遥感图像土地覆被专题信息提取方法综述
邹斌文
(1中国地质大学研究生院，湖北，武汉,430074；
2中国地质大学地球科学学院，湖北，武汉，430074）
摘要：土地覆被是全球变化研究的重要内容,而专题信息获取是其研究的前提和基础,如何有效地利用丰富的遥感数据源获取高精度的土地覆被专题信息,对于实时动态监测具有重要的意义。在综合分析当前主要的遥感信息提取方法基础上,将土地覆被专题信息提取方法归纳为目视解译、基于统计分析的图像分类、多源信息复合和基于对象的专题信息提取四大类,并综述了各种方法的优缺点、适用领域和应用情况,最后对其研究方向和发展趋势进行了展望,指出地学专家知识、人工智能、非线性理论以及“面向地块”的信息提取方法是其发展方向。
关键词：土地覆被；专题信息；信息复合；地块对象
1引言
土地覆被是指地球陆地表层和近地面层的自然状态,它是自然过程和人类活动共同作用的结果。土地覆被专题信息涵盖地球表面由于自然和人为影响而形成的所有覆盖物,诸如植被、水体、建筑物、道路、露天采矿场、采石场、岩石、沉积物、冰和雪等[1]。这些专题信息对于地表—近地面系统、地球各圈层的相互作用、环境监测、全球环境变化等方面研究具有重要作用,因而土地覆被信息获取成为当前研究热点之一。
遥感具有探测范围广、获得资料的速度快、周期短、实效性强、成本低，经济效益大等优点,通过遥感影像快速提取所需土地覆被专题信息,已经成为灾害评估和环境监测等应用的有力手段。快速准确地提取出土地覆被专题信息是研究土地覆被变化的前提和关键。近年来,随着遥感数据源的日益丰富,多平台、多传感器、多分辨率的遥感图像,为土地覆被信息获取提供了新的契机;另一方面,研究人员对专题信息的快速、高精度提取方法也进行了积极探索和深入研究,将许多新思想、新方法应用到信息提取中,使得信息获取的途径多样化,同时信息提取的精度也得到极大地提高。鉴于目前的研究现状,很需要对当前用于土地覆被信息提取的数据源、专题信息提取的方法进行分析和总结,分析不同方法的优势和劣势,并进一步探讨其研究和应用趋势。
本文针对土地覆被专题信息提取的应用需求,从遥感数据源的分析与应用出发,论述了目前专题信息提取的研究现状,并对他们分别展开分析评述,最后指出了土地覆被专题信息提取的发展方向。
2多源遥感数据源
随着遥感技术的发展,越来越多的不同类型的遥感器被用于对地观测。这些多传感器、多时相、多分辨率、多频段的遥感数据,在土地覆被专题信息提取中具有自身的优势和特性,不同类型的遥感数据具有不同的应用领域、信息提取精度。准确选取适当的数据源是快速、精确地发现并提取遥感图像中所需信息的前提,土地覆被专题信息提取常用的遥感图像可以分为以下几大类:(1)多光谱和全色图像。一般来说,多光谱遥感系统分波段记录地物波谱反射、辐射特征的微弱差异,具有较高的光谱分辨率,拥有丰富的光谱信息,有助于识别各种不同
的地物类别,是目前土地覆被信息提取研究的主要信息源。但多光谱遥感影像数据空间分辨率相对较低,即空间的细节表现能力比较差,将多光谱图像和全色图像融合,可以极大地提高图像解译能力。(2)SAR图像。SAR具有全天时、全天候、多波段、多极化工作方式、可变侧视角、穿透能力强和高分辨率等特点,与其他类型遥感影像相比较具有得天独厚的优势,同时SAR图像中含有丰富的纹理结构信息,不同的地表粗糙度呈现出不同的纹理特征,因而可从SAR图像中提取相关信息,在土地覆被信息提取中也得到了广泛应用。(3)高光谱图像。常规多光谱遥感只能提供大于100 nm分辨率的间断波段信息,而高光谱遥感有足够的光谱分辨率对那些具有纳米级诊断光谱特性的地表物体进行区分。谱像合一技术是高光谱遥感的显著特点,在对目标地物成像的同时,每一个像素都获得了几十至几百个连续光谱的覆盖,使其图像同时具有空间、辐射和波谱的信息。因此对高光谱数据特征的研究和分析对于我们准确地获得目标地物的有用信息是至关重要的。针对各种不同类型遥感数据的特点,可以将不同信息源数据进行复合,以便更好的发挥不同遥感数据源的优势互补,弥补某一种遥感数据的不足之处,提高地物识别率,提高信息提取的精度。不同遥感数据源的优势与不足分析比较见表1所示。
表1 不同数据源优缺点比较
数据源类型优点缺点
多光谱图像具有较高的光谱分辨率,拥有丰富的光谱
信息空间分辨率相对较低,即空间的细节表现能力比较差;光学遥感系统对天气的要求高,受云及云层阴影的影响,数据会存在信息的空缺
SAR图像全天时、全天候、多波段、多极化工作方
式、可变侧视角、穿透能力强,分辨率高,
纹理结构信息丰富覆盖的波长范围宽图像处理比较复杂;与多光谱影像相比失去了丰富的光谱信息
高光谱图像光谱分辨率高、波段众多,能够获取地物精
细的光谱特征曲线;可提供空间域信息和
光谱域信息,即“图谱合一”成像机理复杂、影像数据量大,预处理困难;数据间相关性高,信息冗余度增加
3土地覆被专题信息的提取方法
遥感图像专题信息提取方法很多,还没有一种方法是最普遍和最佳的,这主要是由于遥感图像数据的复杂性决定的。因此,不少研究者针对具体遥感数据不断探索新的提取方法来达到更好的效果。目前用得较多的土地覆被专题信息提取方法主要有以下几种:
3.1目视解译
目视解译是最常用、最基本的方法之一,它根据遥感影像目视解译标志(色调、颜色、阴影、形状、纹理、大小、位置、图型、相关布局等)和解译经验,与多种非遥感信息资料相结合,运用生物地学等相关知识,采用对照分析的方法,进行由此及彼、由表及里、去伪存真、循序渐进的综合分析和逻辑推理,从而从遥感影像中获取需要的地学专题信息。目视解译有人工目视判读和人机交互式判读两种形式,通常研究中用的较多的是人机交互式判读方法。它通过遥感图像处理软件对图像进行一些预处理,包括图像增强、图像融合等处理,有效地提高图像分辨率,突出主要信息,使图像中目标特征更加清晰,改善图像目视判读效果,从而提高判读的精度。目视解译简单易行,而且具有较高的信息提取精度,但是它也存在一定的缺点。当判读人员的专业知识背景、解译经验不同时,可能得到不同的判读结果;另外,当两种地物的光
谱特征或纹理特征等相似时(例如草地与农田、灌木林与果园地等),判读人员就很难根据判读标志将其区分开来;除此之外,目视解译工作量大、费工费时,在当今的信息社会,具有巨大的海量信息数据,信息的时效性尤为重要,因此,研究遥感信息的自动提取方法已成必然。
3.2基于统计分析的图像分类
基于统计分析的图像分类包括非监督分类法和监督分类法。非监督分类[2,3]采用的主要统计方法有动态聚类,模糊聚类,系统聚类和分裂法。其中动态聚类是目前非监督分类中比较常用的一种方法,主要有基于最邻近规则的试探法、K-means均值算法、迭代自组织的数据分析法(ISODATA)等。K-means均值算法和ISODATA算法应用较多,它们把分析判别的统计聚类算法和简单多光谱分类融合在一起,使聚类更加准确、客观,提高了分类精度。但这些分类法也存在着一定的不足,例如很难确定初始化条件,很难确定全局最优分类中心和类别个数,很难融合地学专家知识等[4]。虽然非监督分类方法的提取精度相对较低,但是这种方法的工作量相对较小,且容易实现,所以仍有很多研究人员将该方法应用到实际问题当中。例如Thomas H.C.etal提出了一种多时相比值数据非监督分类法,并强调了该法不仅简单易行,而且精度高[5];毛晓利等利用非监督分类中的迭代自组织的数据分析(ISODATA)算法得到了位于毛乌素沙漠南部边缘的定边县的8个乡两个时期的沙漠化等级图,分析了该区沙漠化变化情况[6]。
