高分辨率影像计算管理论文_优秀论文

1、 高分辨率影像计算管理论文【摘要】计算城市的绿地覆盖率是一项繁琐的工作。高分辨率影像的出现, 给这项工作提供了便捷的途径。本文以高分辨率影像为基础, 结合道路和水系矢量数据, 利用ecognition分类软件完成绿地的提取, 并计算出绿地覆盖率。【关键词】绿地覆盖率高分辨率影像影像分类1、引言绿化建设是一个城市建设的重要工作, 城市绿地覆盖率是衡量一个城市绿化程度的最主要的指标, 那么如何来计算一个城市的绿地覆盖率呢？从方法上看, 只要能够知道城市范围以及该范围内的绿地面积, 绿地覆盖率的结果就可以非常简单地计算出来, 问题的关键就在于绿地面积的获取。一般的作法是通过调查人员在实地调绘出绿地的

2、范围, 然后在地图上量算出绿地面积。由于计算的范围一般都会非常大, 如果所有的绿地都是通过调绘来确定范围, 那就需要花费大量的人力和时间, 实际的工作中, 通常是将城市划分为不同的区域, 每个区域再取不同的样点, 利用样点数据计算的绿地面积来推算一个区域的绿地面积, 最后再推算出整个城市的绿地面积。目前, 随着航空遥感技术的发展, 高分辨率遥感影像在国内开始得到广泛的应用, 而这些影像的出现, 也给城市绿地覆盖率计算提供了更为有效而便捷的手段。2、主要思路采用高分辨率影像来确定绿地范围, 这项工作完全可以在室内完成, 无需进行室外的调绘。需要注意的是, 绿地覆盖率是一个跟时间密切关联的指标,

3、绿地覆盖率应当是代表某个时间的计算的结果。由于植被的生长周期一般都比较长, 绿地覆盖率突变的情况比较小, 而完全采用影像来确定绿地, 最直接的优点就是提高了计算结果在时间定位上的精度。从高分辨率影像上提取绿地一般是采用人工提取, 也就是作业人员在计算机上, 以影像为底图, 手工勾绘绿地范围, 这种方式的工作量依然很大。本文采用的作法是通过ecognition影像分类软件来完成绿地的提取。ecognition是2004年引入国内的一个影像分类软件, 它采用面向对象的分类方法。该软件能方便地融入其他专题地影像信息作为分类知识, 同时能够让用户灵活地建立基于知识的分类模型, 简洁高效地完成分类工作。

4、只单纯采用高分辨率的影像, 利用软件来自动提取绿地的效果并不理想, 本文的作法还引入了城市的路网和水系数据作为专题信息, 用来提高绿地提取的精度。另外, 考虑到城市的范围比较大, 并且不同区域的地类分布会有所不同, 因此需要将城市划分为不同的区域, 每个区域分别进行绿地的提取, 最后再汇总计算出总的绿地面积。整个计算的过程如图1所示。图1计算过程Fig.1CalculationProcess3、过程及方法描述3.1数据准备3.1.1数据情况本篇文章所处理的主要数据为高分辨率影像, 同时还利用了矢量的GIS数据, 具体如下：广西南宁市QUICKBIRD影像, 2002年10月份获取, 真彩色产品

5、, 包括红、绿、兰三个波段, tiff格式, 空间分辨率0.61米。城市路网和水系的矢量文件, ArcInfo的shape格式文件（如图2）。图2矢量数据Fig.2VectorData本文需要计算图1中所示的外环公路内绿地覆盖率。3.1.2区域划分城市区域的划分主要是根据路网、水系、地势等地理要素, 在矢量地图上, 通过手工来划分, 实验区域的划分情况如图3, 将外环公路内分为C1、C2、C3、C4、C5、C6、C7等7个区域。图3工作区域Fig.3WorkRegions3.1.3影像配准及数据转换由于混合了矢量数据和影像数据的处理, 为正确和方便地使用这些数据, 需要统一数据的地理坐标, 为

6、此, 采取将影像数据配准到矢量数据的地理坐标下的作法, 影像需要根据输入的控制点, 进行移动、缩放、旋转等内容的变换, 并且不要对影像进行重新的采样和保存。因为需要将整个范围划分为6个区域来处理, 影像数据也相应地要分割为6个部分, 但影像的分割, 不需要用区域的边界来分割, 只要用区域的最小外接矩形来分割就可以了, 在分类的过程中, 利用区域的专题信息, 就可以避免数据处理过程中对影像重叠部分的重复计算。Ecognition的专题图文件是由一个栅格数据文件和一个描述栅格属性的ASC文件来组成, 描述文件的后缀一般为asc, 也可以是txt后缀, 下面是一个asc文件的样例。ID列表示栅格文件

