基于ERDAS遥感影像信息提取――以兰州市主城区为例.docVIP

基于ERDAS遥感影像信息提取――以兰州市主城区为例 　　摘 要：本文以图像处理软件ERDAS IMAGINE 9.2为平台，确定遥感影像分类模板，运用ISODATA算法（基于最小光谱距离公式）对兰州市主城区1994年的遥感影像进行非监督分类，并保存分类结果，提取出其遥感影像信息，通过精度评价检验分类的Kappa值为0.9111，分类结果比较理想。 　　关键词：遥感影像 兰州市主城区 非监督分类 　　 　　 　　一、研究区概况 　　兰州是甘肃省的省会，处在东经102°30“-104°30”、北纬35°5“-38°之间，位于中国陆域版图的几何中心，在大西北处于“座中四连”的独特位置。市区南北群山对峙，东西黄河穿城而过，蜿蜒百余里，是典型的河谷型城市，东西长，南北窄。市区辖城关、七里河、安宁、西固、红古五区，总面积221平方公里。本文以兰州市主城区为研究区域，利用图像处理软件ERDAS IMAGINE 9.2提取出了该区域内各种地类的信息。 　　二、遥感影像解译标志的建立 　　在进行遥感影像解译之前，我们需要采集各种土地利用类型在遥感影像中的对应的样本，分析各种土地利用类型的波谱特征，寻找规则以便于提取各种土地类型。采集各种地类的样本，需要建立土地利用类型与遥感影像特征的对应关系。首先依据影像的色调、灰度、斑块形状和纹理等特征，在不同的假彩色合成影像上进行室内判读；然后结合野外判读，利用GPS接收机在野外对各个选择的点进行定位，结合影像上的对应点进行判读，确定其土地类型，从而建立相应的影像解译标志[2][3]。 　　 　　 　　在研究区内：建设用地突出，在影像中心位置，呈现灰色，深色，城市道路和建筑物能够清晰显现；耕地的影像色彩比较丰富多分布在主城区内黄河南北两岸，呈现暗红色、红色或深绿色，影像纹理较粗糙，呈现条块装，形状规则；林地的颜色呈现深褐色或暗红色，纹理较细腻，形状不太规则；水域则为明显的浅蓝、深蓝色，纹理都比较细腻，色调比较均匀、边界清晰、几何特征明显；未利用地呈现白色、亮灰色；零星带状分布在城市周边。 　　三、影像分类 　　（一）数据预处理 　　首先，在ERDAS 9.2的Import/Export模块中，分别导入TM图像的7波段。然后，在Interpreter模块中，运用Layer stack功能，在出现的对话框Import框中依次选择需要合成的波段，每选择输入一个波段用Add添加一次将单波段影像进行合成，生成多波段文件，最后输出完整的遥感影像。 　　在进行遥感影像解译时，为了使研究者能够准确地判读影像内容，必须对遥感影像数据进行处理与再加工，这一过程叫遥感影像增强（Image enhancement）[5]。遥感影像增强处理的重点在于改进图像显示、提高遥感图像的视觉效果和可解译性，使遥感应用者能够比较容易地从增强处理过的遥感影像上获取研究所需的准确信息。 　　本文在研究中以1994年TM的多波段影像为基准，分别运用ERDAS IMAGINE 9.2软件进行直方图匹配（Histogram Match）、去霾处理、降噪处理、去相关拉伸（Decorrelation Stretch）等一系列增强处理，提高了TM影像的视觉效果和可解译性。图1、图2显示了图像增强前后的效果。 　　 　　 　　 　　（二）遥感影像自动分类及后处理 　　遥感影像的分类可以分为非监督分类(unsupervised)与监督分类(supervised)两种。非监督分类,也称为聚类分析或点群分析,即在多光谱图像中搜寻、定义其自然相似光谱集群的过程[4]。非监督分类不需要人工选择训练样本,仅需要极少的人工初始输入,计算机按照一定规则自动根据像元光谱或空间等特征组成集群组,然后分析者将每个组和参考数据比较,将其划分到某一类别中去,如ISODATA方法、K-均值方法等。 　　ERDAS IMAGINE使用ISODATA算法（基于最小光谱距离公式）来进行非监督分类。聚类过程始于任意聚类平均值或一个已有分类模板的平均值；聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。ISODATA实用程序不断重复，直到最大的循环次数已达到设定阈值，或者两次聚类接过相比达到要求百分比的像元类别已经不再发生变化[5]。 　　本文利用图像处理软件ERDAS IMAGINE 9.2，通过非监督分类对兰州市主城区1994年的遥感影像分类信息。步骤如下： 　　在ERDAS图标面板工具条中单击DataPrep图标，打开DataPreparatiom对话框，在对话框中单击Unsupervised Classification按钮，打开Unsupervised Classification对话框，确定输入文件和输出文件要保存