（生态学专业论文）林区高分辨率遥感影像的对象特征提取与筛选.pdf

7 嬲炒 广西大学学位论文原创性声明和学位论文使用授权说明 学位论文原创性声明 本人声明：所呈交的学位论文是在导师指导下完成的，研究工作所取得的成果和相 关知识产权属广西大学所有。除已注明部分外，论文中不包含其他人已经发表过的研究 成果，也不包含本人为获得其它学位而使用过的内容。对本文的研究工作提供过重要帮 助的个人和集体，均已在论文中明确说明并致谢。 论文作者签名： 津钿多。日 学位论文使用授权说明 本人完全了解广西大学关于收集、保存、使用学位论文的规定，即： 本人保证不以其它单位为第一署名单位发表或使用本论文的研究内容； 按照学校要求提交学位论文的印刷本和电子版本； 学校有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务； 学校可以采用影印、缩印、数字化或其它复制手段保存论文； 在不以赢利为目的的前提下，学校可以公布论文的部分或全部内容。 请选择发布时间： 哦口时发布口解密后发布 ( 保密论文需注明，并在解密后遵守此规定) 黼：絮瞄新躲墓奸妒否咖日 林区高分辨率遥感影像的对象特征提取与筛选 摘要 随着遥感技术的迅速发展，遥感影像中存储的信息也越来越丰富，采 用传统的目视解译方法对影像进行信息获取与分类显然已经不合适，由此 遥感影像目标的自动分类和识别成为遥感技术应用研究的重点。在实际应 用中，由于影像信息的冗余导致数据处理复杂度的增加，使得直接对遥感 图像进行分析处理，最后的分类效果往往不佳。有效的特征提取、特征筛 选是直接决定分类效果的关键。 本文重点针对林区高分辨率遥感影像的分割技术、对象特征的提取与 筛选以及分类精度的比较做了研究，主要成果如下： ( 1 ) 遥感图像的预处理。对所获得的研究区的s p o t 5 高分辨率遥感图 像进行校正、配准、重采样、融合等预处理，得到最优效果的影像图。 ( 2 ) 影像分割及信息提取。根据经验与多次试验，确定分割的各类参数， 采用软件d e f i n i e n sd e v e l o p e r7 对处理好的影像进行分割，以及基于分割对 象提取出影像的光谱、纹理、几何等信息。 ( 3 ) 信息的筛选及分类精度比较的编程实现。在m a t l a b 平台下，设计 开发出相应的程序，运用类内、类间离散度的比较，遗传算法，粒子群算 法这3 种方法对提取出来的对象特征信息给予筛选。最后采用传统的最大 似然法进行图像分类对分类精度进行比较，找到相对最适应的筛选信息的 算法。 关键词：影像预处理信息提取信息筛选最大似然法精度比较 t h ee x t r a c t i o na n ds e l e c t i o no nt a r g e tf e a t u r e so f h i g h - r e s o l u t i o nr e m o t es e n s i n gi m a g e i nf o r e s ta r e a a b s t r a c t w i t ht h er a p i dd e v e l o p m e n to f r e m o t es e n s i n gt e c h n o l o g y , t h ei n f o r m a t i o n s t o r e di nr e m o t i n gi m a g e sb e c o m e sm o r ea n dm o r ea b u n d a n t i tt u r n so u tt ob e a ni n a p p r o p r i a t ew a yt ou s et r a d i t i o n a lm e t h o d so fv i s u a li n t e r p r e t a t i o nt oo b t a i n a n dc l a s s i f vt h e n f o r m a t i o n t h e r e f o r e t h er e s e a r c l l h a s i sha,and c l a s s i t yt h el m a g em t o r m a t l o n n e r e t o r er e s e a r c he m p h a s i sh a s b e e n， ， s h i f t e dt ot h er e m o t es e n s i n gi m a g ec l a s s i f i c a t i o n a n da u t o m a t i c t a r g e t r e c o g n i t i o na p p l i c a t i o n i np r a c t i c e ，w h e nm a k i n gd i r e c