遥感特征提取物具体步骤.docxVIP

1遥感影像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。目前影像都是基于数字，影像信息的提取方法的发展历程可分为如图1所示，目前这四类方法共存。图1 影像信息提取发展阶段 非监督分类步骤 监督分类步骤2三大分类方法的对比利用传统的遥感影像分类方法, 如监督分类或非监督分类, 易造成分类精度降低, 空间数据大量冗余以及资源的浪费,面向对象的分类方法正是为了处理这些问题而出现, 面向对象的分类方法是一种智能化的自动影像分析方法，它的分析单元不再是单个像素，而是由若干个像素组成的像素群，即目标对象。面向对象的方法利用遥感影像结构信息和光谱信息, 并建立这些特征之间的层次关系的基础上, 对影像进行分类。面向对象分类方法的关键在于图像分割, 而图像分割方法多种多样, 如何选择科学合理的图像分割方法十分重要，实验证明多尺度图像分割方法综合了图像的光谱!形状!结构!纹理!相关布局等信息, 是目前较为理想的图像分割方法。（采用面向对象分类的方法，可使用专业遥感图像分类软件eCognition4.0）3面向对象的分类方法面向对象的技术流程图3Envi_ENVI FX简介全名叫“面向对象空间特征提取模块—Feature Extraction”，基于影像空间以及影像光谱特征，即面向对象，从高分辨率全色或者多光谱数据中提取信息，该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。该模块可以在操作过程中随时预览影像分割效果。该项技术对于高光谱数据有很好的处理效果，对全色数据一样适用。对于高分辨率全色数据，这种基于目标的提取方法能更好的提取各种具有特征类型的地物。一个目标物体是一个关于大小、光谱以及纹理（亮度、颜色等）的感兴趣区域。应用于：1】从影像中尤其是大幅影像中查找和提取特征2】添加新的矢量层到地理数据库3】输出用于分析的分类影像4】替代手工数字化过程ENVI FX的操作可分为两个部分：发现对象（Find Object）和特征提取（Extract features），如图所示FX操作流程示意图（红色字体为可选项）具体实现步骤：1）准备工作：有选择的对数据做一些预处理工作 空间分辨率的调整-如果您的数据空间分辨率非常高，覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等）。可以降低分辨率，提供精度和运算速度。可利用ENVI主界面-Basic Tool-Resize Data工具实现。光谱分辨率的调整-如果您处理的是高光谱数据，可以将不用的波段除去。可利用ENVI主界面-Basic Tool-layer stacking工具实现。多源数据组合-当您有其他辅助数据时候，可以将这些数据和待处理数据组合成新的多波段数据文件，这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。当计算对象属性时候，会生成这些辅助数据的属性信息，可以提高信息提取精度。可利用ENVI主界面-Basic Tool-layer stacking工具实现。空间滤波-如果您的数据包含一些噪声，可以选择ENVI的滤波功能做一些预处理2）发现对象：(一)打开数据：在ENVI Zoom中打开Processing Feature Extraction。如下图所示，Base Image 必须要选择，辅助数据（Ancillary Data）和掩膜文件（Mask File）是可选。这里选择ENVI自带数据envidata\feature_extraction \ qb_colorado,它是0.6米的快鸟数据(二)影像分割：FX根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割。选择高尺度影像分割将会分出很少的图斑，选择一个低尺度影像分割将会分割出更多的图斑，分割效果的好坏一定程度决定了分类效果的精确度，我们可以通过预览分割效果，选择一个理想的分割阀值，尽可能好地分割出边缘特征。图 影像分割阈值设定调整滑块阀值对影像进行分割，这里设定阈值为30，点击Next按钮，这时候FX生成一个Region Means 影像自动加载图层列表中，并在窗口中显示，它是分割后的结果，每一块被填充上该块影像的平均光谱值。接着进行下一步操作。注：按钮 是用来选择分割波段的，默认为Base Image所有波段(三)合并分块：影像分割时，由于阈值过低，一些特征会被错分，一个特征也有可能被分成很多部分。我们可以通过合并来解决这些问题。FX利用了 Full Lambda-Schedule算法。这一步是可选项，如果