吴学松毕业答辩

1、面向对象的绥阳县遥感影像水体信息提取方案设计 学 院：矿业学院 学 号：1008010211 学生姓名：吴学松 指导老师：张俊 设计的基本框架及主要内容 n 设计的目的及意义 n 工程概况及影像预处理 n 面向对象的水体信息提取方法 n 提取结果精度分析及最终方案确定 n 结论 设计的目的及意义 n 目的 本次毕业设计是在地里国情普查的背景下进行的，在本次国情普查中， 遥感技术发挥了很大的作用，我们有幸参与了这个项目，并且结合社 会生产实践来完成我们的毕业设计，结合生产中出现的问题，通过本 次毕业设计寻找一个好的解决问题的方案。 n 意义 我们将通过本次设计，一方面可以学到很多来自其他学者很好

2、的方法， 同时通过对面向对象绥阳县遥感影像水体信息的分析，提取水体信息 并解译，以实现高空间分辨率影像水体信息提取，提高遥感影像数据 中的水体提取的精度、加快提取速度、减少工作量，降低遥感影像分 类费用。另一方面可以通过此次设计学习了解更多关于遥感方面的知 识，这对即将毕业的我们是一笔巨大的财富。 工程概况及影像预处理 n 研究区概况 n 绥阳县位于贵州省北部，大娄山脉中段，属于遵义市管辖，东经 10657221073131，北纬274922282934， 全县南北长70多公里，东西大约56公里，国土面积2566多平方公里， 占贵州省总面积的 1.45%。2010年末总人口53.5万人，下辖1

3、2个镇和 3个乡，117个村居，是一个正在遵义中部率先崛起的新型城市。绥阳 县平均海拔866米。年平均气温15.1，年降雨量1160毫米，全年无 霜期283天，年日照时数1114.2小时。绥阳独特的自然地理环境，有 28座中小型水库，65条河流，水能蕴藏量8万千瓦，森林覆盖率28.7%， 荒山草坡300万亩。 n 遥感数据源 SPOT卫星家族后续卫星命名为Pleiades，由 Pleiades-1 和 Pleiades-2 组成。首颗Pleiades-1卫星已于2011年12月17日成功发 射。分辨率为 50 cm 的超高空间分辨率并且幅宽达到了20 km x 20 km，又增加了一颗0.5米

4、高分辨率商业卫星。Pleiades 1之后将有 Spot 6，Pleiades 2和Spot7于2012年到2014年之间相继发射。具有 相同的架构设计以及在同一个的轨道上运行，这个4颗卫星的星座将 保证至少到2023年，我们都能提供响应速度更快，获取能力更强的 0.5米到1.5米影像产品。本设计选用的数据由贵州省第二测绘院提供 的，为贵州省绥阳县Pleiades影像数据，包括一个全色波段、四个多 光谱波段，影像获取时间为2012年3月24日07:09:49(UTCTIME)。 n 2.3遥感图像与数据预处理 图像预处理是是遥感影像处理中很重要的一个环节,包括图像几何 校正、图像融合、图像镶嵌

5、和图像裁剪等过程。处理顺序一般如图所 示 图像几何纠正图像融合图像镶嵌图像裁剪 图图1 1为图像预处理流程图为图像预处理流程图 面向对象的水体信息提取方法 n 水体信息提取方法介绍 水体信息提取的主要步骤为: 基于边缘的分割算法对影像进行尺 度分割; 分析对比不同分割尺度下水体的空间特征，确立最优分割尺 度；结合光谱、形状、纹理等特征构建水体信息提取模型。提取水体 信息基本流程： 遥感影像 影像融合 尺度一尺度二尺度三. 最适尺度确定 纹理特征光谱特征形状特征 面向对象的分类 基于样本基于规则 精度评定 确定水体提取方案 几何纠正 辐射校正 影像预处理 影像分割影像分割 图2为提取水体信息基本

6、流程提取水体信息基本流程 n 面向对象的遥感影像解译面向对象的遥感影像解译 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要 素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信 息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要 分成两部分过程：影像对象构建和对象的分类。 影像对象构建主要用了影像分割技术，常用分割方法包括基于多 尺度的、基于灰度的、纹理的、基于知识，基于边缘的及基于分水岭 的等分割算法，本次设计用的是基于边缘的分割方法。 影像对象的分类，目前常用的方法是“基于样本分类”和“基于 规则分类”。其主要步骤为：影像分割，特征提取（规则分类，基于 样本的分

