监督分类技术在高分辨率卫星影像中的应用.doc

第 25 卷 特刊2003 年 12 月北 京 林 业 大 学 学 报JOURNAL OF BEIJ ING FORESTRY UNIVERSITYVol . 25 Spec . Iss.Dec . , 2003监督分类技术在高分辨率卫星影像中的应用周庆李峰张海涛马千里( 北京市测绘设计研究院)摘要 随着社会对专题影像数据需求的逐渐增大 ,要求的提高 ,低分辨率卫星影像制作的专题数据在许多领域已不能满足要求. 该文介绍了利用 Quick Bird 卫星影像制作专题数据的方法 ,以及结合生产实际满足社会需求的实 例 .关键词 监督分类 ,训练样地 ,分类后处理 ,矢量分类图中图分类号 S75712Zhou Qing ; Li Feng ; Zhang Haitao ; Ma Qianli . Application of supervised cla ssif ication on high spatial resolution satellite image. J ournal of Beijing Forestry University (2003) 25 ( Spec . Iss. ) 432245 Ch ,2 ref . Beijing Geomatics Centre ,Beijing ,100038 ,P. R. China .With the increasing demand and high requirement of society to thematic image , thematic map made from low resolution image cannot satisfy the requirements in many fields. This article introduces the methods of making thematic data from QuickBird image , and provides practical examples to meet the demands of society.Key wo rd ssupervised classification , training area , post classification processing , vector classification map随着卫星遥感技术的发展 ,通过遥感获得的地理信息越来越多 ,遥感影像成为地理信息系统非常 重要的信息源 . 对卫星图像分类就是利用计算机给予图像像元的光谱值 ,按照一定的规则 ,将像元归并成有限的几种类型 、等级或数据集的过程 (这一过程 也叫做图像分割) . 或者说 ,图像分类就是从原始数据中提取各种信息 ,分类结果可以与地物特征相联 系 . 比如土地覆盖类型图 ,就是分类的结果 ,它可以 显示出植被 、水系等信息.传统的分类数 据 主 要 是 Spot 、TM 、MSS 之 类 的卫星影 像 , 地 面 分 辨 率 较 低. 此 次 用 于 研 究 的 是Quick Bird 卫星影像 ,它的地面分辨率最高可以达到0161 m. 相比于传统影像 ,Quick Bird 影像的数据量 较大 ,混合像元影像减小 、地物物体的各组信息增 强 . 由于传感器记录了地面光谱值 ,使光谱变化区间增大 ,这样对计算机的自动分类提出了新的考验. 同时 ,地面分辨率的增加有利于目视判读 ,提高了作业 员对影像分类的控制 ,利于及时对分类结果做出有效判断.常规的图像分类主要有两种方法 : 监督分类和非监督分类.非监督分类完全按照影像中像元的光谱特性进 行统计分类 , 它的自动化程度较高 , 人为的干预较少 . 常常用于对分类区缺乏了解的情况 . 针对 QuickBird 影像的分辨率 ,我们认为非监督分类并不适用 ,因此我们重点进行了监督分类的应用研究.1高分辨率卫星影像的监督分类监督分类要求首先要进行外业调查 ,依据所拥有的数据资料定义支持假设的规则 、条件和变量 ,建立起不同地类与遥感图像光谱值的对应关系 . 在监 督分类过程中 ,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训练样地 ,然后基于 该训练样地使计算机系统能够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训练样地进 行修改 ,多次反复后建立一个比较正确的训练样地 ,并在此基础上最终进行分类.我们 使 用 ERDAS IMAGING 软 件 进 行 分 类 研 究 . 在分类过程中 ,影像文件中的所有波段的像元值都被利用. 因此 ,可以主动选择有利的波段组合 ,而200322102213 收稿http :www. wanfangdata . com. cn第一作者 :周庆 ,助工. 主要研究方向 :航测成图及数字图像处理电话 :0102263969334 地址 :100038 北京海淀区羊坊店路 15 号北京市测与已知分类的参考像元进行比较 ,实际工作中我们将分类数据与可清晰目视判别地类的原图像进行 对比.在分类图像中随机产生 300 个点 ,完全覆盖于 图像中. 计算机将参照分类后的专题影像 ,按照各点 的坐标将地类属性与点号相对应. 然后由作业员依 照原始影像按照判读原理及相应的外业调研做出判断 ,作为各个参考点的实际类别值. 由此 ,我们可以 得出此次分类的精度评定报告 (见表 3 、4) .111建立训练样地根据城市地类 分 布 特 点 , 选 取 15 个 植 被 训 练 区 、8 个水体训练区 、11 个房屋训练区 、5 个道路训练区 、5 个裸地训练区以及 3 个阴影训练区. 