高分辨率遙感影像面向?qū)ο蟾匦畔⑻崛》椒ㄌ接?/h1>
2014-10-22 21:26:09趙占輝
科技資訊 2014年20期
趙占輝
摘 要：隨著高分辨率遙感技術(shù)發(fā)展，高分辨率遙感影像得到廣泛應(yīng)用，特別是高分辨率遙感影像面向?qū)ο笮畔⑻崛〖夹g(shù)應(yīng)用廣泛。本文以某地區(qū)遙感影像為基礎(chǔ)數(shù)據(jù)，探討了高分辨率遙感影像面向?qū)ο蟾匦畔⑻崛〉募夹g(shù)方法，并對(duì)耕地信息提取實(shí)驗(yàn)結(jié)果進(jìn)行精度評(píng)價(jià)，得到了良好的效果。
關(guān)鍵詞：面向?qū)ο?特征提取 耕地
中圖分類號(hào)：TP751 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）07（b）-0038-01
隨著遙感衛(wèi)星技術(shù)的發(fā)展，高分辨率遙感影像得到了普遍應(yīng)用，遙感信息提取技術(shù)得到了快速發(fā)展，特別是面向?qū)ο蟾叻直媛蔬b感影像信息提取技術(shù)的實(shí)現(xiàn)，為人們的生產(chǎn)生活提供了極大方便。面向?qū)ο筇崛〖夹g(shù)促進(jìn)了影像分析技術(shù)的發(fā)展 [1]，與傳統(tǒng)的基于像素的分類結(jié)果相比，基于目標(biāo)對(duì)象的方法得到的結(jié)果更容易被解譯，而且處理結(jié)果中圖斑的完整性更好[2]。特別是利用面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行了耕地信息提取，能達(dá)到理想的精度，效果較好。本文就基于ENVI EX高分辨率遙感影像面向?qū)ο蟾匦畔⑻崛〖夹g(shù)方法進(jìn)行探討。
1 研究區(qū)域和影像數(shù)據(jù)
1.1 數(shù)據(jù)源
為了準(zhǔn)確的提取耕地信息，選擇某城市全色波段與多光譜融合后的影像作為實(shí)驗(yàn)數(shù)據(jù)，研究區(qū)域中包括典型的耕地，以及少量的建筑物和水體。
2 耕地信息提取及分類
2.1 發(fā)現(xiàn)對(duì)象
2.1.1 準(zhǔn)備工作
根據(jù)數(shù)據(jù)源和特征提取類型等情況，進(jìn)行分類提取之前，可以有選擇地對(duì)對(duì)原始影像進(jìn)行幾何校正、輻射校正等預(yù)處理工作，如調(diào)整空間分辨率、調(diào)整光譜分辨率等。
2.1.2 影像分割及分割參數(shù)的確定
影像多尺度分割中的尺度是一個(gè)關(guān)于多邊形對(duì)象異質(zhì)性最小的閾值，決定生成最小多邊形的級(jí)別大小，分割的質(zhì)量及信息提取的精度。ENVI EX提供了一種閾值法進(jìn)一步精煉分塊的方法，即基于亮度值的柵格操作，根據(jù)分割后結(jié)果中的一個(gè)波段的亮度值聚合分塊。分割效果的好壞一定程度決定了分類效果的精確度，結(jié)合preview 預(yù)覽分割效果，選擇一個(gè)理想的分割閥值，盡可能好地分割出邊緣特征。根據(jù)參數(shù)選擇原則，設(shè)置分割參數(shù)，通過試驗(yàn)得出，分割尺度為50，耕地類型能夠被準(zhǔn)確的分割出來，該參數(shù)比較合適。
2.1.3 合并分塊及參數(shù)的確定
影像分割時(shí)，由于閾值過低，導(dǎo)致部分特征被錯(cuò)分、單個(gè)特征被分成多個(gè)部分，通過合并來擬補(bǔ)分割不足問題。較好的合并分塊效果有助于提高最終分類效果，結(jié)合preview預(yù)覽合并分塊效果，選擇一個(gè)理想的合并閥值，盡可能好地反映邊緣特征。通過試驗(yàn)，設(shè)定閾值為80時(shí)耕地類型能夠被準(zhǔn)確的分割出來，該參數(shù)比較合適。
2.1.4 分塊提煉
基于實(shí)驗(yàn)影像背景具有較高的對(duì)比度特征，運(yùn)用FX提供的閾值法進(jìn)一步精煉分塊的方法。它是基于亮度值的柵格操作，根據(jù)分割后結(jié)果中的一個(gè)波段的亮度值聚合分塊。
2.1.5 計(jì)算對(duì)象屬性
