二○一一届毕业设计
面向对象的高分辨率遥感影像分类Object-oriented Classification of high Resolution Remote
Sensing images
学院：地质工程与测绘学院
专业：遥感科学与技术
姓名：
学号：
指导教师：
完成时间：2011年6月17日
二〇一一年七月
摘要
高空间分辨率遥感影像使得在较小的空间尺度上观察地表细节变化，进行大比例尺遥感制图，以及监测人为活动对环境的影响成为可能。随着高分辨率影像的应用越来越普及，迫切要求人们对高分辨率遥感信息提取进行研究，以满足高分辨率影像信息不断增长的应用和研究需要
高分辨率遥感影像光谱信息有限，空间信息丰富，地物的尺寸、形状及相邻地物间的关系都得到很好的反映。面向对象的分类方法与传统的基于像素的分类相比，不仅仅是依靠光谱信息，而且还充分利用影像的空间信息，分类时也克服了基于像元的逐点分类无法对相同语义特征的像素集合进行识别的缺点，是一种目前最适合于高分辨率遥感影像的分类方法。
本文采用面向对象的分类方法对高分辨率影像进行分类，该方法首先对影像进行多尺度分割获得同质区域对象，在此基础上利用模糊分类思想对分割后的对象进行分类。该方法不仅充分利用了高分辨率影像的空间信息，还将基于像素的分类提升到了基于对象的分类。
多尺度分割采用的是区域生长合并算法，通过对尺度阈值、光谱因子及形状因子等参数的控制，可以获得不同尺度下有意义的对象。分割后的对象不仅包含了原始的光谱信息，还可以提供大量辅助特征，如纹理、形状、拓扑等特征。综合利用这些特征以及模糊分类的思想，使得高分辨率影像分类在减少分类不确定性的同时，还提高了分类的精度。
最后将面向对象分类结果与传统的基于像素分类结果进行对比分析，发现其分类精度要明显高于传统法，且具有较强的抗噪声的功能，分类所得的地物结果相对较为完整，具有更丰富的语义信息，更加符合客观现实情形。
关键词：高分辨率遥感影像，面向对象的分类，影像分割，多尺度，最近邻分类
Abstract
With the application of the high-resolution image more and more popular,it is urgently require people to carry on research to classification of the high-resolution remote sensing in order to meet the increasing application and study requirement of the information of high-resolution images.However,we use the traditional pixel-oriented method to classify the high-resolution remote sensing image,it can’t fully utilize image information we should reduce the precision of classification and has slow speed.According to the characteristic of the high-resolution remote sensing image,the paper proposes to use the object-oriented method to classify high-resolution remotely sensed data.
This paper makes use of the object-oriented approach to the classification of high-resolution imagery,involves the segmentation of image data into objects at multiple scale levels.Class rules are generated using spectral signatures,shape and contextual relationships,and then used as a basis for the fuzzy classification of the imagery.
The object is derived by means of multi-scale segmentation in this paper.The hierarchical image segmentation and region-merging are implemented.Aside from the spectral values of the pixels,the shape of the objects created by the pixels and the relationships between the objects,are also considered during the classification.The utilization of spectral,textural,shape properties and fuzzy thinking may reduce the uncertainty in the process of classification.
A comparison of the results shows better overall accuracy of the object-oriented classification over the pixel-based classification.This conclusion indicates that object-oriented analysis has great potential for extracting land cover information from satellite imagery.
Key Words:high-resolution imagery;object-oriented classification;
image segmentation;multi-scale;nearest neighbour classification
目录
摘要 (2)
Abstract (3)
目录 (4)
第一章绪论 (5)
1.1研究背景 (5)
1.2面向对象的遥感影像分类方法的提出 (6)
1.2.1基于像元的分类方法 (6)
1.2.2面向对象遥感影像分类方法的提出 (8)
1.3面向对象遥感影像分类国内外研究现状 (8)
1.3.1国际上面向对象遥感影像分类方法研究 (8)
1.3.2国内面向对象遥感影像分类方法研究 (10)
1.4研究方法和内容 (10)
第二章面向对象的遥感影像分类 (11)
2.1影像分割 (11)
2.1.1多尺度影像分割 (12)
多尺度分割参数的选择 (12)
2.2影像分类 (17)
2.2.1最邻近分类 (17)
2.2.2决策支持的模糊分类 (18)
第三章实验数据与研究方法 (19)
3.1实验数据 (21)
3.2软件平台 (21)
3.3实验区信息提取实验 (22)
3.3.1图像分割 (22)
3.3.2影像分类 (26)
3.3.3基于像元的影像分类 (31)
第四章分类结果评价 (32)
4.1两种分类结果精度评价 (32)
第五章结论与讨论 (34)
5.1结论 (34)
5.2讨论 (35)
参考文献 (36)
第一章绪论
1.1研究背景
1957年原苏联将全球首颗人造地球卫星成功送入预定轨道，开创了空间科学研究和技术应用的新局面。由于卫星遥感获取资料迅速，成本相对较低，并且不受区域限制，因此它已经在空间探测、资源调查、通讯、导航、气象、测绘和军事侦察等领域获得了广泛的应用。随着高分辨率遥感卫星的出现，使人们认识到遥感卫星有着更加巨大的应用潜力。高分辨率遥感影像的空间分辨率一般可达到米级，地物的空间特征、几何结构、纹理以及形状等信息非常丰富，真实的反映了地面的各种地物信息。典型的高分辨率遥感卫星如：IKONOS、QuickBird、SPOT5、EOS、WorldView-1、北京一号卫星等，空间分辨率均可达到米级。WorldView-I卫星于2007年9月18日成功发射，是当时全球分辨率最高、响应最敏捷的商业成像卫星，全色影像的分辨率可达0.5米。IKONOS卫星是高分辨率商业遥感卫星发展史上的一个里程碑，它首次在民用领域将星载传感器的地面分辨率提高到1米以内。QuickBird卫星于2001年10月18日成功发射，多光谱波段空间分辨率为 2.44米，全色波段空间分辨率可达0.61米。SPOT-5卫星利用影像重采样技术可得到2.5米分辨率的全色影像。EOS卫星全色影像的空间分辨率达到0.6－3米，多光谱影像分辨率达到4米，高光谱影像的分辨率达到8米。IKONOS、QuickBird等高分辨率影像进入世界遥感影像数据市场，大大缩小了卫星影像与航空相片之间分辨能力的差距，打破了较大比例尺地形图测绘只能依赖航空遥感的局面，为土地利用、城市规划、环境监测等民用方面提供了更便利、更详细的数据源。同时，随着高分辨率影像价格的下降，高分辨率影像的应用也越来越普及，迫切要求人们对高分辨率遥感信息提取进行研究，以满足高分辨率影像信息不断增长的应用和研究需要。
这些高分辨率卫星遥感影像的出现使得在较小的空间尺度上观察地表的细节变化、进行大比例尺遥感制图以及监测人为活动对环境的影响成为可能。高分辨率影像数据具有丰富的空间信息，地物几何结构、纹理信息更加明显，更便于认知地物目标的属性特征，如地物的图层值、形状、纹理、层次和专题信息属性。随着IKONOS、QulckBird等商用卫星的发射，越来越多的人们开始关注高分辨率遥感图像的分类技术。
1.2面向对象的遥感影像分类方法的提出
目视解译方法目前仍被广泛应用于精度要求较高的信息提取中，特别是在高分辨率的遥感信息提取。目视解译常用的方法有直接判读法、对比分析法、信息复合法、综合推理法、地理相关分析法.目前常用的目视解译是采用人机交互的方式，综合运用这几种方法进行的，但人工目视解译的精度完全依靠于个人的经验，而且对于同一影像，不同的人可能得出不同的结果或结果有所差异，其工作流程复杂，效率较低，客观性差，智能化程度不高，成本高，并且难以与现有软件系统集成。随着海量多种分辨率遥感影像数据的涌现以及遥感数字影像处理技术的发展，基于计算机的遥感影像智能解译与定量分析逐渐成主流方向。
1.2.1基于像元的分类方法
基于像元的分类方法是传统的分类方法，至今应用比较广泛，技术上发展比较成熟，主要包括监督分类和非监督分类。监督分类可根据实际应用目的和研究区域有选择的决定分类类别数量，从而避免数据的大量冗余；可充分结合分析者的知识与经验控制训练样本的选择，有利于提高分类精度。比较常用的监督分类法有：最小距离法（Minimum Distance Classification）、费歇尔（Fisher）线性判别分类法、最大似然比分类法（Maximum Likelihood Classifier）、平行六面体法、马氏距离法、波谱角度制图（SAM）以及二进制编码方法等。非监督分类方法不必对影像地物获取先验知识，不需要人工选择训练样本，仅需极少的人工初始输入，依靠影像上不同类地物光谱信息（或纹理信息）进行特征选取，再统计特征的差别来达到分类目的，最后对已分出各个类别的实际属性进行确认。经过长期发展，目前已形成了近百种不同的监督分类方法。由监督分类是自顶向下的知识驱动法，先进行训练再进行分类，即先学习再分类法，而非监督分类是一种自底向上的数据驱动方法。常用的非监督分类法有：分类集群法（Hierarchical Clustering）、波谱特征曲线图形识别法、平行管道分类（Parallelpiped Classification）、动态聚类法（Iterative Self-Organizing Data Analysize Technique Algorithm,ISODATA）和K-means法。
面向像元分类方法是以像元为基本单元进行遥感信息提取，这种方法主要根据地物的光谱特性来进行分类，即同类地物像元的特征向量将集群在同一特征空间区域，而不同的地物其光谱信息特征或空间信息特征将不同，无论是监督法还是非监督法均是基于像素层次上的分类。
高分辨率影像数据空间信息丰富，但光谱分辨率却很低，光谱信息相对较弱，所以仅仅依靠像素的光谱信息进行分类,着眼于局部像素而忽略邻近整片图斑的
纹理、结构等信息,必然会造成分类精度的降低,，而且其光谱统计特性不如中低分辨率影像稳定，类内光谱差异较大。仅考虑单个像元光谱信息因素的方法极易出现大量错分，结果往往出现大量的椒盐和噪声。如果用灰度域滤波方式抑制又会降低影像分辨率，失去高分辨率影像的意义。利用基于像元的遥感分类算法对高分辨率遥感数据进行分类，往往难以取得满意的效果，更适合于中、低空间分辨率多光谱遥感影像信息提取。
随着空间分辨率的提高，影像上表现出更多的地物类型和差异，地物细节信息的增加，加大了分类的难度，干扰了分类结果；在分类过程中，基本没有考虑多种遥感信息源的整合互补，没有充分地利用同一地区的各种空间信息资源，造成分类精度降低，空间数据的大量冗余，造成资源的浪费；在分类结果上，传统方法得到的结果过于破碎，改进分类结果时，处理运算量增大。因此，基于像元的分类方法在对高分辨率影像进行分类时精度不是很理想.
