面向对象遥感影像水田信息提取方法探究.docVIP

面向对象遥感影像水田信息提取方法探究 　　摘要： 由于自然灾害的影响，部分地区的水田缺水无法种植水稻，对水田信息的提取不再只是对种植的水稻提取，因此从高分辨率遥感影像中提取水田信息具有非常重要的作用和意义。本文将水田分为有庄稼水田、地膜水田和未种植水田，利用面向对象的方法对水田信息进行提取。论文在利用eCongniton软件对影像进行多尺度分割，不同的地类采用不同的分割尺度，采用模糊分类的方法，结合影像的光谱、形状、纹理等特征构建水田特征知识库对水田信息进行提取。实验结果表明利用面向对象的方法对水田信息提取有良好的效果。 关键词： 面向对象；信息提取；多尺度分割；eCongniton 中图分类号：TP751 文献标识码：A 文章编号：1006-4311（2014）05-0206-03 0 引言 随着要遥感影像分辨率的不断提高，地物的空间信息变得非常丰富，采用传统的基于像元的的光谱信息提取技术已经远远不能满足高分辨率遥感影像信息提取的要求。根据高分辨率遥感影像的特点，Baatz M（1987）等根据高空分辨率影像的特点提出了面向对象的遥感分类方法[1]。Baatz M（2000）等基于异质性最小的原则提出区域合并分割算法，实现了影像对象的多尺度认知模型构建[2]。Hofmann（2001）等使用DEM作为高程专题层参与影像分割，利用 IKONOS 影像提取了建筑物、道路，使建筑物、道路的形状得到了更正确的体现[3]。在国内，面向对象的遥感影像分类方法也取得了很大的进展。黄慧萍（2003-2004）等用高分辨率 IKONOS影像，采用面向对象的多尺度遥感影像分割方法，自动提取了大庆市城市绿地覆盖信息，取得较好的效果[4]。莫登奎（2005）等基于模糊聚类的面向对象分析方法，对株洲市城乡结合部土地利用信息进行提取，精度高，速度快[5]。前人对面向对象影像信息提取做了很多的工作，本文利用eCogniton软件，结合高分辨率遥感影像的空间特征对地信息进行提取。 1 面向对象遥感影像信息提取方法的研究 向对象的信息提取核心问题是将遥感影分割成为一个个影像对象，综合影像对象的光谱、形状、纹理、层次、邻域、空间位置、类间关系等特征信息对影像进行分割得到同质对象，再对影像对象进行信息提取和分析。 1.1 影像的分割 影像分割的关键就是面对遥感影像进行分析，分割的好坏直接影响到信息的提取和识别的精度。[6]不同的地类有它的一个最优分割尺度和分割参数，目前最优的分割尺度和分割参数都是通过反复的实验得来的。国内外已经提出了许多数字图像分割算法，有些是全自动的，有些是半自动的。大致可把影像分割的方法分为两大类：一是自上而下的方法（top—down），即知识驱动的方法（knowledge driven methods）；二是自下而上的方法（bottom—up），即数据驱动的方法（data driven methods）[7]。eCognition中提供了3种分割方法：四叉树分割，棋盘分割和多尺度分割[8]。四叉树分割是将影像分割为不同尺寸的正方形，它通过在尺度参数里定义每个正方形的色差进行分割的。四叉树分割性能良好，结果合理，目前主要应用于细胞分析，可以很好地区分背景和前景。棋盘分割是将整景影像或者感兴趣的区域分割为较小的相同大小的正方形。棋盘分割可以细化影像，但是也将连续的同质影像分为若干个小区域，棋盘分割多用于大影像的分块，为了处理大影像，把他们剪切为小块来分别处理。多尺度分割是按照从下往上的方式进行的，主要是基于区域合并的算法，以单个像元为生长点，采用区域生长的算法生成小的影像对象，反之在形成较大的影像对象，在两者合并过程中，影像对象遵循异质性最小原则进行合并。因此，分割尺度参数较大的将会产生较大的影像对象，而较小的尺度参数将会产生较小的影像对象。多尺度分割是一种最优化的过程，最大限度地减少影像对象异质性，同时有最大的同质性。图像区域的异质性f包含光谱异质性和形状异质性两方面，其计算式为： 1.2 特征知识库的构建 影像对象特征作为区别不同地物的知识，常被用一些数学模型表达式作为对象特征的定量描述方法，对象特征包括光谱、形状、纹理、层次和专题属性等特征[9]。提取的水田包括三个部分：有庄稼的水田（水田A），覆盖地膜的水田（水田B）和未种植的水田（水田C）下同。 论文采用采用以下几个特征构建提取水田信息的知识库。 1.3 影像对象的分类 面对遥感影像对象进行分类，不仅要考虑到影像对象的特征，还要考虑两者之间相关的特征，结合人的思维模式，提取出符合实际的目标，以此来提高精度信息。由于影像对象的各种特种的描述都是从不同的角度进行区分的，这样才能够更好地定量影像对象特征提供信息提取的标准