基于逐像元和面向?qū)ο蠓诸惙椒ǖ姆治鲅芯?/h1>
2014-12-13 09:49:06靳歡歡
江蘇科技信息 2014年19期
靳歡歡
（河南理工大學(xué)測繪與國土信息工程學(xué)院，河南焦作 454000）
0 引言
隨著遙感技術(shù)的迅速發(fā)展和高科技社會時(shí)代的需求，遙感影像數(shù)據(jù)成為數(shù)字智能地球的主要數(shù)據(jù)來源之一，隨之而來的高光譜、高時(shí)空分辨率影像也越來越受人們歡迎。與中、低分辨率遙感影像相比，高分辨率影像在景觀結(jié)構(gòu)、形狀、紋理和細(xì)節(jié)等方面都具有非常突出的信息，能夠在較小的空間尺度上觀察地表的細(xì)節(jié)變化。目前，遙感影像的分類可以采用逐像元分類或面向?qū)ο蠓诸悺Ｖ鹣裨诸愔饕紤]像元的波段光譜特征強(qiáng)度信息，但忽視空間結(jié)構(gòu)關(guān)系和上下文語義信息特征。面向?qū)ο蠓诸惪梢越Y(jié)合使用光譜、空間、上下文等更多特征信息進(jìn)行分類。由于高分辨率遙感影像上地物的光譜信息較少，基于像元的分類方法并不能提供有效的專題信息。但面向?qū)ο蠓治龇椒梢栽趯Ω呖臻g分辨率遙感影像分類時(shí)結(jié)合更多的特征，從而可以更有效地提取專題信息。另外，傳統(tǒng)的逐像元分類是以像素為單元分類的，易造成分類精度低。面向?qū)ο蠓诸惖膶ο蟛辉偈菃蝹€(gè)像素而是由多個(gè)具有相關(guān)關(guān)聯(lián)的像素組成的對象，不僅利用了影像的光譜信息，還利用了空間信息。本文以GeoEye 數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)，開展了如下研究：
（1）以監(jiān)督分類和非監(jiān)督分類評價(jià)逐像元方法在試驗(yàn)區(qū)土地分類的有效性；
（2）評價(jià)基于面向?qū)ο蠓椒ㄔ谠囼?yàn)區(qū)土地分類中的有效性；
（3）對于高分辨率影像，通過計(jì)算總體分類精度和Kappa系數(shù)比較逐像元分類和面向?qū)ο蠓诸惙椒ǖ姆诸惥取?/p>
1 試驗(yàn)數(shù)據(jù)特點(diǎn)
本次實(shí)驗(yàn)影像數(shù)據(jù)由GeoEye 衛(wèi)星獲得，GeoEye-1 衛(wèi)星是美國的一顆商業(yè)衛(wèi)星，于2008 年9 月從美國加州范登堡空軍基地發(fā)射。GeoEye-1 是太陽同步軌道衛(wèi)星，軌道高度684km，運(yùn)行周期98min，該衛(wèi)星攜帶高分辨率的CCD 相機(jī)。GeoEye 系列2 顆衛(wèi)星，亞米級分辨率；GeoEye-1 全色影像分辨率0.41m，多光譜影像分辨率1.65m；其中，全色波長：450～800nm；多光譜中的藍(lán)光波長：450～510nm；綠光波長：510～580nm；紅光波長：655nm～690nm；近紅外波長：780nm～920nm。簡而言之，GeoEye-1 衛(wèi)星具有分辨率最高、測圖能力極強(qiáng)、重訪周期極短的特點(diǎn)，在實(shí)現(xiàn)大面積成圖項(xiàng)目、細(xì)微地物的解譯與判讀等方面優(yōu)勢突出。
2 逐像元分類方法
傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類都是基于像元的分類方法，分類處理時(shí)的最小單元是像元，主要考慮單個(gè)對象的光譜信息。
2.1 非監(jiān)督分類
非監(jiān)督分類是指人們事先對分類過程不施加任何的先驗(yàn)知識，而僅憑數(shù)據(jù)（遙感影像地物的光譜特征的分布規(guī)律），即自然聚類的特性，進(jìn)行“盲目”的分類；其分類的結(jié)果只是對不同類別達(dá)到了區(qū)分，但并不能確定類別的屬性。
