吴学松毕业答辩

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

设计的目的及意义工程概况及影像预处理面向对象的水体信息提取方法提取结果精度分析及最终方案确定结论设计的目的及意义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。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研究区概况

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106°57′22″—107°31′31″，北纬27°49′22″—28°29′34″，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12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。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50cm的超高空间分辨率并且幅宽达到了20kmx20km，又增加了一颗0.5米高分辨率商业卫星。Pleiades1之后将有Spot6，Pleiades2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)。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1为图像预处理流程图面向对象的水体信息提取方法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图2为提取水体信息基本流程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，基于样本的分类）精度评定，最佳方案选择。基于边缘的分割算法

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。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图中小斑很多图4为合并阀值为90图中基本无小斑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403.4.1基于样本分类

基于样本分类（supervisedclassification）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3.1面向对象的影像解译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。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