面向对象的GEO遥感影像分类与信息提取.docVIP

面向对象的GEO遥感影像分类与信息提取 　　摘要：对GEO卫星遥感数据的特性进行了评价,并在envi zoom软件中采用边缘分割算法进行影像分割,获取影像对象,综合运用对象的光谱、空间特征和纹理特征,提取了张家界森林公园研究区域内土地覆盖与土地利用信息，对基于像素的最大似然法与这种基于对象的分类方法进行了对比分析,结果表明：基于对象分类方法,能很好地利用高分辨率卫星图片的纹理和空间特征信息,分类的总体精度比基于相元的分类方法高。 　　关键词：地球之眼卫星；遥感图像处理系统；面向对象 　　 　　收稿日期：2011-05-14 　　作者简介：彭 文（1985―），男，湖南人，硕士，助教，主要从事森林资源遥感信息应用研究。 　　中图分类号：TP391 　　文献标识码：A 　　文章编号：1674-9944（2011）06-0203-04 　　1 引言 　　过去40年间遥感技术有了长足的发展,具备了高光谱分辨率、高时间分辨率、高空间分辨率、多传感器、多平台、多角度对地观测能力,已经形成了三多和三高的发展局面。2008年9月6日,美国从范登堡空军基地发射了“地球之眼”-1（GeoEye-1）多光谱成像卫星。该卫星由“地球之眼”商业成像卫星公司研制,可提供分辨率为0.41m的黑白卫星图像和分辨率为1.65m的多光谱卫星图像,同时可提供被侦察目标的误差小于3m的定位信息。地球之眼-1是当今世界上能力最强、分辨率和精确度最高的商业成像卫星。 　　一方面是我们获得的遥感图片分辨率越来越高,另一方面是人们对遥感信息的认识和利用程度远远落后于遥感信息获取的速度,造成大量资源的严重浪费,但据统计,人们用到的遥感信息仅占全部获取信息的5 %左右,而深层次的信息开发更少,这个事实极大地限制了遥感技术实际应用效果［1］。现有的遥感处理软件大都采用传统的基于像元与统计分析的分类方法,主要包括监督分类和非监督分类。 　　监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法［2］。非监督分类是在没有先验类别知识的情况下,根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理。 　　以上这些方法适合于多光谱和高光谱分辨率的遥感图像,对于分析低分辨率遥感图像中的大面积区域变化可能会取得较好的结果。然而,对于高分辨率的遥感图像,目标物的形状清晰可见,图像上地物景观的结构、形状、纹理和细节等信息都非常突出,而光谱分辨率并不高,因此,针对高空间分辨率图像,在分类时不能仅依靠其光谱特征,更多的是要利用其几何信息和结构信息。 　　面向对象的信息提取方法,针对的是对象而不是传统意义上的像素,可以充分利用了对象信息（色调、形状、纹理、层次）,类间信息（与邻近对象、子对象、父对象的相关特征）。目前关于面向对象的分类平台应用较单一,多基于德国的Ecognition 软件,本文基于ENVIZOOM 软件平台对面向对象的分类方法做了有益探索,为更好的利用地球之眼卫星图片提供参考。 　　2 实验区及数据源 　　2.1 地球之眼-1卫星的基本参数设置 　　地球之眼-1将运行在684km高的太阳同步极地轨道上,以大约7.5km/s的轨道速度飞行,每天绕地球12或13圈,每天都在当地时间上午10:30左右通过给定地区。它将能以0.41m全色分辨率和1.65m多谱段分辨率搜集图像,而且同样重要的是它还能以3m定位精度精确确定目标的位置。 　　2.2 实验区域 　　本文所采用的数据是由GeoEye提供的中国张家界国家森林公园的遥感影像,研究区域内地形多以山地为主,景观多为森林。影像数据包括全色和多光谱,其中全色分辨率为0.5m,多光谱为2m,带有各自的rpc参数。 　　3 理论基础与方法 　　3.1 影像对象构建 　　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。 　　表1 地球之眼-1卫星的成像和搜集技术指标 　　 　　表2 地球之眼-1卫星图片波段参数 　　 　　多尺度分割是从一个像素的对象开始进行一个自下至上的区域合并技术,小的影像对象可以合并到稍大的对象中去。在这个聚集过程中,最优化技术可最小化异质的权重。在每