面向对象武汉市街区公共遥感影像分类探究.docVIP

面向对象武汉市街区公共遥感影像分类探究 　　摘要：面向对象的遥感影像分类方法克服了传统基于像元分类方法的弊端，将对象光谱、空间纹理等特征一并加入分类依据中，有效避免了“同谱异物”或“异物同谱”的问题，适合于高分辨率的遥感影像分类。以武汉市某街区公共遥感影像为例，采用上述方法，结合支持向量机分类方法进行地物分类识别，结果显示，分类总体精度达到了89.9913%，取得了良好的分类效果。 关键词：遥感影像分类；面向对象；支持向量机 中图分类号：TP317.4 文献标识码：A 文章编号文章编号2014）001014403 基金项目基金项目：武汉理工大学自主创新研究基金“中央高校基本科研业务费专项资金资助”（135214001）；教育部人文社科基金规划项目（12YJAZH022 ） 作者简介作者简介：杨慧（1989-），女，武汉理工大学理学院硕士研究生，研究方向为数字信号处理。 0 引言 随着国内外遥感技术的不断发展，近年来，多光谱高分辨率遥感影像提高了地物识别等各方面的研究精度，逐渐成为遥感领域的主流研究对象。土地利用/土地覆被信息的研究是遥感研究领域的主要问题之一，其地物识别分类是后续研究土地利用现状及扩张模型的基础。当前主要将遥感影像分类为计算机分类和人工解译。人工解译需要专家拥有丰富的基础知识和对遥感研究区域的充分了解，分类成本较高；计算机分类又分为监督分类和非监督分类，非监督分类无需对遥感影像有先验知识，分类成本低，但是由于其分类精度低，所以监督分类为遥感影像主流分类方法[1]。此外，还有如神经网络、模糊分类等较新的分类方法不断出现。 传统的遥感图像分类主要是以像素点为基础，利用其光谱信息进行分类，但是随着高分辨率图像的不断出现，基于像素点的分类方法无法利用影像丰富的纹理信息。在此基础上，面向对象的遥感影像分类方法应运而生，改变传统的基于像素点的分类弊端，通过对遥感图像进行分割，将研究转为面对基元或单元。面向对象的方法更加注重基元之间的光谱、纹理及拓扑关系，利用丰富的信息来综合分类，与传统的基于像元的分类方法相比精度有明显提高。 1 数据预处理 本文研究对象为武汉市某街区的公共遥感影像，地理坐标为114.175 573～114.181 599E，30.512 207～30.515 825N，影像来源于由谷歌公司开发的google earth软件，用getscreen截下此区域1km高度图（图1）作为实验区域。武汉市为湖北省省会，是中国内陆重要的交通枢纽城市，属于亚热带季风性湿润气候区，是全世界水资源最丰富的特大城市之一，被称为“百湖之市”，水域面积占市区的1/4。由于其特殊的地理位置，加上近年来城市发展迅速，不断向外扩张，使得对此区的研究尤为必要。 将截得的卫星图加地理坐标系进行配准，再进行相应的几何校正和大气校正。为了使得影像更加明晰，各类地物更加便于分类处理，对图像作简单的去噪以及图像增强。此处实验在ENVI软件中得以完成，处理后的图像见图2。 图1 武汉市某街区公共影像实验室区 2 影像分类 面向对象的遥感影像分类方法主要包括如下步骤：影像分割、区域合并、规则建立、 区域分类。分类步骤如图3所示。 图2 处理后的影像 图3 分类步骤 2.1 影像分割与合并 影像分割是面向对象分类方法的基础，其实质是将一幅图像分割成与实际地物对象相对应的部分，分割技术既利用了影像的光谱信息，又将空间信息考虑其中。影像分割的标准为：①分割对象的平均异质性最小化；②像素的平均异质性最小化。而多尺度分割为现今主要的分割方法，采用自上而下的区域合并算法形成研究对象，小的对象通过调整形成大的对象，合并后对象的异质性必须确保小于给定阈值，区域异质性由光谱异质性和形状异质性共同确定。 基于ENVI的特征提取模块，将分割尺度进行可视化操作，可随时预览分类结果，具有较高的可操作性。本文采用的是基于边缘的分割算法，计算速度快，只需一个参数就能产生多尺度分割的效果。通过不同尺度边界差异控制产生从细到粗的多尺度分割，通过边缘检测试图找到不同地物的边界，被边界包围的像元形成的图像区域为不同的分割区域。分割尺度的选择对于后续分类精度有很大影响，高尺度将分割出很少的图斑，而尺度较低则会出现较多图斑，理想的分割尺度需通过反复试验进行选择。此处设置阈值为34，分割图见图4。 在进行影像分割时，由于阈值过低，会有一些特征量被错分，也可能出现一个特征被分为很多部分的情况，所以在分割完之后，需通过进行合并来解决上述问题。通过设置合并参数使影像分割成需要的实物对象，形成分类所需的对象层（见图5），合并参数为90。 2.2 样本选择与影像