這一步是計(jì)算對(duì)象的屬性，計(jì)算4個(gè)類別的屬性：光譜、空間、紋理、高級(jí)選項(xiàng)。其中“顏色空間”選擇三個(gè)RGB波段轉(zhuǎn)換為HSI顏色空間，“波段比”選擇兩個(gè)波段用于計(jì)算波段比。
2.2 基于監(jiān)督分類的特征提取
2.2.1 選擇樣本
為了建立分類函數(shù)，需要對(duì)每一類別選取一定數(shù)目的樣本，在本是實(shí)驗(yàn)中，考慮實(shí)驗(yàn)影像中所包含的主要地物類型，將影像分成生長中期作物、休耕地、生長早期或晚期作、居民地或裸地、水體五種耕地類型，分別用紅色、綠色、深藍(lán)色、黃色、天藍(lán)色來表示，并選擇具有代表性的樣本4～10個(gè)。
2.2.2 設(shè)置樣本屬性
選擇樣本的屬性用于監(jiān)督分類，可以根據(jù)提取的實(shí)際地物特性選擇一定的屬性。
2.2.3 選擇分類方法
本實(shí)驗(yàn)采用支持向量機(jī)分析法，該分類方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力。支持向量機(jī)的具有以下優(yōu)點(diǎn)。
（1）該算法法根據(jù)有限的樣本，計(jì)算出現(xiàn)有信息下的最優(yōu)解，克服了樣本數(shù)趨于無窮大時(shí)最優(yōu)值的局限。
（2）該算法最終將轉(zhuǎn)化成為一個(gè)二次型尋優(yōu)問題，在理論上可以得到全局最優(yōu)點(diǎn)，避免了神經(jīng)網(wǎng)絡(luò)方法中局部極值問題。
（3）該算法將實(shí)際問題通過非線性變換轉(zhuǎn)換到高維的特征空間，在高維空間中構(gòu)造線性判別函數(shù)來實(shí)現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機(jī)器有較好的推廣能力，同時(shí)它巧妙地解決了維數(shù)問題，其算法復(fù)雜度與樣本維數(shù)無關(guān)。
2.2.4 輸出結(jié)果
特征提取結(jié)果輸出，可以選擇以下結(jié)果輸出：矢量結(jié)果及屬性、分類圖像及分割后的圖像、還有高級(jí)輸出包括屬性圖像和置信度圖像、輔助數(shù)據(jù)包括規(guī)則圖像及統(tǒng)計(jì)輸出。
3 精度評(píng)價(jià)
對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。精度驗(yàn)證方式有：混淆矩陣與ROC曲線?；煜仃囎鳛楸容^常用的驗(yàn)證方法，通過將每個(gè)實(shí)測像元的位置和分類與分類圖象中的相應(yīng)位置和分類像比較計(jì)算的?；煜仃嚨拿恳涣写砹藢?shí)際測得信息，每一列中的數(shù)值等于實(shí)際測得像元在分類圖象中對(duì)應(yīng)于相應(yīng)類別的數(shù)量；每一行代表了遙感數(shù)據(jù)的分類信息，每一行中的數(shù)值等于遙感分類像元在實(shí)測像元相應(yīng)類別中的數(shù)量。ROC曲線根據(jù)一系列不同的二分類方式，以真陽性率為縱坐標(biāo)，假陽性率為橫坐標(biāo)繪制的曲線，根據(jù)實(shí)際情況，把試驗(yàn)結(jié)果劃分為多個(gè)有序分類，再進(jìn)行統(tǒng)計(jì)分析。因此，ROC曲線可以用圖形的方式表達(dá)分類精度，比較形象，是另一種適用范圍廣泛的精度驗(yàn)證方法。
4 結(jié)語
高分辨率遙感圖像的細(xì)節(jié)信息豐富，圖像的局部異質(zhì)性大，傳統(tǒng)的分類方法已經(jīng)不能滿足更高的需求。而對(duì)高分辨率影像來說，面向?qū)ο蟮男畔⑻崛∫环N非常有效的信息提取方法，具有操作便捷，精度高的特點(diǎn)，相對(duì)于傳統(tǒng)方法，可以顯著提高分類精度，提取效果更好隨著我國遙感技術(shù)的發(fā)展，高分辨率遙感影像面向?qū)ο笮畔⒌玫礁M(jìn)一步發(fā)展。
參考文獻(xiàn)
[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?qū)ο蟮母叻直媛蔬b感影像信息提取—以耕地提取為例[J].遙感應(yīng)用，2008：63-66.