7、类）精度评定，最佳方案选择。 n 基于边缘的分割算法 n 图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结构 具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。 这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的 边缘，利用此特征可以分割图像。 n 本次设计所用的软件是envi5.0,FX的操作可分为发现对象和特征提取 n 通过控制不同尺度边界的差异，来产生从细到粗的多尺度分割。同时 在对影像分割后还须对影像进行合并，因此选择分割尺度后还须确定 一个合适的合并阀值，把分割后的一些小班进行合并。如下图所示为 不同合并阀值得到效果图： 图3为合并阀值为20图 中小斑很

8、多 图4为合并阀值为90 图 中基本无小斑 n 在这里我将分别选取分割尺度为10、20、30、40、对影像进行区 域分割，然后得出最优尺度为20、92，分割效果如下 图5分割尺度为10 图6分割尺度为20 图7分割尺度为30 图8分割尺度为40 n 3.4.1基于样本分类基于样本分类 基于样本分类（supervised classification）又称训练场地法， 是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类 的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特 征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分 类，是模式识别的一种方法。要求训练区域具有典

9、型性和代表性。判 别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类 的决策规则，直至满足分类精度要求为止。基于样本分类又分为K邻 近法和支持向量机，其分类结果分别为图9，图10. 图9K临近法 图10为支持向量机法 第三章 面向对象的水体信息提取方法 n 3.1面向对象的影像解译 n面向对象的遥感影像分类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,可以实现对多源遥感数据 或遥感数据和GIS矢量数据的整合分析其基本原理是根据像元的形状、颜色、纹理等特征,把具有相同特征的象素组 成一个对象,然后根据每一个对象的特征进行分类，它不同于传统遥感影像分析软件基于像元光谱值的分类方

10、法,而 采用决策支持的模糊分类算法,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(均值、方差、灰 度比值等)、形状特征(面积、长度、宽度、边界长度、长宽比、形状因子、位置等)、纹理特征(对象方差、对称性、 灰度共生矩阵特征等)、上下文关系特征和相邻关系特征,通过对影像对象定义多种特征并指定模糊化函数,给出每 个对象隶属于某一类的概率,建立分类标准,最终按照最大概率产生确定分类结果。它主要分成两部分过程：影像对 象构建和对象的分类。 n影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于 分水岭的等分割算法。比较常用的就是多尺度分割算

11、法，这种方法综合遥感图像的光谱特征和形状特征，计算图像 中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值， 当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综 合加权值大于指定阈值即完成图像的多尺度分割操作。分割分两步骤: 首先确定分割范围，对影像进行初始化分割， 后确定归并尺度。在保证定分割精细程度及具有较小破碎性的情况下，选择合适的归并尺寸对图像进行归并。分割 尺度范围为0% 100% ，值越大分割越细，分割后影像破碎化程度越高; 归并尺度范围为0% 100% ，值越大， 归并后得到的对象

12、数量越少，内部同质性越低。归并尺度一般依据归并的目视效果反复实验，以确定最佳组合17。 n影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和我们常说的监督分类是 有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。 n 3.2对影像进行尺度分割 n 图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结构具有突变的地方，表明一个 区域的终结，也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同，边界处 一般有明显的边缘，利用此特征可以分割图像。边缘检测可分为并行边缘检测和串行边缘检测,图 像中边缘处像素的灰度值不连续，

13、这种不连续性可通过求导数来检测到。常用的方法有微分算子法 和串行边缘检测算法，对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点 (零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子 和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模 板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太 复杂的图像。由于边缘和噪声都是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克 服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。LOG算子和

14、Canny算子是具有平 滑功能的二阶和一阶微分算子，边缘检测效果较好，其中LOG算子是采用Laplacian算子求高斯函数 的二阶导数，Canny算子是高斯函数的一阶导数，它在噪声抑制和边缘检测之间取得了较好的平衡。 n 3.33.3不同尺度下分割出的效果图不同尺度下分割出的效果图 n面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和 多光谱数据的空间、纹理和光谱信息对影像分割和分类，以高精度的分类结果或者矢量输出，它多光谱数据的空间、纹理和光谱信息对影像分割和分类，以高精度的