监督分类法[3,7]采用的统计方法主要有最大似然法、最小距离法、神经元网络分类法、模糊分类法。在目前遥感影像信息自动提取的研究中,最大似然法(也称Bayes分类法)以及神经网络分类法是应用最广泛,最典型的监督分类方法。最大似然分类法是建立在贝叶斯准则基础上的,其分类的错误概率最小,是风险最小的判决分析,应用最大似然判决准则进行分类是比较理想的。但是传统的人工采样方法由于工作量大,效率低,加上人为主观因素的影响,使得分类结果的精度较差。利用GIS数据来辅助Bayes分类,再根据地学专家知识,建立知识库,以知识来指导分类的进行,可以减少分类错误,提高分类精度;神经元网络分类法[8,9],是一种具有人工智能的分类方法,包括BP神经网络、径向基神经网络、模糊神经网络、小波神经网络等各种神经网络分类法。神经网络法不基于某个假定的概率分布,容错性较强,通常情况下比一般统计方法要好,其分类精度也较最大似然法要高。王庆光等利用BP神经网络方法对湿地遥感分类进行了研究,并与最大似然法进行了精度比较分析,得出BP神经网络分类法是一种有效的湿地分类技术,能够提高分类精度[10]。但是它们的分类精度同样依赖于网络训练样本的选取,像BP神经网络等存在网络训练速度慢,不易收敛到最优等缺点。通常情况下,单一基于统计分析的图像分类算法很难保证信息提取的精度,综合监督、非监督两种分类方法,对土地覆被专题信息进行分层、分级提取,可以对单一方法进行补充,从而提高分类精度。表2对几种常用基于统计分析的图像分类的优缺点进行了总结。
表2几种常用基于统计分析的图像分类的优缺点比较
分类方法优点缺点
K-means均值算法和ISODATA算法聚类较客观,工作量相对较
小,且容易实现
提取精度相对较低,很难确定初始化条件、
全局最优分类中心和类别个数,很难融合
地学专家知识等
最大似然分类法分类的错误概率小,风险小工作量大,效率低,主观性强,精度较差
神经元网络分类法不基于某个假定的概率分布,
容错性较强,精度较高分类精度依赖于网络训练样本的选取,网络训练速度慢、不易收敛到最优
3.3多源信息复合的专题信息提取
土地覆被专题信息提取过程中,由于“同谱异物”、“同物异谱”等情况普遍存在,加上遥感数据空间分辨率的限制,“混合像元”现象不可避免,常规基于像元灰度值的图像分类存在很多问题。在此基础上,人们开始对多源信息复合的信息提取方法进行探索,主要包括波谱特性、纹理信息、图像运算和地学专家知识等,表3对以上几种信息复合的提取方法进行了比较分析。
3.3.1光谱特征信息复合
不同地物的波谱特性,是遥感影像分析解译的理论基础,多光谱影像计算机自动分类识别,必须建立在全面了解掌握分类对象不同波段光谱特性的基础上。一般而言,同一地物在不同波段的光谱值不同,在同一波段不同地物的光谱值也不相同。根据这一原理,在多波段彩色合成影像上,首先对典型地物进行光谱采样,然后计算各种地物的光谱均值,得到典型地物波谱响应曲线图。之后分析所需专题信息光谱曲线与其他地物光谱曲线的关系,找到能够区分所需信息与其他地物的波段,利用波段之间的亮度值差异,选择适当的阈值即可将所需要的信息提取出来。光谱特征分析法是遥感信息提取的常用方法之一,在相关研究中得到广泛应用。Moller-Jenson提出利用NOAA A VHRR的图像光谱特征建立水体提取模型[11];高永光等通过对各地物光谱曲线特征进行分析,利用居民地光谱特征与其它地物的差异性,建立了赣中红壤区TM影像的居民地自动提取专家模型[12]。
基于光谱特征的分析方法是从分析地物的光谱曲线入手,挖掘谱间特征,从而提取出所需地物信息的。该方法无法克服异物同谱和同物异谱的现象,许多地物无法准确区分。因此,刘文娟等在对不同土地覆被类型光谱特征进行系统分析的基础上,根据归一化指数(NDVI)和差值指数等,提出了分层信息提取方案,利用该方案分步提取地表覆被信息,避免了将各个波段光谱值作为同等重要的量来参与信息提取而引起的异物同谱和同物异谱现象,提高了分类精度[13]。
3.3.2纹理结构信息复合
常规提取遥感图像信息的最大似然分类法等都是基于地物光谱特征的,很难正确区分一些光谱易混淆的地物,因此为了克服这种现象,可以采用纹理分析的方法。影像纹理反映了影像灰度性质及它们之间的空间关系,是描述和识别影像的重要依据,与其他影像特征相比,它能更好地兼顾宏观性质和细部结构。
传统的纹理分析方法大致分为统计方法。结构方法和谱方法[14]。统计方法是指在不知道纹理基元或尚未监测出基元的情况下进行纹理分析,主要描述纹理基元或局部模式随机和空间统计特征,如灰度共生矩阵法、随机场模型法等;结构方法主要在已知基元的情况下进行,描述纹理基元及其周期性排列的空间几何特征和排列规则,如形态学,图论、拓扑等方法;谱方法是建立在多尺度分析与时、频分析基础之上的纹理分析方法,如Gabor变换、小波变换、分形学等。其中,统计分析方法中的基于灰度共生矩阵提取纹理特征的方法是目前公认的一种较经典的纹理分析方法,它强调图像的空间依赖性,体现了在一种纹理模式下的像素灰度的空间关系[15]。
娄青香等利用纹理分析与光谱特征分析相结合的方法提取了北京市丰台区的TM图像信息,得到的分类精度远高于单纯光谱和单纯纹理的分类精度[16];吴樊等利用灰度共生矩阵法计算高分辨率SAR图像的纹理特征,通过统计分析选取合适的特征矢量,并基于非监督聚类分析提取了居民区,提取精度达到88.1%[17]。随着传感器技术的不断发展,成像分辨率不断提高,图像地面细节信息越来越丰富,地物纹理特征表现得更为清晰,而用传统方法提取某些
专题信息显得越来越困难,因此纹理分析方法将得到更加广泛和深入的应用。
3.3.3归一化差异型指数信息复合
归一化差异型指数是通过波段比值运算和归一化处理,把输出值范围统一在-1~+1之间。归一化差异型指数创建的基本原理就是在多光谱波段内,寻找出所要研究地类的最强反射波段和最弱反射波段,将强者置于分子,弱者置于分母。通过比值运算,进一步扩大二者的差距,使感兴趣的地物在所生成的指数影像上得到最大的亮度增强,而其他背景地物则受到普遍的抑制,从而达到突出感兴趣地物的目的[18]。
国内外学者提出的常见的该类型指数如归一化差异植被指数(NDVI)、归一化差异水体指数(NDWI) [19]、改进的归一化差异水体指数(MNDWI) [20]、归一化建筑指数(NDBI) [21]以及归一化差异湿度指数(NDMI) [22]和归一化差异雪指数(NDSI) [23]等。
归一化差异型指数由于进行了比值运算,所以其生成的指数影像有助于消除地形差异的影响，而且具有快速客观的优点,综合运用各种指数提取专题信息已取得较高的精度。如朱云燕等用归一化差异植被指数(NDVI)法比较判断了金沙江流域西南区两个时期的地表植被变化情况,生成差值图像,提取了变化区域,提取精度为80%以上[24];杨山、查勇运用仿归一化植被指数法(归一化建筑指数法NDBI),建立了太湖流域苏锡常地区的城镇形态信息提取模型,提取了居民地信息[25];徐函秋提出了改进的归一化差异水体指数MNDWI,并分别将该指数在含不同水体类型的遥感影像进行了实验,大部分获得了比Mcfeeters提出的归一化差异水体指数NDWI好的效果,特别是提取城镇范围内的水体[20]。
表3常用多源信息复合的信息提取方法及其特点
多源信息复合类型信息提取特点
