采取面向对象分类方法从遥感影像中提取地物信息.docVIP

采取面向对象分类方法从遥感影像中提取地物信息 　　摘要：从遥感影像中提取地物的信息大多都是先进行分类，然后进行信息的提取。传统的遥感影像分类方法大多是基于对像素特征的统计，这种分类方法在处理高分辨率遥感影像时遇到了很大的困难。本文探讨了利用面向对象分类方法对高分辨率影像进行分类，以线状地物为例从中提取信息的方法。 关键词：面向对象分类 信息提取 1 引言 高分辨率遥感影像的出现使得遥感的应用获得了长足的发展，空间对地观测技术在较小的空间尺度上观察地表的细节变化、进行大比例尺遥感制图成为可能。大部分遥感信息的分类和提取主要利用数理统计与人工解译相结合的办法，以像元为基本单元，利用其光谱（颜色）信息进行信息的提取与归并。后期人们将许多的数学方法应用于遥感图像的分类，比如神经网络方法和以后发展的各种神经网络方法；模糊分类方法；最大似然分类方法等各种方法，这些方法都不同程度的提高了分类的精度，但共同特征是仅是用基本像元的特征进行识别，对地物形状、结构等信息的分析很少分析。这在处理纹理信息特别丰富，而光谱信息缺乏的高分辨率影像时就遇到了困难。因此， 对高分辨率遥感影像的理解和处理必须根据其特点采取新的技术方法，建立起图像数据与目标特性之间的物理—机理联系， 而不仅仅是统计联系， 才能充分挖掘高分辨率遥感影像所包含的信息， 这是高分辨率卫星影像信息处理成败的关键。为此， 面向对象的影像分析方法———eCognition软件应运而生，很好地解决了这个问题。本文的研究基于该软件进行。 2 面向对象分类方法简介 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。目标对象比单个像素更具有实际意义， 特征的定义和分类均是基于目标进行的。通常面向对象的分类方法包括两个步骤：多分辨率分割和模糊逻辑分类。 为了生成影像目标， 首先要进行影像分割， 多分辨率分割eCognition软件中很重要的一步， 它是基于比例参数、光谱和形状等特征将像素群组成像素块即目标， eCognition允许以任意分辨率进行影像同质区域的分割， 故称多分辨率分割。多分辨率分割可以产生不同的分割水平， 以满足不同目的的分类的需要。 分割的结果作为目标对象用于下一步的分类。 ECognition提供了两种不同类型的分类器———最近邻法和成员函数， 二者均作为分类描述符。最近邻分类相似于普通影像分析软件中的监督分类， 同样需要选择训练区，即样本。样本是一个类的典型代表。当无法描述特征空间时， 最近邻分类器是最好的选择。成员函数法是基于可利用的目标特征的模糊逻辑来分类的。对比基于像素的统计分类器， 模糊分类不像严格分类只用“是”或“不是”来表示， 而是用0～1之间的连续数字描述分类成员的一个连续状态。模糊逻辑分类法是一种基于知识和概念的方法， 且容易使用， 因此， 如果仅用一个特征或很少的特征就可以将一个类同其他类区别开时， 建议使用成员函数分类器； 否则， 应该选择最近邻分类器。最近邻分类器比友员函数能更好地处理多维特征空间的联系。 3 影像的分割与分类 线状地物信息的提取包括初次分类与二次分类两个过程。首先是创建影像对象， 利用影像对象的特征函数， 根据模糊逻辑规则进行初次分类， 然后进行子目标线性分析分割，再利用子目标的线特征对上级目标进行二次分类。本文选择1米分辨率的IKONOS单波段全色影像作为实验数据，分类前进行几何校正、辐射校正等预处理。 3.1 影像分割 影像的多尺度分割是根据颜色、纹理的相似性以及一定形状的形状约束因子对图像进行自底向上的聚类，形成具有该尺度范围内的具有相似空间和光谱特征的分割区域。为下一步分类提供信息载体和构建基础。利用eCognition进行影像分割，其中参数的确定是关键，经过反复试验，确定本次分割参数为：scale为35，shape为0.2，color为0.8，compactness为0.6，smoothness为0.4。分割结果见图2。影像对象建立后， 采用成员函数分类器，应用模糊逻辑规则进行初次分类， 对线状地物（河流、道路）选择对象的层均值做为特征函数，进行成员函数编辑，然后进行模糊逻辑分类，分类结果见图3。 3.2 二次分类 从图3中可以看出，线状地物已经完全被分类了，但其它一些非线状地物也被划了进去。所以，仅凭光谱信息不能将其与具有相似光谱信息的地物分开。因此，需要根据线状地物的特点，引入形状特征进行二次分类。 为此，首先需要选择子目标的线特征模型进行子目标分割，然后利用基于子目标的线特征函数进行二次模糊逻辑分类。经比较选择长宽比length/width （line