遥感信息的空间尺度效应问题目前受到广泛的关注，在遥感领域中尺度与空间分辨率相对应，在不同尺度上占主导地位的地物信息是不同的，在同一分辨率或同一尺度的影像中提取的信息是有限的。不同性质的类别信息有其最适宜的空间分辨率或尺度，应该在多分辨率或多尺度的影像中进行信息提取。当同时描述或解释几个尺度的地物现象时，单一尺度的数据就不能解决问题了。忽略了遥感应用中的尺度影响，对影像信息进行提取难以获得精确的成果。
特别是，高分辨率遥感影像具有较高的空间分辨率，地物类型目标的形状、大小特征差异较中低分辨率影像更加明显，即地物类型的尺度差异明显，因而，在单一的尺度上进行高分辨率遥感影像所有类别信息的提取难以满足充分利用影像信息的要求。
最后，随着矢量GIS的成功，人们在使用数据过程中习惯于以矢量多边形对象来表达地理信息。遥感影像作为GIS数据库的重要来源，基于像元的影像分类结果以栅格的形式来表示成果信息，严重阻碍了遥感信息和矢量GIS之间的集成。
综上所述，利用传统的分类方法对高分辨率影像进行信息提取存在一定的局限性，因此，如何根据高分辨率影像的特点，实现高分辨率影像信息的快速、高精度提取是目前急需解决的问题，也是本文的研究重点。
传统面向像元分类方法是从中低分辨率遥感影像的基础上发展起来的，主要根据像元的光谱信息进行分类，分类的结果往往会产生“椒盐噪声”。另外，这种分类方法，所有地物类型的提取均在一个尺度中实现，不能充分利用影像的蕴含信息。
1.2.2面向对象遥感影像分类方法的提出
Baatz M和schaPe A根据高分辨率遥感影像空间特征比光谱特征丰富的特点，提出了面向对象的遥感影像分类方法[15]。这种分类方法进行信息提取时，处理的最小单元不再是像元，而是含有更多语义信息的多个相邻像元组成的对象，在分类时更多的是利用对象的几何信息及影像对象之间的语义信息、纹理信息和拓扑关系，而不仅仅是单个对象的光谱信息。
面向对象的遥感影像的分类方法首先对遥感影像进行分割，得到同质对象，再根据遥感分类或目标地物提取的具体要求，检测和提取目标的多种特征（如光谱、形状、纹理、阴影、空间位置、相关布局等），利用模糊分类方法对遥感影像进行分类和地物目标的提取。面向对象方法具有两个重要的特点：一是利用对象的多特征，二是可用不同的分割尺度生成不同尺度的影像对象层，所有地物类别并不是在同一尺度的影像中进行提取，而是在其最适宜的尺度层中提取，充分利用遥感影像的蕴含信息。
为了利用高分辨率遥感影像的空间信息、光谱信息以及上下文信息，学者们提出了面向对象的影像分析方法。
面向对象方法克服了传统分类方法的两个缺陷:几乎所有的传统分类方法均基于像元级的处理;不同的影像目标处理均在同一尺度层次内进行。面向对象分类方法的这两种特征使得影像分类能充分利用影像的多种信息，分类结果更合理，也更适合于高分辨率遥感影像的分类。
1.3面向对象遥感影像分类国内外研究现状
当前高分辨率影像的信息提取是遥感领域的瓶颈问题之一。由于传统的基于像元和统计模式识别的分类方法是以像元的光谱特征为主要分类依据，是主要针对中低分辨率遥感图像的，这些经典的算法虽然能满足中低分辨率遥感影像分类的要求，但应用于高分辨率遥感影像时，分类效果十分不理想，不但影响应用效果，还造成了资源的浪费。本文研究面向对象的遥感图像信息提取技术，在分类时，不仅利用了影像的光谱信息，同时考虑了影像对象的空间结构信息，改变了原来信息提取特征单一的状况，使其分类结果的精度有了很大的提高。
1.3.1国际上面向对象遥感影像分类方法研究
早在20世纪70年代面向对象的信息提取方法就被应用于遥感影像的解译中,Ketting and Land-grebe(1976)提出了同质性对象提取的优点,并提出了一种分割分类算法———ECHO(Extraction and Classification of Homogenous Objects)。20
世纪90年代以来,该技术得到迅速的发展,Arigialis and Harlow(1990)认为面向对象提取技术促进了影像分析技术的发展,从基于数学与统计的方法发展为基于逻辑与启发的分析技术;Lobo(1996)等人利用基于目标的信息提取思想对遥感影像进行了分类[16],得到了较好的结果,同时他们特别指出,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;Hofmann(2001)在面向对象的分类方法中利用影像对象的光谱、纹理、形状与背景信息识别IKONOS影像中的非正式居民地,得到较好的效果并具有较高的精度;Qin Yu(2006)利用面向对象的分类方法进行了森林资源的调查,分类数量达到43个,最终取得了比较满意的结果。由此可见,面向对象的影像提取技术正逐步走向成熟.