ta n a l y s i s o fr e m o t e s e n s i n gi m a g e t h ef i n a lr e s u l t so fc l a s s i f i c a t i o na r eo f t e nu n s a t i s f i e dd u et ot h e r e d u n d a n ti m a g ei n f o r m a t i o n t h ec l a s s i f i c a t i o nr e s u l t sa r ed e t e r m i n e db yt h e k e ye l e m e n t so fe f f e c t i v ef e a t u r ee x t r a c t i o na n ds e l e c t i o n t h i sa r t i c l ef o c u s e so nt h es t u d yo fi m a g es e g m e n t a t i o n ，t a r g e tf e a t u r e e x t r a c t i o na n ds e l e c t i o n ，a sw e l la sc l a s s i f i c a t i o na c c u r a c yo fh i g h - r e s o l u t i o n r e m o t es e n s i n gi m a g e si nf o r e s ta r e a t h em a i nw o r k sa r ea sf o l l o w s ： ( 1 ) r e m o t es e n s i n gi m a g ep r e p r o c e s s i n g 1 1 1 eb e s te f f e c ti sa t t a i n e dt h r o u g h c o r r e c t i o nm a t c h i n g ，r e s a m p l i n g ，a n df u s i o np r e p r o c e s s i n go nt h es t u d ya r e ao f h ig h r e s o l u t i o nr e m o t es e n s i n gi m a g e ss p o t 5 ( 2 ) i m a g es e g m e n t a t i o na n di n f o r m a t i o ne x t r a c t i o n d e t e r m i n et h ed i v i s i o n o fv a r i o u sp a r a m e t e r sa c c o r d i n gt oe x p e r i e n c ea n dn u m e r o u st e s t s u s et h e s o f t w a r ed e f i n i e n sd e v e l o p e r7t os e g m e n tp r o c e s s e di m a g e ，a n de x t r a c tt h e i n f o r m a t i o no fs p e c t r u m ，t e x t u r e ，g e o m e t r y , e t c ( 3 ) t h ec o m p a r i s o np r o g r a m mi m p l e m e n to fi n f o r m a t i o ns e l e c t i o na n d c l a s s i f i c a t i o n a c c u r a c y i nt h ema = 兀，a b p l a t f o r m ， w ed e s i g nr e l e v a n t p r o c e d u r e s ：d i s p e r s i o nc o m p a r i s o n o fi n f r a c l a s sa n di n t e r - c l a s s ，g e n e t i c a l g o r i t h m s ，a n dp a r t i c l es w a r mo p t i m i z a t i o n t h e nt h et a r g e tf e a t u r ei n f o r m a t i o n i ss e l e c t e dw i t ht h e s et h r e em e t h o d s f i n a l l y , u s et h et r a d i t i o n a lm a x i m u m l i k e l