15、分类结果或者矢量输出，它 主要分为对象对象构建和对象的分类。本次设计所用的软件是主要分为对象对象构建和对象的分类。本次设计所用的软件是envi5.0,FXenvi5.0,FX的操作可分为发现对象的操作可分为发现对象 和特征提取。和特征提取。FXFX根据临近像素的亮度、纹理、颜色等对影像进行分割，这里采用了基于边缘的分根据临近像素的亮度、纹理、颜色等对影像进行分割，这里采用了基于边缘的分 割算法，该算法计算速度很快，简单易操作，只需一个输入参数就可以产生多尺度分割结果。通割算法，该算法计算速度很快，简单易操作，只需一个输入参数就可以产生多尺度分割结果。通 过控制不同尺度边界的差异，来产生从细到粗

16、的多尺度分割。选择高尺度图像分割将会产生较少过控制不同尺度边界的差异，来产生从细到粗的多尺度分割。选择高尺度图像分割将会产生较少 的图斑，而选择一个低尺度图像分割则会分割出较多的图斑。一定程度上，分割效果的好坏决定的图斑，而选择一个低尺度图像分割则会分割出较多的图斑。一定程度上，分割效果的好坏决定 了分割效果的精确度，可以通过预览分割效果，选择一个理想的分割阙值，就尽可能的分割出一了分割效果的精确度，可以通过预览分割效果，选择一个理想的分割阙值，就尽可能的分割出一 个好的边缘特征。个好的边缘特征。 n在图像分割时，由于阙值过低，会导致一些特征对象会被错分，而有的特征对象则有可能会被分在图像分割

17、时，由于阙值过低，会导致一些特征对象会被错分，而有的特征对象则有可能会被分 成很多部分。为了解决该问题，可以采用成很多部分。为了解决该问题，可以采用Full Lambda-ScheduleFull Lambda-Schedule算法来合并分块，在结合光谱和算法来合并分块，在结合光谱和 空间信息的基础上迭代合并邻近的小斑块。当合并阀值太小，图像出现的小斑太多，所以通过不空间信息的基础上迭代合并邻近的小斑块。当合并阀值太小，图像出现的小斑太多，所以通过不 断的设定阀值，最终确定合并阀值为断的设定阀值，最终确定合并阀值为92,92,如图所示为不同的阀值合并的效果如下图。如图所示为不同的阀值合并的效果

18、如下图。 n当合并在完成合并后还要进行分块精炼 ，FX提供了一种阀值法进一步精炼分块的方法，它是基于 直方图操作，根据分割后结果中的一个波段的灰度值重新聚合分块。在这里我将分别选取分割尺度 为10、20、30、40、对影像进行区域分割，分割效果如下 从图可以看出，当分割尺度分别为从图可以看出，当分割尺度分别为1010、3030和和4040时，水体对象的分割过于破碎，整体性缺失时，水体对象的分割过于破碎，整体性缺失; ; 一些水体和邻近地一些水体和邻近地 物的混杂现象较为严重，水体的独立性不能得到很好体现，从而影响水体的提取精度物的混杂现象较为严重，水体的独立性不能得到很好体现，从而影响水体的提

19、取精度; ; 因此，当分割尺度为因此，当分割尺度为2020，合，合 并阀值为并阀值为9292的时候，图像水体边界比较精确，图中小班较少，与前三幅图相比，水域的完整性得到了增强，因此最的时候，图像水体边界比较精确，图中小班较少，与前三幅图相比，水域的完整性得到了增强，因此最 终确定终确定2020和和9292为研究区水体提取的最佳适宜尺度为研究区水体提取的最佳适宜尺度 n 3.4 水体遥感影像提取 n水体遥感影像提取分为基于样本分类和规则分类 n基于样本分类（supervised classification）又称训练场地法，是以建立统计识别函数为理论基 础，依据典型样本训练方法进行分类的技术。即

20、根据已知训练区提供的样本，通过选择特征参数， 求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种 方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之， 需重新建立分类的决策规则，直至满足分类精度要求为止。 nK邻近法（K Nearest Neighbor）依据待分类数据与样本元素在n维空间的欧几里得距离来对图像进 行分类。n由分类时的目标物属性数目确定的。相对于传统的最邻近法，K邻近法产生更小的敏感异 常和噪声数据集,就可以得到更准确的分类结果，会确定自身的像素最可能属于哪一类。在K参数里 （K Parameter），输入一