[3] 張明媚，姚國紅.面向?qū)ο蟮母叻直媛蔬b感影像信息提取技術(shù)[J].地理空間信息，2013，11（1）：89-91.
[4] 鄧書斌.ENVI遙感圖像處理方法[M].科學(xué)出版社，2010.endprint
猜你喜歡
我國將加快制定耕地保護(hù)法今日農(nóng)業(yè)(2022年13期)2022-11-10 01:05:49 特征提取和最小二乘支持向量機(jī)的水下目標(biāo)識(shí)別艦船科學(xué)技術(shù)(2022年15期)2022-09-14 09:21:50 保護(hù)耕地北京測繪(2021年12期)2022-01-22 03:33:36 新增200億元列入耕地地力保護(hù)補(bǔ)貼支出今日農(nóng)業(yè)(2021年14期)2021-11-25 23:57:29 基于Gazebo仿真環(huán)境的ORB特征提取與比對(duì)的研究電子制作(2019年15期)2019-08-27 01:12:00 耕地時(shí)節(jié)小學(xué)生必讀(低年級(jí)版)(2018年9期)2018-12-13 01:17:06 基于Daubechies(dbN)的飛行器音頻特征提取電子制作(2018年19期)2018-11-14 02:37:08 Bagging RCSP腦電特征提取算法自動(dòng)化學(xué)報(bào)(2017年11期)2017-04-04 02:52:58 基于MED和循環(huán)域解調(diào)的多故障特征提取噪聲與振動(dòng)控制(2015年4期)2015-01-01 07:08:21 耕地多功能的層次性及其多功能保護(hù)中國土地科學(xué)(2011年8期)2011-03-20 16:26:29
趙占輝
摘 要：隨著高分辨率遙感技術(shù)發(fā)展，高分辨率遙感影像得到廣泛應(yīng)用，特別是高分辨率遙感影像面向?qū)ο笮畔⑻崛〖夹g(shù)應(yīng)用廣泛。本文以某地區(qū)遙感影像為基礎(chǔ)數(shù)據(jù)，探討了高分辨率遙感影像面向?qū)ο蟾匦畔⑻崛〉募夹g(shù)方法，并對(duì)耕地信息提取實(shí)驗(yàn)結(jié)果進(jìn)行精度評(píng)價(jià)，得到了良好的效果。
關(guān)鍵詞：面向?qū)ο?特征提取 耕地
中圖分類號(hào)：TP751 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）07（b）-0038-01
隨著遙感衛(wèi)星技術(shù)的發(fā)展，高分辨率遙感影像得到了普遍應(yīng)用，遙感信息提取技術(shù)得到了快速發(fā)展，特別是面向?qū)ο蟾叻直媛蔬b感影像信息提取技術(shù)的實(shí)現(xiàn)，為人們的生產(chǎn)生活提供了極大方便。面向?qū)ο筇崛〖夹g(shù)促進(jìn)了影像分析技術(shù)的發(fā)展 [1]，與傳統(tǒng)的基于像素的分類結(jié)果相比，基于目標(biāo)對(duì)象的方法得到的結(jié)果更容易被解譯，而且處理結(jié)果中圖斑的完整性更好[2]。特別是利用面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行了耕地信息提取，能達(dá)到理想的精度，效果較好。本文就基于ENVI EX高分辨率遙感影像面向?qū)ο蟾匦畔⑻崛〖夹g(shù)方法進(jìn)行探討。
1 研究區(qū)域和影像數(shù)據(jù)
1.1 數(shù)據(jù)源
為了準(zhǔn)確的提取耕地信息，選擇某城市全色波段與多光譜融合后的影像作為實(shí)驗(yàn)數(shù)據(jù)，研究區(qū)域中包括典型的耕地，以及少量的建筑物和水體。
2 耕地信息提取及分類