近年来，国内外学者从影像分割单元或斑块的角度对遥感分类方法进行了探索性研究，取得一些进展，如Lobo的每地块(Per-field)方法，APlin等的每斑块(Per-Patch)分类方法，这些方法是面向对象分类方法的雏形。Baatz和Schape根据高分辨率的遥感影像的特点，提出了面向对象的遥感影像分类方法以来，面向对象影像分类方法发展迅速，越来越多地受到遥感应用研究者的青睐。Baatz和Schape运用基于异质性最小原则的区域合并分割算法实现了影像对象的构建。Hay等指出可以将光谱信息类似的影像像元集合体理解为影像对象，其内部的像元存在均匀性与离散性,并对分形网络演化算法、线性尺度空间与块特征检测算法、多尺度对象细节分析算法做了比较并指出各自的优点。
Hofmann在面向对象的分类方法中利用影像对象的光谱、纹理、形状与背景信息识别IKONOS影像中的非正式居民地，得到的分类结果有较高的精度。Bauer 等对奥地利维也纳市进行航空影像土地利用分类，表示目视解译能取得一定的精度，但速度很慢，所以采用面向对象的计算机自动分类技术，该方法速度快精度高，是高分辨率影像自动分类的理想选择。Hofmann等在提取IKONOS影像中建筑物与道路时使用了附加的高程信息，即在对影像分类时DEM作为其中一个专题层参与分割，有助于对建筑物与道路的形状作出更正确的判别。sande等利用IKoN0s数据进行洪水灾害评价，灾害评价考虑众多要素如道路、建筑物与耕地，这些地类在空间与光谱上有很大差异，通过影像对象的语义信息及对象之间的相互关系的描述来识别这些类别是很有效的方法。Willhauc等采用面向对象的影像分析方法，集合了多种数据如ERSSAR影像、植被图及NOAA数据完成了印尼在1997与1998年严重森林火灾后的制图任务。
Ketting和Landgrebe提出了同质性对象提取的优点，并推出了一种分割算法称ECHO；Olaf Hellwich等人利用影像分割和知识辅助从高分辨率多源遥感影像数据中提取道路网络、农用地块和居民地等信息。Mauro等通过相关的实验研究对面向对象的影像分类结果的精度和准确性进行了肯定。Benz等认为
面向对象分类方法在改进高分辨率遥感影像自动提取方面有着巨大的潜力，是高分辨率影像自动分类的理想选择。Renaud Mathieu等利用面向对象分类方法对研究区IKONOS多光谱影像进行植被信息提取分类总精度达92%，Kappa系数达0.89。Gamanya等利用面向对象分类方法对津巴布韦中心区域进行分类，分类总精度超过90%。
1.3.2国内面向对象遥感影像分类方法研究
面向对象影像分类研究在我国起步较迟，于近几年开始进行该技术的应用研究。曹雪等对深圳市QUICKBIRD数据进行对象级的分类结果表明精度相对于传统方法有了明显的提高[17]。莫登奎等以高分辨率遥感影像数据IKONOS为主要数据源，以多尺度分割与基于模糊逻辑分类的面向对象影像分析方法为主要技术，自动提取株洲市城乡结合部的土地覆盖和土地利用信息，达到了提取郊区丘陵地带林地信息和城市建筑、道路等土地覆盖信息的目的，而且精度高，速度快[10]。张宝雷等以三峡地区为例，运用面向对象技术自动提取方法完成了三峡地区主要土地利用类型的自动提取工作并取得了较高的验证精度，为在大面积的土地利用调查中应用遥感影像自动分类方法来获取土地利用信息的技术路线和方法方面作了一定探索[18]。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，得到了较为满意的结果，利用野外采样数据进行验证其精度达89.2﹪[19]。孙晓霞等利用面向对象的分类方法从IKONOS全色影像中提取河流和道路，试验结果表明，面向对象的分类方法能够满足高分辨率或纹理影像的分类需要，具有很大的应用潜力[20]。黄慧萍等以高分辨率遥感影像为数据源，以多尺度影像分割与面向对象影像分析方法为主要技术，利用样本多边形对象的成员函数建立训练区，自动提取大庆市城市绿地覆盖信息，达到清查城市绿地的目的。该方法信息获取周期短、精度高、成本低，实现了城市绿地信息精确获取与快速更新[21]。所有这些研究表明，在多数情况下，面向对象的分类方法比面向像元分类方法取得更好的效果，特别是对于中、高空间分辨率遥感影像的分析上。
1.4研究方法和内容
本文在类似研究的基础上，利用面向对象的分类思想，对实验区高分辨率遥感影像进行分割的基础上，探讨基于面向对象分类方法的高分辨率影像特征提取、分类体系的建立方法，并提取地物类别信息。最后通过与传统分类方法在实验区的分类结果对比评价，说明在对高分辨率遥感影像处理上，面向对象影像分类方法相对于传统面向像元影像分类方法的优越性。
本文共分为五章：
第一章阐述本文的研究背景，说明传统分类方法对高分辨遥感影像进行分类的缺陷，提出面向对象遥感影像分类方法及其在高分辨遥感影像分类的优势，论述了国内外面向对象遥感影像分类的研究现状和本文的研究内容。
第二章阐述了基于面向对象分类方法的原理及其流程。详细论述了面向对象分类方法的影像分割、分类体系构建及模糊分类。
第三章作为研究重点，选取典型建筑物区域和城区地类信息丰富的区域作为实验区，对实验区的高分辨率遥感影像进行面向对象的分类实验。
第四章对面向对象分类方法与传统面向像元分类方法的分类结果进行了对比评价和讨论。
第五章给出了研究结论，并进行相关讨论。
第二章面向对象的遥感影像分类
2.1影像分割
面向对象方法最基本的特点就是以图像分割获得的图像对象为基本的操作单元，而不是像传统的面向像素方法那样，基于单个像素操作。通过图像分割获得的图像对象具有一定的属性，不仅包含了光谱信息，还包括纹理、大小、形状、紧致性、上下文等从图像中提取出的附加信息，在不增加外来信息的情况下增加了分类的依据，从而提高分类的精度，使分类结果更加接近目视判别的结果。当遥感影像被分割为地物对象后，还可以建立对象之间的拓扑关系，从而有可能实现地理信息系统中的空间分析。下面对面向对象遥感影像分析中涉及到的基本概念和方法进行介绍。
影像分割是将图像分割为分离区域的过程，产生初级的图像对象，从而为进一步的分类工作或分割工作提供信息的载体和构建的基础。因此在整个遥感图像分类过程中，影像分割是非常关键的一步，分割的好坏程度将直接影响分类的精度。图像分割的目的是把一幅图像分割成与实地对象相对应的不同部分，一个对象即为一个真正存在的划分出来的实体。图像分割技术同时利用光谱信息(像元的特征向量)和空间信息(如大小、形状以及邻近的像元等)在图像上识别和划分出适合的片段网根据现在图像分割方面的研究，影像分割的方法主要分为两种:一种是从上到下的方法，即基于知识的方法:另一种是从下到上的方法，即基于数据的方法。在从上到下的方法中，已事先确定要从图像中提取的目标，只是没有明确的方法来完成提取任务。因此先用模型描述出目标，再找到最好的影像处理
的方法提取目标。而在从下到上的方法中，人们并没有确定要提取的目标，直接利用统计的方法处理影像上的各个参数，从而提取目标信息。以上两种方法的不同点在于前者得出的结果是区域性的，因为它是基于像素或是基于与模型描述相一致的区域。而后者是对于整幅影像来分割的，将像素组合成适合某种标准的同类和异类的空间类，其结果具有全局性。遥感影像分割算法有很多种，有简单的也有复杂的，这里只研究针对高分辨率卫星遥感影像的分割方法。目前研究中，适合高分辨率卫星遥感影像的分割方法包括:数学形态学、面向对象多尺度分割、基于高斯马尔科夫随机场模型的纹理图像分割方法和方向相位法等。
2.1.1多尺度影像分割
多尺度分割参数的选择
遥感影像数据在多尺度分割前，表示为同一空间尺度的类别信息，该尺度即为影像的空间分辨率。当设定多个分割尺度进行影像分割后，形成了由分割尺度参数所决定的影像对象层次体系，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。一个对象层有一个固定尺度值，多个对象层则体现了多种空间尺度的地物类别属性，在不同尺度对象层提取不同属性的类别信息解决了识别影像数据中“同谱异物”地物的问题。多尺度分割使得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，而是在同一时相可有多种适宜的尺度来描述。
当同一区域不同尺度的影像对象被连接时，形成了一个空间语义层次网络，如图。这样，每个影像对象知道它的邻居、子对象和父对象，于是产生一个不同尺度从属关系的描述。在区分光谱信息与形状信息都十分相似的影像对象时，同一尺度层内相邻对象的语义信息以及不同尺度层间影像对象的语义信息就显得非常重要。
图2-1面向对象分割层次图
在面向对象分类中，多尺度分割的算法比较多，其中，有代表性的是分形网
络演化算法（Fractal Net Evolution Approach-FNEA）。该算法从影像中的单个像元开始，根据像元对象异质性最小的原则，对单个像元（或像元集合）与其相邻的像元（或像元集合）进行合并，最后合并成一个个的影像对象，这些影像对象的集合就构成了分割的结果。
相邻对象异质度的定义
FNEA技术的关键在于两个影像对象间异质度的定义。对给定的特征空间，当两个影像对象在该特征空间内相距较近时，被认定是相似的或同质的。
（1）异质性标准的描述
对于光谱或颜色的异质性h的描述，使用每一层中光谱值的标准差的权重之和来计算，它以每一个层的权重值来衡量：
