遥感影像的居民地提取.

1、遥感影像的居民地自动提取一、摘 要科技的飞速发展，卫星的应用也变得相当广泛，卫星遥感数据提取地物信息, 已成为遥感观测地物的一种重要手段。应用遥感图像提取居民地信息，探讨提取居民地的提取方法，可以快速得到居民地的分布情况。在当今灾害频发的时代，研究居民地的受灾情况，快速获取受灾面积等有很好的经济效益。从遥感信息机理分析入手，首先分析了图像区域的居民地信息，应用监督分类、非监督分类，探讨了居民地的研究提取，分析它们的优缺点；在监督分类中，应用最大似然法进行提取，有较好的效果；非监督分类效果不好。本文重点应用谱间阈值法进行研究，进而提取居民地信息。并以重庆市主城区遥感图像为例，通过试验，选择合适的

2、谱间阈值，例如：b5-b380，可以得到比较好的研究效果。关键字：卫星，居民地，自动提取二、遥感影像信息提取方法主动接收和被动接收方式是雷达影像和光学影像所代表的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。应用遥感图像制图可以大致分为4个步骤：1、接收；2、预处理；3、用户应用处理；4、分析结果、图表输出。处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调 、 彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调、彩色或波谱特征

3、是最基本的影像要素，如果物体之间或物体与背景之间没有色调、彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的像元色调、彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调、彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。2.1目视解译及图像判绘2.1.1判绘原则遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“

4、未知”；先“易”后“难”等。一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上，再进行地质、地貌等专门要素的判读。 2.1.2遥感图像判绘1、整体观察观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特征。 2、对比分析 对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差

5、别较大的物体；多时域图像对比分析主要用于物体的变化繁衍情况监测；而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。各种直接判读标志之间的对比分析，可以识别标志相同（如色调、形状），而另一些标识不同（纹理、结构）的物体。对比分析可以增加不同物体在图像上的差别，以达到识别目的。3、综合分析综合分析主要应用间接判读标志、已有的判读资料、统计资料，对图像上表现得很不明显，或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点，可作更加深入细致的判读。如对已知判读为农作物的影像范围，按农作物与气候、地貌、土质的依赖关系，可以进一步区别出作物的

6、种属；河口泥沙沉积的速度、数量与河流汇水区域的土质、地貌、植被等因素有关，长江、黄河河口泥沙沉积情况不同，正是因为流域内的自然环境不同所至。 地图资料和统计资料是前人劳动的可靠结果，在判读中起着重要的参考作用，但必须结合现有图像进行综合分析，才能取得满意的结果。实地调查资料，限于某些地区或某些类别的抽样，不一定完全代表整个判读范围的全部特征。只有在综合分析的基础上，才能恰当应用、正确判读。 4、 参数分析参数分析是在空间遥感的同时，测定遥感区域内一些典型物体（样本）的辐射特性数据、大气透过率和遥感器响应率等数据，然后对这些数据进行分析，达到区分物体的目的。 大气透过率的测定可同时在空间和地面测

7、定太阳辐射照度，按简单比值确定。仪器响应率由实验室或飞行定标获取。利用这些数据判定未知物体属性可从两个方面进行。其一，用样本在图像上的灰度与其他影像块比较，凡灰度与某样本灰度值相同者，则与该样本同属性；其二，由地面大量测定各种物体的反射特性或发射特性，然后把它们转化成灰度。然后根据遥感区域内各种物体的灰度，比较图像上的灰度，即可确定各类物体的分布范围。 2.2计算机信息提取利用计算机进行遥感信息的自动提取则必须使用数字图像，由于地物在同一波段、同一地物在不同波段都具有不同的波谱特征，通过对某种地物在各波段的波谱曲线进行分析，根据其特点进行相应的增强处理后，可以在遥感影像上识别并提取同类目标物。

8、早期的自动分类和图像分割主要是基于光谱特征，后来发展为结合光谱特征、纹理特征、形状特征、空间关系特征等综合因素的计算机信息提取。2.2.1自动分类 常用的信息提取方法是遥感影像计算机自动分类。首先，对遥感影像室内预判读，然后进行野外调查，旨在建立各种类型的地物与影像特征之间的对应关系并对室内预判结果进行验证。工作转入室内后，选择训练样本并对其进行统计分析，用适当的分类器对遥感数据分类，对分类结果进行后处理，最后进行精度评价。遥感影像的分类一般是基于地物光谱特征、地物形状特征、空间关系特征等方面特征，目前大多数研究还是基于地物光谱特征。在计算机分类之前，往往要做些预处理，如校正、增强、滤波等，以