光谱特征信息复合利用地物波段之间的亮度值差异,选择适当的阈值提取所需信
息,简单易行,但该方法无法克服异物同谱和同物异谱的现象,许
多地物无法准确区分
纹理结构信息复合能正确区分一些光谱易混淆的地物;能更好地兼顾影像宏观性
质和细部结构
归一化差异型指数信息复合该方法生成的指数影像有助于消除地形差异的影响,而且具有快
速客观的优点
地学专家知识信息复合利用地学知识并将其形式化、知识化,进行逻辑推理、信息判别
或用计算机模拟地学专家对遥感影像进行综合地学解译和决策
分析,具有智能化、自动化的特点
3.3.4地学专家知识信息复合
地学专家知识直接反映地物的空间地理特征,很多地物的空间分布有明显的规律和区域差异。而传统的统计方法和神经网络分类方法等都缺乏地学知识的支持,难以反映一些特殊类型的地学分布。因此,很多学者尝试利用地学知识并将其形式化、知识化,进行逻辑推理进行信息判别或用计算机模拟地学专家对遥感影像进行综合地学解译和决策分析。
王雷等将遥感影像分类与地学知识发现结合起来,用遥感数据驱动发现地学知识,用地学知识解释、确认、检验遥感分类结果,并使用统计值和分布谱来定量化表达地学知识,建立了一体化的遥感地学分类系统[26];H.Murai利用地物之间的相生和空间配置关系对分类结果作后处理,提高了分类精度[27]。此外,在专家知识分类法中地物的形状也是区分地物的一种常用特征。例如当某两种地物的光谱特征相似难以区分时,其形状可能会有较大差异,这时可以利
用形状指数将其区分开来[28],可以用形状指数来区分形状差异较大的地物,例如居民地与道路等。赵萍等将光谱特征和形状特征结合起来建立了简单决策树模型,对南京市江宁县地区的居民地信息进行了提取,结果分类精度较监督分类有了明显提高[29]。
地学专家知识在遥感信息提取中具有重要的作用,发现和挖掘地学专家知识,建立用于分类的专家系统,可以取得较好的土地覆被专题信息提取效果。专家系统[30,31]的应用是遥感信息提取一个重要的研究方向,它采用人工智能语言将某一领域的专家分析方法或经验,对地物的多种属性进行分析、判断,从而确定各地物的归属,实现遥感图像的智能化解译和信息获取。
3.4地块对象专题信息提取
传统基于像素级别的信息提取以单个像素为单位,以地物的光谱特征为主要依据,没有充分利用图像中的几何结构等信息,从而制约了信息提取的精度,而面向对象的遥感信息提取是基于“图像对象”的分类,综合考虑了图像的光谱统计特征、纹理特征、地物的形状、大小、相邻关系等一系列因素,因而许多研究表明其具有更高精度的分类结果[32,33]。面向对象的方法在土地覆被信息提取中得到了一定的应用,如钱巧静等利用面向对象的方法成功提取了三峡库区奉节县中部的土地覆盖信息,得到结果精度达89·2%[34],但是,该方法的广泛应用还需要一定的时日,需要解决实际应用中的关键技术问题。对面向对象信息提取来说,目前具有代表性的是“面向地块”的图像分类[1],它是一种空间分片法,但它不是按光谱均一性来分片,而是按地块来分片,把地块作为基本分类单元。此方法需要集成遥感图像和数字化的矢量数据,要用GIS功能或RS和GIS的集成系统,先将栅格图像和矢量图形或矢量数据进行联合处理,把图像先分成地块,然后进行分类。这当中需要解决若干技术问题,因此,应用相对不普遍,但是该方法的先进性和实用性将促进该领域专家学者的更加广泛和深入的研究。
4 结论与讨论
(1)随着遥感技术和计算机技术的发展,针对土地覆被专题信息的提取方法不断涌现,因此,信息提取方法体系逐步得到完善。诚然如此,不同信息提取方法各有优劣,单纯利用其中某种方法已经不能满足高精度提取要求,如何综合运用多种方法的优点,扬长避短,将是今后研究的重点之一。
(2)地学专家知识在土地覆被专题信息提取中具有重要作用。如何综合运用各种地学专家知识,包括地物的光谱特征知识、空间结构与形态知识、地物之间的空间关系知识等,建立基于相应知识的遥感信息提取模型是遥感信息提取的发展趋势之所在。
(3)人工智能、非线性理论[35,36]的引入,使遥感信息计算机提取技术具有了自学习和智能化的特点,更为复杂的图像理解模型也正在研究之中,它们在信息提取领域将发挥越来越重大的作用,有着广泛的应用前景。
(4)“面向地块”的土地覆被信息提取充分发挥了遥感的优势,它不仅仅依据地物的光谱特征,而是综合考虑了地物本身的几何和结构信息,不再把单个像素作为图像的最小处理单元,而是把图像先分成“地块”,以“地块”为研究对象,之后的图像分析和处理也都基于对象进行,因此它将显示出其独特的发展潜力。
参考文献：
[1]曾志远.卫星遥感图像计算机分类与地学应用研究[M].北京:科学出版社,2004.
[2]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003.
[3]梅安新,彭望,秦其明等.遥感导论[M].北京:高等教育出版社,2005.
[4]赵春霞,钱乐祥.遥感影像监督分类与非监督分类的比较[J].河南大学学报,2004,34(3):90-93.
[5]Thomas H.C.Lo.et al. Use of Multitemporal Spectral Profiles in Agricultural Land
Cover Classification [J].PE&RS,1986, 52(4):535-544.
[6]毛晓利,赵鹏祥,王得祥等.非监督数字化分类与GIS在土地沙漠化动态监测中的应用[J].
西北林学院学报,2005,20(3):6-9.
[7]孙家柄.遥感原理与应用[M].武汉:武汉大学出版社,2002.
[8]章杨清,刘政凯.利用分维向量改进神经网络在遥感模式识别中的分类精度[J].环境遥
感,1994, 9(1):68-72.
[9]张宝光.人工神经网络在遥感数字图像分类处理中的应用[J].国土资源遥
感,1998,(1):21-27.
[10]王庆光,潘燕芳.基于BP神经网络的湿地遥感分类[J].韶关学院学
报,2007,28(3):72-75.
[11]Moller-Jensen L.,Knowledge-based classification of an urban area using texture
and context information in Land satTM imagery[J].PE&RS,56(6):899-904. [12]高永光,祝民强,朱骥等.赣中红壤区TM图像的居民地信息自动提取专家模式研究[J].
国土资源遥感,2002,(4):67-69.
[13]刘文娟,常庆瑞,贾科利等.荒漠化地区土地覆被光谱特征与遥感信息提取方法研究[J].
西北农林科技大学学报.2007,35(9):205-209.
[14]姜青香,刘慧平,孔令彦.纹理分析方法在TM图像信息提取中的应用[J].遥感信
息,2003,(4):24-27.
[15]刘玉芳,刘定生.利用纹理特征提取城市用地信息方法探索[J].测绘科
学,2005,30(4):46-56.
[16]娄青香,刘慧平.利用纹理分析方法提取TM图像信息[J].遥感学
报,2004,8(5):458-464.
[17]吴樊,王超,张红.基于纹理特征的高分辨率SAR影像居民区提取[J].遥感技术与应
用,2005, 20(1):148-152.
[18]徐涵秋.基于谱间特征和归一化指数分析的城市建筑用地信息提取[J].地理研
究,2005,24(2): 311-320.