然而，在许多的情况下，单纯的光谱异质性最小化将导致分支的或有分形的形状边界。这一结果在高纹理的数据中，例如雷达数据，甚至更为明显。出于这个原因，在大多数的情况下把光谱异质性的标准和空间异质性的标准混合使用更为有效，以达到对象边界光滑或形状紧致的目的。形状紧致度可以用影像对象实际边界长(即周长)l与对象大小n(即对象内像元数)的均方根的比值来衡量。紧致度公式表达如下
另一种描述形状异质性的方法是用实际边界长度l和最短可能边界长度b 的比值来表示
使用这种异质性的定义能优化影像对象形状的光滑性。
这三个异质性标准能混合起来使用。形状标准是附加的、概括的、通用的，尤其适用于有明显纹理的数据，如Radar影像。形状标准有助于避免影像对象的形状分形。
（2）光谱与形状特征空间内的异质度计算
异质性标准包括两部分：色调标准和形状标准。光谱标准是合并两个影像对象时产生的光谱异质性变化，用光谱值权重的加权标准差的改变来描述。形状标
准是描述形状改变的一个值，它通过两个不同的描述理想形状的模型来实现。假设对于任意相邻的两幅影像的光谱异质度和形状异质度，它们对应的异质度权重分别为和，它们的变化范围都在[0，1]之间，且有
，则总的融合值f可表达为
光谱异质度用影像对象内所有像素灰度值的标准差来计算，表达式如下
标准差大小本身由对象大小自身来衡量权重。
形状异质度标准又由形状光滑度和形状紧致度这两个子
标准构成，它们对应的异质度权值分别为和，它们的变化范围均
在[0，1]之间，并且有，则形状异质度可表达为
由合并引起的形状异质度的变化是用合并前后的差值来评估的，从而导致了下式计算光滑度和紧致度的方法
其中，n指对象大小，l指对象的周长，b是对象外切矩形的周长。
通过以上公式可以计算出影像范围内任意两个相邻影像对象间的异质度。进而实现基于影像光谱、形状等特征的影像分割。如果根据实际应用需要给定不同
的异质阈值t(s),当f≤t(s)时合并相邻的影像对象，这样在不同的尺度阈值上就可以生成不同的分割结果，最终实现影像对象的多尺度构建。
一般来说，多尺度影像分割步骤为:(l)设置分割参数，包括各波段的权重，即单个波段在分割过程中的重要性;一个尺度阂值来决定像元合并停止的条件;根据影像纹理特征及所提取专题信息要求确定光谱因子与形状因子的权重;在形状因子中，根据大多数地物类别的结构属性确定紧密度因子和光滑度因子的权重。
(2)以影像中任意一个像元为中心开始分割，第一次分割时单个像元被看作一个最小的多边形对象参与异质性值的计算;第一次分割完成后，以生成的多边形对象为基础进行第二次分割，同样计算异质性值，判断f与预定的阂值之间的差异，若f小于域值S，则继续进行多次的分割，相反则停止影像的分割工作，形成一个固定尺度值的影像对象层。多尺度分割后影像的基本单元已经不再是单个像元，而是由同质像元组成的多边形对象，每个多边形对象不仅包含光谱信息，而且还包含形状信息、纹理信息、邻域信息，对于光谱信息类似的地类而言，通过多边形对象其它属性信息的差异就可以轻松地提取出来。多尺度分割不仅生成了有意义的影像对象，并且还将原分辨率的影像信息扩展到不同尺度上，实现影像信息的多尺度描述。类比于人的视觉松弛过程，其是随着尺度逐步增大，对影像进行逐步综合的过程。
分割尺度参数的选取
多尺度分割是给影像对象一个特定的尺度，根据指定的光谱和形状的同质准则，使整幅影像的同质分割达到高度优化的程度。要得到满意的结果，在多尺度分割过程中，各个参数的选择是非常重要的。主要的分割参数有:各波段权重、分割尺度、光谱因子和形状因子(其中，形状因子又包括紧密度和光滑度)。波段权重选择遥感影像在进行尺度分割中可以根据专题应用任务中感兴趣信息的特征来设置参与分割波段的权重。如果需提取的信息在某一个波段影像中特别明显，易于识别，则此波段的权重就越高。那些对特定类别信息提取没有很大贡献的影像波段层，则赋予较小的权重或权重为0，同时也要考虑波段之间的相关性，以减少信息的冗余度，提高分割的质量和速度。例如在彩红外数据中近红外波段对于植被信息的提取作用很大，绿波段其次，红波段与蓝波段的贡献最小，因此分割前设置波段分割权重就不一样，近红外的权重最大为1，其它波段的权重就可以相应小一点;在真彩色的航空正射影像图，三个波段(红、绿、蓝)对绿地覆盖信息提取中的贡献程度相似，因此影像三个波段的权重值均为1。
尺度选择
影像分割时尺度的选择是很重要的，它直接决定影像对象的大小以及信息提取的精度。对于一种确定的地物类型，最优分割尺度值是分割后的多边形能将这种地物类型的边界显示十分清楚，并且能用一个对象或几个对象表示出这种地
物，既不能太破碎，也不能边界模糊。尽管对于每种类型都有它最佳的尺度，但因为进行分割层之间的叠加所需的时间较长，所以选择的分割层要尽可能少，根据情况权衡时间和质量。
均值因子选择
分割后影像的质量不仅与分割尺度、波段权重有关，还取决于两个分割属性因子:色彩与形状(光滑度、紧密度)。通常情况下色彩最重要，然而形状因子的参与有助于避免影像对象形状的不完整，从而提高分类精度，其中光滑度用于完善具有光滑边界的影像，紧密度因子用于根据较小的差别把紧凑的目标和不紧凑的目标区分开。
光谱因子，即影像的像元光谱值。传统的信息提取方法就是完全依靠像元的光谱值来进行的，也就是不考虑形状因子而将光谱因子设置为1。形状因子，由光滑度和紧密度构成。光滑度描述的是影像目标边界和一个正方形的相似程度，通过平滑边界来优化影像对象;紧密度可以根据较小的差别把紧凑的目标和不紧凑的目标区分开，通过聚集度来优化影像对象。光滑度和紧密度两个形状因子并不是对立的，即通过紧密度优化过的对象也会具有光滑的边界。进行参数设置时，应该充分了解到光谱信息是影像数据中所包含的主要信息，应该充分利用光谱信息，倘若形状因子权重太高的话会导致光谱均质性的损失，这不利于信息的提取。因此在进行影像分割时要遵循两条原则:一是尽可能的将光谱因子的权重设的较大;二是对于那些边界不很光滑但聚集度较高的影像对象使用尽可能大的形状因子。例如:对雷达影像进行分割时，应该考虑使用光滑度因子，目标的破损边界才能不丢失;房顶和道路的光谱信息十分相似，分割时形状因子的参与则有利于类别对象的识别。光谱信息是影像数据中所包含的主要数据，形状因子权重太高会导致光谱均质性的损失，因此在进行影像分割的过程中要遵循两条原则:一是尽可能的将颜色因子的权重值设的较大;二是对于那些边界不很光滑但聚集度较高的影像对象使用尽可能必要的形状因子。一般情况下颜色因子的权重值为0.8，形状因子的权重值为0.2，其中光滑度为0.7，聚集度为0.3。
总之，光谱是优化波谱均质的变量、平滑度和紧密度是优化空间复杂度的变量，分割尺度是一个异质容许值。如何设置这些变量的数值要根据具体的要求，如果将颜色权重设为1，而不考虑形状信息的话，会生成锯齿状波谱范围很窄的多边形;如果强调形状信息而忽略光谱信息的话，生成的多边形没有定形，并且与特征边界不严格吻合。紧密度权重过高的话也会生成无定形不具有明显地物特征的多边形;光滑度权重高一些，则会使生成的多边形与地物的自然特征更加吻合〔例。目前，在对新的影像数据进行分割时，最适宜的方法就是尝试，使用不同的参数进行分割，直到取得令人满意的分割结果。在对整个影像数据进行操作前，我们可以截取有代表性的子区做实验，一旦找到了适合的分割参数，则可以
把它们用于整个影像，这样可以节省时间、提高效率。
2.2影像分类
多尺度影像分割完成之后，整个影像被分成不同尺度的影像对象，每个影像对象有各自的属性。不同尺度的分割构成了不同的影像层，层与层之间存在着逻辑上的联系。面向对象分类中，对于分割结果的分类有两种，一种是最邻近分类方法，另外一种是决策支持的模糊分类方法。
2.2.1最邻近分类
最邻近分类方法利用给定类别的样本在特征空间中对影像对象进行分类。每一个类都定义样本和特征空间，特征空间可以组合任意的特征。初始的时候，选用较少的样本，进行分类，如果出现错分的情况，就增加错分类别的样本，再次进行分类，不断优化分类结果，直至分类结束。最邻近运算法则为：对于每一个影像对象，在特征空间中寻找最近的样本对象，比如一个影像对象最近的样本对象是属于A类，那么这个影像对象将会被划分为A类，如图所示。
图2-2最邻近分类的原则
其算法公式为：
其中：d是指样本对象s与图像对象o之间的距离；为样本对象的特征f 的特征值；为图像对象的特征f的特征值；为特征f值的标准差。2.2.2决策支持的模糊分类
这种分类方法运用继承机制、模糊逻辑概念和方法以及语义模型，建立用于分类的决策知识库。首先建立不同尺度的分类层次，在每一层次上分别定义对象的光谱特性（包括均值、方差、灰度比值）、形状特征（包括面积、长度、宽度、边界长度、长宽比、形状因子、密度、主方向、对称性、位置）、纹理特征（包括对象方差、面积、密度、对称性、主方向的均值和方差等）和相邻关系特征，通过定义多种特征并指定不同权重，给出每个对象隶属于某一类的概率，建立分类标准，并按照最大概率原则，先在大尺度上分出“父类”，再根据实际需要对感兴趣的地物在小尺度上定义特征，分出“子类”，最终产生确定分类结果。
面向对象影像分析中的分类体系实际上就是一棵决策树，不同尺度的分割影像对应决策树的不同层次。分类体系是针对某一分类任务建立的信息库，它包含分类任务中的所有模型，并将这些类型组织在一个层次结构中。分类体系中的每一种类型都有各自的特征描述，特征描述由若干个特征的隶属函数根据一定的逻辑关系组成。依据这样的分类体系组织类别的专家知识，然后根据决策树进行分类。
