基于面向对象信息提取的震后建筑物震害分类方法.docxVIP

基于面向对象信息提取的震后建筑物震害分类方法 分辨率遥感影像的应用背景 在世界上许多地震中，遥感技术已成为一种不可或缺的观测方法。 而在2003年新疆巴楚-伽师地震后, 首次成功地实现了在地震应急阶段利用航空遥感影像获取震害遥感影像并评估地震灾害。 2008年5月12日的汶川8.0级特大地震中, 遥感观测方法的应用更是在抗震救灾、 震情预测等方面扮演了重要的角色。 实践表明, 利用遥感技术开展重大地震灾害应急灾情监测是可行的。 1999年9月美国空间成像公司发射成功的IKONOS卫星, 率先提供了空间分辨率为lm的卫星影像。 2001年10月美国数字全球公司成功发射了QuickBird卫星, 空间分辨率首次突破米级, 达到了0.61 m。 2007年内轨道影像公司发射分辨率为0.41 m的轨道观测卫星-5, 数字地球公司发射分辨率为0.5 m的全球观测卫星。 中巴资源卫星、 日本ALOS卫星、 以色列EROS卫星、 意大利COSMO-SkyMed雷达卫星等多种类型的卫星的涌现, 标志着空间高分辨率遥感卫星时代已经来临。 高分辨率卫星遥感影像出现后, 在城市生态环境评价、 城市规划、 地形图更新等方面已经被证明有巨大的应用潜力, 其在灾害监测、 灾后信息提取等方面的应用也日益受到重视, 特别像地震这种突发性灾害的应急监测中将会发挥巨大的作用。 但是, 由于高分辨率卫星影像的信息是复合多样的, 更是复杂的, 给相关领域的应用带来了一系列问题。 传统的遥感图像处理技术不再适用, 也不可能仅仅依靠一种技术就解决所有问题, 必须寻找新的影像处理技术, 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。 而面向对象的图像处理方法针对这一关键问题开拓了高分辨率遥感影像处理的新篇章。 本文首先阐述了面向对象的遥感震害提取思路和方法, 然后应用汶川地震震后高分辨率航空遥感数据, 针对建筑物震害进行了面向对象的快速提取与自动分类。 震害提取的结果表明, 与基于像元分类比较, 面向对象的建筑物震害分类能够显著提高分类精度。 1 多像元分类方法 基于像元的分类方法是只利用不同波段的光谱亮度值进行单像元自动分类, 而面向对象的分类方法则不仅考虑像元的光谱亮度值, 还利用像元和其周围像元之间的空间关系 (如图形纹理、 特征大小、 形状、 方向性、 复杂性和结构) , 对像元进行分类。 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元, 而是由若干个像元组成的像元群, 即目标对象。 目标对象比单个像元更具有实际意义, 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: 多尺度影像分割和模糊逻辑分类。 2 对象的层次结构分割 多尺度影像分割是一种既能自动生成遥感影像的影像对象, 又能将这些影像对象按等级结构联接起来的一门技术。 多尺度影像分割从任一个像元开始, 采用自下而上的区域合并方法形成对象。 小的对象可以经过若干步骤合并成大的对象, 每一对象大小的调整都必须确保合并后对象的异质性小于给定的阈值。 因此, 多尺度影像分割可以理解为一个局部优化过程, 而异质性则是由对象的光谱和形状差异确定的, 形状的异质性则由其光滑度和紧凑度来衡量, 共同决定分割效果。 多尺度分割依据的标准如图1所示。 光谱异质性是通过计算特定权重值下各个数据层光谱值的标准差之和, 计算公式为 hspectral=∑cwcσc(1)hspectral=∑cwcσc(1) 式中,wc为c数据层的权重,σc为c数据层上光谱值的标准差。 质密度异质性公式为 hcmpct=1√n(2)hcmpct=1n√(2) 式中,l为图斑对象的实际边界,n为组成图斑对象的像元数。 光滑度异质性公式为 hsmooth=1b(3)hsmooth=1b(3) 式中,l为图斑对象的实际边界,b为图斑对象的最短可能边界长度。 多尺度参数中, 每一对的参数的相互关系是此消彼长的, 也是相互依赖的。 而对象的层次结构分割遵守以下思想: 像元层和整个影像视为两个特殊的对象层, 任何分割所形成的对象层则介于其间。 大尺度分割下所形成的对象是由小尺度分割所形成的对象组合产生的, 以确保不同尺度下的对象可以形成良好的层次, 有利于不同层次间信息的传递。 多尺度分割后, 影像的基本单元已不是单个像元, 而是由同质像元组成的多边形对象。 面向每一多边形对象可计算出所包含像元的光谱信息以及多边形的形状信息、 纹理信息、 位置信息以及多边形间的拓扑关系信息等。 选择不同的分割尺度参数, 可以适合的突出不同地物的特征, 在震害调查中, 针对破坏建筑物地物类型的特征选择参数, 为下一步的分类打下基础。 另外, 多尺度分割方