i h o o dm e t h o df o ri m a g ec l a s s i f i c a t i o na n dc o m p a r et h ec l a s s i f i c a t i o n a c c u r a c y , s oa st of i n do u tt h em o s ts u i t a b l ea l g o r i t h mf o ri n f c i r m a t i o ns e l e c t i o n k e yw o r d s ：i m a g ep r e p r o c e s s i n g ；i n f o r m a t i o ne x t r a c t i o n ；i n f o r m a t i o n s e l e c t i o n ；m a x i m u ml i k e l i h o o dc l a s s i f i e r ；a c c u r a c yc o m p a r i s o n 目录 摘要i a b s t r a c l i i i 目录i l l 第一章绪论1 1 1 研究的背景和意义1 1 2 研究现状l 第二章遥感影像的预处理7 2 1研究区概况7 2 2 遥感影像数据7 2 3遥感影像的校正与配准8 2 3 1 几何精校正8 2 3 1 1 选控制点9 2 3 1 2 空间变换9 2 3 1 3 重采样1 0 2 3 2 空间配准1 2 2 4 图像融合1 2 2 5研究区影像的切割1 3 第三章遥感影像的分割1 4 3 1图像分割概述1 4 3 2多尺度分割技术1 5 3 2 1多尺度分割的概念1 5 3 2 2 面向对象的区域合并算法1 6 3 2 3 多尺度分割参数的选择1 8 3 2 3 1 波段权重的设置1 8 3 2 3 2 均质性因子设置1 9 3 2 3 3 分割尺度的选择2 0 3 3 多尺度分割试验2 l 第四章信息的提取与筛选2 3 4 1 对象特征信息提取2 3 4 2 对象特征信息筛选2 5 4 2 1 类间、类内离散度的比较2 5 4 2 2 遗传算法2 6 4 2 2 1 遗传算法的概述2 6 4 2 2 2 遗传算法实现的技术基础2 8 4 2 2 3 遗传算法的实现步骤3 1 i i i 4 2 3 粒子群算法3 2 4 2 3 1 粒子群算法的概述3 2 4 2 3 2 粒子群算法实现的步骤3 2 第五章筛选结果分析评价3 6 5 1 最大似然判别分类3 6 5 2 分类精度评价方法3 7 5 3 结果分析3 8 第六章总结与展望4 0 6 1 主要工作总结4 0 6 2 展望4 0 参考文献4 2 附录4 5 致谢5 5 攻读学位期间发表的学术论文5 6 i v 广西大掌硕士学位论文林区高分辨率遥感影像的对象特征提取与筛选 第一章绪论 1 1 研究的背景和意义 ： 遥感( r e m o t es e n s i n g ) 这一词首先为美国地理学家伊瑞林普鲁特( e r e t y np r u i t t ) 等1 9 6 0 年提出来的。简单来说，遥感也就是遥远的感知。通常指的是空对地的遥感， 即不直接与物体本身相接触，从远处通过一些仪器( 传感器) 探测和接收源于目标物体 的各种信息( 比如电场、地震波、磁场、电磁波等信息) ，经过信息的传输及对其处理 分析，对物体的主要属性及其分布等特征给予识别。遥感技术是一项综合性探测技术， ， 1 2 0 世纪6 0 年代得到兴起与发展，它以航空摄影测量为基础，随着空间技术、电子计算 机技术等现代科技的飞速发展，以及生物学、地学、环境科学等学科发展的需要，发展 而成的一门新兴技术学科。遥感技术是从不同高度的平台上，使用各种传感器，接受来 自地球表面层各类地物的各种电磁波信息，并对这些信息给予加工、分析处理，从而对 不同的地物及其特征或特性进行远距离的探测和识别的综合技术【l j 。 2 l 世纪以来，遥感j 下朝着三高( 高空阳j 分辨率、高光谱分辨率、高时相分辨率) 和三 多( 多传感器、多平台、多角度) 的方向迅速发展【2 j 。面对如此丰富的信息源，如何准确、 及时地获取需要的信息并加以应用，一直是我们亟需解决的问题。美国议会就曾指责 n a s a ：“迄今为止积累的遥感数据，有9 5 从来没有被人看过。也就是说遥感技术的应? 用水平还远远滞后于发展水平【引。 遥感图像中存储着大量的信息，遥感图像分类是遥感图像应用中的一个非常重要的 领域。分类是将复杂的简化为少量的一般性类别的过程，是从遥感影像中提取有用信息 的重要环节之一。分类的依据是不同样本之间内在的相似性，即遥感图像中的同类地物 在相同的条件下( 纹理、地形、光照以及植被覆盖等) ，应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相似性，即同类地物象元的特征 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就会不， 同，它们将集群在不同的特征空间区域【4 】。