2.1 發(fā)現(xiàn)對(duì)象
2.1.1 準(zhǔn)備工作
根據(jù)數(shù)據(jù)源和特征提取類型等情況，進(jìn)行分類提取之前，可以有選擇地對(duì)對(duì)原始影像進(jìn)行幾何校正、輻射校正等預(yù)處理工作，如調(diào)整空間分辨率、調(diào)整光譜分辨率等。
2.1.2 影像分割及分割參數(shù)的確定
影像多尺度分割中的尺度是一個(gè)關(guān)于多邊形對(duì)象異質(zhì)性最小的閾值，決定生成最小多邊形的級(jí)別大小，分割的質(zhì)量及信息提取的精度。ENVI EX提供了一種閾值法進(jìn)一步精煉分塊的方法，即基于亮度值的柵格操作，根據(jù)分割后結(jié)果中的一個(gè)波段的亮度值聚合分塊。分割效果的好壞一定程度決定了分類效果的精確度，結(jié)合preview 預(yù)覽分割效果，選擇一個(gè)理想的分割閥值，盡可能好地分割出邊緣特征。根據(jù)參數(shù)選擇原則，設(shè)置分割參數(shù)，通過試驗(yàn)得出，分割尺度為50，耕地類型能夠被準(zhǔn)確的分割出來，該參數(shù)比較合適。
2.1.3 合并分塊及參數(shù)的確定
影像分割時(shí)，由于閾值過低，導(dǎo)致部分特征被錯(cuò)分、單個(gè)特征被分成多個(gè)部分，通過合并來擬補(bǔ)分割不足問題。較好的合并分塊效果有助于提高最終分類效果，結(jié)合preview預(yù)覽合并分塊效果，選擇一個(gè)理想的合并閥值，盡可能好地反映邊緣特征。通過試驗(yàn)，設(shè)定閾值為80時(shí)耕地類型能夠被準(zhǔn)確的分割出來，該參數(shù)比較合適。
2.1.4 分塊提煉
基于實(shí)驗(yàn)影像背景具有較高的對(duì)比度特征，運(yùn)用FX提供的閾值法進(jìn)一步精煉分塊的方法。它是基于亮度值的柵格操作，根據(jù)分割后結(jié)果中的一個(gè)波段的亮度值聚合分塊。
2.1.5 計(jì)算對(duì)象屬性
這一步是計(jì)算對(duì)象的屬性，計(jì)算4個(gè)類別的屬性：光譜、空間、紋理、高級(jí)選項(xiàng)。其中“顏色空間”選擇三個(gè)RGB波段轉(zhuǎn)換為HSI顏色空間，“波段比”選擇兩個(gè)波段用于計(jì)算波段比。
2.2 基于監(jiān)督分類的特征提取
2.2.1 選擇樣本
為了建立分類函數(shù)，需要對(duì)每一類別選取一定數(shù)目的樣本，在本是實(shí)驗(yàn)中，考慮實(shí)驗(yàn)影像中所包含的主要地物類型，將影像分成生長中期作物、休耕地、生長早期或晚期作、居民地或裸地、水體五種耕地類型，分別用紅色、綠色、深藍(lán)色、黃色、天藍(lán)色來表示，并選擇具有代表性的樣本4～10個(gè)。
2.2.2 設(shè)置樣本屬性
選擇樣本的屬性用于監(jiān)督分類，可以根據(jù)提取的實(shí)際地物特性選擇一定的屬性。
2.2.3 選擇分類方法
本實(shí)驗(yàn)采用支持向量機(jī)分析法，該分類方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力。支持向量機(jī)的具有以下優(yōu)點(diǎn)。
（1）該算法法根據(jù)有限的樣本，計(jì)算出現(xiàn)有信息下的最優(yōu)解，克服了樣本數(shù)趨于無窮大時(shí)最優(yōu)值的局限。
（2）該算法最終將轉(zhuǎn)化成為一個(gè)二次型尋優(yōu)問題，在理論上可以得到全局最優(yōu)點(diǎn)，避免了神經(jīng)網(wǎng)絡(luò)方法中局部極值問題。