类别特征的描述是通过隶属函数（又称为成员函数）来实现的。隶属函数是一个模糊表达式，实现任意特征值转换为统一的范围[0,1],形式上表现为一条曲线，横坐标为类别特征值（光谱、形状等），纵坐标为属于某一类别的隶属度。
隶属函数库由多个代表性的类别样本对象属性值组成。如图所示。
图2-3隶属函数
每一个多边形的各个属性值与样本函数曲线比较，若该属性值位于曲线范围之内，则获得一个隶属度，多个隶属度加权和大于其中一种类别的预设值，则该多边形确定为该类类别。每一个对象对应于一个特定类别的隶属度，隶属度越高，属于该地类的概率越大。
一般来说，如果仅用一个特征或很少的特征就可以将一个类同其他类区别开时，使用决策支持的模糊分类方法；否则，选择最邻近分类方法，最邻近分类器比成员函数能更好的处理多维特征空间的联系。
第三章实验数据与研究方法
采用面向对象的影像分析方法从高分辨率遥感影像中提取地物的信息。所谓的对象是指“影像对象”，即满足一定的相似性条件的相邻像素的集合。面向对象的影像分析，实际上就是首先对影像进行分割，得到影像对象；然后以影像对象为单位，根据影像对象的各种特征进行分类，从而实现地物类型的区分。
对象一般组织为层次结构，每个对象在层内有相邻对象，层间还有父对象、子对象等。通过对象间的层次内关系和层次间关系，可以实现空间关系的表达。
影像的层次结构
图3-1面向对象信息提取技术流程图
3.1实验数据
本实验影像是空间分辨率为0.7m的landsat影像（红、绿、蓝波段）和空间分辨率为2.5m的全色影像采用主成份变换方法融合后的空间分辨率为0.7m的影像，融合后的影像即有全色影像的高空间分辨率又具有丰富的光谱信息，有利于其后的分类。
高分辨率遥感影像能提供更多的地面目标和更多的细节特征，为地物分类提供更大的可能性和更高的准确性。在城市区域高分辨率遥感影像中，80%的目标是建筑物和道路。作为地物类别中的主体内容，建筑物的提取有着重要的实用意义。同时，在城市区域高分辨率遥感影像中，地类信息丰富，可以清晰得分辨出小区、绿地、道路、水体等地物，提取高分辨率上的土地利用信息对遥感制图和地理数据库更新有着重要的意义。
3.2软件平台
第一个面向对象的遥感信息提取软件EConition已经采用了面向对象、多尺度影像分析和模糊规则的处理与分析技术，并成功将其投入商业应用。EConition 是由德国Definiens公司开发的面向对象分类软件，它提出的分类远离模拟人类的感知过程，从不同的尺度同时把握认知目标，是计算机告诉处理和人类认知原
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
高分辨率遥感影像分类实验报告 班级：___________________ 姓名：___________________ 学号：___________________ 指导老师：_______________ 地球科学与环境工程学院 二?一四年六月
目录 1 实验方法——面向对象方法 (1) 2 实验内容 (1) 2.1 影像预处理 (1) 2.1.1 影像数据融合 (1) 2.1.2 影像增强处理 (2) 2.2 创建工程 (2) 2.3 分割处理 (3) 2.4 分类 (4) 2.4.1 水体 (4) 2.4.2 陆地 (5) 2.4.3 植被 (6) 2.4.4 裸土 (7) 2.4.5 建筑物 (8) 2.4.6 道路 (9) 2.4.7 阴影 (10) 2.4.8 总体分类图 (12) 3 结语 (13)
1实验方法——面向对象方法 面向对象方法是一个模拟人类大脑认知的过程，将图像分割为不同均质的对 象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。 因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息， 结合各 种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。 首先 需要使用一定方法对遥感影像进行分割， 在提取分割单元（图像分割后所得到的 内部属性相对一致或均质程度较高的图像区域） 的各种特征后，在特征空间中进 行对象识别和标识，从而最终完成信息的分类与提取。 2实验内容及详细过程 2.1影像预处理 2.1.1影像数据融合 实验数据为QuickBird 影像，包括4个多光谱波段以及一个全色波段。 QuickBird 影像星下点分辨率：全色为 0.61m ,多光谱为2.44m 。对于面向对象 影像分类 来说，越高的高空间分辨率越好，但在对对象进行分类时，光谱信息同 样重要，因此，可将高分辨率的全色影像和多光谱影像进行数据融合。 使用 ERDAS 进行数据融合： Interprete u spatialenchancemen ^resolution mergeo 图1 全色影像与多光谱影像融合 Ib^pul Fh (*.网| MJitiMewl lf 北京揽宇方圆信息技术有限公司 高分辨率遥感卫星有哪些 高分辨率遥感可以以米级甚至亚米级空间分辨率精细观测地球，所获取的高空间分辨率遥感影像可以清楚地表达地物目标的空间结构与表层纹理特征，分辨出地物内部更为精细的组成，地物边缘信息也更加清晰，为有效的地学解译分析提供了条件和基础。随着高分辨率遥感影像资源日益丰富，高分辨率遥感在测绘制图、城市规划、交通、水利、农业、林业、环境资源监测等领域得到了飞速发展。 北京揽宇方圆信息技术有限公司是国内的领先遥感卫星数据机构，而且是整合全球的遥感卫星数据资源，分发不同性能、技术应用上可以互补的多种卫星影像，包括光学、雷达卫星影像、历史遥感影像等各种卫星数据服务，各种专业应用目的的图像处理、解译、顾问服务以及基于卫星影像的各种解决方案等。遥感卫星影像数据贯穿中国1960年至今的所有卫星影像数据，是中国遥感卫星数据资源最多的专业遥感卫星数据服务机构，提供多尺度、多分辨率、全覆盖的遥感卫星影像数据服务，最大限度的保证了遥感影像数据获取的及时性和完整性。 一、卫星类型 (1)光学卫星：worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、ikonos、pleiades、deimos、spot1、kompsat系例、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm)、Sentinel-卫星、landsat(etm)、rapideye、alos、kompsat系例卫星、planet卫星、北京二号、高景一号、资源三号、高分一号、高分二号、环境卫星。 (2)雷达卫星：terrasar-x、radarsat-2、alos雷达卫星、高分三号卫星、哨兵卫星 (3)侦查卫星：美国锁眼卫星全系例(1960-1980) 二、卫星分辨率 (1)0.3米：worldview3、worldview4 (2)0.4米：worldview3、worldview2、geoeye、kompsat-3A (3)0.5米：worldview3、worldview2、geoeye、worldview1、pleiades 传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，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，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为0 到1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。 对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要 明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。 面向对象的处理方法中最重要的一部分是图像分割。 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。例如，可以对图像的灰度级设置门限的方法分割。值得提出的是，没有唯一的标准的分割方法。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 为后续工作有效进行而将图像划分为若干个有意义的区域的技术称为图像分割(Image Segmentation)，早期的图像分割方法可以分为两大类。一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点，有的学者考虑把两者结合起来进行研究。现在，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的数学工具和分析手段也是不断的扩展，从时域信号到频域信号处理，小波变换等等。 目前,有许多的图像分割方法,从分割操作策略上讲,可以分为基于区域生成的分割方法,基于边界检测的分割方法和区域生成与边界检测的混合方法.图像分割主要包括4种技术：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。 