传统的办法是目视解译，也就是专家通过遥 感影像中的特定地物信息，运用专家知识来提取地物信息。相对于其他的分类方法，目 视解译不需要特殊的设备或装置，简单方便，而且可以直接从遥感影像中获得专题信息， 有助于进行定性分析。但是，这种方法既需要图像目视判读者具有丰富的地学知识和目 视判读经验，又需要大量的时间，劳动强度大，信息获取周期长，大量的数据得不到处 林匿j 盼辨奉鼍感影像的对，l 特征提取与筛选 理。遥感图像的解译质量受目视判读人员的经验及其对解译区域的熟悉程度等人为因素 的影响，由于个人的经验和知识很难有一个量化的标准，因此对同一幅影像不同判读者 就可能解译出不同的结果，其应用范围也就有限。由此遥感图像目标自动分类和自动识 别成为遥感技术应用研究的重点。 随着遥感技术的快速发展，所获得的遥感图像中包含的波段数不断增多，为我们 了解地物提供了丰富的遥感信息，这有助于完成更加细致的遥感地物分类和目标识别， 中也就相应地出现许多困难：运算量过大，难以获得合适的分类特征，无法获知各类的 先验概率和概率分布函数的形式，难以形成复杂的判别函数和分割界面等【5 】。因此，如 果直接对遥感图像进行分析处理，最后的分类效果往往不佳。为了有效地实现分类识别， 必须对原始遥感图像数据进行变换处理，图像分类处理技术的一般过程为图像预处理、 图像特征提取、特征选择、设计与分类的实现。而特征提取、特征选择又是遥感图像自 动分类和识别中的关键技术。特征提取与选择的基本任务是研究如何从众多的特征中寻 找出那些直接决定后期分类识别精度的最有效的特征，从而实现特征空间维数的压缩。 特征提取和选择既能减少参加分类的特征图像的数目，又能从原始信息中提取出能更好 地进行分类的图像特征，是保证遥感图像分类精度并降低计算减轻处理负担的关键。因 此，对特征提取技术的研究具有重要意义。 1 2 研究现状 特征提取通过数据从较高维空间到较低维空间的变换实现降维，如图1 1 ( a ) ；特征选 择则是直接从原始特征空间筛选重要特征构成子集，如图1 1 ( b ) 6 1 。 x i 一 蚕 ) c i 叫 嘱 y l 一 鼋 - y i ( 如) 一 一 j 驾 - 巍胁t ) j j jj j j 。- 、j 叫h 垧灿_ 喝 一滋蛐巅懿鞔：誓一汝i 幽戳龇玉誓 一 j ( a ) 特征提取( b ) 特征选择 图卜1 特征提取与特征选择的比较 f i g 1 1t h ec o m p a r i s o no f f e a l u r ee x t r a c t i o na n df e a t u r es e l e c t i o n 2 林区高分辨率遥感影像的对象特征提取与筛选 在遥感图像数据中，特征选择是获取原特征空间的子集，而特征提取则是对原特征 空间进行变换，得到新特征。特征提取需在整个特征空间中进行，而特征选择一旦选定 特征，可直接在特征子空间进行数据处理。通过特征选择，在满足一定精度要求前提下， 用较少特征完成观测对象的数据收集和分析处理，可极大节约测量和计算成本i7 1 。 图像特征提取涉及的范围很广，从一幅图像中提取出什么样的特征，需要由用户所 关心的问题来决定。由于遥感影像图像具有很强的领域性与地域性，不同的领域，地域 图像的特征也是千差万别，与图像所反映的对象物体的各种物理的、形态的性能有很大 的关系，因而有各式各样的方法可用于图像特征的提取。遥感图像中存储着极为丰富的 信息，图像特征结构复杂，其中有些是视觉直接感受到的自然特征，如区域的亮度、边 缘的轮廓、纹理或色彩等：而有些则是需要通过变换或测量才能得到的人为特征，如谱、 直方图、矩等1 8 j 。总体来说遥感图像的特征主要有光谱特征、纹理特征、形状特征、结 构特征。但从遥感分类的实际应用方面来看，光谱特征与纹理特征应用较多，所以本论 文主要着眼于讨论对遥感影像的光谱特征与纹理特征的提取。 光谱特征是图像中目标的颜色及灰度或者波段问的亮度比等，它通过原始波段的点 运算获得，它对应于每个像素，但与像素的排列等空间结构无关。在传统的遥感分类方 法的研究中，这类主要依赖地物光谱特征的象元分类法占据了大多数，主要方法有主成 分分析法、k - t 变换、典型分析方法、基于遗传算法的特征提取掣引。近年来随着各项 技术的发展，国内外学者在基于光谱特征的遥感分类基础上进行了大量研究，引入了许 多新方法，例如神经网络分类器、支持向量机、分层聚类、粗糙集理论等。但是现在的 高分辨率遥感数据通常包含较少波段，光谱信息不如空间特征丰富，宫鹏在2 0 0 6 年提 出在分类过程中，以像元的空间特征辅助光谱信息，这在一定程度上提高了影像分类的 精度。