[19]McFeetersS K. The Use of Normalized Difference Water Index(NDWI) in the
Delineation of Open Water Features[J].International Journal of Remote Sensing, 1996,17(7):1425-1432.
[20]徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学
报,2005,9(5): 589-595.
[21]查勇,倪绍祥,杨山.一种利用TM图像自动提取城镇用地信息的有效方法[J].遥感学
报,2003,7(1): 37-40.
[22]Wilson EH,Sader S A. Detection of forest harvest type using multiple dates of
Land sat TM imagery[J]. Remote sensing ofenvironment,2002,80:385-396.
[23]SlaterMT,Sloggett D R,ReesWG,et al.Potentiai operational multi-satellite
sensormapping of snow cover inmaritime sub-polarregions[J].International Journal of Remote Sensing,1999,20:3019-3030.
[24]朱云燕,朱翔,李卓卿.归一化差值植被指数在土地覆盖遥感动态调查中的应用[J].云南
环境科学, 2003,22(4):9-10.
[25]杨山,查勇.太湖流域城镇形态的遥感信息提取模型研究[J].长江流域资源与环
境,2002,11(1): 27-31.
[26]王雷,冯学智,都金康.遥感影像分类与地学知识发现的集成研究[J].地理研
究,2001,20(5):637-643.
[27]Murai H,Omartu S. Remote Sensing image Analysis Using a Neural Network and
Knowledge-based Processing[J].InternationalJournal of Remote Sensing,1997,1 8(4);811-828.
[28]黎夏.形状信息的提取与计算机自动分类[J].环境遥感,1995,10(4):279-287.
[29]赵萍,冯学智,林广发.SPOT卫星影象居民地信息自动提取的决策树方法研究[J].遥感
学报,2003, 7(4):309-314.
[30]匡霞,陈贻运,戴昌达.专家系统在TM图像分类中的应用,环境遥感,1989,(4):257-265.
[31]张健挺,邱友良.人工智能和专家系统在地学中的应用综述[J].地理科学进
展,1998,17(1):44-51.
[32]杜凤兰,田庆久,夏学齐等.面向对象的地物分类法分析与评价[J].遥感技术与应
用,2004,19(1): 20-23.
[33]沙宗尧,边馥苓.基于面向对象知识表达的空间推理决策及应用[J].遥感学
报,2004,8(2):165-171.
[34]钱巧静,谢瑞,张磊等.面向对象的土地覆盖信息提取方法研究[J].遥感技术与应
用,2005, 20(3): 338-342.
[35]彭望,白振平,刘湘南等.遥感概论[M].北京:高等教育出版社,2005.
[36]马鸣远.人工智能与专家系统导论[M].北京:清华大学出版社,2006.
遥感专题信息提取与专题图制作设计报告 1.课程设计的目的和意义 本次课程设计的目的主要是为了加深理解和巩固遥感原理与应用的有关理论知识；熟悉遥感图像处理的方法和步骤，学习运用ERDAS软件对遥感图像进行几何纠正、图像镶嵌、图像融合、自动分类以及专题图制作等处理。锻炼独立分析问题和解决问题的能力，培养良好的工作习惯和科学素养，为今后工作打下良好的基础。 2.课程设计的原理和方法 2.1课程设计原理 2.1.1 图像预处理 ERDAS软件默认的文件格式是img格式，因此首先需要将实习数据由TIFF 格式转换为img格式图像。 多波段影像包含的信息量较大，实习中将6个单波段影像合成多波段影像进行处理。 Spot影像需具有地理信息，要将影像头文件信息添加进去。 2.1.2几何纠正 遥感所获取的数据，均存在几何畸变。因此需要对图像进行几何纠正。几何纠正的原理是将图像数据投影到平面上，使其符合地图投影系统。而将地图投影系统赋予图像数据的过程，称为地理参考。由于所有地图投影系统都遵循一定的地图坐标系统，因此几何纠正的过程包含了地理参考过程。在实习过程中，采用了一次多项式法进行几何纠正。 2.1.3图像镶嵌 因研究范围的要求，需要在几何上将左右两幅图像连接在一起，并且保证拼接后的图像反差一致，色调相近，没有明显的接缝。遥感影像在镶嵌之前，必
须包含投影信息、地理坐标信息，还要有相同的波段数。当然，在挑选遥感数据时，要尽可能选择成像时间和成像条件相近的遥感图像，要求相邻影像的色调一致。 2.1.4图像裁剪 在实际工作中，经常需要根据研究工作范围对图像进行裁剪，按照ERDAS 实际图像分幅裁剪的过程，可以将图像分幅裁剪分为两种类型：规则分幅裁剪和不规则分幅裁剪。 规则分幅裁剪是指裁剪图像的边界范围是一个矩形，通过左上角和右下角两点的坐标，就可以确定图像的裁剪位置，整个裁剪过程比较简单。 不规则分幅裁剪是指裁剪图像的边界范围是任意多边形，无法通过左上角和右下角两点的坐标确定裁减位置，而必须事先生成一个完整的闭合多边形区域，可以是一个AOI多边形，也可以是ArcInfo的一个Polygon Coverage，针对不同的情况采用不同的裁剪过程。 2.1.5图像融合 图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率，利于监测。 2.1.6图像分类 图像分类就是基于图像像元的数据文件值，将像元归并成有限的几种类型、等级或数据集的过程。常规图像分类主要有两种方法：监督分类与非监督分类。 2.2课程设计方案
考虑地物光谱多样性的遥感影像典型地物 提取方法综述 摘要 光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息，然而在遥感高精度分类研究中，特别面对大区域（全国或全球尺度）地表分类时，由于地表情况复杂，地物光谱多样性问题突出，在对遥感影像进行具体处理时往往难以实现高精度的地物识别。例如对于水体而言，海洋水体和内陆水体会由于水体成分的不同而使得其具有不同的光谱特征。植被由于其具有物候特征，光谱往往会随着季节的变化而变化，城市不透水层由于建筑物材料的差异以及大量的建筑物阴影使得地物光谱之间具有较大的差异。这些由于空间或时间引起的地物光谱多样性特征会随着研究范围的增大而变得更加突出。本文从基于像元级与基于亚像元级两个方面对地物提取研究进行综述，系统的介绍了当前国内外在考虑地物光谱多样性典型地物提取的研究进展，为后续的研究提供参考。 关键词：遥感，光谱多样性，水体，植被，建筑物，像元级，亚像元级 1.引言： 光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息，然而在遥感高精度分类研究中，特别面对大区域（全国或全球尺度）地表分类时，由于地表情况复杂，地物光谱多样性问题突出，在对遥感影像进行具体处理时往往难以实现高精度的地物识别。例如对于水体而言，海洋水体和内陆水体会由于水体成分的不同而使得其具有不同的光谱特征。植被由于其具有物候特征，光谱往往会随着季节的变化而变化，城市不透水层由于建筑物材料的差异以及大量的建筑物阴影使得地物光谱之间具有较大的差异。这些由于空间或时间引起的地物光谱多样性特征会随着研究范围的增大而变得更加突出。