高分辨率遥感影像分类实验报告 班级： 姓名： 学号： 指导老师： 地球科学与环境工程学院 二〇一四年六月 目录 1实验方法——面向对象方法 (1) 2实验内容 (1) 2.1 影像预处理 (1) 2.1.1影像数据融合 (1) 2.1.2 影像增强处理 (2) 2.2 创建工程 (2) 2.3 分割处理 (3) 2.4 分类 (4) 2.4.1 水体 (4) 2.4.2陆地 (5) 2.4.3 植被 (6) 2.4.4 裸土 (7) 2.4.5 建筑物 (8) 2.4.6 道路 (9) 2.4.7 阴影 (10) 2.4.8 总体分类图 (12) 3 结语 (13) 1实验方法——面向对象方法 面向对象方法是一个模拟人类大脑认知的过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先需要使用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 2实验内容及详细过程 2.1 影像预处理 2.1.1影像数据融合 实验数据为QuickBird影像，包括4个多光谱波段以及一个全色波段。QuickBird影像星下点分辨率：全色为0.61m，多光谱为2.44m。对于面向对象影像分类来说，越高的高空间分辨率越好，但在对对象进行分类时，光谱信息同样重要，因此，可将高分辨率的全色影像和多光谱影像进行数据融合。 使用ERDAS进行数据融合：Interpreter→spatialenchancement→resolution merge。 图 1 全色影像与多光谱影像融合 遥感图像分类方法的国内外研究现状与发展趋势 遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台 上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要 高分辨率遥感影像数据一体化测图系统PixelGrid 北京四维空间数码科技有限公司 一、概况介绍 高分辨率遥感影像数据一体化测图系统PixelGrid（以下简称“PixelGrid”）是由中国测绘科学研究院自主研发的“十一五”重大科技成果，获得2009年度国家测绘科技进步一等奖。 为将这一重大科技成果实现产业化，2008年开始，由中国测绘科学研究院参股单位北京四维空间数码科技有限公司进行成果转化和产品化，并开展销售。 该软件是我国西部1:5万地形图空白区测图工程以及第二次全国土地调查工程的主力软件， 被誉为国产的“像素工厂”。 PixelGrid以其先进的摄影测量算法、集群分布式并行处理技术、强大的自动化业务化处理能力、高效可靠的作业调度管理方法、友好灵活的用户界面和操作方式，全面实现了对卫星影像数据、航空影像数据以及低空无人机影像数据的快速自动处理，可以完成遥感影像从空中三角测量到各种比例尺的DEM/DSM、DOM等测绘产品的生产任务。 PixelGrid软件主界面。 二、主要特点 PixelGrid系统以现代摄影测量与遥感科学技术理论为基础，融合计算机技术和网络通讯技术，采用基于RFM通用成像模型的大范围遥感影像稀少或无控制区域网平差、基于旋转/缩放不变性特征多影像匹配的高精度航空影像自动空三、基于多基线/多重特征的高精度DEM/DSM自动提取、等高线数据半自动采集及网络分布式编辑、基于地理信息数据库等多源控制信息的高效影像地图制作、基于松散耦合并行服务中间件的集群分布式并行计算等一系列核心关键技术，是中国测绘科学研究院研制的一款类似“像素工厂”（ISTAR PixelFactoryTM）的新一代多源航空航 天遥感数据一体化高效能处理系统。 二○一一届毕业设计 面向对象的高分辨率遥感影像分类Object-oriented Classification of high Resolution Remote Sensing images 学院：地质工程与测绘学院 专业：遥感科学与技术 姓名： 学号： 指导教师： 完成时间：2011年6月17日 二〇一一年七月 摘要 高空间分辨率遥感影像使得在较小的空间尺度上观察地表细节变化，进行大比例尺遥感制图，以及监测人为活动对环境的影响成为可能。随着高分辨率影像的应用越来越普及，迫切要求人们对高分辨率遥感信息提取进行研究，以满足高分辨率影像信息不断增长的应用和研究需要 高分辨率遥感影像光谱信息有限，空间信息丰富，地物的尺寸、形状及相邻地物间的关系都得到很好的反映。面向对象的分类方法与传统的基于像素的分类相比，不仅仅是依靠光谱信息，而且还充分利用影像的空间信息，分类时也克服了基于像元的逐点分类无法对相同语义特征的像素集合进行识别的缺点，是一种目前最适合于高分辨率遥感影像的分类方法。 本文采用面向对象的分类方法对高分辨率影像进行分类，该方法首先对影像进行多尺度分割获得同质区域对象，在此基础上利用模糊分类思想对分割后的对象进行分类。该方法不仅充分利用了高分辨率影像的空间信息，还将基于像素的分类提升到了基于对象的分类。 多尺度分割采用的是区域生长合并算法，通过对尺度阈值、光谱因子及形状因子等参数的控制，可以获得不同尺度下有意义的对象。分割后的对象不仅包含了原始的光谱信息，还可以提供大量辅助特征，如纹理、形状、拓扑等特征。综合利用这些特征以及模糊分类的思想，使得高分辨率影像分类在减少分类不确定性的同时，还提高了分类的精度。 最后将面向对象分类结果与传统的基于像素分类结果进行对比分析，发现其分类精度要明显高于传统法，且具有较强的抗噪声的功能，分类所得的地物结果相对较为完整，具有更丰富的语义信息，更加符合客观现实情形。 关键词：高分辨率遥感影像，面向对象的分类，影像分割，多尺度，最近邻分类 遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台 上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要 第５３卷第４期华中师范大学学报（自然科学版） Ｖｏｌ．５３Ｎｏ．４ ２０１９年８月ＪＯＵＲＮＡＬ ＯＦ ＣＥＮＴＲＡＬ ＣＨＩＮＡ ＮＯＲＭＡＬ ＵＮＩＶＥＲＳＩＴＹ（Ｎａｔ．Ｓｃｉ．）Ａｕｇ ．２０１９收稿日期：２０１９－０３－ ０４．基金项目：十三五科技部国家重点研发计划项目（２０１６ＹＦＣ０８０３１０７，２０１６ＹＦＢ０５２６０１，２０１７ＹＦＢ０５０４１０３）． ＊通讯联系人．Ｅ－ｍａｉｌ：ｄｕａｎｘｕｅｌｉｎ＠ｗ ｈｕ．ｅｄｕ．ｃｎ．ＤＯＩ：１０．１９６０３／ｊ．ｃｎｋｉ．１０００－１１９０．２０１９．０４．０１７文章编号：１０００－１１９０（２０１９）０４－０５６８－ ０７基于ＤＣＮＮ的高分辨率遥感影像场景分类孟庆祥，段学琳 （武汉大学遥感信息工程学院，武汉４３００００ ）摘 要：针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题，提出了一种基于卷积神经网络的高分辨率影像场景分类方法．此方法大致分为３步：第１步，依据不同卷积窗口做卷积运算提取颜色， 纹理和形状等低阶特征；第２步，利用池化层将这些低阶特征进行过滤，得到重要特征；第３步，重组提取出来的特征以形成高阶语义特征进行场景分类．在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究，并且使用了数据增广、正则化和Ｄｒｏｐｏｕｔ等手段，提升模型对新样本的适应能力，很好地解决了过拟合问题．该方法在所进行的实验中表现良好，在ＷＨＵ－ＲＳ１９数据集上取得了８８．４７％的准确率，和传统的场景分类方法相比，显著提升了分类精度． 关键词：高分辨率遥感影像；场景分类；深度学习；深度卷积神经网络中图分类号：Ｐ２３７ 文献标识码：Ａ 遥感技术的不断发展， 带来了影像分辨率的提升．这种高空间分辨率的遥感影像具有丰富的空间信息和纹理特征，包含了大量的语义信息．然而面向像素和面向对象的解译方法存在着很多不足，无法满足遥感影像高层次内容解译的需求．因此，对高分辨率遥感图像进行场景分类成为了当前遥感 图像解译中活跃的研究课题［１］． 场景分类是遥感研究领域的热点．通俗的来说，就是用给定的图像，通过其包含的内容对它的场景类别进行判断．传统的场景分类方法可以概括为两类：基于低层次特征的方法和基于中层语义 特征建模的方法［２］ ． 基于低层特征的场景分类，即依赖于颜色、纹理和形状等低层特征的分类方法，此类分类算法比较简单，但泛化能力较弱、精度不 够高［３－４］． 基于中间语义的图像分类，即先生成底层特征， 然后结合分类器实现图像场景分类，其代表有视觉词袋（ＢｏＶＷ）［５］以及由此衍生的空间金字塔匹配核（ＳＰＭＫ） ［６］等，此类方法会导致信息的丢失，存在一定的局限性． 由于传统的场景分类方法无法满足大数据环 境下人们的分类要求，学者们开始将深度学习［７－８］算法应用到影像分类中．典型的深度网络模型［９］主要有深度置信网（ＤＢＮ）［１０］ 、栈式自动编码器网络（ＳＡＥ）［１１］和卷积神经网络（ＣＮＮ）［１２－ １３］． 其中，卷积神经网络是目前较为流行的基于监督的深度学习方法， 该方法在图像识别、物体识别、图像语义分割中都得到了广泛的应用．近年来，越来越多的学者将卷积神经网络运用于图像分类．文献［１４］将卷积神经网络用于图像分类，在ＣＩＦＡＲ－１０数据集上取得了较好的分类效果．