但从本质上讲，这些方法仍是基于像元层次，在单一尺度上进行分类提取，存在 一定局限性，不能从根本上适应高分辨率遥感影像的信息提取。 纹理是通过纹理基元及其排列规律变现出来的，是不依赖于物体表面色调或亮度、 反映图像灰度( 或色彩) 的空间排列分布模式、能够反映图像中同质现象的视觉特征， 是局部图像区域中不同像素之间的空间关系。它被认为是图像中某种空间结构的固有属 性，与颜色相比，它是一种定义在空间邻域内，并可以通过邻域内像素之间的关系来描 广西大学硕士学位论文林区高分辨率遥感影像的对象特征提取与筛选 述，而不是一种点属性。提取纹理特征的主要目的是将这种空间结构差异映射为特征值 的差异。目前，纹理特征提取的常用方法可分为两种：结构方法和统计方法。结构方法 是将纹理视为某种纹理基元及其重复出现规律，这种方法一般只适用于规则性较强的人 造纹理。统计方法是研究比较多、较为成熟的方法，它利用纹理图像的各种统计特性作 为特征。常用的方法有：灰度共生矩阵法、二维自相关函数法、g a b o r 滤波器组方法、 傅立叶变换方法、局部灰度统计量方法等等。 1 3 本文主要内容及技术路线 1 3 1 研究内容 当前高分辨率遥感影像的应用域越来越广，但是，目前国内外研究的大多是关于面 向对象分类方法的具体应用，而对于分类前各类信息的降维与筛选方法本身的研究较 少，高分辨率影像的信息提取与筛选还是遥感领域的瓶颈问题之一。本文主要针对研究 区高分辨率s p o t 5 卫星影像进行各种预处理、分割、信息提取，然后运用多种方法对 影像信息给予筛选，并用传统的分类方法进行分类结果对比、分析与评价。 具体研究内容如下： ( 1 ) s p o t 5 高分辨率遥感图像的预处理 对所获得的研究区的s p o t 5 高分辨率遥感图像进行校正、配准、重采样、融合、 裁剪等预处理，得到最优效果的影像图。 ( 2 ) 图像分割和基于图像分割的信息提取 根据经验与多次试验，确定分割的各类参数，采用软件d e f i n i e n sd e v e l o p e r7 对处 理好的影像进行分割，以及基于分割对象提取影像的光谱、纹理、几何等信息。 ( 3 ) 对象光谱、纹理特征分析和筛选 以对象为单元，对提取出的光谱、纹理信息，运用线性相关性分析、遗传算法、粒 子群算法，筛选用于分类的对象特征。 ( 4 ) 基于光谱纹理信息的图像分类 采用传统的最大似然法，进行图像分类，然后分析分类结果，找到相对适应的筛选 信息的算法。 4 林区高分辨率遥感影像的对象特征提取与筛选 1 3 2 技术路线 全文的技术路线安排如图1 2 所示： 图1 - 2 全文技术路线图 f i g 1 2t h et e c h n i c a lr o u t em a p o f t h ea r t i c l e 1 4 论文结构安排 全文共分六章： 第一章绪论，主要介绍了本课题的研究背景，结合当前国内外的现状对本研究的 林区高分辨率遥感影像的对象特征提取与筛选 实际意义上加以阐述，并扼要地交代本论文的主要内容。 第二章影像预处理，本论文以防城港市上思县为研究区域，对其概况进行介绍， 重点对研究区域内影像图的校正、配准、融合、切割等各种预处理的方法与理论做了描 述。 第三章影像图的分割，从图像分割的理论上和在实际操作的平台上对多尺度分割 进行了介绍。在既保证影像分割对象有较好的内部同质性，又保持对象之间的较好的异 质性的前提下对分割参数的确定。 第四章信息的提取与筛选，在d e f i n i e n sd e v e l o p e r7 0 软件环境下对分割的对象进 行信息的提取，从理论技术上对对象特征信息的筛选的方法：类内、类间离散度的比较、 遗传算法、粒子群算法进行了全面介绍，并在m a t l a b 语言平台下完成了这三种方法 的程序编写。 第五章分类及精度评价，采用最大似然判别法对对象进行分类，对分类后的结果 利用混淆矩阵、k a p p a 系数进行精度评价。 第六章总结、分析本论文研究结果，并提出论文工作中需要进一步努力的研究方 向。 6 林区囊r j 于- 率遥感影像的对象特征提取与筛选 2 1 研究区概况 第二章遥感影像的预处理 上思县地处广西壮族自治区西南部，坐落在风景绮丽的十万大山北麓。县城距离广 西首府南宁市仅1 0 0 公里，南宁国际机场7 5 公里，距广西最大的海港防城港1 1 6 公里， 距我国边境重镇东兴市1 3 0 公里，为防城港市唯一市辖县。总面积2 8 1 6 平方公里。总 人口2 l 万多人。人口密度为每平方公里7 5 人。壮族占8 6 8 ，汉族占9 2 ，瑶族占 3 9 ，其他少数民族占0 1 。上思属南亚热带季风气候，年平均日照时数为1 8 9 6 1 小 时，年太阳总辐射量达1 1 4 3 9 千卡平方厘米，光能资源较为丰富；年平均气温2 1 7 ， 年平均降雨量1 2 1 7 3 毫米。气候温和，雨量适中，无霜期长，为各种动植物最适生长区 之一。 毫。 