下载文档原格式
多源遥感影像数据的分类与识别研究摘要：多源遥感影像数据的分类与识别是当前遥感图像处理领域的关键研究方向之一。
随着遥感技术的迅速发展，获取到的遥感影像数据来源越来越多样化，包括航空影像、卫星影像、无人机影像等。
这种多样化的数据来源使得遥感影像数据的分类与识别面临着更大的挑战。
本文针对多源遥感影像数据的分类与识别问题进行综述，介绍了相关的研究进展和方法。
同时，分析了目前存在的问题，并提出了未来的研究方向。
一、引言遥感影像数据的分类与识别是将获取到的遥感影像数据按照其特征进行分类和识别的过程。
这一研究方向在农业、环境监测、城市规划等领域有着广泛的应用价值。
然而，由于多源遥感影像数据的源头多样性和大规模性，研究和开发高效准确的分类与识别方法仍然是一个挑战。
二、多源遥感影像数据的特点多源遥感影像数据具有以下几个特点：1. 高维度：多源遥感影像数据包含大量的像素信息，具有高维度的特点，使得数据处理和分析变得困难。
2. 数据冗余：不同源数据中可能存在相同的信息，这导致数据的冗余性增加，处理和分析效率下降。
3. 数据分辨率不统一：不同源数据的空间分辨率和波段分辨率可能不一致，这要求在分类和识别过程中考虑到数据的分辨率差异。
4. 数据矛盾性：不同源数据中的信息可能具有相互矛盾的情况，这需要在分类和识别过程中进行数据校正和一致性检验。
三、多源遥感影像数据的分类与识别方法目前，针对多源遥感影像数据的分类与识别存在多种方法，包括基于特征提取的方法、基于深度学习的方法等。
1. 基于特征提取的方法基于特征提取的方法是将多源遥感影像数据转换为特征向量，然后利用分类算法进行分类和识别。
常用的特征包括纹理特征、形状特征和光谱特征等。
这种方法通常需要人工选择和提取特征，然后利用分类算法进行分类和识别。
虽然这种方法具有较好的可解释性，但是对于高维度的遥感影像数据处理效率较低，并且容易受到特征选择的影响。
2. 基于深度学习的方法基于深度学习的方法是利用深度神经网络模型对多源遥感影像数据进行特征提取和分类。
测绘技术中的遥感影像分类和变化检测方法引言：遥感影像处理在现代测绘技术中扮演着重要的角色。
遥感影像分类和变化检测方法是为了从大规模数据中提取信息，解决人类社会发展中的问题。
本文将讨论测绘技术中遥感影像分类和变化检测的方法和技术。
一、遥感影像分类方法1. 监督分类法监督分类法是遥感影像分类中常用的方法之一。
其基本思想是通过人工标注样本数据集，并利用机器学习的方法进行分类。
方法包括最大似然法、支持向量机、随机森林等。
监督分类法需要充分了解被观测场景的特征，以便正确指导样本标记。
2. 无监督分类法无监督分类法是另一种常用的遥感影像分类方法。
该方法不需要预先标记样本，而是将影像数据分成不同的类别。
无监督分类法使用的技术包括聚类、主成分分析等。
与监督分类相比，无监督分类法更适用于未知场景，但其分类结果的准确性有所下降。
3. 半监督分类法半监督分类法结合了监督分类法和无监督分类法的优点。
其基本思想是在一部分已标记的样本上进行监督分类，然后通过无监督分类法对未标记的样本进行分类。
半监督分类法能够提高分类的准确性，并减少样本标记的工作量。
二、变化检测方法1. 基于阈值的方法基于阈值的方法是最简单和常用的变化检测方法之一。
该方法通过设定一个阈值，将两个时间点的遥感影像像素值进行比较，从而检测出变化。
然而，基于阈值的方法对于光照、拍摄角度等因素的敏感度较高，且会忽略时间点之间的连续性。
2. 基于差异图的方法基于差异图的方法通过计算两个时间点遥感影像的差异图来进行变化检测。
差异图可以是像素级别的差异，也可以是物体级别的差异。
