。 全幅影像融合后的彩色影像图见附图1 。 河海大学硕上论文 2 3 几何校正 几何校正可以使用e r d a s 几何校正模块来完成的。其校正过程图2 3 如下 图2 3 几何校正流程 校正多项式为三次的，其表达式为： x = 4 + b y + c 】，+ 删2 + e x y + f y 2 + 6 3 + 础2 y + 删2 + ，y 3( 2 3 ) y 。= 符+ 三x + 肘】，+ w 2 + o 嘎y + 尸y 2 + 3 + r x2 y + s y y 2 + 丁y 3 ( 2 4 ) 根据控制点的坐标，可以计算a 、b t 的值，构建几何校正表达式，对影像 进行几何校正。 本文选取了1 6 个控制点对影像进行纠正。为了保证几何纠正的精度，尽量 使控制点分布均匀，且覆盖整个研究区域，误差在一个像元之内。几何纠正过程 中需要进行影像的重采样，即根据未校正影像像元值计算生成一幅校正影像的过 程，最常用的的重采样方法有邻近点插值法、双线性插值法和立方卷积插值法， 本文采用邻近点插值法进行重采样，最后得到校正后的影像。 该几何校正属于几何精校正，主要目的是为影像获取真实的投影坐标，为遥 感影像城市植被制图服务。分类结果矢量图中各地理实体的坐标正是通过几何校 正的方法获取的。 第二章l k o n 0 s 影像预处理 2 4 辐射校正 数字遥感影像的分析和应用，特别是精确定量的分析、应用，主要是基于地 物的光谱特征。然而，影像中地物的光谱信息，受到许多困素的干扰，诸如传感 器本身的光电系统特征、太阳高度、地形效应、大气效应等等，都会引起光谱亮 度的失真。严重影响着数字遥感影像的信息提取精度，必须通过辐射校正来尽量 抑制这些依附在辐射亮度里的各种失真。 完整的辐射校正包括传感器校正、大气校正，以及太阳高度和地形校正。 i k o n o s 影像在出售前就已做过基本的传感器校正和大气校正。就i k o n 0 s 影像的 特点，其卫星的高度较低，受太阳的高度角的影响，城市高大建筑物和山体会产 生阴影。因此地形效应尤为显著，地形效应的存在使得地表覆盖类型相同的面元 问具有分散的辐射亮度，表现在影像上为影像灰度值的分散，严重干扰了影像中 地物的光谱信息1 4 9 j ，从而导致这些地区数字遥感影像计算机自动分类的错分、 难分现象，严重影响着数字遥感影像的信息提取精度。因而必须对数字遥感影像 中地形效应的研究，抑制地形效应，净化影像中地物的特征信息，即在影像信息 的提取前做影像地形校正。 根据实际需要，本文对城区平坦地区建筑物阴影和城东紫金山山体阴影采用 不同的校正方法进行校正，对建筑物阴影首先进行提取，用朗伯体模型校正。对 山区利用d e m 采用经验统计模型进行校正，取得了较为理想的效果。并与朗伯模 型校正进行了比较分析。处理流程如图2 4 所示。 融 h 区h 蒿霎辫h 州删校正卜 拼 a 口 接 后 、 的 + - 结 影