赛刚l j 睫安县 武谴基 i 、 驻 宰 、一、：南亨市：。赢；，乞一、。 ：b “”一 ， 娃懵_ ，卜 ； 扶惺曩 j ，一 、： i ， 、 ， t 、 ：、气j l 、 7 。， 、； 7 专k 二州； 、o “ 北海市 图2 - i 研究区域地理位置图 f i g 2 1t h eg e o g r a p h i c a lp o s i t i o no f t h er e s e a r c ha n 强 2 2 遥感影像数据 先进的资源卫星代表了2 0 世纪8 0 年代和9 0 年代初期的卫星技术、遥感技术、数 据传输与处理技术的综合性尖端技术。美国1 9 7 2 年7 月发射了陆地卫星1 号，为地球 资源卫星的早期应用试验卫星。1 9 8 0 年前共接收到陆地卫星l 、2 、3 号发送的图片4 4 万 7 墨 量 符 萼 太 天 7 ， 林区高分辨率遥感影像的对象特征提取与筛选 幅，资源卫星遥感数据的实用价值得到了充分的验证和广大用户的积极支持。自1 9 7 2 年美国发射第一颗地球资源卫星以来，美国、法国、俄罗斯、欧空局、日本、印度和中 国等国家或国际机构都相继发射了众多对地观测卫星，其中常用的遥感信息源主要有美r “ 国的陆地卫星( l a n d s a t ) 的t m 和m s s 遥感数据，法国的s p o t 卫星遥感数据和加拿大的 r a d a r s a t 雷达遥感数据以及中国的c b e r s 遥感数据和美国的q u i c k b i r d 2 遥感数据等。 高空间分辨率的遥感影像通常是指像素的空间分辨率达到1 0 m 以内的遥感影像l l 们。本 研究区域采用了s p o t 5 影像图，各波段主要参数与特点见表2 1 。 ， 表2 - 1s p o t 5 各波段主要特征参数与特点 + t a b l e 2 1m a j o rc h a r a c t e r i s t i cp a r a m e t e r sa n df e a t u r e si nv a r i o u sb a n d so fs p o t 5 2 3 遥感影像的校正与配准 2 3 1 几何精校正 所谓的几何精校正，以一句话概括，就是利用控制点改正原始图像的几何变形，产 生一副符合某种地图投影或图件表达要求的新图像。它不考虑各种畸变误差形成的具体 原因，而把图像上存在的各种畸变和误差看成一个整体，然后利用若干个控制点数据确 立一个模拟图像几何畸变的数学模型，以此来建立原畸变图像( 待校j 下图像) 空间与标 准图像( 或称参考图像，如地图等) 空间的某种对应关系，即所谓映射变换函数或校正 变换函数【。再依据这种变换函数把待校正图像空间中的全部像元变换到标准空间中 去，从而实现图像的几何精校正。所以图像几何精校正过程包括三步： 第一步，选取控制点： r 林区高分辨率遥感影像的对象特征提取与筛选 第二步：依据控制点对数据进行空间变换，也就是在几何位置上校正畸变误差； 第三步：取得变换后图像各像元的灰度值，即对图像进行重采样。 2 3 1 1 选控制点 控制点的选取直接决定几何精校正的质量。在选取的时候要尽可能的选择参考图像 上明显的地物点，比如：桥头，河流、道路的交叉点，房屋的拐角等。我们选择的控制 点要做到分布比较均匀，于此同时还需利用控制点对匹配精度给予检验，剔除那些对使 得整体误差超限( 误差限额一般定为o 5 个像元，至多1 个像元) 的控制点。 2 3 1 2 空间变换 在设定好控制点的基础上进行图像的空间变换。多项式变换是目前实践中最常用的 方法，原理简单，计算方便，并且能得到较高的校正精度。 + + + + + + + + 4 - 4 - + + + + f f x y 1 oo o o o o o o o 哎：；： 一 q qo o o o ooo o o 勘ooo o oo 4 。- + ? ，g ( x y 1 o o oo o o ooo ：+ 4 - 斟： uq 弋ooo oo o o o oboo oo oo o o o o ooo o o o o oooo o r i i b t t tl y 图2 - 2 遥感图像的几何校正 f i g 2 2g e o m e t r yc o r r e c t i o no fr e m o t es e n s i n gi m a g e x 假设待校正的图像中点的坐标( x ，y ) 、参考图像中点的坐标( x ，y ) ，多项式变换的 数学表达式为： 式2 - 1 中：a i ，b , j 为多项式系数，n 是多项式的次数。n 的选取，取决于图像变 形的程度、地面控制点的数量和地形位移大小。对于多数具有中等几何变形的小区域的 9 l - 2，l y y x x 砌 m脚川脚 汹瑚 = = x 广西大学硕士学位论文林区商分辨率遥感影像的对象特征提取与筛选 卫星图像，一次线性多项式就可以纠正6 种几何变形，包括x 、y 方向的平移，x 、y 方向的比例尺变形、倾斜和旋转，从而得到较高的精度1 2 】。