ENVI 軟件包括K-Means 和ISODATA 兩種非監(jiān)督分類方法。K-Means 是通過計(jì)算像元的聚類相似度對地物進(jìn)行迭代聚類分析，而ISODATA 是使用最小距離技術(shù)對像元進(jìn)行迭代聚合?？梢钥闯?，在這2 種方法中，迭代次數(shù)越多，得到的分類結(jié)果越精確，本試驗(yàn)中選取的迭代次數(shù)為6 次。非監(jiān)督分類總體上一般分為4 個(gè)過程：執(zhí)行非監(jiān)督分類、類別定義、合并子類和評價(jià)結(jié)果。定義類別的根據(jù)可以通過在高分辨率圖像上目視解譯獲得，也可以基于野外實(shí)地調(diào)查數(shù)據(jù)。本次通過目視判讀將試驗(yàn)區(qū)分為耕地、林地、裸地、沙地、村莊、其他6 類。通過ENVI軟件評價(jià)分類結(jié)果，其中總精度和Kappa 系數(shù)越大表明分類效果越好。從表1 中可以看出，Isodata 方法分類精度比K-Mean分類精度高。但總的來說都比較偏低，不能滿足要求。
表1 非監(jiān)督分類精度結(jié)果
2.2 監(jiān)督分類
監(jiān)督分類是利用訓(xùn)練樣本（即先驗(yàn)知識）去識別其他未知類別像元的一種分類方法。ENVI 中監(jiān)督分類的分類器有平行六面體、最小距離、馬氏距離、最大似然、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。用戶根據(jù)分類精度要求選擇合適的分類器，選擇不同的分類器需要設(shè)置的參數(shù)不一樣，但是都需要訓(xùn)練樣本。ENVI 中是利用ROI Tool 來定義訓(xùn)練樣本的，也就是把感興趣區(qū)當(dāng)做訓(xùn)練樣本，因此定義訓(xùn)練樣本的過程就是創(chuàng)建感興趣區(qū)的過程。訓(xùn)練樣本的定義主要靠目視解譯。定義好樣本后可以使用ENVI 中的ROI 可分離性（Compute ROI Separability）工具來計(jì)算任意類別間的統(tǒng)計(jì)距離，這個(gè)距離用于確定2 個(gè)類別間的差異性程度。這個(gè)參數(shù)值的范圍是0～2，大于1.8 為及格，數(shù)值越大表示類別間的可分離性效果越好。本次試驗(yàn)中計(jì)算的數(shù)值為1.914，表示本次選擇的訓(xùn)練樣本可分離性較好。
本文中選用了常用的4 種監(jiān)督分類器：最小距離、馬氏距離、最大似然、支持向量機(jī)對影像分別分類，然后對分類結(jié)果進(jìn)行精度評價(jià)。這4 個(gè)分類器中圖像的像元值意義分別為：到類中心的距離和、到類中心的距離、像元屬于該類的概率、距分類超平面最近的像素。這4 種監(jiān)督分類的精度評價(jià)結(jié)果如表2 所示。從表中可以看出，在監(jiān)督分類中，支持向量機(jī)分類的精度較高。
表2 監(jiān)督分類精度結(jié)果
3 面向?qū)ο蠓诸?/h2>
面向?qū)ο蠓诸愂侵父鶕?jù)影像的光譜信息及形狀信息，設(shè)置一定的均質(zhì)標(biāo)準(zhǔn)參數(shù)，將遙感影像進(jìn)行分割以形成影像對象，每一個(gè)影像對象都是具有相似光譜特征的像素的集合。此方法不是以單個(gè)像素為分析目標(biāo)，而是以影像中的像素集合為分析單元，充分考慮了對象和周圍環(huán)境之間的聯(lián)系等因素，借助對象特征知識庫來完成對影像信息的提取。隨著高分辨率遙感影像技術(shù)的發(fā)展，越來越多的遙感軟件具有這個(gè)功能，本文運(yùn)用的是ENVI 的EX 模塊，是基于影像空間以及影像光譜特征的面向?qū)ο罂臻g特征提取模塊—Feature Extraction。EX 先對影像進(jìn)行分割，然后針對分割出來的斑塊對象，利用光譜、紋理和幾何信息對目標(biāo)進(jìn)行分類和提取。
3.1 影像分割