该方法能够更好地抑制光照、拍摄角度等因素对变化检测的影响，提高检测的准确性。
3. 基于特征提取的方法基于特征提取的方法通过从遥感影像中提取特定的特征，利用机器学习算法进行变化检测。
特征可以包括颜色、纹理、形状等。
该方法能够更好地捕捉目标变化的特征，提高变化检测的准确性。
三、遥感影像分类和变化检测的应用遥感影像分类和变化检测方法在许多领域都有广泛的应用。
如何进行遥感影像分类与识别遥感影像分类与识别是一项被广泛应用于环境监测、农业发展、城市规划等领域的技术。
通过将遥感影像进行分类与识别，可以获取地表覆盖信息、监测资源利用情况以及坏境变化趋势等。
本文将探讨如何进行遥感影像分类与识别的相关方法和技术。
一、遥感影像分类与识别的基本原理遥感影像分类与识别的基本原理是基于遥感影像的光谱特征和空间结构特征来进行分类与识别。
光谱特征是指通过遥感技术获取到的不同波段的影像数据，而空间结构特征是指地物在影像上的分布、形状等信息。
通过综合利用这些特征，可以实现对遥感影像中不同地物的分类与识别。
二、遥感影像分类与识别的常用方法1. 基于像元的分类方法基于像元的分类方法是通过对遥感影像中的每个像元进行分类，即将每个像元划分到不同的地物类别中。
该方法的优点是简单而直观，但也存在不足之处，比如在复杂研究区域中，同一类地物的像元可能存在光谱变化、空间紧密等问题。
2. 基于目标的分类方法基于目标的分类方法是通过对遥感影像中的目标进行识别和分类。
该方法的优点是能够捕捉到地物的空间分布和形状信息，可以有效地解决像元分类方法的问题。
通过目标提取和形状识别等技术，可以将遥感影像中的目标进行分类与识别。
3. 基于纹理的分类方法基于纹理的分类方法是通过提取遥感影像中地物的纹理特征，实现对地物的分类与识别。
纹理特征描述了地物表面的复杂度和变化性，通过纹理特征的提取和分析，可以实现对遥感影像中的地物进行准确的分类与识别。
三、遥感影像分类与识别的技术挑战与解决方法遥感影像分类与识别在实际应用中面临一些技术挑战，如遥感影像的多光谱信息的充分利用、分类器的选择和优化等。
针对这些挑战，可以采取一些解决方法，如：1. 多光谱信息的融合通过将遥感影像中不同波段的光谱信息进行融合，可以提高分类与识别的准确性。
常用的融合方法有主成分分析法、综合概率法等。
2. 分类器的选择与优化选择合适的分类器对于分类与识别的准确性至关重要。
遥感影像处理中的分类与目标提取方法遥感影像处理是利用遥感技术获取的遥感影像数据进行分析、处理和应用的过程。
在遥感影像处理中，分类和目标提取是非常重要的步骤。
分类是将遥感影像中的像素或区域划分到不同的类别中，而目标提取则是从遥感影像中提取出感兴趣的目标对象。
一、分类方法1.1 基于像素的分类方法基于像素的分类方法是将遥感影像中的每一个像素点都进行分类，常见的分类方法包括最大似然分类、支持向量机和随机森林等。
这些方法通过对每个像素的特征进行分析，将其划分到最适合的类别中。
1.2 基于目标的分类方法与基于像素的分类方法不同，基于目标的分类方法将遥感影像中的目标对象作为分类的基本单元。
例如，在城市遥感影像中，目标可以是建筑物、道路或植被等。
这种方法首先对目标进行提取，然后通过对提取的目标进行特征分析和分类。
二、目标提取方法2.1 基于形状特征的目标提取方法基于形状特征的目标提取方法主要是通过对目标的形状进行分析和比较来提取目标。
例如，可以使用边缘检测算法来提取目标的轮廓，然后通过对轮廓的形状进行分析和比较。
这种方法适用于目标具有明显边界和规则形状的情况，如建筑物和道路等。