（3）該算法將實(shí)際問題通過非線性變換轉(zhuǎn)換到高維的特征空間，在高維空間中構(gòu)造線性判別函數(shù)來實(shí)現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機(jī)器有較好的推廣能力，同時(shí)它巧妙地解決了維數(shù)問題，其算法復(fù)雜度與樣本維數(shù)無關(guān)。
2.2.4 輸出結(jié)果
特征提取結(jié)果輸出，可以選擇以下結(jié)果輸出：矢量結(jié)果及屬性、分類圖像及分割后的圖像、還有高級(jí)輸出包括屬性圖像和置信度圖像、輔助數(shù)據(jù)包括規(guī)則圖像及統(tǒng)計(jì)輸出。
3 精度評(píng)價(jià)
對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。精度驗(yàn)證方式有：混淆矩陣與ROC曲線?；煜仃囎鳛楸容^常用的驗(yàn)證方法，通過將每個(gè)實(shí)測像元的位置和分類與分類圖象中的相應(yīng)位置和分類像比較計(jì)算的?；煜仃嚨拿恳涣写砹藢?shí)際測得信息，每一列中的數(shù)值等于實(shí)際測得像元在分類圖象中對(duì)應(yīng)于相應(yīng)類別的數(shù)量；每一行代表了遙感數(shù)據(jù)的分類信息，每一行中的數(shù)值等于遙感分類像元在實(shí)測像元相應(yīng)類別中的數(shù)量。ROC曲線根據(jù)一系列不同的二分類方式，以真陽性率為縱坐標(biāo)，假陽性率為橫坐標(biāo)繪制的曲線，根據(jù)實(shí)際情況，把試驗(yàn)結(jié)果劃分為多個(gè)有序分類，再進(jìn)行統(tǒng)計(jì)分析。因此，ROC曲線可以用圖形的方式表達(dá)分類精度，比較形象，是另一種適用范圍廣泛的精度驗(yàn)證方法。
4 結(jié)語
高分辨率遙感圖像的細(xì)節(jié)信息豐富，圖像的局部異質(zhì)性大，傳統(tǒng)的分類方法已經(jīng)不能滿足更高的需求。而對(duì)高分辨率影像來說，面向?qū)ο蟮男畔⑻崛∫环N非常有效的信息提取方法，具有操作便捷，精度高的特點(diǎn)，相對(duì)于傳統(tǒng)方法，可以顯著提高分類精度，提取效果更好隨著我國遙感技術(shù)的發(fā)展，高分辨率遙感影像面向?qū)ο笮畔⒌玫礁M(jìn)一步發(fā)展。
參考文獻(xiàn)
[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?qū)ο蟮母叻直媛蔬b感影像信息提取—以耕地提取為例[J].遙感應(yīng)用，2008：63-66.
[3] 張明媚，姚國紅.面向?qū)ο蟮母叻直媛蔬b感影像信息提取技術(shù)[J].地理空間信息，2013，11（1）：89-91.
[4] 鄧書斌.ENVI遙感圖像處理方法[M].科學(xué)出版社，2010.endprint
猜你喜歡
今日農(nóng)業(yè)(2022年13期)2022-11-10 01:05:49
艦船科學(xué)技術(shù)(2022年15期)2022-09-14 09:21:50
北京測繪(2021年12期)2022-01-22 03:33:36
今日農(nóng)業(yè)(2021年14期)2021-11-25 23:57:29
電子制作(2019年15期)2019-08-27 01:12:00
小學(xué)生必讀(低年級(jí)版)(2018年9期)2018-12-13 01:17:06
電子制作(2018年19期)2018-11-14 02:37:08
自動(dòng)化學(xué)報(bào)(2017年11期)2017-04-04 02:52:58
噪聲與振動(dòng)控制(2015年4期)2015-01-01 07:08:21
中國土地科學(xué)(2011年8期)2011-03-20 16:26:29