对于形变严重或者精度要求 高时，可用二次或三次多项式。 工y 三b o ：搿搿盖搿： p 2 ， = + 岛x + 6 2 】，+ 6 3 x 2 + 6 4 j + 玩】，2 + 。 当多项式的次数( n ) 一定以后，所选定的控制点坐标，按最小二乘法回归求出多项 式系数( 又称换算系数) 。然后用以下公式计算每个地面控制点的均方根误差。 r = ( x 一x ) 2 + ( j ，一j ，) 2 ( 2 3 ) 式2 3 中：x 、y 是地面控制点在原图像中的坐标，少是对应于相应的多项式 计算的控制点坐标。 2 3 1 3 重采样 空间变换以后输出的校正后的图像像元，在多数情况下会落在原始图像阵列的几个 像元之间( 即共轭位置) ，因此校正后图像像元灰度值，需要采用适当的方法把该点四 周邻近的若干个点上的像元灰度值对该点的灰度值贡献累积起来进行计算，这个过程就 称为图像的重采样3 】。灰度重采样包括以下三种方法： 1 三次卷积法 采用重采样函数w ( f ) 来近似表述灰度内插时周围像元的灰度值对内插点灰度值的 贡献大小，如图( 2 - 3 ) 所示。 朋照乃儿 图2 - 3 三次卷积法 f i g 2 3t h r e ec o n v o l u t i o n i o - “，) 林区舞咒伊辨率遥感影像的对象特征提取与筛选 0 i t l b a n d 2 b a n d 3 ，b a n d l 与b a n d 4 的方差悬殊不大，b a n d 2 与b a n d 3 基本相等。 由表3 2 可以看出，b a n d l 、b a n d 2 、b a n d 3 和b a n d 4 之间的相关性很大，都达到了0 9 7 以上，所以这4 个波段都要参与分割。为了弱化无用的波段，突出更有用的波段，加快 分割的速度，根据由标准差决定的信息量的多少，设置各波段在分割中所占的权重为： 1 6 ：l ：l ：1 6 。 3 2 3 2均质性因子设置 在提取影像信息的时候采用图像分割的方法，除了波段权重和分割尺度的设置以 外，均质性因子的设置也起着至关重要的作用。均质性因子包含光谱因子和形状因子。 在实际应用研究中，大多数情况下光谱因子在分割中起着更加重要的作用，形状因子的 参与则有助于避免分割产生的对象形状不完整，同时可以避免“同物异谱 和“同谱异 物”的现象，以及“椒盐现象 的污染，从而提高后期分类的精度刚。形状因子又包含 紧密度和光滑度，紧密度是指影像对象的紧凑程度，通过聚焦度来优化对象，根据较小 的差别把紧凑的目标和不紧凑的目标区分开；光滑度是指对象边界的光滑程度，通过平 滑边界来优化对象，完善具有光滑边界的影像。因为光谱信息是影像数据包含的主要信 息，所以光谱因子占的权重较大，而形状因子的设置中，要得到边界比较平滑的对象， 因此光滑度因子的权重相对设置的较大。 1 9 林区，r ：伊辨事鼍感影像的对，l 钥睢提取号筛选 图3 - 2 影像分割界面图 f i g 3 - 2t h e i n t e r f a c i a lc h s r to fi m a g es e g m e n t a t i o n 在对影像数据分割时候，要取得适应的因子设置参数，最好的方法就是不断尝试， 使用多种不同参数进行分割，直到取得比较满意的就结果。因此这几个参数的设定是也 经验过程，一般情况下，光谱因子的权重为0 8 ，形状因子的权重为0 2 ，形状因子中的 光滑度为o 7 ，紧密度为o 3 。 l l s h a p e 印1 ，c 幻m p a c t n e s s = o 8 s h a p e = o 2 ，c o m p a c m e s s = o 3 图3 - 3 不同的均质性因子对分割结果的影响 f i g 3 - 3t h ei n f l u e n c eo f v a r i o u sh o m o g e n e i t yf a c t o r s0 1 1s l i c i n gr e s u l t s 采用统一的分割尺度、波段权重不同的均质性因子设置，对同一区域影像进行分割。 从左至右均值因子的设置依次为：形状因子为0 1 ，紧密度为0 8 ；形状因子为0 2 ，紧密 度为0 3 ；形状因子为o 7 ，紧密度为0 5 。通过对图3 2 的观察，可以得出，相对于左右两 图，中间影像图的分割效果较好，地物对象分割的边界较为清晰。 3 2 3 3分割尺度的选择 高空间分辨率的影像图可以确保地物实体的提取精度，因为当遥感影像的分辨率提 高时，由于实体类别相邻边缘的介于多类混合像元数量减少，分类精度得以提高；但分 广西大掌硕士掌位论文林区高分辨率遥感影像的对象特征提取与筛选 辨率提高的同时，也增大了同一地物实体内部的光谱响应差异，从而又导致分类精度的 降低。