将各个训练区按类别进行归纳并统计像素数 ,见表 1 .表 1 根据培训样地进行有监分类统计表TABL E 1 Supervised classification statistic table地类分类裸地阴影居民地道路植被水体行总数裸地阴影 居民地 道路 植被 水体不同地类参与分 类的总像素数13 1240400013 128086104983 1682994 826表 3 精度测试数据 TABL E 3 Accuracy evaluation data 7806 655762396257 67301401353 5704185944 857地类分类道路阴影水体裸地植被居民地行总数1341223355 24486656 300道路阴影 水体 裸地 植被 居民地总像素数8000117263700301301601081001912243000012611278002271832086211341113000000094 06194 06113 2031 0356 9164 17759 06996 445180 845注 :表中横向为等类分类 ,纵向为选区的训练样地总数中分类情况 (下表同) .根据所选择的训练样地进行监督分类. 打开分类后的影像与原影像进行对比 . 根据影像判读的知 识以及实地的调查 ,我们知道 ,有些水域被分类为道 路和植被 ,有些主要道路被分类为房屋. 对分类发生 错误的地区重新选取训练区 ,发现大部分分类错误 都是由于训练用地选取不够 ,不足以代表各地类的组成. 于是再次选取 3 个水体训练区 、2 个道路训练区和一个植被训练区 ,得到新的统计表 2 .注 :纵向的为目视判度分类 ,横向的为不同地类中错分情况 (下表同) .表 4 精度评定 TABL E 4 Accuracy evaluation 与目视判度 各地类分类中真正属相比的精度 于该地类的判别精度分类名称参比数据分类结果正确数道路阴影 水体 裸地 植被 居民地总像素数总分类精度 :26138208687630177 %53185 %75100 %44119 %99121 %85154 %40100 %87150 %100100 %90148 %94103 %63196 %表 2 对误分类像元增选训练样地后的分类TABL E 2 Classification to misclassified pixels after selecting more training areas4321191271341268311171地类分类裸地阴影居民地道路植被水体行总数300300237裸地阴影 居民地 道路 植被 水体不同地类参与分 类的总像素数13 09907609200426 36701 03337103 4544 43906 36624613 10311 77511 49979 %由表 3 及表 4 可以看出 ,即使是高分辨率的遥感数据 ,在城市这个特殊地方 ,有些地类分类精度仍 不高. 但水体 、裸地 、植被具有高的分类精度 ,尤其植被分类精度可为城市绿地调查提供很好的遥感信息 源 ,而裸地对于监测城市变动亦很有帮助 .113分类后处理对影像的分类工作是按照图像光谱特征进行聚0853873 9492863 7398 44628151563658 4253 04861 7080204548101 379 101 47413 2031 0226 9165 43466 652 114 778 208 005根据统计表 2 我们看到 ,在建立训练区的过程们可以设定被剔除图斑的大小 ,将符合删除条件的图斑归并到相邻的最大类别中.对影像的小图斑进行剔除 ,就要先对专题影像 进行计算. 得到每个分类图斑的面积 、记录相邻区域 中最大图斑面积的分类值等操作 ,称为聚类统计 . 按 照统计结果将剔除的小图斑合并到相邻最大地类 中 . 最后 ,将各分类图斑的属性值恢复为原始分类编码 ,至此分类后处理基本完成 .由于原始影像的分辨率较高 ,我们可以先将影 像的分辨率降低 ,以减少分类过程中噪声对分类的 影响. 结果证明这种方法是可行的.114监督分类的一般流程212 计算过程我们结合地表状况研究的课题 ,对北京市五环 路范围内的卫星影像进行监督分类处理 ,并将栅格分类图转换为矢量分类图. 将北京市五环范围分别按 1 000 m 的标准划分格网 ,利用矢量的分类图数 据 ,分别计算格网中不同地物类型所占的百分比. 并 使用 Visual Basic 和 Map Objects 开发工具编制了专门的应用程序 ,将所有图层调入系统中 ,在计算时自 动生成相应格网的 Shape 对象 , Shape 对象的位置从 计算范围的左上角开始 ,向东再向南移动 ,最终到达 计算范围的右下角. 对于特定位置的 Shape 对象遍 历整个图层 ,寻找与之相交的 Shape 纪录. 计算的结果对应地物分别存放 ,生成的文件实际可以理解为1 幅图像 ,文件的第 1 个值为计算范围左下角的第 1 个格网的值 ,第 1 行对应计算范围的最南端的一行 格网 ,以 此 类 推. 此 种 方 法 比 较 简 捷 , 计 算 的 精 度 较高. 类3结束语遥感技术已经在很多行业中得到了应用 ,利用2利用监督分类的结果对地表信息统计计算将栅格文件转化为矢量文件 ,可以使文件中具 有矢量信息 ,这样我们可以获得分类图中的矢量信 息 ,从量化的角度对地表的状况进行研究 .211 计算思想用监督分类的方法可以得到栅格分类结果图 ,在 ERDAS IMAGINE 平台上 ,利用其栅格矢量转换工 具将其转换成矢量数据 ,形成具有矢量信息的分类结果图. 这样 ,我们就可以根据用户的不同的需求计算各种统计信息. 比如 :利用矢量文件中的面积属性 可以 计 算 出 在 一 定 区 域 内 各 种 地 物 所 占 的