文献［１５］用卷积神经网络对Ｌａｎｄｓａｔ ＴＭ５中等分辨率遥感影像进行了分类实验，并与支持向量机分类结果进行比较，在一定程度上体现了卷积神经网络在图像分类的优越性．与此同时，有学者将卷积神经网络运用于遥感影像的场景分类，并取得了一定的进展，这种场景分类方法很快受到了广泛的关注． 在此基础上，本文提出一种基于深度卷积神经网络的场景分类模型ＤＣＮＮ，将该模型用于高分辨率遥感影像的场景分类，加入数据增广并且利用正则化方法和丢弃函数调整模型参数，最终实现基于卷积神经网络的高分辨率遥感影像分类． １卷积神经网络 卷积神经网络是一种受生物学启示的，包含卷积计算且具有深度结构的前馈神经网络．它可以进行监督分类，提取出遥感影像中的语义特征．一个 基本的卷积神经网络结构有３层［１６－ １７］：输入层－隐 含层－输出层， 隐含层又分为４部分———卷积层、 遥感的面向对象分类法 传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，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，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为 0 到 1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。面向对象的处理方法中最重要的一部分是图像分割。 随着对地观测任务逐渐精细化，高分辨率遥感卫星影像的应用越来越广泛。这对遥感影像分类方法提出了挑战。已有的研究表明:基于像元的高分辨率遥感影像分类存在明显的限制。近年来，面向对象影像分析(Object-Based ImageAnalysis，OBIA)在高分辨率遥感影像处理中渐露头角，被认为是遥感与地理信息科学发展的重要趋势。本文针对面向对象影像分类(Object-Based Image Classification，OBIC)方法中的若干问题开展研究。主要研究内容与结论包括: 1)模糊遥感影像分割算法研究 针对当前影像分割算法应用于模糊影像时产生过渡区对象的问题，设计了过渡区对象识别方法。对简单地物模糊影像和复杂地物模糊影像进行实验发现:提出的算法能够有效识别过渡区对象。 2)代表地物最佳分割尺度研究 针对多参考对象情况下的地物最佳分割尺度选择问题，设计了基于对象内部同质性加权 第31卷第4期2006年4月武汉大学学报?信息科学版 G eomatics and Information Science of Wuhan University Vol.31No.4Apr.2006 收稿日期:2006201215。 项目来源:R GC Grant 资助项目(CU H K.4251/03H );国家自然科学基金资助项目(40201036);测绘遥感信息工程国家重点实验室 开放研究基金资助项目(W KL (03)0102)。 文章编号:167128860(2006)0420316205文献标志码:A 基于面向对象和规则的遥感影像分类研究 陈云浩1,2 冯 通2 史培军1 王今飞3 (1 北京师范大学资源学院,北京市新街口外大街19号,100875) (2 香港中文大学地理与资源管理系,香港新界沙田)(3 加拿大西安大略大学地理系,加拿大,N6A 5C2) 摘 要:讨论了面向对象和规则的光学遥感影像分类方法。首先利用多尺度分割形成影像对象,建立对象的层次结构,计算对象的光谱特征、几何特征、拓扑特征等,利用对象、特征形成分类规则,并通过不同对象层间信息的传递和合并实现对影像的分类。并以北京城市土地利用分类为例,对该方法进行了验证。关键词:面向对象;多尺度分割;规则;分类中图法分类号:TP753;P237.4 面向像元的分类方法实际上是以像元为基本 单元,利用其光谱(颜色)信息进行信息的提取与归并。虽然许多数学方法如各种神经网络方法[1]、模糊分类[2]、改进的最大似然分类[3]等的引入提高了分类的精度,然而从根本上讲,基于像元的分类方法仍相当于图像理解过程的第一层次,即仅利用基本像元的特征进行识别,对于色调空间分布等较为复杂的关系没有考虑。自从IKO 2NOS 、Quickbrid 等高空间分辨率影像出现以来,传统的利用面向像元的影像分类技术就面临着许多挑战[4]。针对上述情况,许多考虑地物空间特征的遥感影像分类方法得以发展,如支持向量机[5]、上下文分类[6]、纹理分类[7]等。在分类过程中,考虑了地物的纹理、形状、尺寸等空间特征,以像元的空间特征辅助光谱信息,以提高分类精度。显然,此类方法应属于图像理解的第二层次。虽然利用纹理等信息可以辅助分类,然而在很多情况下,只有图像被分割为同质对象时,图像分析的结果才有意义[8,9]。本文正是利用了面向对象的分类思想,在对遥感影像进行多尺度分割的基础上,探讨面向对象分类策略、分类规则的建立方法。 1 面向对象分类原理 所谓面向对象方法,通过对影像的分割,使同质像元组成大小不同的对象。正是由于对象内部的光谱差异小,所以对任一对象可以忽略其纹理等空间信息,而从光谱和形状两方面刻画。利用对象的空间特征和光谱特征进行分类,可以有效地克服基于像元层次分类的不足[10]。面向对象的分类方法主要包括影像分割、对象层次结构、分类规则和信息提取。1.1 影像分割 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(spec 2t ral )和形状(shape )差异确定的[11],形状的异质性则由其光滑度和紧凑度来衡量[11]。显然,设定了较大的分割尺度,则对应着较多的像元被合并,因而产生较大面积的对象。 国外几种高分辨率遥感卫星对比 摘要：通过高分辨率遥感卫星应用这门课程的学习，我对高分辨率遥感卫星产生了很大的兴趣，其重要的两个影响因素就是大气辐射和波段选择。各国送上太空的高分辨率遥感卫星也是不计其数，我想搜集一下现在世界上流行的高分辨率遥感卫星对我们的学习和提升自身水平是很有帮助的。以下就是我所搜集到有关各种高分辨率遥感卫星的详细信息。 关键词：高分辨率卫星大气辐射波段选择 GeoEyeGeoEye-1 高分辨率卫星 世界上规模最大的商业卫星遥感公司美国 GeoEye，已于 2008 年 9 月 6 日成功发射了迄今技术最先进、分辨率最高的商业对地成像卫星——GeoEye-1。该卫星具有分辨率最高、测图能力极强、重访周期极短的特点，已为全球广大用户所关注。GeoEye-1 高分辨率卫星影像应用前景广阔，在实现大面积成图项目、细微地物的解译与判读等方面优势突出。 GeoEyeGeoEye-1 卫星特点 ?真正的半米卫星：全色影像分辨率 0.41 米，多光谱影像分辨率 1.65 米，定位精度 达到 3 米?大规模测图能力：每天采集近 70 万平方公里的全色影像数据或近 35 万平方公里的全色融合影像数据?重访周期短：3 天（或更短）时间内重访地球任一点进行观测 GeoEye-1 影像参数 eoEye全色和多光谱同时（全色融合）相机 模式单全色单多光谱分辨率星下点全色：0.41 m ；侧视 28°全色：0.5m；星下点多光谱：1.65 m 全色：450 nm---800 nm 蓝： 450 nm ---510 nm 波长多光谱红： 655 nm ---690 nm 近红外： 780 nm ---920 nm 立体 CE90: 4m；LE90：6m 定位精度（无控制点）定位精度（无控制点）单片 CE90：5m 幅宽成像角度重访周期星下点 15.2 km ；单景 225 k ㎡(15×15 km) 可任意角度成像 2-3 天绿： 510 nm ---580 nm 全色：近 700,000 k ㎡ / 天 (相当于青海省的面积) 单片影像日获取能力全色融合：近 350,000 k ㎡ / 天 (相当于湖南、湖北两个省的面积) GeoEyeGeoEye-1 技术参数运载火箭发射地点卫星重量星载存储器数据下传速度运行寿命 Delta II 加利福尼亚范登堡空军基地 1955 kg 1T bit X-band 下载，740 mb/sec 设计寿命 7 年，燃料充足可达 15 年储存并转送数据传输模式实时下传直接上传和实时下传轨道高度轨道速度轨道倾角/ 轨道倾角/过境时间轨道类型/ 轨道类型/轨道周期 684 km 约 7.5 km/sec 98°/10:30am 太阳同步/98min CartosatCartosat-1 号卫星又名 IRS-P5 ，是印度政府于 2005 年 5 月 5 日发射的遥感制图卫星，它搭载有两个分辨率为 2.5 米的全色传感器，连续推扫，形成同轨立体像对，数据主要用于地形图制图、高程建模、地籍制图以及资源调查等。Cartosat-1 设计寿命 5 年，目前卫星运行等各项指标正处于最好的时期，数据质量稳定可靠。 P5 卫星轨道参数 轨道轨道高度总轨道数长半轴偏心率倾角降交点时间相邻 卫星数据方案 一、光学卫星介绍 1.分辨率优于0.5米的光学卫星 （1）WorldView-3卫星 WorldView-3卫星是美国GigitalGlobe公司于2014年8月发射并开始运行的一颗遥感卫星，它是第一颗多负载、超高光谱、高分率的商业卫星，最高可提供0.31米全色分辨率、1.24米多光谱分辨率，此外WorldView-3大大提高了卫星的光谱分辨率，在WorldView-2的八波段多光谱的基础上加入了3.7m分辨率的短波红外波段，并且首次在高分辨率卫星中使用了CAVIS波段用于大气校正。 