论文部分内容阅读
摘 要：随着高分辨率遥感技术发展，高分辨率遥感影像得到广泛应用，特别是高分辨率遥感影像面向对象信息提取技术应用广泛。本文以某地区遥感影像为基础数据，探讨了高分辨率遥感影像面向对象耕地信息提取的技术方法，并对耕地信息提取实验结果进行精度评价，得到了良好的效果。
关键词：面向对象 特征提取 耕地
中图分类号：TP751 文献标识码：A 文章编号：1672-3791（2014）07（b）-0038-01
随着遥感卫星技术的发展，高分辨率遥感影像得到了普遍应用，遥感信息提取技术得到了快速发展，特别是面向对象高分辨率遥感影像信息提取技术的实现，为人们的生产生活提供了极大方便。面向对象提取技术促进了影像分析技术的发展 [1]，与传统的基于像素的分类结果相比，基于目标对象的方法得到的结果更容易被解译，而且处理结果中图斑的完整性更好[2]。特别是利用面向对象的分类方法进行了耕地信息提取，能达到理想的精度，效果较好。本文就基于ENVI EX高分辨率遥感影像面向对象耕地信息提取技术方法进行探讨。
1 研究区域和影像数据
1.1 数据源
为了准确的提取耕地信息，选择某城市全色波段与多光谱融合后的影像作为实验数据，研究区域中包括典型的耕地，以及少量的建筑物和水体。
2 耕地信息提取及分类
2.1 发现对象
2.1.1 准备工作
根据数据源和特征提取类型等情况，进行分类提取之前，可以有选择地对对原始影像进行几何校正、辐射校正等预处理工作，如调整空间分辨率、调整光谱分辨率等。
2.1.2 影像分割及分割参数的确定
影像多尺度分割中的尺度是一个关于多边形对象异质性最小的阈值，决定生成最小多边形的级别大小，分割的质量及信息提取的精度。ENVI EX提供了一种阈值法进一步精炼分块的方法，即基于亮度值的栅格操作，根据分割后结果中的一个波段的亮度值聚合分块。分割效果的好坏一定程度决定了分类效果的精确度，结合preview 预览分割效果，选择一个理想的分割阀值，尽可能好地分割出边缘特征。根据参数选择原则，设置分割参数，通过试验得出，分割尺度为50，耕地类型能够被准确的分割出来，该参数比较合适。
2.1.3 合并分块及参数的确定
影像分割时，由于阈值过低，导致部分特征被错分、单个特征被分成多个部分，通过合并来拟补分割不足问题。较好的合并分块效果有助于提高最终分类效果，结合preview预览合并分块效果，选择一个理想的合并阀值，尽可能好地反映边缘特征。通过试验，设定阈值为80时耕地类型能够被准确的分割出来，该参数比较合适。
2.1.4 分块提炼
基于实验影像背景具有较高的对比度特征，运用FX提供的阈值法进一步精炼分块的方法。它是基于亮度值的栅格操作，根据分割后结果中的一个波段的亮度值聚合分块。
2.1.5 计算对象属性
这一步是计算对象的属性，计算4个类别的属性：光谱、空间、纹理、高级选项。其中“颜色空间”选择三个RGB波段转换为HSI颜色空间，“波段比”选择两个波段用于计算波段比。
2.2 基于监督分类的特征提取
2.2.1 选择样本
为了建立分类函数，需要对每一类别选取一定数目的样本，在本是实验中，考虑实验影像中所包含的主要地物类型，将影像分成生长中期作物、休耕地、生长早期或晚期作、居民地或裸地、水体五种耕地类型，分别用红色、绿色、深蓝色、黄色、天蓝色来表示，并选择具有代表性的样本4～10个。
2.2.2 设置样本属性
选择样本的属性用于监督分类，可以根据提取的实际地物特性选择一定的属性。
2.2.3 选择分类方法
本实验采用支持向量机分析法，该分类方法是建立在统计学习理论的理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。支持向量机的具有以下优点。
（1）该算法法根据有限的样本，计算出现有信息下的最优解，克服了样本数趋于无穷大时最优值的局限。
（2）该算法最终将转化成为一个二次型寻优问题，在理论上可以得到全局最优点，避免了神经网络方法中局部极值问题。
（3）该算法将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性判别函数来实现原空间中的非线性判别函数，特殊性质能保证机器有较好的推广能力，同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关。