9、突出目标物特征或消除同一类型目标的不同部位因照射条件不同、地形变化、扫描观测角的不同而造成的亮度差异等。利用遥感图像进行分类，就是对单个像元或比较匀质的像元组给出对应其特征的名称，其原理是利用图像识别技术实现对遥感图像的自动分类。计算机用以识别和分类的主要标志是物体的光谱特性，图像上的其它信息如大小、形状、纹理等标志尚未充分利用。 计算机图像分类方法，常见的有两种，即监督分类和非监督分类。监督分类，首先要从欲分类的图像区域中选定一些训练样区，在这样训练区中地物的类别是已知的，用它建立分类标准，然后计算机将按同样的标准对整个图像进行识别和分类。它是一种由已知样本，外推未知区域类别的方法；非监督分

10、类是一种无先验（已知）类别标准的分类方法。对于待研究的对象和区域，没有已知类别或训练样本作标准，而是利用图像数据本身能在特征测量空间中聚集成群的特点，先形成各个数据集，然后再核对这些数据集所代表的物体类别。与监督分类相比，非监督分类具有下列优点：不需要对被研究的地区有事先的了解，不存在人为因素所导致的错判，对分类的结果与精度要求相同的条件下，在时间和成本上较为节省，但实际上，非监督分类不如监督分类的精度高，所以监督分类使用的更为广泛。 2.2.2纹理特征分析 细小地物在影像上有规律地重复出现，它反映了色调变化的频率，纹理形式很多，包括点、斑。在这些形式的基础上根据粗细、疏密、宽窄、长短、等条件

11、还可再细分为更多的类型。每种类型的地物在影像上都有本身的纹理图案，因此，可以从影像的这一特征识别地物。纹理反映的是亮度（灰度）的空间变化情况，有三个主要标志：某种局部的序列性在比该序列更大的区域内不断重复；序列由基本部分非随机排列组成；各部分大致都是均匀的统一体，在纹理区域内的任何地方都有大致相同的结构尺寸。这个序列的基本部分通常称为纹理基元。因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称为确定性纹理（如人工纹理），后者呈随机性纹理（或自然纹理）。对纹理的描述可通过纹理的粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等这些定性或定量的概念特征来表征。

12、相应的众多纹理特征提取算法也可归纳为两大类，即结构法和统计法。结构法把纹理视为由基本纹理元按特定的排列规则构成的周期性重复模式，因此常采用基于传统的 Fourier 频谱分析方法以确定纹理元及其排列规律。此外结构元统计法和文法纹理分析也是常用的提取方法。结构法在提取自然景观中不规则纹理时就遇到困难，这些纹理很难通过纹理元的重复出现来表示，而且纹理元的抽取和排列规则的表达本身就是一个极其困难的问题。在遥感影像中纹理绝大部分属随机性，服从统计分布，一般采用统计法纹理分析。目前用得比较多的方法包括：共生矩阵法、分形维方法、马尔可夫随机场方法等。共生矩阵是一比较传统的纹理描述方法，它可从多个侧面描述影

13、像纹理特征。2.2.3图像分割图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，此处特性可以是像素的灰度、颜色、纹理等预先定义的目标可以对应单个区域，也可以对应多个区域。由图像处理到图像分析的关键步骤，在图像工程中占据重要的位置。一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于分割的目标表达、特征抽取和参数测量的将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，彼此是紧密关联的。图像分割在一般意义下是十分困难的问题，目前的图像分割一般作为图像的前期处理阶段，是

14、针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。 1、阈值与图像分割 阈值是在分割时作为区分物体与背景象素的门限，大于或等于阈值的象素属于物体，而其它属于背景。这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。实际上，在任何实际应用的图像处理系统中，都要用到阈值化技术。为了有效地分割物体与背景，人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈

15、值等等。2、梯度与图像分割 当物体与背景有明显对比度时，物体的边界处于图像梯度最高的点上，通过跟踪图像中具有最高梯度的点的方式获得物体的边界，可以实现图像分割。这种方法容易受到噪声的影响而偏离物体边界，通常需要在跟踪前对梯度图像进行平滑等处理，再采用边界搜索跟踪算法来实现。 3、边界提取与轮廓跟踪 为了获得图像的边缘人们提出了多种边缘检测方法，如 Sobel, Canny edge, LoG 。在边缘图像的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。4、Hough 变换 Hough变换是一种基于图像全局分割结果的边

16、缘连接技术,它抗干扰能力强,能检测出 任意形状的曲线,即使线上有许多的断裂,因此在 图像分析的预处理中获得广泛应用对于图像中某些符合参数模型的主导特征，如直线、圆、椭圆等，可以通过对其参数进行聚类的方法，抽取相应的特征。Hough变换利用图像空间和hough参数空间的点-线对偶性把图像空间的检测问题转换到参数空间，通过在参数空间里进行简单的累加统计，然后在hough参数空间寻找累加器峰值的方法检测直线。5、区域增长区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，

17、直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。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图像，如自然景物。但是，区域增长方法是一种迭代的方法，空间和时间开销都比较大。 2.3面向对象的遥感信息提取 基于像素级别的信息提取以单个像素为单位,过于着眼于局部而忽略了附近整片图斑的几何结构情况，从而严重制约了信息提取的精度，而面向对象的遥感信息提取，综合考虑了光谱统计特征、形状、大小、纹理、相邻关系等一系列因素，因而具有更高精度的分类结果。面向对象的遥感影像分析技术进行影像的分类和信息提取的

18、方法如下：首先对图像数据进行影像分割，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对象进行。然后采用决策支持的模糊分类算法，并不简单地将每个对象简单地分到某一类，而是给出每个对象隶属于某一类的概率，便于用户根据实际情况进行调整，同时，也可以按照最大概率产生确定分类结果。在建立专家决策支持系统时，建立不同尺度的分类层次，在每一层次上分别定义对象的光谱特征、形状特征、纹理特征和相邻关系特征。其中，光谱特征包括均值、方差、灰度比值；形状特征包括面积、长度、宽度、边界长度、长宽比、形状

19、因子、密度、主方向、对称性，位置，对于线状地物包括线长、线宽、线长宽比、曲率、曲率与长度之比等，对于面状地物包括面积、周长、紧凑度、多边形边数、各边长度的方差、各边的平均长度、最长边的长度；纹理特征包括对象方差、面积、密度、对称性、主方向的均值和方差等。通过定义多种特征并指定不同权重，建立分类标准，然后对影像分类。分类时先在大尺度上分出“父类” ，再根据实际需要对感兴趣的地物在小尺度上定义特征，分出 子类 。 三、图像辐射校正与增强3.1遥感图像辐射校正解析大多数的遥感图像存在视觉对比度低、分辨率低的缺点，因而在对遥感图像分析之前，通常都需要对图像进行处理。遥感图像的辐射校正与增强技术是做好遥

20、感应用工作的基础。在图像遥感中，由于系统误差、大气、太阳辐射等的存在，电磁辐射在太阳地球表面一传感器之间传输的过程中受到各种各样的影响，使得遥感器所接受的目标反射辐射能量被衰减，不能准确地反映表面真实的辐射特性。3.1.1大气辐射校正太阳辐射习惯称作太阳光，太阳光通过地球大气照射到地面，经过地面物体反射再经过大气到达航空或航天遥感平台，被安装在平台上的传感器接收。这时传感器探测到的地表辐射强度与太阳辐射到地球大气上空时的辐射强度相比，已有了很大的变化，这种变化主要受到大气成分的影响。而传感器在接受地物辐射信息的同时也接受了散射所造成的非地物辐射能，从而使得遥感图像对比度下降，导致图像犹如蒙上一