因此并不是分辨率越高的影像图，类别提取精度就一定越高i z 引。要做到尽可能的 提高精度，那么当空间分辨率一定以后，就需要选择确定好适合该影像图的分割尺度， 保证相应的地物类别能用影像对象( 包括光谱、形状、纹理等) 较好的表达。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。当两个对象进行合并时，两个对象之间的异质性度量与这个阈值进行比较，如果小 于这个值就合并，如果大于这个阈值则不合并。分割的尺度不同，生成对象的大小也不 同。分割尺度越大，则生成的对象层内多边形面积越大而数目越少，反之亦然。对于一 种或者几种确定的地物类型，最优分割尺度值是分割后的多边形能将这种地物类型的边 界显示十分清楚，并且分割后产生的对象的大小与地物大小的比例接近，对象的多边形 表示出这种地物，既不能太破碎，也不能边界模糊1 2 丌。当研究中信息提取要针对整幅影 像时，分割后影像对象内部的异质性尽可能小，而同时，不同类别对象之间的异质性尽 可能大，而且产生的对象能够表达某种地物的基本特征( 如：纹理、光谱、形状、拓扑 关系等) ，这些都是最优分割尺度应具有的条件，其中对象内部异质性尽可能小保证了 影像对象的纯度，而对象之间的异质性尽可能大保证了影像对象的可分性。 3 3 多尺度分割试验 ， 。 根据波段权重、均质性因子、分割尺度的设定，对研究区域的影像图进行多尺度的 分割试验，通过多次改变分割参数，得到一系列的分割结果，如图3 - 4 所示： 图3 - 4 多分辨率分割界面 f i g 3 - 4m u l t i r e s o l u t i o ns e g m e n t a t i o ni n t e r f a c e 在分割的过程中，所分割的小区域要具有最优的代表性和能分离性，但是一些地物， 由于在空间上与光谱特征十分相近的其它地物相邻，因此在分割过程中，无论采用何种 2 1 广曩r 大国昀曩士掌位麓曙乞林区，曙铲爿i 率鼍感影像的对，l 特征翊 取与筛选 尺度、何种参数进行分割，由于难以将它们分离，都无法取得满意的效果。如由于岔道 较多，不论在何种尺度上分割，干线公路都呈排骨状或枝状，与实际地物明显不符，因 此必须在适当尺度分割的图层上进行适当的编辑，采用手工裁剪的方法，将干线与岔道 截断，尽量使其呈圆滑的窄长多边形，确保分类结果呈窄带状。公路穿过森林的路段， 由于林木阴影的影响，在图像上呈若隐若现、断断续续的特征，也需进行适当的编辑， 包括分割和合并，使其连续、贯通。水体由于深度不同，辐射特性不尽一致，因此同一 水体，不论采用何种尺度和分割参数，同一水体都得到多个对象。由于水体可通过目视 解译明显地辩识，因此可进行适当的编辑，将其进行合并，以便于信息提取。 图3 - 5 分割结果图 f i g 3 - 5t h ei m a g eo f s l i c i n gr e s u l t s 经过确定的参数对研究区域影像图分割和对分割对象进行适当的编辑处理以后，共 得到了1 1 2 7 9 个对象。 第四章信息的提取与筛选 4 1 对象特征信息提取 图像经过分割以后得到的结果图像，其基本单元已不再是单个像元，而是由多个同 质像元组成的多边形对象。对于每个多边形对象，都可以提取出其内部像元的各种光谱 特征，包括灰度均值、标准差、指数等。还可以提取出相应的形状特征、纹理特征、位 置特征以及多边形间的拓扑关系特征等。在信息提取前，基于森林二类调查所得到的森 林种类信息可对所有的对象进行分类，通过对调查主要数据的分析，1 1 2 7 9 个对象基本 可分为：水域、农田、建筑用地、桉树、软阔类、松树类、相思类七大类。 沥酾? 一秘孵缈。渊惭? ”一盈词 ，一二= = = ! ：! = ：= 二。二_ ! ! ! i ! 坠! ! ! l 兰三1 10 3 3 2p o l 7 e o n i3 1 1 0 3 3 3p o l y e o n 1 3 1 1 0 3 3 5p o l t l o n1 3 1 1 0 3 3 tp o l y g o x l 、1 3 1 1 0 3 3 8p o l t e o n 1 3 1 1 0 3 3 9p o l t o n 。13 1 1 0 3 4 0p o l l r e o n1 3 1 1 0 3 4 1p o l t z o n1 3 1 1 0 3 4 2p o l r e o n 1 3 1 1 0 3 4 4p o l r e o n 1 3 1 1 0 3 4 6p 0 1 7 | o n 1 3 1 1 0 3 4 7p o l y e o n 1 3 1 1 0 3 4 9p o l y g o n 1 3 1 1 0 3 5 0p o l y e o n i 3 1 1 0 3 5 1p 0 1 7 1 0 n 1 3 l 10 3 5 3p o l ，0 1 1