制约遥感影像上地物信息准确提取的最主要因素之一便是遥感影像上广泛存在的“同物异谱”现象，该现象产生的原因主要有：（1）地物自身属性随着空间-时间的变化而发生变化，即是该课题所研究的地物光谱多样性特征；（2）地物由于临近效应，大气散射等使得遥感影像上地物所表现出来的光谱特征相对于其原有光谱特征发生变化。原因（1）是导致“同物异谱”现象最主要的原因，因此在对遥感影像进行处理中如果能够解决地物光谱多样性问题，其实也就很大程度上解决了遥感影像上的“同物异谱”问题。 地物光谱多样性并不是毫无规律的，以落叶植被为例，在一年的周期里，落叶植被的叶绿素含量呈现出先增加后减少的自然规律，反映在遥感影像上为植被在绿光波段的反射率会先增加后减小。对于水体而言，无论是清澈水体还是浑浊水体，其在中红外波段区间的反射率都趋近于0。除此之外，对于不同地物的光谱多样性特征还有很多有待探索的规律。随着空间科学技术，信息技术以及传感器技术的发展，现已经能够获取到一些具有三高特性（高空间分辨率、高光谱分辨率和高时间分辨率）的遥感影像。这为我们深入分析地物光谱多样性特征随着地物时空分布的不同所呈现出来的变与不变的内在规律提供基础。 同时，由于光谱可变会严重影响混合像元分解中地物丰度估计的结果，因此关于光谱多样性问题在软分类领域已有较多研究，如近年来提出的CoB、EAR、IES等最有代表性端元光谱选取方法，能够从地物光谱库中找到地物光谱在某些波段区间的不变规律，以此筛选出最具有地物代表性的端元光谱。除此之外，软分类领域涉及解决地物光谱多样性问题的具体方法还有很多，这都为遥感影像上地物光谱多样性问题的解决提供了思路和参考。 2.典型地物光谱规律探索 地物光谱多样性特征是指同一种地物在时空中往往呈现出多样化的光谱特征，地物光谱多样性体现在遥感影像上即为“同物异谱”、“端元可变(endmember variability)”、“光谱可变(spectral variability)”等现象。地物光谱的多样化并不是毫无规律的，其与时间、空间之间一定存在着某些变与不变规律。 对于水体而言，传感器接受到的水体辐射包括了水面反射、水体底部物质反
龙源期刊网 https://www.doczj.com/doc/be12405670.html, 遥感图像分类方法综述 作者：胡伟强鹿艳晶 来源：《中小企业管理与科技·下旬刊》2015年第08期 摘要：对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结， 对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍，并对遥感图像分类方法研究的发展趋势做了展望。 关键词：遥感图像；监督分类；分类精度 1 概述 遥感就是远离地表，借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。遥感技术系统由四部分组成：遥感平台、传感器、遥感数据接收及处理系统、分析系统。遥感数据就是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据。 2 传统遥感图像分类方法 2.1 非监督分类方法 非监督分类方法也称为聚类分析。进行非监督分类时，不必对遥感图像影像地物获取先验类别知识，仅依靠遥感图像上不同类别地物光谱信息进行特征提取，根据图像本身的统计特征的差别来达到分类的目的。主要的算法有：K-均值聚类（K-means）算法和迭代自组织数据分析法（Iterative Self-organizing Data Analysis Techniques A， ISODATA）等。 2.2 监督分类方法 对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。主要的算法有：最大似然分类（Maximum Likelihood classification，MLC）、最小距离分类、K-近邻分类等。 3 基于新理论的遥感图像分类方法 3.1 基于人工神经网络的遥感图像分类 在遥感图像的分类处理中，人工神经网络的输入层神经元表征遥感图像的输入模式。每一个输入层神经元对应于一个光谱波段，每一个输出层神经元则对应于一种土地覆盖类型。其
遥感信息智能化提取方法 目前，大部分遥感信息的分类和提取，主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低，效率不高，劳动强度大，而且依赖参与解译分析的人，在很大程度上不具备重复性。尤其对多时相、多传感器、多平台、多光谱波段遥感数据的复合处理，问题更为突出。在遥感影像相互校正方面，一些商业化的遥感图像处理软件，虽然提供了简单的影像相互校正和融合功能，但均是基于纯交互式的人工识别选取同名点，不仅效率非常低，而且精度也难于达到实用要求。因此,研究遥感信息的智能化提取方法对于提高遥感信息的提取精度和效率具有重要意义。 1．遥感图像分类 遥感图像分类是遥感图像处理系统的核心功能之一，它实现了基于遥感数据的地理信息提取，主要包括监督分类，非监督分类，以及分类后的处理功能。非监督分类包括等混合距离法分类（Isodata）等。监督分类包括最小距离（Minimum Distance）分类、最大似然（Maximum Likehood）分类、贝叶斯（Bayesian）分类、以及波谱角分类、二进制编码分类、AIRSAR散射机理分类等。 自动分类是计算机图像处理的初期便涉及的问题。但作为专题信息提取的一种方法，则有其完全不同的意义，是从应用的角度赋予其新的内容和方法。传统的遥感自动分类，主要依赖地物的光谱特性，采用数理统计的方法，基于单个像元进行，如监督分类和非监督分类方法，对于早期的MSS这样较低分辨率的遥感图像在分类中较为有效。后来人们在信息提取中引入了空间信息，直接从图像上提取各种空间特征，如纹理、形状特征等。其次是各种数学方法的引进，典型的有模糊聚类方法、神经网络方法及小波和分形。 近年来对于神经网络分类方法的研究相当活跃。它区别于传统的分类方法在于：在处理模式分类问题时，并不基于某个假定的概率分布，在无监督分类中，从特征空间到模式空间的映射是通过网络自组织完成的，在监督分类中，网络通过对训练样本的学习，获得权值，形成分类器，且具备容错性。人工神经网络 (ANN) 分类方法一般可获得更高精度的分类结果，因此 ANN方法在遥感分类中被广泛应用，特别是对于复杂类型的地物类型分类，ANN 方法显示了其优越性。如 Howald(1989)、McClellad(1989)、 Hepner(1990)、T.Yosh ida(1994)、K.S.Chen(1995)、J.D.Paola(1997) 等利用 ANN 分类方法对 TM 图像进行土地覆盖分类，在不同程度上提高了分类精度；Kanellopoulos(1992) 利用 ANN方法对 SPOT 影像进行了多达20类的分类，取得比统计方法更精确的结果；G.M.Foody(1996)用ANN对混合像元现象进行了分解；L.Bruzzone 等 (1997) 在 TM－5 遥感数据、空间结构信息数据、辅助数据（包括高程、坡度等）等空间数据基础下，用 ANN 方法对复杂土地利用进行了分类，比最大似然分类法提高了 9% 的精度。与统计分类方法相比较，ANN 方法具有更强的非线性映射能力，因此，能处理和分析复杂空间分布的遥感信息。2．基于知识发现的遥感信息提取
面向对象的影像分类技术 “同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本小节以ENVI中的面向对象的特征提取FX模块为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ??●面向对象分类技术概述 ??●ENVI FX简介 ??●ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。
影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都具有这个功能，如ENVI的FX扩展模块、易康（现在叫Definiens）、ERDAS的Objective模块、PCI的FeatureObjeX（新收购）等。 表1为三大类分类方法的一个大概的对比。 类型基本原理影像的最小单元适用数据源缺陷 传统基于光谱的分类方 法地物的光谱信息 特征 单个的影像像元 中低分辨率多光谱 和高光谱影像 丰富的空间信息利 用率几乎为零 基于专家知识决策树根据光谱特征、空 间关系和其他上 下文关系归类像 元 单个的影像像元多源数据知识获取比较复杂 面向对象的分类方法几何信息、结构信 息以及光谱信息 一个个影像对象 中高分辨率多光谱 和全色影像 速度比较慢
