一种多光谱遥感图像的分区与分层提取方法

一种多光谱遥感图像的分区与分层提取方法

1遥感数据处理方法的改进新的一代遥感成像仪为地球观测提供了丰富的多光谱数据。基于多光谱数据进行地物分类是遥感应用研究的一个主要方向。常规的多光谱遥感图像分类方法主要有监督与非监督两种,通常情况下,它们使用同一标准,在整幅图像上一次性分割获取多类地物,对客观地物的错综复杂、同谱异物及同物异谱现象没有太多的考虑,因而分类很难达到令人满意的精度。目前,对传统的分类方法已出现很多改进,其中包括分区分类与分层分类两种改进方法。分区分类在影像划分的基础上进行分类,减弱了“同物异谱”的影响,避免“异物同谱”的现象造成的判别错误。分层分类充分考虑了各类地物的特征属性,采取逐级逻辑判别方式,增强信息提取能力、分类精度和计算效率,且在数据分析和解译方法表现出更大的灵活性。以上两种改进方法已在遥感数据分析中得到了广泛的应用,并且有人还结合了分区分类与分层分类的特点,提出先分区再分层分类思想,并获得了较好效果。本文基于这种先分区再分层分类的思想,提出一种新的分类方法。它的特点是:分区时通过影像的样本分析确定最佳波段进行影像的自动划分,而不是主观地或参照研究区的特点直接进行影像分划;分层分类时采用基于原始波谱特征分类和PCA监督分类相结合的方法,而不只采用其中一种,从而使得分类更为细致和精确。在本文后面部分,我们首先分析了地物的光谱特征,详细阐述了新的分类方法,然后将其用于大庆地区的地物分类上,给出了试验区中居民地的提取结果,并与一般的监督分类方法进行了比较,最后得出结论。2行地物的光谱特征多光谱遥感图像包含着丰富的地表信息,在分类前进行地物的光谱特征的细致分析是必要的。在此我们首先进行试验区的目视解译,初步确定地物类型,然后通过参数来表述地物的光谱特征,为后续分类提供依据。2.1试验区的确定本次研究选用的遥感数据来源于2002年8月30日Landsat-7ETM+的大庆地区遥感影像。仅使用分辩率为30m×30m的B1、2、3、4、5、7波段数据,在经过几何纠正和配准后的影像中截取2048×2048的子区作为试验区(图1)。对试验区进行目视解译后,综合考虑遥感图像目标地物的识别特征、摄影时间、季节、图像种类、比例尺、地理区域和研究对象等因素,将试验区中的地物大致分为9种典型地物,见表1。2.2典型地物的波谱响应曲线我们对每一种地物选取了一定数量的样本,测定各波段的光谱值,进行最大值、最小值、均值和均方差统计,结果见表2。为便于分析,根据这些统计值绘制了各种地物的光谱响应曲线图和叠合光谱图(图2、3)。叠合光谱图能直观地显示各地物种类的光谱值在每个波段上的位置、分布范围、离散程度,以及之间的重叠状况、可分性大小等。由典型地物的波谱响应曲线可以看出:重盐碱地在各波段较其它地物都具有较高的光谱值;水域有B1至B7光谱值依次递减的规律;林地1、耕地在B5、7上容易与其它地物区分;而其余地物具有相似或相近的波谱走势。进一步比较典型地物的其它3个统计特性,可以发现,村屯与盐碱地、城镇与轻度盐碱地及林地2的光谱值在各波段上都有相当程度的交叠。从叠合光谱图上看出,B7的波谱分离性较好,B5、3次之。究其原因,B7波段对植物的含水量、矿物中水有不同的反射,且本实验所使用的ETM+数据接收时间是夏季,除水域,植物中的含水量比其它地物中的含水量高,因而B7波段有利于区分不同的植物及区分植物与其它地物。3分类和自动排序3.1基于区域自动划分本文提出了一个将自动分区与分层分析相结合的分类处理方法。它首先通过选择最佳波段,实现整个影像的自动划分,获得了若干相对独立的区域块(以下称子图像);以后再对每个子图像进行基于光谱特征的分类,依据各类地物的不同特征属性,采用了逐级逻辑判别的分层提取方式。图4为遥感信息处理与提取结构框图。整个遥感信息处理与提取分成两大部分,即基于最佳单波段影像的分区和基于多波段的分层分类。每个部分都是在光谱信息指导下进行的。在分区过程中,我们依据样本分析获得的地物光谱特征,选择最佳单波段图像,在该波段图像上实现区域的自动划分,确保了区域划分的客观性。在分层分类过程中,考虑到某些地物在原始多波段图像上已具有突出的光谱特征(以下称显著光谱特征),而另外一些地物在原始多波段图像上不具备显著光谱特征,不能完全被区分,我们采用基于原始波谱特征分类和PCA监督分类相结合的方法,先检测并提取具有显著光谱特征的地物,然后利用剩余未分割图像经主成份变换后的光谱特征分割较难区分的地物。