2.2.4 输出结果
特征提取结果输出，可以选择以下结果输出：矢量结果及属性、分类图像及分割后的图像、还有高级输出包括属性图像和置信度图像、辅助数据包括规则图像及统计输出。
3 精度评价
对分类结果进行评价，确定分类的精度和可靠性。精度验证方式有：混淆矩阵与ROC曲线。混淆矩阵作为比较常用的验证方法，通过将每个实测像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了实际测得信息，每一列中的数值等于实际测得像元在分类图象中对应于相应类别的数量；每一行代表了遥感数据的分类信息，每一行中的数值等于遥感分类像元在实测像元相应类别中的数量。ROC曲线根据一系列不同的二分类方式，以真阳性率为纵坐标，假阳性率为横坐标绘制的曲线，根据实际情况，把试验结果划分为多个有序分类，再进行统计分析。因此，ROC曲线可以用图形的方式表达分类精度，比较形象，是另一种适用范围广泛的精度验证方法。
4 结语
高分辨率遥感图像的细节信息丰富，图像的局部异质性大，传统的分类方法已经不能满足更高的需求。而对高分辨率影像来说，面向对象的信息提取一种非常有效的信息提取方法，具有操作便捷，精度高的特点，相对于传统方法，可以显著提高分类精度，提取效果更好随着我国遥感技术的发展，高分辨率遥感影像面向对象信息将得到更进一步发展。
参考文献
[1] Argialis D P，Harlow C A. Computational image interpretation models ：An overview and a perspective[J].Photogrammetric Engieering and Remote Sensing，1990，56（6）：871886.
[2] 李敏，崔世勇，李成名，等.面向对象的高分辨率遥感影像信息提取—以耕地提取为例[J].遥感应用，2008：63-66.
[3] 张明媚，姚国红.面向对象的高分辨率遥感影像信息提取技术[J].地理空间信息，2013，11（1）：89-91.
[4] 邓书斌.ENVI遥感图像处理方法[M].科学出版社，2010.
关键词：面向对象 特征提取 耕地
中图分类号：TP751 文献标识码：A 文章编号：1672-3791（2014）07（b）-0038-01
随着遥感卫星技术的发展，高分辨率遥感影像得到了普遍应用，遥感信息提取技术得到了快速发展，特别是面向对象高分辨率遥感影像信息提取技术的实现，为人们的生产生活提供了极大方便。面向对象提取技术促进了影像分析技术的发展 [1]，与传统的基于像素的分类结果相比，基于目标对象的方法得到的结果更容易被解译，而且处理结果中图斑的完整性更好[2]。特别是利用面向对象的分类方法进行了耕地信息提取，能达到理想的精度，效果较好。本文就基于ENVI EX高分辨率遥感影像面向对象耕地信息提取技术方法进行探讨。
1 研究区域和影像数据
1.1 数据源
为了准确的提取耕地信息，选择某城市全色波段与多光谱融合后的影像作为实验数据，研究区域中包括典型的耕地，以及少量的建筑物和水体。
2 耕地信息提取及分类
2.1 发现对象
2.1.1 准备工作
根据数据源和特征提取类型等情况，进行分类提取之前，可以有选择地对对原始影像进行几何校正、辐射校正等预处理工作，如调整空间分辨率、调整光谱分辨率等。
2.1.2 影像分割及分割参数的确定
影像多尺度分割中的尺度是一个关于多边形对象异质性最小的阈值，决定生成最小多边形的级别大小，分割的质量及信息提取的精度。ENVI EX提供了一种阈值法进一步精炼分块的方法，即基于亮度值的栅格操作，根据分割后结果中的一个波段的亮度值聚合分块。分割效果的好坏一定程度决定了分类效果的精确度，结合preview 预览分割效果，选择一个理想的分割阀值，尽可能好地分割出边缘特征。根据参数选择原则，设置分割参数，通过试验得出，分割尺度为50，耕地类型能够被准确的分割出来，该参数比较合适。
2.1.3 合并分块及参数的确定