第2期,总第64期国 土 资 源 遥 感No.2,2005 2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005 遥感图像分类方法研究综述 李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明 650092;2.云南省寄生虫病防治所,思茅 665000; 3.云南开远市第一中学,开远 661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。 关键词:遥感;图像分类;分类方法 中图分类号:TP751 文献标识码:A 文章编号:1001-070X(2005)02-0001-06 0 引言 随着卫星遥感和航空遥感图像分辨率的不断提 高,人们可以从遥感图像中获得更多有用的数据和 信息。由于不同领域遥感图像的应用对遥感图像处 理提出了不同的要求,所以图像处理中重要的环 节———图像分类也就显得尤为重要,经过多年的努 力,形成了许多分类方法和算法。本文较全面地综 述了这些分类方法和算法,为遥感图像分类提供理 论指导。 1 遥感图像分类研究现状 在目前遥感分类应用中,用得较多的是传统的 模式识别分类方法,诸如最小距离法、平行六面体 法、最大似然法、等混合距离法(I S OM I X)、循环集群 法(I S ODAT A)等监督与非监督分类法。其分类结果 由于遥感图像本身的空间分辨率以及“同物异谱”、 “异物同谱”现象的存在,往往出现较多的错分、漏分 现象,导致分类精度不高[1]。随着遥感应用技术的 发展,傅肃性等对P.V.Balstad(1986)利用神经网络 进行遥感影像分类的研究情况以及章杨清等在利用 分维向量改进神经网络在遥感模式识别中的分类精 度问题作了阐述[2], 孙家对M.A.Friedl(1992)和 C.E.B r odley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2 基于统计分析的遥感图像分类方法 2.1 监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-Nearest Neighbor)、决策树法(Decisi on Tree Classifi2 er)和贝叶斯分类法(Bayesian Classifier)。主要步骤包括:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。 最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre ma等提出的启发式像素分类估计先验概率法。Mclachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。
第39卷 第6期2011年6月 西北农林科技大学学报(自然科学版) Jo ur nal of N o rthwest A&F U niver sity(N at.Sci.Ed.) Vo l.39N o.6 Jun.2011 SPOT5遥感影像土地利用信息提取方法研究 张伐伐a,李卫忠a,卢柳叶b,康 乐a (西北农林科技大学a林学院,b资源环境学院,陕西杨凌712100) [摘 要] 目的 探讨高分辨率遥感影像土地利用信息提取方法的优劣,为研究土地利用/覆盖动态变化提供参考。 方法 以结合纹理特征的支持向量机(Support vector machine,SV M)分类和多尺度分割的面向对象分类为主要技术,对陕西佛坪长角坝乡遥感影像的土地利用信息进行提取,并将分类结果与基于传统像元的最大似然法分类结果进行比较分析。 结果 面向对象分类法的总精度达到90.67%,较结合纹理特征的SV M法提高了8.34%,而与最大似然分类法相比提高了近20.32%,克服了其他分类方法存在的同谱异物现象及分类结果中地物破碎等缺点,取得了较好的分类结果。 结论 利用面向对象分类法不仅达到了提取土地利用信息的目的,而且精度高、速度快。 [关键词] 遥感影像;土地利用信息;支持向量机;纹理特征;多尺度分割;精度评价 [中图分类号] S127[文献标识码] A[文章编号] 1671 9387(2011)06 0143 05 Study on extraction methods of land utilization information based on SPOT5 ZHAN G Fa fa a,LI Wei zhong a,LU Liu ye b,KANG Le a (a College of F or estry,b Colleg e of Resourc es and Env ironment,N or th w est A&F Univ ersity,Yang ling,S haanx i712100,China) Abstract: Objective T he study explored the effect of ex tracting approach for info rmatio n o f land uti lization based on high resolution remo te sensing im ag e to provide evidence for studying land utilization and cov er dynam ic variatio n. M ethod T his paper ex tracted the info rmation o f land utilizatio n focused on Changjiaoba to w n,using SVM classification o f tex ture feature and object or iented classification o f multi resolution seg mentatio n.The classification result w as compared w ith m ax imum likelihood classification. Then the classification result w as analyzed. Result T he ov erall classification accuracy o f object o riented w as90.67%,w hich incr eased by8.34%compared w ith SVM classification of tex ture feature and increased by20.32%com pared w ith m ax imum likelihoo d classificatio n.T his kind of classification not o nly can g et o v er the disadvantages of other classificatio ns,e.g.Spectral Similar and Ground object Fragm entations,etc. but also acquire good effectiveness. Conclusion Using the classification of object oriented can realize the purpose o f ex tracting the land utilization information,and this m ethod is accurate and fast. Key words:rem ote sensing im ag e;inform ation o f land uatilization;support v ector m achine;tex tur e fea ture;multiresolution segm entation;accuracy assessment 土地利用信息的获取,是研究士地利用和土地覆盖动态变化的基础,将遥感、地理信息系统和全球定位系统相结合,开展国土资源和环境综合调查,具有现势性强、分类周期短、资源信息更新快等优势,从而可以以最快的速度动态监测土地资源利用及环境的变化情况,及时为社会经济发展决策和制定相关规 *[收稿日期] 2010 11 29 [基金项目] 国家林业局 948 项目(2009 4 45) [作者简介] 张伐伐(1985-),男,安徽怀远人,在读硕士,主要从事 3S 技术在资源与环境中的应用研究。 E mail:zhangfafa520@https://www.doczj.com/doc/be12405670.html, [通信作者] 李卫忠(1963-),男,陕西蒲城人,副教授,硕士生导师,主要从事森林经理学研究。E m ail:w eizhong_li@https://www.doczj.com/doc/be12405670.html,
