已阅读5页,还剩67页未读, 继续免费阅读
(矿产普查与勘探专业论文)面向对象的遥感影像土地利用信息提取.pdf.pdf 免费下载
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
西南科技大学硕士研究生学位论文第1 页 摘要 传统的基于象元光谱信息的分类方法不能充分利用高分辨率遥感影像的 空间信息,分类精度较低。本文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信息提取中,将这种方法研究和其在 o u i c k b i r d 影像上的土地利用信息提取中的应用研究相结合。本文主要研究 内容和结论如下: ( 1 ) 本文在基于象元尺度转换的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。本文在前人研究 的基础上,提出了一种最优尺度选择方法一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,通过试验 定义有效的模糊规则、建立合理的特征空间进行模糊信息提取。 ( 4 ) 将面向对象遥感影像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,前者对高分辨率遥感影像进行信息 提取时精度更高,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模糊分类 西南科技大学硕士研究生学位论文第l i 页 a b s tr a c t t r a d i t i o n a lc l a s s i f i c a t i o nm e t h o db a s e do ns p e c t r u mo fp i x e l sc a nn o tm a k e f u l lu s eo fs p a t i a li n f o r m a t i o no fh i g hr e s o l u t i o nr e m o t es e n s i n gi m a g ea n dt h e c l a s s i f i c a t i o na c c u r a c yi sn o tg o o d an e wi n f o r m a t i o ne x t r a c t i o nm e t h o d o b j e c t o r i e n t e di n f o r m a t i o ne x t r a c t i o n i si n t r o d u c e di ne x t r a c t i n gi n f o r m a t i o nf r o mh 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 t h i sp a p e rc o m b i n e dt h er e s e a r c ho ft h i s m e t h o da n di t sa p p l i c a t i o no ni n f o r m a t i o ne x t r a c t i o no fl a n d u s eb a s e do nq u i c k b i r di m a g e t h em a i nc o n t a i n sa n dr e s u l t sa sf o l l o w i n g : ( 1 ) i nt h ep a p e r ,t h eo b j e c t o r i e n t e ds c a l i n gw a sr e s e a r c h e db a s e do nt h e p i x e ls c a l i n g t h er e s u l to fs c a l i n gw a sa l s oe v a l u a t e db yu s i n gm e a n ,s t d d e v , a n df r a c t i o nd i m e n s i o nf o ri n d i c e s t h er e s u l ti n d i c a t e st h a tt h e a p p r a i s a l i n d i c a t o rv a l u e so fc l a s s e sv a r yw i t hd i f f e r e n ts c a l e s ,a n dt h ev a r i e t yt e n d e n c yo f d i f f e r e n tc l a s s e si sn o ts a m e ( 2 ) t h eo p t i m a ls c a l ei st h ek e yo fm u l t i - s e g m e n t a t i o ne x t r a c t i o na c c u r a c y i n c r e a s i n g av i e wo fo p t i m a ls p l i t s c a l em o d e lw a sp r o p o s e db a s e do np r e v i o u s s t u d ya n dt h et e s to fi m a g es e g m e n t a t i o nw a st a k e n t h er e s u l t ss h o w e dt h a tt h i s m o d e lc a ng e to p t i m a ls p l i ts c a l ee x p e d i e n t l ya n df l e e t l y , a v o i dt h ev i s u a l s u b j e c t i v i t y ,i m p r o v et h ee f f i c i e n c yo fi m a g es e g m e n t a t i o n ( 3 ) t h ee x p e r i m e n t a la r e aw a ss e g m e n t e db yc h o o s i n gt h eo p t i m a lo p t i m u m s c a l e c l a s sh i e r a r c h yw a sc o n s t r u c t e da n df u z z yr u l e sa n df e a t u r es p a c ew e r e d e f i n e dt oe x t r a c ti n f o r m a t i o nb yf u z z yc l a s s i f i c a t i o n ( 4 ) t h ep a p e rc o m p a r e sa n da p p r a i s e st h ec l a s s i f i c a t i o nr e s u l tb e t w e e nt h e m e t h o do fo b je c t - o r i e n t e da n dp i x e l - o r i e n t e d ( s u c ha st h em a x i m u ml i k e l i h o o d c l a s s i f i c a t i o n ) t h er e s u l ti n d i c a t e st h a ti th a sh i g h e rp r e c i s i o nw h e nu s e d o me c t - o r i e n t e dm e t h o dt oc l a s s i f yt h eh i g h r e s o l u t i o ni m a g e ,t h eo b je c t o r i e n t e d m e t h o di ss oe f f e c t i v et or e d u c et h e ”p e p p e ra n ds a l tp h e n o m e n o n ”,t h e c l a s s i f i c a t i o nr e s u l to fo b j e c t o r i e n t e da n a l y s i si sm o r ee a s yt ou n d e r s t a n da n d e x p l a i n k e y w o r d s :r e m o t es e n s i n gi m a g e ;o w e c t o r i e n t e d ;m u l t i s c a l e ;s e g m e n t a t i o n ; f u z z yc l a s s i f i c a t i o n 独创性声明 本人声明所呈交的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,也不包含为获得西南科技大学或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志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。 签名:诵铍 日期:哆年 关于论文使用和授权的说明 本人完全了解西南科技大学有关保留、使用学位论文的规定,即:学校有权 保留学位论文的复印件,允许该论文被查阅和借阅;学校可以公布该论文的全部 或部分内容,可以采用影印、缩印或其他复制手段保存论文。 ( 保密的学位论文在解密后应遵守此规定) 签名: 衙镪 翩虢垮文参帆批厂a 西南科技大学硕士研究生学位论文第1 页 1绪论 1 1研究背景和意义 自2 0 世纪6 0 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 3 0 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s p o t 卫星影像( 全色波段 空间分辨率为2 5 m ) ,美国的i k o n o s 卫星影像( 多光谱影像的空间分辨率为 4 m ,全色影像的空间分辨率为1 m ) ,美国的q u i c k b i r d 卫星影像( 多光谱影像 的空间分辨率为2 4 4 m ,全色影像的空间分辨率为0 6 1 m ) 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。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心。4 1 。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l o m 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i s o d a t a 、k 一均值等非监 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陆1 。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 分类精度的降低阳,。 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 西南科技大学硕士研究生学位论文第2 页 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叫0 1 。实验证明,这是一种很有 前途的信息提取方法,尤其是e c o g n i t i o n 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n n 幻。 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 西南科技大学硕士研究生学位论文第3 页 计特征来将未分类的像元划分到相应的样本类中n 副。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g a u s s 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e d i r i w i c k r e m a j 等提出的启发 式像素分类估计先验概率法n 钔。 非监督分类包括i s o d a t a 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( g e n e t i c a l g o r i t h m ,g a ) ,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n 5 1 6 1 。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n 7 。20 j 。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、s v m 分类法 以及其它一些纹理分类算法等。m m o k h t a r z a d e 和m j v a l a d a nz o e j 利 用人工神经元网络对k i s hi s l a n da n db u s h e h rh a r b o r 两个地区的i k o n o s 、 q u i c k b i r d 影像上的道路进行检测,取得了较好的效果昭。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 b p 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乜羽。模糊聚类算法是非监督分类中一种重要方法, 它以z a d e h 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n 引。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聆6 1 。如何充分利用这些多源遥感 西南科技大学硕士研究生学位论文第4 页 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 的假设之问的控制流程为算法。近些年,学者设计了大量的专家分类系统用 于遥感图像分类乜6 q 引。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( ( s v m ) 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v a p n i k 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。s v m 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 现象钔 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0 j ,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口。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 西南科技大学硕士研究生学位论文第5 页 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2 0 世纪7 0 年代它就被应用于遥感影像的解译中。 k e t t i n ga n dl a n d g r e b e ( 1 9 7 6 ) 提出了同质性对象提取的优点,并提出了一 种分割算法e c h o ( e x t r a c t i o na n dc l a s s i f i c a t i o i lo fh o m o g e n o u so b j e c t s ) 口羽;w h a r t o n ( 1 9 8 7 ) 设计了一种光谱知识的专家系统用于城市土地覆盖分类 m 3l o b o ( 1 9 9 6 ) 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 性更好强引。w i l l h a u c ka n ds c h n e i d e re ta 1 ( 2 0 0 2 ) 使用常规的目视解译、 面向对象两种方法对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。w i l 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 数据完成了印度尼西亚 在1 9 9 7 与1 9 9 8 年严重森林火灾后的制图任务口5 1 。h u a n gh u i p i n g0 2 0 0 3 ) 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3 引。 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 抽们。莫登奎等以高分辨率遥感影像数据i k o n o s 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,速度快口 。覃先 林等利用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,取得了不错的效 果哺引。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口钔 1 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 西南科技大学硕士研究生学位论文第6 页 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m l p ( 多层 感知器) 分类器对融合后的i k n o n o s 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。孙丹峰等人研究了i k n o n o 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h 。 近些年,诸如i k o n o s ,q u i c k b i r d 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。a p l i n ( 1 9 9 9 ) 等人基于这种思想对高分辨率遥感进行土地利 用分类( 3 4 ) h e l l w i c h ( 2 0 0 0 ) 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h 羽。b a u e r 等 ( 2 0 0 1 ) 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h 3 1 黄慧萍等以不 同的尺度参数对大庆市i k o n o s 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9 4 8 1 ,8 6 6 7 ,9 8 0 8 ,8 8 8 9 ,总精度为9 2 1 1 。 