2.2 基于纹理特征的目标提取方法基于纹理特征的目标提取方法通过对目标的表面纹理进行分析和比较来提取目标。
例如，可以使用纹理特征提取算法来提取目标的纹理特征，然后通过对纹理特征的分析和比较来判断目标。
这种方法适用于目标具有特殊的纹理特征的情况，如森林和农田等。
2.3 基于深度学习的目标提取方法近年来，随着深度学习的发展，基于深度学习的目标提取方法在遥感影像处理中得到了广泛的应用。
深度学习通过构建深度神经网络模型，可以从遥感影像中学习到更高级别的特征表示，从而实现更准确的目标提取。
例如，可以使用卷积神经网络来提取目标的特征，然后通过对特征进行分类或分割来提取目标。
三、遥感影像处理中的挑战在分类和目标提取的过程中，遥感影像处理面临着一些挑战。
如何进行遥感影像的分类与地物提取遥感影像是近年来在地理信息领域中应用广泛的一种技术。
通过使用遥感影像，我们可以获取地球表面的大量数据，可以利用这些数据进行地物的分类与提取。
地物分类与提取在自然资源管理、城市规划、环境监测等领域都有着重要的应用。
本文将探讨如何进行遥感影像的分类与地物提取。
一、遥感影像的分类方法遥感影像的分类主要是将影像中的像素点划分到不同的类别中，常用的分类方法有监督分类和无监督分类两种。
监督分类是指根据已经标记好的样本数据进行分类。
首先需要准备一部分已经标记好的样本数据，然后通过分析样本的特征，建立一个分类模型。
接下来，通过模型对整幅影像进行分类。
监督分类需要充分利用专业知识和经验，对样本特征进行细致的分析，从而提高分类的准确性。
无监督分类是指根据影像中像素点的相似性进行分类，不需要准备样本数据。
无监督分类是一种相对简单和快速的分类方法。
它可以帮助我们发现影像中存在的一些隐含的地物类型，但由于没有准确的样本数据，分类结果可能会存在一定的误差。
二、地物提取的方法地物提取是指根据分类结果，将影像中的地物单独提取出来。
常用的地物提取方法有阈值分割、形态学操作、边缘检测等。
阈值分割是一种基于像素灰度值的提取方法，根据不同地物的灰度特征，设置合适的阈值将地物提取出来。
阈值分割简单直观，但对光照、阴影等影像杂波比较敏感，对影像质量要求较高。
形态学操作是一种基于形状和结构的提取方法，通常包括腐蚀和膨胀操作。
通过对影像进行腐蚀操作，可以去除噪声，减小地物的面积；通过膨胀操作，可以填补裂缝，增大地物的面积。
形态学操作结合的阈值分割可以得到较为精确的地物提取结果。
边缘检测是一种基于边缘信息的提取方法，通过检测影像中的边缘特征来提取地物。
常用的边缘检测算法有Sobel算子、Canny算子等。
边缘检测可以提取出地物的轮廓信息，但对于复杂纹理和噪声干扰较多的影像，边缘检测可能会存在一定的偏差。
三、遥感影像分类与地物提取的挑战尽管遥感影像的分类与地物提取方法日益成熟，但仍然存在一些挑战。
基于多时相遥感影像作物分类方法发布时间：2022-12-19T07:29:08.072Z 来源：《科技新时代》2022年12期作者：陈嘉惠魏宁王彬[导读] 农作物分类对提高农业生产管理以及农业资源与环境监测具有十分重要的意义，提取不同作物种植信息能够为农业精准管理提供基础数据支撑。
吉林建筑大学吉林省长春市 130114农作物分类对提高农业生产管理以及农业资源与环境监测具有十分重要的意义，提取不同作物种植信息能够为农业精准管理提供基础数据支撑。
本文旨在梳理多时相遥感影像作物分类技术的发展脉络，从分类特征、分类尺度和分类方法三个方面总结了作物分类的现状，为今后的作物分类研究、遥感影像的应用提供参考资料。