影像分割是一種重要的影像分析技術(shù)，是指把影像分成各具特性的區(qū)域的技術(shù)和過程。比較常用的分割算法是多尺度分割法，多尺度分割是指從一個(gè)像素的對象開始進(jìn)行一個(gè)自下而上的區(qū)域合并技術(shù)，小的影像對象可以合并到稍大的對象中。在這個(gè)聚集過程中，相鄰的影像對象只要符合設(shè)置的異質(zhì)最小生長的標(biāo)準(zhǔn)就合并，如果這個(gè)最小的擴(kuò)張超出尺度參數(shù)定義的閾值范圍，合并過程結(jié)束。在多尺度影像分割過程中要達(dá)到滿意的分割結(jié)果，分割參數(shù)的選定很重要。選擇高尺度影像分割將會分出很少的圖斑，選擇一個(gè)低尺度影像分割將會分割出更多的圖斑，分割效果的好壞一定程度上決定了分類效果的精確度，我們可以通過預(yù)覽分割效果（見圖1），選擇一個(gè)理想的分割閥值（范圍是0～100），盡可能好地分割出邊緣特征。本次試驗(yàn)中選擇的分割閾值為40。
圖1 影像分割預(yù)覽圖
3.2 分塊合并
在影像分割時(shí)，由于設(shè)置的閾值過低，一些特征會被錯(cuò)分，一個(gè)特征也有可能被分成很多部分。我們可以通過分塊合并來解決這些問題。同樣也需要選擇一個(gè)理想的合并閾值（范圍是0～100），本次試驗(yàn)中選擇的合并閾值為90（見圖2）。
3.3 分類結(jié)果和精度分析
ENVI 的EX 中的特征提取方法有3 種：監(jiān)督分類、規(guī)則分類和直接矢量輸出。本文選擇的是監(jiān)督分類，這里的監(jiān)督分類和上面提到的監(jiān)督分類是有區(qū)別的，它不僅僅包括光譜信息，還包括空間、紋理等信息。從目視結(jié)果可以看出，面向?qū)ο蟮姆诸惤Y(jié)果優(yōu)于基于像素分類。面向?qū)ο蟮姆诸惪傮w精度為89.2830%，Kapaa 系數(shù)為0.8516，明顯高于之前的基于像素的分類方法的精度。圖3 和圖4 為面向?qū)ο蠛突谙裨姆诸惤Y(jié)果圖?？偟膩碚f基于像素的信息提取方法對高分辨率的影像信息提取效果不好，因?yàn)楦叻直媛实墓庾V信息不是很豐富，而基于像素的分類方法主要是根據(jù)地物的光譜信息特征來進(jìn)行分類的。另外，傳統(tǒng)的基于像元的分類方法易受高分辨率影像局部異質(zhì)性大的影響和干擾，同物異譜同譜異物的現(xiàn)象比較多并且存在大量的椒鹽現(xiàn)象，分類結(jié)果也不易矢量化。而用面向?qū)ο蟮姆椒ㄟM(jìn)行信息提取能夠克服同物異譜同譜異物現(xiàn)象的影響，有效地消除了椒鹽噪聲，而且利用面向?qū)ο蟮姆椒ㄌ崛〉男畔⒔Y(jié)果比用基于像素的方法提取的信息具有更好的目視效果。
4 總結(jié)
通過對分類結(jié)果的精度評定和目視判讀，我們可以發(fā)現(xiàn)面向?qū)ο蠹夹g(shù)更適合高分辨率遙感影像的分類處理。因?yàn)榛谙裨姆诸惙椒ㄖ饕罁?jù)是像元的光譜特征。而高分辨率遙感圖像的細(xì)節(jié)信息豐富，光譜信息較少，圖像的局部異質(zhì)性大。面向?qū)ο蠓诸惙椒梢岳酶叻直媛蕡D像上豐富的光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局以及圖像中地物之間的上下文信息對地物進(jìn)行分類，具有較高的分類精度，而且使分類后的圖像含有豐富的語義信息，便于解譯和理解。對高分辨率影像來說，面向?qū)ο蠓诸愂且环N非常有效的信息提取方法，具有很好的應(yīng)用前景。
圖3 面向?qū)ο蠓诸悎D
圖4 基于像元分類圖
［1］鄧書斌.ENVI 遙感圖像處理方法［M］.北京：科學(xué)出版社，2010.
［2］John A.Richards Xiuping Jia.遙感數(shù)字圖像分析［M］.張曄，張鈞萍，谷延鋒，等，譯.4 版.北京：電子工業(yè)出版社，2009.
［3］祝振江.基于面向?qū)ο蠓诸惙ǖ母叻直媛蔬b感影像礦山信息提取應(yīng)用研究［D］.北京：中國地質(zhì)大學(xué)，2010.
［4］韋玉春，湯國安，楊昕，等.遙感數(shù)字圖像處理教程［M］.北京：科學(xué)出版社，2007.
［5］汪秋來.面向?qū)ο筮b感影像分類方法及其應(yīng)用研究［D］.南京：南京林業(yè)大學(xué)，2008.
［6］張俊，于慶國，朱曉東，等.面向?qū)ο蟮母叻直媛视跋裉卣鬟x擇研究［J］.測繪科學(xué)，2011（3）.