主成份变换在剔除无关类型的影响后,针对原始光谱特征上易于混淆地物类型进行,以便于寻找混淆地物类间光谱特征差异,其主要理论依据是:主成份变换中起决定作用的是用于计算特征值和特征向量的协方方差矩阵,通过有选择图像的协方差矩阵计算,可以重点增强选择图像内的地物类型差异。整个分层分类过程依据各类地物的不同光谱特征,采取了不同的提取方法,使得分类更为细致和精确。以下是分类的具体实现步骤:(1)最佳波段选择。通过训练区光谱特征的统计分析和可分性研究,选择可分性好,而且可以确定一对阈值以便分离某类或某几类地物的波段A。(2)区域块形成。选取上面的一对阈值,对A波段图像进行双边门限分割。之后,设定单门限,消除面积小于该门限的区域,将这些小面积区域归入邻近的区域中,从而形成了若干区域块。(3)对每个区域块进行多光谱的分层分类处理。分类时,先依次检测并提取具有直接显著光谱特征的地物,再检测是否存在未分割的图像,如果存在,则对未分割的图像进行主成份变换,提取主成份变换后的地物光谱特征,对未分割图像上的地物作监督分类。(4)后处理。将每个区域不同类别的分类结果合并,给出各个区域块的解译结果。最后将不同区域块的解译结果合成输出。解译结果图像容易出现胡椒盐现象,选用3×3择多滤波器对解译结果图像做平滑处理,平滑后的输出只显示占优势的类别。3.2以主成瘾变换为2s-pcr检测重盐碱地的剩余地物依据上述模型我们对试验区遥感影像进行分类,并给出居民地的提取结果以验证模型的实用性与可靠性。由上面的地物光谱特征分析可知,B7波段具有较好的可分性,并且可以确定一对阈值T1=25,T2=60,将林地1、耕地与其它地物区分开。在分层分类中,我们依据地物光谱分析得到的规律,依次对几类波谱特性显著的地物进行检测并提取:重盐碱地在各波段上较其它地物都有较高的光谱值,参照样本统计值,组合波段,选取门限即可将重盐碱地分离出去(分区后重盐碱地与村屯将分属在不同的区域子图像中,避免了光谱混淆问题);在B7波段上设定灰度双边门限将耕地、林地1与其它地物区分开;利用B1至B7光谱值依次递减的特性可以分离水域。分离后如果存在剩余地物,直接利用原始的光谱特征将很难将它们提取出来,因此可以对剩余图像作主成份变换,增大它们之间的光谱特征差异。ETM图像的主成份分析,一般的PC1、PC2、PC3包含了95%以上的信息,而后面的主成份几乎多数是噪声,无法提供有用的信息。因此本实验在变换后的PC1、PC2、PC3主成份图像上提取地物的光谱特征,对剩余图像进行监督分类。4生产者精度和用户精度以下仅给出了居民地(城镇、村屯)在自动分区分类下的提取结果(图5b),为评判居民地提取的精度,我们与常规的两种监督分类结果做了比较。图5的c、d分别给出了用表2中的训练样本,对全图进行最大似然、最小距离的监督分类结果。由于缺乏实测数据,所以以普遍认同的目视判读结果作为不同方法分类精度的评判基础。我们随机选取了450个样本(每一类选取50个样本),求出各居民地相对于目视判读的生产者精度与用户精度,生产者精度通过单个类别中被正确分类的像元数目除以该类用做训练样区集的像元数目计算得到,用户精度由每一类别被正确分类的像元数目除以被分做该类的总像元数计算得到,见表3。从表3可以看出,3种分类方法都具有较高的生产者精度、用户精度。最大似然和最小距离监督分类虽然能达到较高的生产者精度,但它们的用户精度偏低。究其原因,主要是因为它们都是在全图范围内一次性的进行所有地物分类,分类地物种类多、相互之间容易产生干扰、很难避免异物同谱与同物异谱的现象,如它们容易将水域旁边的中度盐碱地判为城镇(图6)、与植被相邻的中度轻度盐碱地判为村屯(图7)。而在上述的自动分区分类方法中,分区使得分类处理在划分后的局部影像中分别进行,光谱上交叠较严重的村屯、城镇与盐碱地、林地2分属在不同区域块中,单个区域内的种类数目相对于整体减少,从而在一定程度上解决了异物同谱的问题,同时它将空间上相隔较远的同一种地物分属在不同的区域内,避免由于地域差异而导致的同物异谱现象;具体的分类过程综合考虑了地物光谱特征与PCA特点,有助于进一步提高分类精度。因而这种自动分区分类方法具有较高的生产者精度,且其用户精度能在三者达到最大。另外,与普通的分区相比,上述的分区过程是依据影像本身提供的光谱特征进行自动分区的,分区速度快且结果更符合地物自然分布的规律。5子图像内地物的提取本文介绍了一种新的多光谱遥感图像分类方法。该方法结合分区与分层的思想,先自动将整个图像分割成若干相对独立的子图像,然后在每个子图像中分层提取地物。单波段图像上的区域分割依据了图像的灰度属性及多波段图像的统计特性,将某些异物同谱的地物分属在不同的区域块中,同时避免了不同区域内同物异谱的干扰。