21、个整数，默认值为1。K参数是分类时要考虑的临近元素的数目，是一个 经验值，不同的值生成的分类结果也就会差别很大的。K参数的设置依赖于数据组以及选择的样本。 值大点的能够降低分类噪声，但可能会产生不正确的分类，一般值设为3、5、7较好。 n支持向量机是一种源于统计学理论的分类方法。支持向量机(Support Vector Machine，SVM)是 Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现 出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。所谓支持向量是指那些在 间隔区边缘的训练样本点。 这里的“机（machin

22、e，机器）”实际上是一个算法。在机器学习领域， 常把一些算法看做是一个机器。如图所示分别对应以上两种方法分类的效果图 n 结果分析；从分类的结果中可以看出，K临近法水体的分类结果较好，基本上和原图范围一 致，但在小细节上还存在错分现象，比如在水体和草地间，有小部分明显是水体但被分到草 地那一类了。这些小的漏分会影响后面的精度评定。实际上，在操作中K值是可以设定的， 因此，K值的选定也会影响精度评价，而支持向量机法水体边界走得还是非常准确，当然也 存在漏分现象，不过漏分现象要比K临近法少。 n规则分类中每一个分类由若干个规则构成，每一个规则又由若干个属性表达方式来描述。每个分类 可以有若干个规则

23、，它们之间的关系是“OR”；每一个规则可以有若干个属性表达式，它们之间的 关系是“And”。同一类的地物可以用不同的规则来描述，比如水体，水体可以是人工湖泊、池塘、 河流，也可以是自然湖泊、河流等等，描述的规则也就不一样，需要多条规则来描述。每条规则又 由多个属性来描述。例如，对湖泊的描述如下：面积大于800像素And延长线小于0.5And，NDVI小于 0.3。进行分类时，我所选用的空间分析中的面积法和波段设定来对影像进行分类处理，当把波段 值设为760-770，面积大于15000是分出来的效果比较好，如图3.14所示为规则分类的的效果图 提取水体信息，根据其分类效果来看，通过直观观察发现，

24、上述3种方法在提取水体信息时，水体 信息较完整、丢失较少，边缘也较连续，整体效果都还可以,但也存在漏分现象.采用面向对象的规 则分类法对水体的分类结果较好，漏分现象较少，基于样本的分类漏分较多，除此之外，提取的水 体中还含有其它噪声，一些细节上还存在错分现象。 第四章 提取结果精度分析及最终方案确定 n分类精度评价主要有三种方式：分类结果叠加、混淆矩阵、ROC曲线。其中混淆矩阵是以数据的形 式表示分类的精度，而ROC曲线的用线条来表示精度。本次设计主要用的是混淆矩阵方式进行分类 结果评定。首先先介绍下精度评定的一些指标。 n总体分类精度（Overall Accuracy）：等于被正确分类的像元

25、总和除以总像元数。被正确分类的像 元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数,它反映的是分类结 果总的正确程度。其公式表示为： nKappa系数：它的算法是将所有真实参考的像元总数（N）乘以混淆矩阵的对角线（xkk）的和，减 去某一类中的真实像元数与该类中被分类像元总数之积后，在除以像元总数的平方减去某一类中真 实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。其公式表示为： n错分误差（Commission）是指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩 阵里面。 n漏分误差（Omission）是指本身属于地表真实分类，当没有被分类器分

26、到相应类别中的像元数。 n制图精度（Prod.Acc）是是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真 实参考总数（混淆矩阵中A类列的总和）的比率。 n用户精度（User.Acc）是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A 类的像元总数（混淆矩阵中A类行的总和）比率。 nnijOA k i 1 x k x x k x k x kk kkN k N 2 n通过从原图像选择验证样本，对分类结束后进行精度评定，在检验样本符合要求的情况下对分类结果进行 评估。然后再通过对分类结果进行统计，其精度比较如下表: n表4.1分类方法的精度比较 n n n通过对实验结果进行分析对比，可以看出在这三种分类方法中，基于规则的分类算法对于水体提取所得的 结果都具有相当高的分类精度，对有些容易与水体错分的地类也得到比较好的区分，能更好的准确提取水 体信息，对于以上三种分类方法的总体分类精度和Kappa系数而言，基于规则的计算结果较高，但也不能说 其它方法不好，只能说基于规则的分类方法适合本次设计水体信息的提取。因此本次毕业设计水体信息提 取的方案订为基