1.分类特征光谱特征是遥感影像分类的主要特征之一，植物体内的色素是决定植被光谱的主要因素，种类不同的作物因其体内的色素物质不同，所以具有不同的光谱特征，正因如此，可以利用光学遥感影像提取作物的光谱反射率，从而作为作物分类的基础特征。
除此以外，还可以利用光谱反射率计算植被指数和水体指数或者通过图像变换获得的新的图像分量作为分类的特征。
植被的几何结构和土壤含水量的信息也可以为作物分类提供有效的分类特征，而微波遥感恰好可以提供这些信息，并且对天气的要求较低，可以全天候提供数据，因此常与光学影像一起应用于作物分类中。
物候特征作为识别作物的最常用特征之一，可以更为准确、科学地识别不同的作物。
单景影像受“同物异谱”和“异物同谱”的影响，很难得到高精度的作物分类结果，且单时相的数据不具有时序性，因此无法提取作物的物候特征。
而多时相遥感数据可以通过构建植被指数时间序列来提取物候参数作为区分不同作物的特征。
除此以外，多时相的遥感数据可以描述不同作物随时间变化的特征（光谱、纹理、植被指数等），提高不同作物间的可分性，因此被广泛应用于作物的识别。
辅助数据特征是指用于辅助遥感数据分析与分类的非图像信息，包括气候信息、地形信息、各类专题信息等。
遥感影像的特征选择与分类方法在当今的科技时代，遥感技术已经成为获取地球表面信息的重要手段之一。
遥感影像中包含着丰富的地物信息，如何从这些海量的数据中准确地选择出有价值的特征，并进行有效的分类，是遥感领域中一个关键的问题。
遥感影像的特征选择是整个分类过程的基础。
简单来说，特征就是能够描述影像中地物的属性或特点。
这些特征可以是光谱特征、纹理特征、形状特征、空间特征等。
光谱特征是最常见也是最基础的特征。
不同的地物在不同的波段上会有不同的反射或辐射特性。
例如，植被在近红外波段的反射率较高，而水体在可见光波段的反射较弱。
通过对不同波段的组合和分析，可以初步区分出一些典型的地物类型。
纹理特征则反映了地物内部的灰度分布规律。
比如，森林的纹理通常比较粗糙，而农田的纹理相对较为均匀。
形状特征是根据地物的轮廓和外形来进行描述的，比如房屋的形状一般较为规则。
空间特征则考虑了地物之间的相对位置和空间关系。
在进行特征选择时，需要综合考虑多个因素。
首先，要考虑特征的可区分性，即所选的特征能够有效地将不同的地物类别区分开来。
其次，特征的稳定性也很重要，如果特征在不同的时间和条件下变化较大，那么在分类时就可能会出现误差。
此外，计算复杂度也是一个需要考虑的因素，过于复杂的特征计算可能会导致处理时间过长，影响工作效率。
接下来，我们谈谈遥感影像的分类方法。
目前常见的分类方法主要有监督分类和非监督分类两大类。
监督分类是指在分类之前，已经知道了一部分地物的类别信息，并以此为依据对整个影像进行分类。
常用的监督分类方法包括最小距离法、最大似然法和支持向量机等。
最小距离法的原理比较简单直观，它计算每个像元到已知类别中心的距离，然后将像元划分到距离最近的类别中。
这种方法的优点是计算速度快，但对于复杂的地物分布可能效果不佳。
最大似然法则基于概率统计的原理，假设地物的光谱特征服从正态分布，然后计算像元属于各个类别的概率，将像元划分到概率最大的类别中。
遥感影像处理中图像融合与分类方法与算法遥感影像处理是指利用遥感技术获取的各种遥感影像数据进行处理、分析和应用的过程。
在遥感影像处理中，图像融合和分类是非常重要的步骤。
本文将介绍图像融合与分类的方法与算法。
一、图像融合图像融合是将多幅具有不同空间或光谱分辨率的遥感影像进行数据融合，形成一幅具有更高分辨率和更全面信息的新影像。
图像融合常用的方法有主成分分析法（PCA）、小波变换法（Wavelet）、伪彩色合成法（False Color）等。
