遙感影像信息提取技術(shù)的研究與實現(xiàn)

呂 超，呂 游

(1.通遼市規(guī)劃測繪院，內(nèi)蒙古 通遼 028000；2.遼寧工程技術(shù)大學(xué) 測繪與地理科學(xué)學(xué)院，遼寧 阜新 123000)

遙感影像信息提取技術(shù)的研究與實現(xiàn)

呂 超1，呂 游2

(1.通遼市規(guī)劃測繪院，內(nèi)蒙古 通遼 028000；2.遼寧工程技術(shù)大學(xué) 測繪與地理科學(xué)學(xué)院，遼寧 阜新 123000)

隨著遙感技術(shù)的發(fā)展和遙感應(yīng)用的深入，遙感影像信息提取方法的研究成為關(guān)注的焦點。一般來說遙感影像信息提取包括分類、識別和特征提取。文中主要研究利用MATLAB實現(xiàn)影像中的光譜特征和紋理特征的提取和分類，并結(jié)合ERDAS軟件對影像進(jìn)行預(yù)處理和分類后處理以及精度評定，最終從精度評定結(jié)果來看，兩種特征分類的總體精度較高，另外,圖像的結(jié)構(gòu)信息有助于提高遙感影像信息提取的精度。

遙感影像信息提??；光譜特征；紋理特征

一般來說，遙感影像信息提取包括分類和識別。遙感影像目標(biāo)識別與分類一般針對人工地物而進(jìn)行，不僅依據(jù)其光譜特征，還要依據(jù)空間語義關(guān)系、紋理等特征，其落腳點往往是對小尺度的目標(biāo)進(jìn)行識別和分類，其數(shù)據(jù)源為高空間分辨率的航空影像和衛(wèi)星影像，因為影像空間分辨率越高，人工行為的影響和干預(yù)的效果就越明顯。人工地物是空間地理信息庫中的重要元素，主要包括建筑物、橋梁、道路和大型工程構(gòu)筑物，而在城市區(qū)域高分辨率遙感影像中，80%的目標(biāo)是建筑物、道路、植被、水域等，故關(guān)于這些地物的研究相對較多，它們也是面狀和線狀目標(biāo)提取的典型代表。

1 遙感影像的特征提取

1.1 遙感影像的紋理特征

為了定量地描述紋理，需要研究紋理本身可能具有的特征。粗糙度和方向性是人們區(qū)分紋理時所用的兩個最重要的特征，本文著重介紹統(tǒng)計方法中最常用的紋理特征：灰度共生矩陣。

1)角二階矩(能量)

(1)

2)對比度(慣性矩)

(2)

3)相關(guān)度

(3)

其中：

4)熵

(4)

5)逆矩差

(5)

6)同質(zhì)性

(6)

1.2 遙感影像的光譜特征

地物的光譜特征包括地物反射光譜特征、輻射光譜特征等。遙感傳感器接收不同的輻射能量，最終導(dǎo)致同一圖像上不同像元的灰度差異。光譜特征的特點是對應(yīng)于每個像元，但與像元的排列等空間結(jié)構(gòu)無關(guān)。正常情況下不同地物具有不同的光譜特征，因此，根據(jù)地物光譜特征可以對遙感影像進(jìn)行特征提取。

2 遙感影像分類

遙感圖像自動分類處理的一般過程如圖1所示。

圖1 遙感圖像自動分類處理的一般過程

2.1 遙感影像監(jiān)督分類

最小距離分類法是以特征空間中的距離作為像素分類的依據(jù)。首先由訓(xùn)練組數(shù)據(jù)得出每一類別的均值向量和協(xié)方差矩陣，然后以各類的均值向量作為該類在多維空間中的中心位置。計算輸入圖像中每個像元到各類中心的距離，到哪一類中心距離最小，則該像元就歸入哪一類。因而，在這類方法中距離就是判別函數(shù)。

最小距離分類法原理簡單，分類精度不高，但計算速度快。最小距離分類法中通常使用最短歐式距離。歐式距離判別函數(shù)為

(7)

式中:n為波段數(shù)；xj為x在j波段的像元值；Mij為第i類在第j波段的均值。

2.2 遙感影像非監(jiān)督分類

在非監(jiān)督分類中，最常用的統(tǒng)計分析方法是集群法，它按照像元之間的聯(lián)系程度來歸類，這種像元統(tǒng)計分析方法首先要確定描述像元之間聯(lián)系程度的統(tǒng)計量或稱相似度，根據(jù)距離最近的原則來判定劃歸同一類像元。在遙感圖像分類過程中，常使用距離和相關(guān)系數(shù)來衡量相似度，兩個像素之間的相關(guān)系數(shù)rij可以定義為

(8)

3 遙感影像信息提取試驗

3.1 基于光譜特征的遙感影像分類與評價

本試驗結(jié)合ERDAS軟件和MATLAB軟件進(jìn)行基于光譜特征的影像分類試驗，其中ERDAS軟件用于對圖像做預(yù)處理，將預(yù)處理后的影像在MATLAB軟件中進(jìn)行光譜特征分類，對分類結(jié)果在ERDAS中進(jìn)行濾波處理消除“噪聲”，試驗中采用效果比較好的中值濾波來平滑噪聲，結(jié)果如圖2所示，并最終在ERDAS軟件中進(jìn)行精度評定，評價結(jié)果如表1、表2所示。在分類結(jié)果的基礎(chǔ)上制作土地利用現(xiàn)狀圖，如圖3所示。

表1 混淆矩陣

圖2 基于光譜特征的分類結(jié)果

總體分類精度=

(14+10+17+9+15)/100=65%.