21、层薄纱，极大地影响遥感信息的提取和参数反演的精度，因此进行辐射校正是必要的。大气辐射校正有三种方法：野外波谱测试回归分析法、辐射传递方程计算法和波段对比法。野外波谱测试回归分析法是通过将野外实地波谱测试获得的无大气影响的辐射值与卫星传感器同步观测结果进行分析计算，确定校正量。辐射传递方程计算法需要测量大气参数，按理论公式求得大气干扰辐射量。波段对比法是在特殊条件下利用某些不受大气影响或影响很小的波段来矫正其他波段。前两种方法我们很难实现，因为方法一代价太高，目前很少采用：方法二中要获取成像时当地大气的气溶胶和水蒸气浓度数据是很困难的。方法三需要利用红外波段(IRMSS)的数据作为参考，然后采用

22、回归分析法或直方图法来进行校正。应注意的是当卫星影像没有陡峭的地形所造成的阴影时，这种方法就不适用了。3.1.2太阳辐射校正太阳位置(UP太阳高度角和方位角)如果不同，地面物体入射照度就发生变化，反射率即随之改变。为了尽量减少太阳高度角和方位角引起的辐射误差，常采用公式法和波段比值法对图像的误差值进行辐射校正。太阳光线垂直入射到水平地表和有一定倾角的坡面上所产生的辐射亮度是不同的，由于地形起伏的变化，在遥感图像上会造成同类地物灰度不一致的现象，需要利用地表法线适量与太阳入射矢量两者的夹角来校正。四、居民地提取本文以谱间阈值法为研究重点，以监督分类、非监督分类为对比研究方法，应用ENVI软件处理

23、图像，探讨谱间阈值法的居民地信息提取的具体研究过程和提取结果分析。4.1监督分类试验区位于重庆市城区, 该试验区内有耕地、 水塘、 水库、 森林、 果园、 道路、河流等。在对Landsat TM 图像作了辐射校正和几何校正之后, 从中切取覆盖试验区的大小为512 *512 的子影像来作研究。监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别

24、分类的要求， 随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。遥感影像的监督分类一般包括以下6个步骤，如图所示：图94.1.1选择地物种类根据分类目的、影像数据自身的特征和分类区收集的信息确定分类；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。本例是以重庆市Landsat数据01.img为数据源，类别分为：植被、居民地、水体、道路。由于影像质量不太理想，所以要进行影像增强。影像增强：交互式拉伸图10图114.1.2选择

25、训练样本样本的选择需要对试验区进行综合的了解，楼房所处地区，哪些是裸地哪些是道路，道路与楼房的区别，楼房与裸地的区别。为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（Endmember Collection）获得。用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在02.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本。假彩色合成后选择样本，如下图，这

26、样选择的精度要好。在第四、第五和第七波段选择的效果较好。第四波段为近红外波段，对其进行假彩色变换，如下图所示。可以大致区分出植被、道路、空地与居民地的区别。蓝色部分为植被，水泥地面和河沙呈现白色。居民地、裸地和沙滩的Transformed Divergence参数基本上都会出现小于1.8的，因为水泥地面与房顶的变化不是太多，并且其材料基本一样，波普反射区别不大，再加上图像的分辨率不高，导致样本不好选择。图124.1.3估计所用分类器的参数 最大似然分类法假定每个波段每一类分类统计呈正太分布，并计算待分类像元属于一特定类别的可能性。除非选择一个可能性的阈值，所有像元都将参与分类。每一个像元呗归类

27、到可能性最大的那一类中。在监督分类之中，需要选择一种效果较好的分类方法。最大似然分类，在监督分类之中参数选择，需要选择一个合适的概率阈值，其取值为01。也就是说，如果待分类像元属于某个类的概率小于该阈值，则该像元不被分入该类中。如果像元在所有类别中的概率都小于设置的参数阈值，则该像元无分类，当然一般情况都会将所有像元进行分类。该参数设置有三种，分别根据具体的要求设置。4.1.4分类实验首先进行目视判读，分辨出各种地物。建立感兴趣区，精确确定训练区样本，然后以训练区样本为对象，计算分类精度，满足精度就进行下一步；如果不满足，则要进行重新选择并修改分类模板，再进行评价。图134.1.5归类分类结果