其中，主成分分析法是最常用的一种方法。
主成分分析法基于数据的变异程度，将原始影像的多个波段特征通过线性组合来生成新的信息特征。
该方法通过对遥感图像进行PCA处理，得到的前几个主成分代表数据中包含的最重要信息。
然后，将这些主成分按照一定的权重进行加权平均，得到融合后的影像。
主成分分析法能够有效提取遥感图像中的有用信息，提高图像的分辨率和信息量。
小波变换法是一种时频分析方法，通过不同尺度和不同频率的小波基函数将遥感图像进行变换。
这种方法能够在多个尺度上提取图像的纹理和细节信息，进而实现图像融合。
小波变换法的优点是能够克服主成分分析法在处理一些细节信息时的不足，提高融合图像的视觉质量。
伪彩色合成法是将多幅遥感影像按照一定的比例进行合成，形成一幅彩色图像。
这种方法常用于可见光和红外图像的融合，通过颜色的变化来表示不同波段的信息。
伪彩色合成法可以直观地观察到不同波段之间的关系，方便后续的图像分析和解译。
二、图像分类图像分类是将遥感影像中的像元按照其不同的类别进行划分和分类的过程。
图像分类的方法有监督分类和非监督分类两种。
监督分类是基于训练样本进行分类的一种方法。
在监督分类中，先从遥感影像中选择一些样本点，手动标注其所属类别，然后通过计算这些样本点与其他像元之间的相似度，来判断其他像元所属的类别。
常用的监督分类算法有最大似然法、支持向量机（SVM）等。
这些算法能够在样本点的训练下，准确地对遥感影像进行分类。
如何进行遥感影像融合与分类遥感影像融合和分类是遥感技术中的两个重要研究方向。
遥感影像融合指的是将来自不同传感器或不同分辨率的多幅遥感影像进行融合，以获得具有更高空间分辨率或更丰富信息的影像。
遥感影像分类则是指通过对遥感影像进行分类，将不同的地物或地物类型进行区分和识别。
本文将探讨如何进行遥感影像融合与分类的方法和技巧。
一、遥感影像融合遥感影像融合的方法多种多样，其中常用的方法包括像素级融合、特征级融合和决策级融合。
1. 像素级融合像素级融合是指对多幅遥感影像的每个像素进行融合处理。
常用的像素级融合方法有加权平均法、PCA法和Brovey变换法等。
加权平均法是指通过对不同波段的像素值进行加权平均，得到融合后的像素值。
PCA法是指通过主成分分析的方法，将多个波段融合为一个合成波段。
Brovey变换法则是将多个波段进行线性组合，以获得更好的融合结果。
2. 特征级融合特征级融合是指对多幅遥感影像的特征信息进行融合处理。
常用的特征级融合方法有小波变换法和多尺度变换法等。
小波变换法通过对多波段融合图像进行小波变换，提取不同频率的特征信息，然后将其融合得到最终的融合图像。
多尺度变换法则是将多个分辨率的遥感影像进行分解和重构，以得到融合后的影像。
3. 决策级融合决策级融合是指通过对多幅遥感影像的分类决策结果进行融合处理。
常用的决策级融合方法有投票法和贝叶斯理论等。
投票法是指通过对多个分类结果进行统计投票，融合得到最终的分类结果。
贝叶斯理论则是通过考虑先验概率和条件概率，对多个分类结果进行融合。
二、遥感影像分类遥感影像分类是指通过对遥感影像进行分类，将不同的地物或地物类型进行区分和识别。
常用的遥感影像分类方法包括像素级分类和对象级分类。
1. 像素级分类像素级分类是指对遥感影像的每个像素进行分类。
该方法通常使用基于像素的分类算法，如最大似然分类、支持向量机和随机森林等。
最大似然分类是一种基于统计学原理的分类方法，通过对每个像素的灰度值进行概率估计，然后将像素分配给具有最高概率的类别。
收稿日期:2002210221;修订日期:2003201223作者简介:陈秋晓(1972— ),男,讲师,博士研究生,1993年毕业于杭州大学地理系,主要从事遥感影像分析和理解的研究工作。