表2 精度評價結(jié)果

圖3 土地利用現(xiàn)狀

3.2 基于紋理特征的遙感影像分類與評價

在ERDAS軟件圖像中找出15個大小約為40×40像素的具有代表性的建筑物采樣樣本，其中部分建筑物樣本如圖4所示。

圖4 建筑物部分樣本

計算待分類影像和樣本的灰度共生矩陣，然后根據(jù)灰度共生矩陣進(jìn)行特征值的計算，形成特征矩陣。基于紋理特征的建筑物分類結(jié)果如圖5所示。

圖5 基于紋理特征的建筑物分類結(jié)果

最后針對分類結(jié)果進(jìn)行精度評定。評定結(jié)果如表3、表4所示。

表3 混淆矩陣

總體分類精度=(56+28)/100=84%.

表4 精度評定結(jié)果

3.3 試驗結(jié)果分析

本文利用ERDAS軟件與MATLAB編程語言實現(xiàn)遙感影像的信息提取過程，ERDAS軟件的作用主要是充分利用其預(yù)處理功能模塊、后處理和精度評價功能模塊、樣本的交互式采集功能來實現(xiàn)影像的預(yù)處理、樣本采集以及后處理， MATLAB的作用在于實現(xiàn)基于光譜和基于特征的遙感影像分類。

基于光譜特征的影像分類中，建筑物與道路的分類效果較差，而植被和水域分類效果較好，主要是由于“同譜異物”和“同物異譜”現(xiàn)象的存在而影響了部分地物的分類精度，影像中水域與其它地物的光譜差異最大，因此，其分類效果最佳，植被次之，而道路和建筑物與其它地物間的差異較小，導(dǎo)致二者的分類精度較低。

而基于紋理特征對建筑物的分類精度比基于光譜特征對建筑物的分類精度高，是因為紋理特征分類時利用的是區(qū)域的影像結(jié)構(gòu)，而光譜特征僅僅是基于像元的，因此，影像的空間結(jié)構(gòu)信息可以提高影像分類的精度。

4 結(jié)束語

實驗表明，基于光譜特征的影像分類中不可避免地存在“同物異譜”和“同譜異物”現(xiàn)象，因此，地物間光譜差異直接影響了分類精度，差異大，分類精度高；差異小，分類精度低。另外，基于紋理特征比基于光譜特征對影像分類的精度高，說明圖像中的結(jié)構(gòu)信息有助于提高遙感影像信息提取和目標(biāo)識別的精度。

[1]苗云鵬,張瑞紅,趙保國.高分辨率遙感影像信息提取方法研究[J].測繪與空間地理信息,2010,33(4):150-156.

[2]黨安榮,王曉棟,陳曉峰,等.ERDAS IMAGINE遙感圖象處理方法[M].北京:清華大學(xué)出版社, 2003.

[3]伍娟,盧凌,董靜.基于IHS變換與直方圖匹配法的遙感影像融合[J].武漢理工大學(xué)學(xué)報,2004,28(1):55-58.

[4]杜培軍.遙感原理與應(yīng)用[M].北京：中國礦業(yè)大學(xué)出版社,2006.

[5]陳漢友.遙感影像融合技術(shù)研究及應(yīng)用[D].南京：河海大學(xué),2004.

[6]孫仲康,沈振康.數(shù)字圖像處理及其應(yīng)用[M].北京：國防工業(yè)出版社,1985.

[7]楊玉靜,馮建輝.紋理特征提取及輔助遙感影像分類技術(shù)研究[J].海洋測繪,2008,28(4):37-40.

[8]楊玉靜.遙感影像融合關(guān)鍵技術(shù)探討[J].北京測繪,2010(2):75-77.

[9]楊玉靜,于彥偉,馮建輝.紋理特征輔助遙感影像分類技術(shù)的探討[J].測繪與空間地理信息,2008,31(6):82-85.

[10]郭德軍,宋蟄存.基于灰度共生矩陣的紋理圖像分類研究[J].林業(yè)機(jī)械與木工設(shè)備，2005,33(7):21-23.

[11]王競雪.基于特征的遙感影像分類方法及應(yīng)用研究[D].阜新：遼寧工程技術(shù)大學(xué),2007.

[12]李武躍.遙感影像紋理特征提取及其定量分析[D].上海：上海交通大學(xué),2008.

[13]宋鐵群.基于MATLAB的遙感影像紋理特征分析[J].測繪與空間地理信息,2009,32(4):71-73.

[14]BENEDIKTSSON JA, SVEINSSON JS,ARNASON K. Classification and Feature Extraction of AVIRIS data[J].IEEE Trans.on Geoscience and Remote Sensing,1995,33(5):1194-1205.

Researchandrealizationofremotesensingimageinformationextractiontechnologies

Lü Chao1,Lü You2

(1. Tongliao City Planning Surveying and Mapping Institute,Tongliao 028000,China;2.College of Geomatics and Geography Science, Liaoning Technical University, Fuxin 123000,China)

With the development of remote sensing and the deep application of remeote sensing, remote sensing image information extraction method has become the research focus. In general, it includes the classification, identification and feature extraction. It mainly studies the extraction and classification of images’ spectral and texture feature by using MATLAB software, and combined with ERDAS software,it carries out preparation and post-processing for images and accuracy assessment. In addition, it accomplishes the vegetation extraction of remote sensing images through ERDAS. From the view of accuracy assesssment result, the total accuracy of classification based on spectral and texture feature are both high, so a conclusion is obtained that the spatial structure information is helpful to improve the accuracy of remote sensing image information extraction.

remote sensing image information extraction;image integration;spectral feature;texture feature;NDVI extraction

2013-04-20

呂 超(1987-)，男，助理工程師，研究方向：測繪工程.

TP75

A

1671-4679(2014)01-0034-04

劉文霞]