7、中的灰度值, R、G、B表示该灰度值在ecognition软件中显示时所使用的RGB色彩的三个分量, Value、Field1都是扩展的属性字段, 用来记录更多的特征。矢量数据中, 需要将划分的区域面以及道路和水系的面数据转换为ecognition软件的专题数据文件格式, 这项工作, 作者是通过编写专门的程序来实现（具体作法可参考矢量数据转换为栅格数据的相关资料和文献）。3.2绿地提取绿地的提取, 主要是在ecognition软件中来完成。3.2.1建立工程首先, 需要建立一个新的影像分类工程。一个工程包括需要处理的多个影像数据和专题数据, 以及分类的描述信息。这项工作需要注意一点, ecog

8、nition软件主要是基于栅格数据的分析和处理, 所有的影像文件和专题文件都应当具有相同的大小, 这样才能够有效地共同完成分类的推理工作。本文实验中的数据包括quickbird影像三个波段数据, 分割区域、道路和水系专题图数据。3.2.2影像分割这步工作, 是根据影像的光谱和几何特征, 将影像划分为不同的对象（imageobject）, ecognition支持多尺度的分割, “粗”的尺度下, 可以分割获得比较“大”的对象, “细”的尺度是在上一个“粗”尺度的基础上分割出的“小”对象, 因此, 在ecognition中, 可以建立对象的层次关系, 并且可以针对不同的层来进行分类。实验中建立3个

9、层次的分割面对象, 如图。最“粗”的是划分的工作区域范围（level3）, 然后是以道路和水系的范围做约束的分割面（level2）, 最后是根据光谱和专题图的“精细”分割（level1）。3.2.3分类体系的建立及特征分析分类的目标是提取绿地, 绿地的范围和信息主要是从level3上来获取, 但是专题数据中包含的一些信息对绿地提取非常有用, 比如, 在level2中, 已经明确为道路和水系的部分, 就不需要进行分类的判别了, 所有在level3上, 先划分为：主干水体、道路、非水体和主干道路三种类别。在“非主要道路和水体”的类别当中再细分为房屋、树木、草地、阴影、街道等, 如图。“草地”在红色

10、波段, 灰度值主要集中在绿色波段。对于同物异谱的情况, 可以通过增加更细致的分类来处理, 例如房屋类别可以用房屋1、房屋2等类别来替代, 每个类别的光谱特性分别描述。实验中各种类别的光谱特征描述如表。类别RGB类别RGB草地110127121133120132街道1148158160174170180房屋1116126102116108118街道2135150136148138148房屋2108118100112108120阴影334556728092房屋31681801601741601703.2.4获取分类结果Ecognition采用模糊分类的机制, 通过对特征的描述, 计算不同对象隶属各

11、个分类的隶属度, 最后完成分类的过程。实验的结果如图6所示（局部）。其中绿地的面积包括“树木”和“绿地”这两种类别的面积。3.3成果计算计算采用象素数量来反映分类的面积。在分类完成后, 通过各个区域分类面积的汇总, 可以获得主干道路面积、草地面积、树木面积、房屋面积、街道面积、阴影面积。其中树木面积和房屋面积可以算做绿地面积, 而阴影面积, 可以认为它包含了其他分类的面积。设绿地面积为, 则有城市计算范围的面积, 设为绿地覆盖率, 于是有4、小结计算城市绿地覆盖率的工作, 从方法上看并不复杂, 但是作为一项具体的工作却并不简单。传统的作法需要花费大量的人力和时间, 本篇文章采用高分辨率影像作为数据基础, 通过分类软件来进行绿地提取, 可以大量减少人工劳动, 极大提高工作效率。但是在目前, 利用软件对高分辨率影像进行分类, 要获得好的分类效果还比较困难, 本篇文章所要计算的绿地覆盖率, 对精度的要求并不高, 同时, 通过引进GIS数据参与分类, 提高了分类的精度, 另外, 在执行完分类的过程后, 还可以通过人工的检查, 手工修正一些不正确的分类结果, 但这些劳动, 相比较过去的作法, 已经变得相当轻松。总之, 采用高分辨率影像作