文章编号:100724619(2004)20320239207基于多特征的遥感影像分类方法陈秋晓1,2,骆剑承1,周成虎1,郑 江1,鲁学军1,沈占锋1(11中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室,北京 100101;21浙江大学区域与城市规划系,杭州 310028)摘 要: 提出了一种基于多特征的遥感分类方法。
首先,制定类方案并分解各个类,据此得到相应的子类;然后,通过选用适当的特征,使得每一个类都能以一个独特的特征组合来表达。
与此同时,通过影像分割得到影像对象,并测量这些对象的各个特征,如光谱特征、几何特征及拓扑特征等。
凭借这些特征,影像对象可以较为容易地被识别和分类。
与传统的分类方法的比较表明,文中所提出的分类方法具有明显的优越性和良好的前景。
关键词: 遥感分类;影像分割;类方案;特征表达中图分类号: TP75111 文献标识码: A1 引 言遥感的最终目标是反映、描绘、量化和刻画地球表面的格局(Surface Patterns ),从而有助于理解和把握地球表面各种现象和过程。
自从1972年Landsat1上天以来,我们几乎总是用同一种方式来达到上述目标,即首先测量地球表面的反射或辐射,将之记录到影像上,然后对影像的最小单元———像元进行统计分析(像元层次上的统计分析)。
在遥感分类领域中的情形也大致如此。
对于处理不同尺度下空间问题的地理学、景观生态学或其它学科而言,像元层次上的统计分析不足以表达对上述学科来说具有认识论或哲学意义的基本概念[1]。
从认识论角度看,人类认识和把握事物所进行的思维和推理都是基于概念层次的。
因而,仅从像元出发是不可能进行相关的思维和推理活动,也不可能实现较高层次的遥感影像理解和分析。
这也是为什么地理学的很多核心概念如空间关系(距离、拓扑连接、方向特征)、空间模式、多尺度或区域结构等特征和方法直到现在还不能有效地应用于包括遥感分类在内的诸多遥感影像分析任务中。
虽然近年在基于像元的遥感影像分类上引入了很多的新的方法如模糊集(Fuzzy Set )[2]、神经网络分类器(Neural Net Classifier )[3,4]、空间逐步寻优模型(Stepwise Optimization Making M odel )[5]、分层聚类(Hierarchical Clustering )[6]等等,在影像分类精度等方面有不少的改进,但由于这些方法从本质上还是基于像元层次的,因而无法从根本上摆脱基于像元分类方法的局限性。
要想使遥感影像分类的精度有根本性的改善或提高,必须突破传统的像元层次上的遥感分类体系。
以像元直接进行土地覆被分类时所出现的一个明显的但常受到忽视的问题是:像元所记录的相当一部分信号事实上来自于周围像元所对应的地表,这是多因素(包括传感器和其它相关设备的光学特性,以及大气效应等)作用的结果(T ownshend 等,2000)[7]。
可行的解决方案是利用情景特征(C ontex 2tual Feature ),也即利用周边像元的观测值来辅助分类。
而整合邻域像元信息的一个较好的方法是图像分割。
在很多情形下,只有当图像被分割为同质对象时,图像分析才能得到有意义的结果(G orte 1998,Baat 和Sch pe 2000,Blaschke 等,2000[8—10])。
据此,本文提出了基于多特征的遥感影像分类方法,即通过对分割得到的同质对象(图像区域)的多种特征来进行遥感影像分类,从而避免直接在像元层次上进行分类,以克服传统的遥感分类方法的局限。
