（毕业论文）基于高分辨率遥感影像信息提取研究.docVIP

基于高分辨率遥感影像信息提取研究 摘要：本文主要介绍基于像元的和面向对象两种对高分辨率遥感影像信息提取的方法。通过对比，引入面向对象的思想，能更为有效地对高分辨率遥感影像进行信息提取。对道路和植被等进行提取测试，实验结果表明基于面向对象的方法对高分辨遥感影像信息提取有更高的精度和更好的效果。 关键词：高分辨率遥感；信息提取；面向对象；多尺度分割 0 引言 随着遥感技术的发展，高空间分辨率已然成为其发展方向，高空间分辨率数据愈加丰富。虽然高分辨率影像数据空间信息丰富，但光谱分辨率却很低，光谱信息相对较弱，其光谱统计特性不如中低分辨率影像稳定，光谱差异较大。仅考虑单个像元光谱信息因素的方法极易出现大量错分，结果往往出现大量的椒盐噪声。如果用灰度域滤波方式抑制又会降低影像分辨率，失去高分辨率影像的意义。利用基于像元的遥感分类算法对高分辨率遥感数据进行分类，往往难以取得满意的效果。这样的方法更适合于中、低空间分辨率多光谱遥感影像信息的提取。虽然传统的基于像元的提取方法虽然技术比较成熟，但由于其精度不高，效率低等原因在高分辨率遥感影像的信息提取中逐渐失去地位。因此我们不得不探寻对高分辨率遥感影像信息提取更为高效的方法，基于面向对象的方法成为当下研究的热点。 国外对高分辨率遥感影响的信息提取研究较多，如Kevin Tensey利用英国南部乡村的航空影像，用面向对象的分类方法实现了对农业用地中的灌木的自动提取[1]。Geoffrey J.Hay采用面向对象的分类方法，对IKONOS影像中加拿大地区森林景观进行多尺度分割实验，得出该地区的森林覆盖情况[2]。Michael Book使用EOS数据，以德国北部地区为实验区，用面向对象分类方法实现了栖息地多尺度制图工作[3]。Bauer对奥地利维也纳市进行航空影像土地利用分类，认为目视解译能取得一定的精度，但速度很慢，采用面向对象的计算机自动分类技术，速度快、精度高，是高分辨率影像自动分类的理想选择[4]。Willhauck采用面向对象的影像分析方法，集合了多种数据如ERSSAR影像、植被图及NOAA数据完成了印尼在1997与1998年严重森林火灾后的制图[5]。Sande利用IKONOS数据进行洪水灾害评价，灾害评价考虑众多要素如道路、建筑物与耕地[6]。这些地类在空间与光谱上的差异很大，通过影像对象之间的语义信息及对象之间的上下文信息来识别这些类别是很有效的方法。 国内的很多学者对高分辨率遥感影像信息的提取应用进行了研究和实验，也取得了较为丰硕的成果。衣燕用面向对象的分类方法，对昆明地区海1：3城镇的Quick Bird影像进行地物提取，取得了较好的效果，最后提取的精度达93．66％[7]。苏簪铀以地形复杂的武夷山自然保护区为研究区域，以SPOT5原始影像为数据源，采用面向对象的多尺度分割方法，实现了不同尺度地物信息的分层提取[8]。张秀英以常德市石门县第二次土地调查为例，采用面向对象的分类技术对SPOT5影像进行分割和自动分类，将分类结果导入GIS环境下，进行拓扑构建和属性编辑，实现图形数据、属性数据的关联，完成土地调查数据建库[9]。覃先林Quick bird影像进行树冠信息提取，取得了不错的效果[10]。宋晓宇在对试验区IKONOS卫星高分辨率影像预处理的基础上，采用HIS变换法对lm分辨率全色影像和4m分辨率多光谱影像进行了融合处理；通过建筑物阴影提取了建筑物高程，采用正交小波变换方法提取了图像的纹理信息；采用了四种不同的特征图像组合方式，引入高程信息、纹理信息，形成复合影像，对影像区高、中、低层建筑物进行了分类，研究表明：由融合图像、高程信息和纹理信息参与的分类结果精度最高，对高层建筑物分类的精度可达80％[11]。 1 基于像元的信息提取方法 遥感影像分类是遥感图像处理系统的核心功能之一，也是信息提取的重要环节，它实现了基于遥感数据的地理信息提取。目前应用较多的遥感解译方法体上有两种基于像元和面向对象。 基于像元的分类方法是一种传统的分类方法，至今应用较为广泛，技术上发展的也比较成熟，主要包括两种，监督分类和非监督分类。 监督分类是自顶向下的知识驱动法，先进行训练再进行分类，即先学习再分类法，而非监督分类是一种自底向上的数据驱动方法。比较常用的监督分类法有：最小距离法(Minimum Distance Classification)、费歇尔(Fisher)线性判别分类法、最大似然比分类法(Maximum Likelihood Classifier)、平行六面体法、马氏距离法、波谱角度制图(SAM)以及二进制编码方法等。常用的非监督分类法有：分类集群法(Hierarchical Clustering)、波谱特征曲线图形识别法、平行管道分类(Parallelepiped