分割图像和基于区块的分类.pdfVIP

IDRISI 热点文章 北大IDRISI 资源中心编译 分割图像和基于区块的分类 （Segmentation and Segment-Based c lassification） 与传统的基于像元分类的方法不同，基于区块分类的方法是一个基于图像的遥感图像分 类的新途径。分割处理的目标是变换图像的特征，使之成为有意义的区块，为解译和分类 提供帮助。由于分割图像比原始像元更能代表地貌景观特征，每一步分类，从定义训练区 到区块分类，都非常简单，还能获得更好的分类精度。使基于像元分类产生的花椒盐分类 现象会减少，分类结果达到地图制作的水准。 基于区块分类非常适合于中高分辨率遥感图像的土地覆盖和监测土地变化的应用。对于 其他的遥感应用，如生物多样性和动物栖息地地图制作，当有一个孤立像元的结果时，可 以不被融合到背景图像中去，利用这个优势使分类方法更加优化。下面将介绍如何利用 IDRISI来实现这样的功能。 分割模块建立一个具有相同特性的区块图像。这个例子是对马萨诸塞州的 Woburn, Massachusetts， 2005 年 4 波段的半米分辨率的航空图像，有蓝、绿、红河近红外图像。 图像的左边是用较大的相似性阈值，而图像右边是较小的图像阈值。利用阈值设置，图像能 够分割为保持全部建筑特征的区块。 在分类的工具集中，包括从经典的最大似然分类到边缘切割机器自主学习分类（cutting edge machine learning），如多层感知分类（multi-layer perceptron）以及分类树分类， 在IDRISI的方法中这三种结合了基于像元的分类和基于分区块的分类方法，有三个模块用于 建立基于区块分类制图方法的处理；第一模块SEGMENTATION模块建立一个区块图像集；第二 IDRISI 热点文章 北大IDRISI 资源中心编译 模块SEGTRAIN模块用于交互式的建立训练区；第三模块SEGCLASS模块用于图像分类规则 的算法计算。 图像分割 （image segmentation） 图像分割模块产生一个图像的区块，这个区块的像元标示在区块内部的光谱特征是相似的。 在区间内移动的窗口，可以估计其相同性同时区块按照用户指定的阈值定义特征。 阈值定义的愈小，区块的相似性就越大。而一个很大的阈值空间将使分类结果产生更强的异 质性。 IDRISI的工具有一个分水岭定义的方法用于输入图像初始的定义。然后，给予用户指定 的相似性阈值，区块的相似性将被合并到较大的区块中。分割处理包括下面三个步骤： 1. Derive surface image 表面图像的获取 首先，对每一个输入图像，利用用户定义的过滤器将建立一个相应的方差图像。例如，像元 具有一致性的将赋予很小的方差值，而在处在非一致性区域的像元将定义为较大的值。 如果输入图像多于一个文件，那么最终的图像将是所有图像权重的平均值来计算的。而每个 图像的权重由用户指定。 2. Delineate watersheds 分水岭算法 在不同图像中的像元值的处理如同数字高程模型的处理方法。如果像元在一个汇水区， 像元被分组到一个分水区域中。每一个分水岭将赋予唯一一个ID号。 3. Merge watersheds 合并分水岭 分水岭或者图像区块被合并成形成一个新的区块。处理步骤如下表示： IDRISI 热点文章 北大IDRISI 资源中心编译 SEGTRAIN 模块指定分类编号为特定的土地覆盖类型名称， 用户可以交互的进行编辑分类的编号和类型名称。 分类 （Classification） 最后一步是基于区块的分类。这是需要一个参考图像协助。参考图像是已有的分类图像。这 个图像是利用基于分块分类特征或其它途径建立的。这是非常重要的一点，参考图像用来在 每个区块中指定多数类型。 分类的多数决定原则算法应用每个定义的类型。由于基础单元在基于区块分类的区块图像 中，精度可以比基于像元的方法提高很多，产生出分类地图制作水准的分类结果图。 在IDRISI中的基于区块的分类方法是直接简单的，附加在其他的复杂的规则集的其他工具