本文后续内容如下:第二部分阐述基于多特第8卷第3期遥 感 学 报V ol.8,N o.32004年5月JOURNA L OF RE M OTE SE NSINGMay ,2004征的遥感分类方法及其流程,第三部分介绍实验数据及研究方法,第四部分给出实验的结果并进行相关讨论,第五部分为本文的结论。
2 基于多特征的遥感影像分类图像工程包括三个层次,即低层次的基于像元的图像处理,中间层次的基于目标的图像分析,以及高层次的基于符号的图像理解[11]。
在图像工程的整体框架下,基于像元的遥感影像分析处于该框架的低层次———图像处理层次。
与之相对应,基于目标的遥感影像分析则处于相对较高的层次———图像分析层次。
因而,从基于像元的遥感影像处理向基于目标的遥感影像分析的演变,是遥感学科进一步发展的必然要求。
相应地,遥感分类也必须顺应这一演变趋势。
国外的一些学者已经从遥感影像分析的层面对新的遥感分类方法作了一些探索性的研究,并且有了一些进展,如Lobo的每地块(Per2field)方法[12],Aplin等(1999)的每斑块(Per2Patch)分类方法[13],以及基于对象的模糊规则分类[10]等等,使分类的结果有所改进。
然而,无论是目标识别还是分类,特征才是事实上起决定作用的因素。
特定的目标总是和相应的特征或特征组合(多特征)相联系的。
只要选择合适的特征或特征组合,我们就能把某一目标与其它目标区别开来。
图像分析过程中无论是目标表达还是参数测量[11],都是围绕着“特征”来展开的。
因而,“特征”在遥感影像分析中具有重要的意义。
传统的遥感影像分析也是基于特征———光谱特征的,但是由于异物同谱和同物异谱现象较为普遍,仅靠光谱特征是不足以表达目标或类的,因而其分析结果的可靠性常常不尽人意。
基于多特征的遥感影像分析或分类才有可能得到较可靠的结果。
例如,在一标准假彩色影像中的某一红色影像区域,若根据它的光谱特征,我们可能将其识别为林地或草地,若加入邻接特征,即考虑到它周围的地物以居民点用地居多,我们将其标识为居民点绿地。
若该对象不是居民点绿地,我们可以根据它的纹理特征来判别它究竟是林地还是草地。
基于此,我们提出了基于多特征的遥感影像分类方法。
首先,我们根据研究问题所涉领域的专业知识,影像所在区域的背景知识,以及影像所呈现的光谱特征,制定类方案(class scheme)。
继而,根据领域知识和规则,建立类和特征之间的对应关系,即利用特征或特征组合来表达类。
与此同时,我们对遥感影像进行分割,得到相应的影像区域或对象,然后通过特征测量,得到这些区域的光谱特征、几何特征、拓扑特征和纹理特征等。
在类与特征或特征组合的对应关系的指导下,对经分割得到的影像区域进行识别和标识,最后可将相邻的同标识对象进行归并,最终得到分类结果。
3 试验数据和研究方法311 试验数据 试验区位于香港元朗地区,使用的数据是1999年2月3日成像的SPOT影像数据,空间分辨率是10m。
本研究选取了其中较有典型意义的400×400像元的区域。
测试区域的假彩色影像见图1。
312 研究方法首先对测试区域进行影像分割,将之分割为影像对象,然后计算这些对象的光谱特征、几何特征以及邻接特征等,根据这些特征或特征组合,我们就能识别这些对象,从而完成分类,最后对分类精度进行评价。
我们还用常规方法(最小距离法)对测试影像进行遥感分类,以比较两种方法的优劣性。
31211 影像分割特征的依托对象是影像区域或分割对象(seg2 ments)。
在利用基于多特征的遥感分类方法进行分类之前,我们必须借助于影像分割以获得影像对象。