WorldView-3卫星平均回访时间不到1天，每天可采集多达68万平方公里的数据。以下是WorldView-3卫星的部分技术参数。 WorldView-2在2009年发射，该卫星的运行轨道高度770km。能够提供0.5米的分辨率的全色和1.8米分辨率的多光谱影像。星载多光谱传感器不仅具有4个标准波段（红、绿、蓝和近红外1），还将包括4个新的波段（海岸监测、黄、红波段的边缘和近红外2）。增加的波段信息，为用户提供进行精确变化检测和制图的能力。 B．WorldView-2卫星拍摄能力分析 WorldView-2卫星是全球第一批使用了控制力矩陀螺（CMGs）的商业卫星。这项高性能技术可以提供多达10倍以上的加速度的姿态控制操作，从而可以更精确的瞄准和扫描目标。卫星的旋转速度可从60秒减少至9秒，覆盖面积达300公里。所以，WorldView-2卫星能够更快速、更准确的从一个目标转向另一个目标，同时也能进行多个目标地点的拍摄。卫星具有更灵活的运转、更高容量更快回访、更精确的拍摄、多波段高清晰影像四个特点： ●更灵活的运转 WorldView-2卫星能非常灵活运转，它在太空中的角色就像一个神奇的画笔，能灵活的前后扫描、拍摄大面积的区域，能在单次操作中完成多频谱影像的扫描。WorldView-2卫星独有的大容量系统，能达到每日采集一百万平方公里的数据采集量。而卫星集群可以保证每日近二百万平方公里的数据采集量。WorldView-2卫星无与伦比的灵活性能在1.1天内二次访问同一地点。如果算上卫星集群，甚至能实现在一天之内二次访问同一地点。由此可以为用户提供同一地点，同一天内的高清晰商业卫星集群影像。 ●更高容量、更快回访 WorldView-2卫星能非常灵活运转，它在太空中的角色就像一个神奇的画笔，能灵活的前后扫描、拍摄大面积的区域，能在单次操作中完成多频谱影像的扫描。WorldView-2卫星独有的大容量系统，能达到每日采集一百万平方公里的数据采集量。而卫星集群可以保证每 高分辨率遥感卫星影像有哪些世界高分辨率卫星排名 北京揽宇方圆信息技术有限公司是美国DigitalGlobe公司、法国SPOT公司在中国的合作伙伴，代理销售其全球数据。资源三号高分二号高分一号北京揽宇方圆优惠提供。 一、卫星类型 （1）光学卫星：worldview1、worldview2、worldview3、quickbird、geoeye、ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、landsat5(tm)、landsat(etm)、rapideye、alos、资源三号、高分一号、高分二号。 （2）雷达卫星：terrasar-x、radarsat-2 （3）侦查卫星：美国锁眼卫星全系例（1960－1980） 二、卫星分辨率 （1）0.3米：worldview3 （2）0.4米：worldview3、worldview2、geoeye （3）0.5米：worldview3、worldview2、geoeye、worldview1、pleiades （4）0.6米：quickbird、锁眼卫星 （5）1米：ikonos、高分二号。 (6)1.5米：spot6、锁眼卫星 (7)2.5米：spot5、alos、资源三号、高分一号、锁眼卫星 （8）5米:spot5、rapideye、锁眼卫星 (9)10米:spot5、spot4、spot3、spot2、spot1 (10)15米:landsat5(tm)、landsat(etm) 三、卫星国籍 (1)美国：worldview1、worldview2、worldview3、quickbird、geoeye、ikonos、landsat5(tm)、landsat(etm)、锁眼卫星 (2)法国：pleiades、spot1、spot2、spot3、spot4、spot5、spot6 (3)中国：资源三号、高分一号、锁眼卫星、高分二号。 (4)德国：terrasar-x、rapideye (5)加拿大：radarsat-2 四、卫星发射年代 （1）1960－1980年：锁眼卫星（0.6米分辨率至10米） （2）1980－1990年：landsat5(tm)、spot1 （3）1990－2000年：spot2、spot3、spot4、landsat(etm)、ikonos （4）2000－2010年：quickbird、worldview1、worldview2、spot5、rapideye、radarsat-2 （5）2010－：spot6、资源三号、高分一号、worldview3、pleiades、高分二号。 西北大学学报(自然科学网络版) 2010年5月，第8卷，第3期 Science Journal of Northwest University Online May . 2010，V ol.8，No.3 面向对象遥感影像分类:以宝鸡市为例 胡婷，王旭红，秦慧杰 (西北大学 城市与环境学院，陕西 西安 710127) 摘要：采用面向对象方法对陕西省宝鸡市TM影像进行分类，有效地利用了与地物相关的纹理和形状信息，大大地提高了分类的精度和效率。利用面向对象方法对遥感影像进行分类研究，评估分类精度，并将实验结果与传统的监督分类和非监督分类方法的结果进行比较，表明面向对象分类方法明显优于传统的分类方法，从而提高了遥感图像分类的精度。 关键词：面向对象；影像分割；影像分类 中图分类号： TP751 文献标识码：A 文章编号：1000-274X(2010)0432-06 A study of object-oriented remote sensing image classification: Take Baoji City as example HU Ting, WANG Xu-hong, QIN Hui-jie (1. College of Urban and Enviroment, Northwest University,Xi’an 710127,China) Abstract: Object-oriented method was used in the classification of TM images of Baoji City, Shaanxi Province, which makes full use of surface features’ texture and shape information and greatly improves the classification accuracy and efficiency. By using object-oriented classification based object to classify remote-sensing image, assessing the classification accuracy and comparing the classification result with the traditional supervised classification and unsupervised classification, it shows that the object-oriented classification method is obviously superior to the traditional classification methods，through which the accuracy of remote sensing image classification was improved. Key words: object-oriented, image segmentation, image classification 遥感影像分类的重要依据就是地物的光谱特征，根据图像的像元光谱值，按照一定的规则，将像元归并为有限的几种类型或者等级的过程，就称为影像分类。传统的遥感图像分类方法有两种：监督分类法和非监督分类法，这两种方法都是基于地物的光谱信息进行的。然而，在实际的应用中，对遥感影像进行解译时不仅要依靠地物的光谱信息还需要依靠地物的纹理、形状以及和相邻地物之间的关系。 1面向对象分类方法 面向对象方法不仅依靠地物的光谱特征，更多的是利用像元间的几何信息和结构信息。图像的最小单元不再是单个的像元，而是由相邻的若干个像元组合成的一个个对象，这些对象就是分类的最小单元[1-2]。 1.1 影像分割算法 将图像中的像元按照一定的规则组合成一个个对象的过程叫做影像分割。区域生长法是影像分割最基_______________________高分辨率遥感卫星介绍
面向对象分类之图像分割
高分辨率遥感影像分类实验报告
遥感图像分类方法的国内外研究现状与发展趋势
高分辨率遥感影像数据一体化测图系统PixelGrid
面向对象的高分辨率遥感影像分类
遥感图像分类方法的国内外研究现状与发展趋势
基于DCNN的高分辨率遥感影像场景分类
遥感的面向对象分类法
基于面向对象和规则的遥感影像分类研究
国外几种高分辨率遥感卫星对比
高分辨率遥感卫星影像图购买参数介绍
高分辨率遥感卫星影像有哪些世界高分辨率卫星排名
面向对象遥感影像分类以宝鸡市为例
相关主题
文本预览