基于遥感数据的城市绿地信息提取研究进展1 吕杰，刘湘南 中国地质大学（北京）信息工程学院，北京 (100083) E-mail：jasonlu168@https://www.doczj.com/doc/be12405670.html, 摘要：本文对目前城市绿地信息提取研究现状进行了总结，对其中的利用航空遥感数据提取植被信息、卫星遥感提取植被信息、高分辨率遥感植被信息以及高光谱遥感植被信息研究进展进行了介绍，并从中分析提出遥感数据提取城市绿地信息存在的问题，对于存在的混合像元的问题，本文指出混合像元分解是解决存在问题的关键。 关键词：遥感，城市绿地，信息提取，混合像元 中图分类号：TP 7 1．引言 随着城市规模的不断扩大，自然环境正受到越来越严重的破坏，特别是大量的植被被高楼大厦取代，导致原有的生态系统严重失衡。而植被是环境的天然调节器，因此，无论在新城区还是老城区，绿化都显得尤其重要。对于土地资源极为珍贵的特大城市来说，良好的绿地规划方案可以有效地提高绿化生态环境效益。 另一方面，随着社会和经济的发展，城市化步伐在不断加快，城市规模日渐扩大，因此，城市正面临着一系列的生态和环境问题，例如城市热岛效应，沙尘暴等。为了解决这些问题，人们逐渐发现城市绿地对城市生态环境的改善有着不可替代的功效，为此，许多国家将城市绿化制定为城市可持续发展战略的一个重要内容，并将城市绿地作为衡量城市综合质量的重要指标之一。 利用遥感技术获取绿地信息成为快速、客观、准确的城市生态监测、评价、规划和管理的重要手段。目前可以利用的高分辨率遥感数据资料越来越多，高于lm 分辨率航天遥感影像和航空遥感影像己开始应用到资源调查和测图中。 2．城市绿地信息提取研究现状及存在问题 城市绿地是在人类较强干扰下生成的绿地景观，其生态效益不仅与绿地斑块的面积、空间分布有关，而且与构成绿地的植被类型密切相关（王伯荪，1987 ）。90 年代后期，景观生态学理论和方法逐渐应用到对城市绿化的研究中，这些研究为城市植被研究提供了新的研究思路和方法（高峻等，2002 ：李贞等，2000 ）。城市植被遥感信息提取为城市植被景观生态分析提供基础数据，是遥感信息提取的重要研究方向，也是城市植被学研究的重要内容（王伯荪等，1998 ）。 2.1 航空遥感影像用于植被信息提取 随着遥感技术的发展，航空影像图的信息提取比例尺已经达到了1:1000 ，由遥感图提取城市绿地率和绿化覆盖率，是一条比较成熟和现实的途径。2001 年5 月上海市已完成三次航空遥感城市绿地精细调查。2000 年山东省建设处委托中国国土资源航空物探遥感中心对山东省济南市、淄博、文登、荣成等地市进行了航空遥感城市绿化调查。大比例尺彩红外航空遥感图像具有信息量大、植物标志清楚等优点，它不仅被广泛用于植被调查，而且对植 1本课题得到国家863项目(2007AA12Z174)资助。
基于遥感的冰川信息提取方法综述 全球气候环境变化及其影响已成为当今世界各国政府、科学家和政策决策者所共同关注的重大焦点问题。政府间气候变化委员会（IPCC第四次评估报告指出[1]，过去 100 a）（1906~2005 年）全球地表平均气温上升了0.74℃，而最近 50 a的升温速率几乎是接近过去 100 a 升温速率的两倍。冰川对气候变化十分敏感，被视为气候变化的指示器，升温已导致全球大多数冰川在过去 100 多年里处于退缩状态，尤其是最近的几十年呈加速退缩态势[1,2]。尽管大量的冰储存于两极冰盖中，但山地冰川和冰帽的储量损失在过去几十年和未来一个世纪对海平面上升、区域水循环和水资源可获取性均有重要影响[3-5]。 青藏高原及其毗邻地区蕴藏着世界上两极之外最大的冰雪储量，被称为“第三极”，该区气候变化引发的冰川变化不仅影响到周边地区十个国家的15亿人口的农业、发电等生产活动的水资源供应[3, 6, 7]，而且会引发区域乃至北半球的大气环流格局的变化[8]，从而使其成为国际冰川变化研究的热点地区。此外，青藏高原很多内陆湖泊近期水位上涨、湖泊面积增大导致草场淹没以及冰湖溃决和泥石流滑坡等山地灾害，对周边地区的生态与环境及农牧民的生活造成了严重影响[9]。 因此，监测青藏高原冰川变化时空分异特征，对于更加清楚地认识该地区对全球气候变化的响应具有重要的科学意义，对于及时提供湖泊水量变化信息，制定当地农牧民的应对措施具有重要的现实意义。本文系统梳理和总结了国内冰川监测相关研究进展，并探讨了当前该领域研究的不足以及未来的研究方向，旨在为我国冰川变化监测提供有益借鉴。 一、传统野外监测 传统的冰川观测主要基于野外实地考察，开展较早。世界上很多地区在一个多世纪以前就开始系统地观测冰川与冰盖的变化[10]。1930s 之前一直依靠实测冰川末端的变化或对比小冰期冰碛物的位置获得冰川变化的信息，1940s 后期开始了冰川物质平衡研究，截止到 2008 年全球已获取了 1803 条冰川自19 世纪后期的冰川长度变化和 226 条冰川过去 60 年内的物质平衡观测结果[10]，分别占 1970s 估计的全球冰川总数 160000条[11]的 1.1%和 0.1%，观测数量很有限。我国冰川研究事业开创于1958年祁连山冰川考察[11]，截止到 2007 年，基于野外考察共有 27 条冰川的长度变化和 5 条冰川的物质平衡的较长时间观测记录[12]，分别为我国冰川总数46377[13]条的 0.06%和 0.01%，远低于前述全球尺度的相应观测比例，且没有一条位于我国冰川分布中心之一的喀喇昆仑地区。实地观测通常在容易到达、安全且不是太大的冰川进行，不能代表所有冰川的规模、海拔分布、坡度和朝向。所以，仅靠少数野外考察资料很难反映全球或区域尺度冰川变化的空间特征，所获得的冰川变化趋势及其对气候变化的响应的结论也难免存在局限性。 二、冰川面积变化遥感监测 遥感观测可以在瞬时获取较大范围的地面综合信息，适合对不同地理环境下的冰川变化进行长期而持续的监测，早期主要进行面积变化遥感研究。1940s 以后，人们可以借助于航空摄影技术测绘冰川末端位置[14]。1970s 之后，随着卫星遥感技术的发展和观测精度的提高，陆地资源系列卫星（Landsat MSS、TM 和
遥感矿物蚀变信息提取方法及ENVI下实现
蚀变岩石是在热液作用影响下，使矿物成分、化学成分、结构、构造等发生变化的岩石。由于它们经常见于热液矿床的周围，因此被称为蚀变围岩，蚀变围岩是一种重要的找矿标志。利用围岩蚀变现象作为找矿标志已有数百年历史，发现的大型金属、非金属矿床更是不胜枚举：北美、俄罗斯的大部分斑岩铜矿、我国的铜官山铜矿、犹他州的大铝矿、西澳大利亚的大型金矿、墨西哥的大铂矿、美国许多白钨矿、世界大多数锡矿、哈萨克斯坦的刚玉矿等，都属于以围岩蚀变作为找矿标志发现的矿床。 国内外遥感工作者，都在不断地设计、研制和总结对这种遥感信息的提取和识别技术。矿化蚀变信息是找矿的一个重要标志，而这些对找矿有指导意义的矿化蚀变信息常常受其它地物信息的干扰，和受遥感图像的波谱分辨率和空间分辨率的制约，往往表现的很微弱。因此，国内外学者也在不断尝试各种技术方法提取这种矿化蚀变弱信息。 本文总结了遥感蚀变信息提取的各类方法，及其在ENVI软件中的实现。 ?原理 遥感技术主要是建立在物体反射和发射电磁波的原理之上。而地物波谱特性通常都是用地物反射辐射电磁波来描述。由于地物反射发射电磁波的特性不同，其反射波谱曲线形态也有千差万别。如植物的反射波谱曲线上，在绿光波段表现由于其叶绿素的存在表现为有一强反射峰，而在短波红外波段由于叶冠组织的相互作用表现为强反射峰，在红光波段则表现为强吸收谷。 遥感地质应用中，近矿围岩蚀变形成的蚀变岩石与其周围的正常岩石在矿物种类、结构、颜色等方面都有差异，这些差异导致了岩石反射光谱特征的差异，并且在某些特定的光谱波段形成了特定蚀变岩石的光谱异常。光谱异常为用遥感图像的异常信息提取提供了理论依据。 ?方法及实现 依据矿化蚀变岩与围岩的波谱特征的差异，可采用图像增强处理方法获取矿化蚀变信息增强的图像变量，从而最终实现提取矿化蚀变信息的目的。一般图像增强突出蚀变信息有以下几种方法。 (1)蚀变干扰信息剔除 遥感数据包含地表的信息，遥感在地质方面的应用就是提取用户需要的信息，提取矿化蚀变信息的过程是计算影像中所有像素信息统计归类分析的过程，蚀变异常信息的提取对遥感图像的质量要求较高，因此首先要对遥感数据进行严格的筛选，干扰噪声小的数据，一般要求遥感数据的时相是植被发育较弱、冰雪覆盖少的季节，同时该时相的云覆盖量较少。由于受地形地貌的影响，有些因素靠数据的时相选择却难以克服，例如阴影、河流水体、高山上的冰雪、白泥地等，可以采用相应的数学方法来解决，以使阴影、水体等干扰像素的数据不参与统计分析。一方面是选择较好的数据；另一方面是对数据进行数据预处理，包括大气校正、掩膜等。 利用ENVI软件的大气校正模块flassh能快速的消除大气影响，还原地物的真实面目。有利于蚀变信息的提取。