常见的遥感影像分割有两种,一种是基于边缘的分割,还有一种是基于区域的分割,纹理分割也被认为属于后者。
基于区域的分割方法是相对较为流行的一种遥感影像分割方法[10]。
Baatz(2000)提出一种基于局部相互最佳适配(local mutual best fitting)的区域增长策略[9],以此来指导相邻图像对象之间的合并。
但是,他没有给出像元到图像对象的增长策略,事实上基于局部相互最佳适配的思想也同样可以用于从像元到图像对象的区域增长过程。
基于Baatz的局部最佳相互适配思想,我们提出了基于改进的区域增长的分割方法:首先,在影像中搜索符合局部最佳适配原则的像元,然后以此为种子点合并与之光谱空间距离最近的邻接像元。
随着相邻像元的不断并入,种子点与这些并被并入的像无所组成的影像区域的异质性将不断增大。
一旦异质性突破设定的阈值(本研究中取25),增长过程即告结束。
该分割方法下异质性Z的计算方法如下:240 遥 感 学 报第8卷Z =∑h <RY i ,h -珔Y i珔Y i2其中,珔Y i 为图像区域内第i 波段下各像元的灰度均值,Y i ,h 为图像区域内序号为h 的像元的第i 波段的灰度值,R 表示斑块区域。
图1 测试区域的假彩色影像Fig.1 A false color com posite of the study area31212 特征选择和特征参数计算根据目视,我们发现属于不同类的部分地物的光谱特征较为接近,如河流和农田,林地与居民点中的绿地以及田埂绿地等。
尽管上述对象具有相同或相似的光谱特征,但总能找到相应的其它特征将它们区别开来。
河流斑块较狭长,农田斑块则较为规整,形状也较紧凑,因此通过形状指数就可以将两者区分开来;具有相似光谱特征的林地与居民点绿地以及田埂绿地的区分可以采用邻接指数。
若相邻接斑块中农田斑块面积占优势则为田埂绿地(属农田类),若相邻接斑块中居民点斑块面积占优势则为居民点绿地(属居民点类),其它的则为林地。
以下参数是本研究中所用到的特征参数:(1)形状指数F =p/S (1)式中,p 为分割对象的长度,S 为分割对象的面积。
(2)邻接指数N =S i ∑S i(2)式中,i 表示类别,S i 为分割对象的邻接对象归属类别i 的面积。
31213 类方案的制定和类的特征表达根据测试影像所在区域的背景知识和目视解译,我们定义了如下的土地利用类别:水体、农田、居民点(包括其它高反射率的人工构筑物)、林地和滩涂。
由于同一个类中的地物其光谱响应的差异可能较大,故将类细分为子类。
显然,子类的数目明显增多,这样分属不同类的子类之间的光谱特征可能较为接近,从而增加了分类的难度。
为识别每一个子类,找出每一个子类的独特的特征组合是关键所在。
在本文中我们引入了两个特征,即邻接特征和形状特征(相应特征参数的计算见式(1),式(2)),从而使每一个子类具有区别于其它子类的特征组合。
方案及其特征表达见表1。
表1 基于多特征的类表达T able 1 Class representation b ased on features 类子类光谱特征邻接特征3形状特征农田农田2Ⅰ(无草田埂或含水较少的农田)灰色农田农田2Ⅱ(含水较多的农田)暗绿色F 较小农田2Ⅲ(长草田埂)红或红褐色农田水体水体2Ⅰ(一般水质水体)暗绿色F 较大水体2Ⅱ(较好水质水体)黑色滩涂滩涂2Ⅰ(无植被的滩涂)灰色非农田滩涂2Ⅱ(有植被的滩涂)红褐色滩涂居民点居民点2Ⅰ(人工构筑物)白,粉红,亮灰居民点2Ⅱ(居民点绿地)红或红褐色居民点林地林地红或红褐色非滩涂,非居民点,非农田 3此处邻接特征以主要的邻接对象来表达。
