面向对象遥感影像分类方法在土地覆盖中应用.docVIP

面向对象遥感影像分类方法在土地覆盖中应用 　　摘要：本文基于面向对象的分类思想，以SPOT-5影像为数据，采用分层分类的方法，利用对象的多特征构建合适的特征空间，建立知识库，结合最邻近分类器与模糊规则两种方法，并使用空间关系对分类进行优化，结果表明该方法对高分辨率影像分类在减少分类不确定的同时还提高了分类精度。 　　 　　关键词：面向对象 多尺度分割 分类 　　 　　引 言 　　遥感技术的出现可以为我们提供极其丰富的地表信息，应用于测绘、环境等各个领域。随着传感器技术的发展，尤其是近年来高分辨率卫星的投入应用更拓宽了对自然界观察的视野，同时也对影像信息处理与分析提出了新的挑战。面向像素分类法是传统的分类方法，在技术和应用上都已经很成熟，主要包括非监督分类和监督分类，近年来人们又研究出了新的分类方法和分类理论，比如模糊分类、神经网络等提高了分类的精度，但是无法摆脱基于像元的局限性，对于高分辨率的遥感影像来说，再利用传统的分类方法,就会造成分类精度降低，空间数据的大量冗余，造成资源的浪费 [1]。从基于像元的遥感影像处理向基于目标的遥感影像分析的演变，是遥感学科进一步发展的必然要求[2]。 　　根据高分辨率遥感影像的特点，面向对象的遥感影像分类方法[3]应运而生。与其它传统的基于像元的影像处理方法相比较，面向对象的影像信息提取的基本处理单元是有意义的影像对象和它们的相互关系，而不是单个的像元[4]。遥感影像被分割为对象后，从理论上讲存在三类特征为内在特征、拓扑特征和上下文特征[5]，如果进行多尺度的影像分割就会产生父对象和子对象，这样就又会衍生出类相关等特征。本文利用了面向对象的分类思想，利用 eCognition软件在对遥感影像进行多尺度分割的基础上，应用多特征及规则对研究区进行地物分类，最后通过对分类结果的精度评价，从方法上论证eCognition软件在土地覆盖分类中的应用价值。 　　1. 面向对象分类方法 　　面向对象分类方法采用一种影像多尺度分割的法则，以任意尺度生成属性信息相似的影像多边形对象，运用模糊数学方法获得每个影像对象的属性信息，以影像对象为信息提取的基本单元，实现类别信息自动提取的目的。面向对象影像分析有两个独立的模块：对象生成与信息提取[６]。对象生成是采用分割技术生成属性值不同的影像对象的过程，成功的影像分割是面向对象的影像分析的必要前提。影像信息提取是基于模糊逻辑的分类系统，并不是将每个对象简单地分到某一类，而是给出每个对象隶属于某一类的概率，根据地物特征以及空间信息建立模糊逻辑的知识库，进行信息提取。因此，构造一个优秀的模糊分类器是信息提取的关键。 　　1.1 多尺度分割 　　多尺度分割的方法考虑了地表实体或过程的多层次，克服数据源的固定度，采用多尺度影像对象层次网络结构揭示地表特征[7]。不同的分割参数决定了影像对象层次体系，影像对象集合了像元的光谱信息、此像元与周围像元的关系信息等。多尺度分割的突出贡献是同一空间分辨率的遥感影像信息不再只由一种尺度来表示，而是在同一时相可由多种适宜的尺度来描述[4]。 　　在影像对象网络层次结构中，每一个影像对象的属性信息中不仅包括与其相邻对象的关系属性，还有与子对象和父对象之间的关系属性。有些对象的光谱、形状等信息都十分相似，若以相邻对象的背景信息作为分类的一个条件，则很容易将其提取出来。更重要的是在对层次等级的关系进行操作时，可根据父对象的属性对子对象分类、根据子对象的平均属性对父对象的纹理属性分类、根据已分类的子对象的组成对父对象分类等。 　　1.2 特征的选择 　　遥感影像被分割为图形对象后，从理论上讲存在三类特征[5]。一是内在特征，指对象的物理属性，由成像区域、传感器姿态等决定，这一类的特征包括对象的色彩、纹理和形状；二是拓扑特征，描述对象间或一景图像内部几何关系的特征，这一类特征包括左右关系、距离、包含等；三是上下文特征，描述对象间语义关系的特征。如果进行多尺度的影像分割就会产生父对象和子对象，并衍生出一些新的特征。在多层分割得到各级对象的基础上，定义特征空间，找到合适的特征参数对每种地物目标进行描述，并构建语义知识库结构，这样才能使每个对象和其他地物对象很好的区分开来，从而实现各种地物的分类。 　　1.3 规则的建立及信息的提取 　　利用面向对象的方法，以类或对象为单位进行地物类别的组织和描述，根据不同类别选择适合的隶属函数建立特征的模糊判别规则，面向对象模糊分类判别规则是通过隶属函数计算出隶属于某个类别的隶属度，而不是直接根据是或否硬性判断所属类别。最后，在前面分析的基础上统筹所有类别，根据“先易后难”的原则先分出较容易区别的类，分层逐步建立一个逻辑层次较强的模糊规则分类库[8]。 　　2. 数据处理与分析 　　2.1 研究区域及数据 　　本文选