28、最小距离法进行监督分类，是对于一维光谱空间的遥感数据，分类结果看出其精度不高，红色部分是建立的居民地，但是很明显河水两岸的沙地不是居民地，还有部分道路也分成了居民地，黑色部分未能分类。相反，用同样的训练区建立分类，只有分类方法不一样，在此用最大似然法处理，其分类结果精度明显提高。以下两幅图可以看出。图14图154.2非监督分类在没有先验类别作为样本的条件下，根据像元间相似度大小进行计算自动判别归类，无须人为干预，分类后需确定地面类别。优点：1、无需对分类区有较多的了解，仅需一定的知识来解释分类出现的集群组；2、人为误差减少，需输入的初始参数较少；3、可形成范围很小但有独特光谱特征的集群，所分的

29、类别比监督分类的类别更均质；4、独特的覆盖量小的类别均能够被识别。缺点：1、 对其结果需进行大量分析及后处理，才能得到可靠分类结果；2、 存在同物异谱及异物同谱现象，使集群组与类别的匹配难度大；3、 不同图像间的光谱集群组无法保持其连续性，难以对比。图164.3谱间阈值法4.3.1居民地信息的初步识别该试验区位于重庆市的遥感图像,由于图像大，解译都是大同小异。所以在对Landsat TM 图像作了辐射校正和几何校正之后, 从中切取覆盖试验区的大小为400*400的子影像来做研究。该子区位于重庆市主城区的渝中区、九龙坡和南岸区。渝中区有高层楼房、道路和零散的路旁的植被组成，渝中区还处在两江（长江

30、和嘉陵江）的中间，嘉陵江水体比较清澈，而长江中含有较多的沙，波段反射就不一样，波段三可以看出这点。在南岸区，特别是南山上有较多的植被，这可以通过5波段彩色变换看出。此区还有部分没有修建的空地。在居民地房屋与房屋之间的空地宽一般不超过20m。因而, 对于地面分别率为 30m *30m 的传感器而言, 其居民地的像元多为混合像元, 这种混合像元是由房屋和房屋间的空地、绿地以及林木组成。所以光谱分析时空地居民地就占优势。对在长江与嘉陵江边有一些沙石滩, 当这些沙石滩由沙、泥、石混合在一起。其比例达到一定情况时, 其光谱特征与空地道路的光谱特征类似。但是沙石滩一般沿河流两分布,有一些在河流中央, 以江

31、心洲的形式出现,这可以通过常识的方法将其叛变出来。在彩色变换之前分别用线性拉伸或直方图均衡化对TM图像的各波段进行处理, 并用目视判读的方法判定居民地在各波段上的可识别性。经判读发现,居民地在所有波段上,都难以准确识别出来。但是, 在TM4、 TM5 上相对较易识别出来。所以可以用TM5进行研究。图17图184.3.2TM影像典型地物光谱特征分析通过分类选择，对各个类别进行光谱提取，在对其每一类进行对比分析，在光谱分析之前不进行增强处理。居民地的光谱值在第五、第六波段比含沙的水体（长江水体中含沙量大）和清洁水体（具体指嘉陵江水体）的亮度值都高出20。所以将5、6波段相加，可以区分出居民地；水泥

32、道路与空地的光谱在3、4、5、6比居民地的亮度高很多，相加可以区别开来；从光谱图可以看出，区别长江与嘉陵江的波段在第2和第3波段，相加增大区别；在此我们只是要提取居民地，所以可以在5、6波段将两江区分；至于植被，光谱亮度在3波段低于居民地20，而在4波段高于居民地20，所以相减可以增大区别。表1-感性趣区的DN值分析波段号/植被居民地植被水体水与沙道路与空地192.80213112.1395113.6173120.07431127.207865270.0489485.3756986.45062101.19952109.589888357.4553284.0372978.16049107.512

33、7.629213468.4276646.2596733.4197538.14862769.039326569.7063866.3411632.3888933.731826114.258427637.6744755.9033225.5246927.205977106.342697图194.3.3居民地信息提取通过以上分析,得出了居民地与其它地物相区别的特征, 利用这些特征可以将居民地应用决策树自动识别提取出来。经过分析发现，在2、3波段，居民地光谱特征相近，所以构建表达式：ndvi gt 0.00003选择一个合适的T值，T值需要反复试验T值取83较为合理，此时将植被与其他地物分离出来。其他地物之中存在居民地，水体，道路/空地。因而，进一步利用居民地与道路空地之间的特殊谱间特征可