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方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。 西南科技大学硕士研究生学位论文第7 页 1 3研究内容和技术路线 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 法一最优分割尺度计算模型,以此方法选择最优分割结果,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,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 本文研究技术路线如图i - i 西南科技大学硕士研究生学位论文第8 页 图卜1技术路线 f j g 1 1 r o u t eo ft e c h n o i o g y 西南科技大学硕士研究生学位论文第9 页 2 面向对象信息提取方法与技术 自从i k o n o s ,q u i c k b i r d 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g i s 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g i s 数据库的重要来源,却是以栅格 形式表示,所以遥感数据和6 i s 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6 i s 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) h4 j 。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。 西南科技大学硕士研究生学位论文第10 页 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t o b l e 的地理第一定律h 朝: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h 引: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。 西南科技大学硕士研究生学位论文第11 页 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“刀h 引: 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蜀,局,见; ( 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lj r = r ; , i = l ( 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 ,f ,有rnr ,= ; ( 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p ( r ,) = t r u e ,f = 1 , 2 ,刀; ( 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,即以r + r ,) = f a l s e ,i j ; ( 5 ) 分割结果中同一个子区域内的像素应当是连通的,即足,江1 ,2 ,胛 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。 1 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 西南科技大学硕士研究生学位论文第12 页 组成目标的边界来实现分割,如:微分算子、h o u g h 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。 2 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。 2 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 西南科技大学硕士研究生学位论文第13 页 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。 r l1 1 2 r 4 lr 一2 粥 鞠3r “ 图2 - i四叉树表达方法 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2 2 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1 。 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。 西南科技大学硕士研究生学位论文第1 4 页 l , ,v e3 l e v e i2 l e v e 】1 p i x e il e v e i 图2 - 2多尺度分割网络层次结构图 fj g2 - 2t h eh le r a r c h ic a in e t w o r ko fi f l u i t 卜s e f f t n e n t a t i o n 2 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j 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 予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 的区域巾,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“”o 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。 传统的区域台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,b a a t z ,m 和s c h a p e ,a 提出 了一种基于异质性最小原则的区域合并算法。这种算法咀任何像元为中心生 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台, 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 ) :蹄乙, 西南科技大学硕士研究生学位论文第1 5 页 ( 光谱信息权重) 、形姆( 形状信息权重) 、k ( 光谱异质性值) 、k 咿( 形 状异质性值) w 是用户定义的权重,取值于0 1 之间,且吃妇+ 陟k = 1 厂= w k + ( 1 一w ) k ( 2 1 ) 光谱异质性值k 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 ) 。c r c 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。 k = w c ( ,l 脚矿- - ( n o b j l 。t y c o b j l - fn o b j 2 矿夕2 ) ) ( 2 2 ) c 形状异质性值由两部分组成( 公式2 3 ) :紧密度k 和光滑度k 枷 吃慨= w 玉,胛d k + ( 1 一w 厶,秘c f ) h s r t l 珐 ( 2 3 ) k 与k 。枷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 。 k 2 是一卜括。惫j 浯4 , k 枷= 。乏一卜,石l o b j l :。石1 0 可2 沿5 , 基于这种方法的多尺度影像分割具体步骤如下:首先设黄分割参数,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
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2024年安全管理人员安全教育培训试题及答案
- 2023年煤矿井下电气备考押题二卷合一带答案41
- (2025)0-6岁儿童健康管理服务规范培训试题及参考答案
- (新)保密知识竞赛试题(附答案)
- (中级社工师)综合能力试题及答案
- 2025 年食安员管理员考试题库及答案
- (2025年)辅警考试真题及答案
- (完整版)船员安全培训试题(含答案)
- 26年初级注册安全工程师《建筑施工安全》真题及答案解析
- 20261029-052016-人教版三年级体育下册单元测试卷全套(含答案)
- 北京市朝阳区2026-2027学年度第一学期期中质量检测高三英语试卷(含答案)
- 2026山东省防疫安全协管员招聘考试(畜牧兽医)历年参考题库含答案详解
- 2026健康管理师考试理论知识真题及答案
- 2025 含聚谷氨酸有机水溶肥料在马铃薯种植中的应用技术规程
- 2026-2027学年清华附中九年级上册化学期中真题卷
- 2026年四川省成都市技能人才评价考评员考试题库(附答案)
- 正大集团人才评估行测题目
- 离散数学 (第七版) 课件 第二部分 集合论
- FMEA风险评估分析表实战培训
- 2025年进出口银行人员招聘笔试考试试题及答案详解
- 光伏组件拆除方案
评论
0/150
提交评论