遥感影像云识别方法综述 国内外对云的检测与分类研究较多，有较多的研究成果报道。其方法大致可以分为两类，一类是基于光谱的方法，主要利用云在不同的光谱波段有不同反射特征，大部分以灰度阈值或灰度聚类的方法实现，主要用于多光谱影像，早期研究较多。如用于A VHRR的ISCCR 法（ROSSOW，1989）、CLA VR法（STOWE，1991）和用于的C02法（WGLIE，1994），近期亦研究用于MODIS的一些云识别与分类的方法，主要为以前方法的改造。另一类是基于纹理的方法主要应用云影像的灰度空间分布特征。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。其中尤以传统的统计模型研究较多，如灰度共生矩阵（GLCM）、灰度差分矩阵（GLDM）、灰度差分矢量（GLDV）、和差直方图（SADH）等，新近提出的一些方法如场模型法中的分形分维、马尔可夫随机场方法，频域/空域联合分析法中的Gabor变换、小波变换等，有不少的研究成果报道。 1. 基于光谱特征的方法： 主要有ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等。 ISCCP方法主要由Rossow(1989)Seze和Rossow(1991a)及RossowG和arder(1993)和等开发研制，检测方法中公用到窄的可见光波段（0.6）和红外窗区波段的资料。它假定观测辐射办一自晴空和云两种情况（这两种大气状况相联系的辐射值变化并不相互重叠），把每一个像元的观测辐射值与晴空辐射值比较，若两者的差大于晴空辐射值本身的变化时，定该像元点为云点。因此算法依赖于阈值，阈值勤的大小就确定了晴空计值中不确定性的大小，当像元的车射值明显有别于晴空像元时，认为像元被云覆盖，但当像元部分被云覆盖时，会发生误判。 算法主要由有五部分组成： （1）单一红外图像的空间对比试验。 （2）三个连续红处图像的时间对比试验。 （3）可见光和红外图像的空间/时间的累计统计合成。 （4）每5天的可见光和红处辐射的晴空合成。 （5）每个像元的可见光和红外辐射阈值勤的选取。 APOLLO（The A VHRR Processing scheme Over cloud Land and Ocean）算法主要由Saunders和Kriebel（1988），Kriebel等（1989）和Gesell（1989）研制开发，它利用了A VHRR 五个全分辨探测通道资料。在五个通道资料的基础上，像元被认为是有云像元，必须满足几个条件：像元的反射率比所设定的阈值高或温度比所设定的阈值低；通道2与通道1的比值介于0.7和1.1之间；通道4和通道5的亮度温差大于所设定的阈值；若像元在海洋上，其空间均一性还要大于设定的阈值。若像元通过了所有的多光谱云检测，像元为晴空，只要有一个未通过，就认为像元被云污染，因此这个检测方法具有保守性。利用其中的两个检测，。设定不同的阈值，可区分完全云覆盖像元和部分云覆盖像元。 CKA VR(The NOAA Cloud Advanced Very High Resolution Radiometer)算法（Phase I）(Stowe et al.,1991)利用A VHRR五个通道资料在全球范围内进行云检测。它同样采用了一系列判识阈值，不同之处在于采用2*2的像元矩阵作为判识单位。当2*2的像素点数列中4个像素点全不通过有云判识时，像元矩阵为无云；4个像素点全通过有云识别时，像素点矩阵为完全云盖；4个像素点中有1至3个像元通过有云判识时，认为像元矩阵是混合型。如果被判识为云或混合型的像元矩阵中的4个像元，满足另类晴空检测条件，像元矩阵被重新判别为晴空像元。根据下垫面性质和观测时间的不同，把算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。在后来的改进方案中，用9天的合成晴空辐射作为晴空辐射值，并对云污染的像元进行分类。
北京揽宇方圆信息技术有限公司 、 遥感卫星影像数据信息提取 北京揽宇方圆信息技术有限公司中科院企业,卫星影像数据服务全国领先。业务包括遥感数据获取与分发、遥感数据产品深加工与处理。按照遥感卫星数据一星多用、多星组网、多网协同的发展思路,根据观测任务的技术特征和用户需求特征,重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列,构建由 26个星座及三类专题卫星组成的遥感卫星系统,逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。 (1光学卫星影像系列。 面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求,提供 worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、 ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm、 landsat(etm、 rapideye、alos、Kompsat 卫星、北京二号、资源三 号、高分一号、高分二号等高分辨率光学观测星座。围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求,发展极轨高分辨率光学卫星星座,实现全球范围内精细化观测的数据获取能力。像国产的中分辨率光学观测星座。围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求,建设高、低轨道合理配置的中分辨率光学卫星星座,实现全球范围天级快速动态观测以及全国范围小时级观测。
收稿日期: 2008-03-10; 修订日期: 2008-09-30 基金项目:中国石油天然气股份有限公司科技预研项目“海域遥感油气勘探技术研究”(编号: 06-01C-01-08)和国家科技支撑计划(编号: 2006BAK30B01)。 第一作者简介: 陆应诚(1979— ), 男, 南京大学博士研究生, 主要从事高光谱遥感应用研究。E-mail: lycheng2003@https://www.doczj.com/doc/be12405670.html, 。 海面油膜高光谱遥感信息提取 陆应诚, 田庆久, 宋鹏飞, 李姗姗 南京大学 国际地球系统科学研究所, 江苏 南京 210093 摘 要: 针对辽东湾海域的Hyperion 高光谱遥感数据特点, 结合海面油膜光谱与Hyperion 影像特征, 对该数据进行水陆分离与最小噪声分离(minimum noise fraction, MNF)变换处理, 在辽东湾海域MNF 波段影像的2D 散点图中, 海面油膜的出现会在其边缘形成一个异常散点区域, 可区分油膜与干扰信息,结合提取的海面油膜端元的MNF 波谱, 通过混合调制匹配滤波(mixture tuned matched filtering, MTMF)技术, 成功地提取研究区海面油膜信息, 有效监测海面油膜信息, 为海洋环境监测提供新的技术手段。 关键词: 油膜, 高光谱, 遥感, Hyperion, 辽东湾 中图分类号: X55 文献标识码: A 1 引 言 在海洋石油的遥感监测与评估中, 海面油膜是遥感探测的一个重要对象, 多光谱、热红外、雷达等诸多遥感领域均对此有一定研究(Gonzalez 等, 2006; Fingas & Brown, 1997; Labelle & Danenberger, 1997; O’Briena 等, 2005), 由于海洋背景复杂, 海面大气影响、水体对电磁波的散射与吸收作用, 海面油膜遥感信息表现为弱信息；又由于海面油膜随来源、构成种类、油膜厚度、风化程度的不同表现为不确定的遥感影像特征；这些因素对海面油膜遥感信息提取存在一定的制约。随着高光谱遥感技术的发展(童庆禧, 2003), 针对海面油膜信息的高光谱遥感探测方法技术不断得到发展(Foudan, 2003)。Palme(1994)利用小型机载成像光谱仪(CASI)数据研究1993年Shetlands 群岛溢油事件中产生的油膜和其他油污信息, 指出440—900 nm 是可以用来进行溢油油膜信息提取的有效谱段；Foudan(2003)利用机载AVRIS 高光谱数据对Santa Barbara 海岸带的油污与海面油膜进行研究, 表明分散的石油在580nm 、700nm 具有反射峰, 厚油膜在近红外波段反射率要高于薄油膜, 600—900nm 具有最大的油膜遥感探测的可能性。比较分析混合光谱分解技术(spectral unmixing)、纯净像元指数(pixel purity index, PPI)、 光谱角度制图法(spectral angle mapper, SAM)、混合调制匹配滤波(mixture tuned matched filtering, MTMF)技术等方法在海面油膜信息提取上的特点。近年来, 国内学者也不断开展海面油膜遥感研究, 赵冬至等(2000)总结了柴油、润滑油和原油等3种油膜随厚度变化的光谱特征, 指出736nm 和774nm 对不同的油类具有相同的吸收特征；张永宁等(1999, 2000)测试了几种类型油的海面波谱, 认为在海洋溢油波谱特征中0.5—0.58μm 是不同油膜最高反射率的所在位置, 并利用A VHRR 和TM 数据识别海洋溢油；陆应诚(2008, 2009)的海面油膜实验表明随油膜厚度不同, 油膜光谱特征与响应原理表现不同。 本文以辽东湾双台子河口外海域为研究区, 结合海面油膜光谱特点与海面油膜Hyperion 遥感影像特征, 通过高光谱遥感MTMF 技术方法, 提取研究区海面油膜信息。 2 Hyperion 数据预处理 研究区在辽东湾双台子河口外海域, 该区是中国重要原油生产基地——辽河油田所在地, 近年来, 辽东湾海域油田的开采与运输为海洋环境带来一定的影响。 2007-05-06获取了研究区的一景美国EO-1卫