影像分割时，由于阈值过低，导致部分特征被错分、单个特征被分成多个部分，通过合并来拟补分割不足问题。较好的合并分块效果有助于提高最终分类效果，结合preview预览合并分块效果，选择一个理想的合并阀值，尽可能好地反映边缘特征。通过试验，设定阈值为80时耕地类型能够被准确的分割出来，该参数比较合适。
2.1.4 分块提炼
基于实验影像背景具有较高的对比度特征，运用FX提供的阈值法进一步精炼分块的方法。它是基于亮度值的栅格操作，根据分割后结果中的一个波段的亮度值聚合分块。
2.1.5 计算对象属性
这一步是计算对象的属性，计算4个类别的属性：光谱、空间、纹理、高级选项。其中“颜色空间”选择三个RGB波段转换为HSI颜色空间，“波段比”选择两个波段用于计算波段比。
2.2 基于监督分类的特征提取
2.2.1 选择样本
为了建立分类函数，需要对每一类别选取一定数目的样本，在本是实验中，考虑实验影像中所包含的主要地物类型，将影像分成生长中期作物、休耕地、生长早期或晚期作、居民地或裸地、水体五种耕地类型，分别用红色、绿色、深蓝色、黄色、天蓝色来表示，并选择具有代表性的样本4～10个。
2.2.2 设置样本属性
选择样本的属性用于监督分类，可以根据提取的实际地物特性选择一定的属性。
2.2.3 选择分类方法
本实验采用支持向量机分析法，该分类方法是建立在统计学习理论的理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。支持向量机的具有以下优点。
（1）该算法法根据有限的样本，计算出现有信息下的最优解，克服了样本数趋于无穷大时最优值的局限。
（2）该算法最终将转化成为一个二次型寻优问题，在理论上可以得到全局最优点，避免了神经网络方法中局部极值问题。
（3）该算法将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性判别函数来实现原空间中的非线性判别函数，特殊性质能保证机器有较好的推广能力，同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关。
2.2.4 输出结果
特征提取结果输出，可以选择以下结果输出：矢量结果及属性、分类图像及分割后的图像、还有高级输出包括属性图像和置信度图像、辅助数据包括规则图像及统计输出。
3 精度评价
对分类结果进行评价，确定分类的精度和可靠性。精度验证方式有：混淆矩阵与ROC曲线。混淆矩阵作为比较常用的验证方法，通过将每个实测像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了实际测得信息，每一列中的数值等于实际测得像元在分类图象中对应于相应类别的数量；每一行代表了遥感数据的分类信息，每一行中的数值等于遥感分类像元在实测像元相应类别中的数量。ROC曲线根据一系列不同的二分类方式，以真阳性率为纵坐标，假阳性率为横坐标绘制的曲线，根据实际情况，把试验结果划分为多个有序分类，再进行统计分析。因此，ROC曲线可以用图形的方式表达分类精度，比较形象，是另一种适用范围广泛的精度验证方法。
4 结语
高分辨率遥感图像的细节信息丰富，图像的局部异质性大，传统的分类方法已经不能满足更高的需求。而对高分辨率影像来说，面向对象的信息提取一种非常有效的信息提取方法，具有操作便捷，精度高的特点，相对于传统方法，可以显著提高分类精度，提取效果更好随着我国遥感技术的发展，高分辨率遥感影像面向对象信息将得到更进一步发展。
参考文献
[1] Argialis D P，Harlow C A. Computational image interpretation models ：An overview and a perspective[J].Photogrammetric Engieering and Remote Sensing，1990，56（6）：871886.
[2] 李敏，崔世勇，李成名，等.面向对象的高分辨率遥感影像信息提取—以耕地提取为例[J].遥感应用，2008：63-66.
[3] 张明媚，姚国红.面向对象的高分辨率遥感影像信息提取技术[J].地理空间信息，2013，11（1）：89-91.
[4] 邓书斌.ENVI遥感图像处理方法[M].科学出版社，2010.