猜你喜歡
高分辨率合成孔徑雷達(dá)圖像解譯系統(tǒng)雷達(dá)學(xué)報(bào)(2020年3期)2020-07-13 02:27:16 基于光譜和Gabor紋理信息融合的油桃品種識別江蘇農(nóng)業(yè)科學(xué)(2019年6期)2019-09-25 04:23:19 面向?qū)ο蟮挠?jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì)軟件系統(tǒng)的開發(fā)電子測試(2018年15期)2018-09-26 06:01:34 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用電測與儀表(2017年24期)2017-12-19 05:15:24 基于植被光譜信息的龜裂堿土堿化程度預(yù)測研究綠色科技(2017年20期)2017-11-10 18:54:19 傅立葉變換光譜儀的研究現(xiàn)狀與光譜信息分析原理中國管理信息化(2017年5期)2017-06-22 16:50:01 面向?qū)ο骔eb開發(fā)編程語言的的評估方法現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25 高分辨率對地觀測系統(tǒng)太空探索(2015年8期)2015-07-18 11:04:44 一種基于區(qū)域生長的高分辨率遙感影像道路提取方法軟件導(dǎo)刊(2015年1期)2015-03-02 12:02:05 基于Curvelet-Wavelet變換高分辨率遙感圖像降噪浙江大學(xué)學(xué)報(bào)(工學(xué)版)(2015年1期)2015-03-01 01:17:19
靳歡歡
（河南理工大學(xué)測繪與國土信息工程學(xué)院，河南焦作 454000）
0 引言
隨著遙感技術(shù)的迅速發(fā)展和高科技社會時(shí)代的需求，遙感影像數(shù)據(jù)成為數(shù)字智能地球的主要數(shù)據(jù)來源之一，隨之而來的高光譜、高時(shí)空分辨率影像也越來越受人們歡迎。與中、低分辨率遙感影像相比，高分辨率影像在景觀結(jié)構(gòu)、形狀、紋理和細(xì)節(jié)等方面都具有非常突出的信息，能夠在較小的空間尺度上觀察地表的細(xì)節(jié)變化。目前，遙感影像的分類可以采用逐像元分類或面向?qū)ο蠓诸悺Ｖ鹣裨诸愔饕紤]像元的波段光譜特征強(qiáng)度信息，但忽視空間結(jié)構(gòu)關(guān)系和上下文語義信息特征。面向?qū)ο蠓诸惪梢越Y(jié)合使用光譜、空間、上下文等更多特征信息進(jìn)行分類。由于高分辨率遙感影像上地物的光譜信息較少，基于像元的分類方法并不能提供有效的專題信息。但面向?qū)ο蠓治龇椒梢栽趯Ω呖臻g分辨率遙感影像分類時(shí)結(jié)合更多的特征，從而可以更有效地提取專題信息。另外，傳統(tǒng)的逐像元分類是以像素為單元分類的，易造成分類精度低。面向?qū)ο蠓诸惖膶ο蟛辉偈菃蝹€(gè)像素而是由多個(gè)具有相關(guān)關(guān)聯(lián)的像素組成的對象，不僅利用了影像的光譜信息，還利用了空間信息。本文以GeoEye 數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)，開展了如下研究：
（1）以監(jiān)督分類和非監(jiān)督分類評價(jià)逐像元方法在試驗(yàn)區(qū)土地分類的有效性；
（2）評價(jià)基于面向?qū)ο蠓椒ㄔ谠囼?yàn)區(qū)土地分類中的有效性；
（3）對于高分辨率影像，通過計(jì)算總體分類精度和Kappa系數(shù)比較逐像元分類和面向?qū)ο蠓诸惙椒ǖ姆诸惥取?/p>
1 試驗(yàn)數(shù)據(jù)特點(diǎn)
本次實(shí)驗(yàn)影像數(shù)據(jù)由GeoEye 衛(wèi)星獲得，GeoEye-1 衛(wèi)星是美國的一顆商業(yè)衛(wèi)星，于2008 年9 月從美國加州范登堡空軍基地發(fā)射。GeoEye-1 是太陽同步軌道衛(wèi)星，軌道高度684km，運(yùn)行周期98min，該衛(wèi)星攜帶高分辨率的CCD 相機(jī)。GeoEye 系列2 顆衛(wèi)星，亞米級分辨率；GeoEye-1 全色影像分辨率0.41m，多光譜影像分辨率1.65m；其中，全色波長：450～800nm；多光譜中的藍(lán)光波長：450～510nm；綠光波長：510～580nm；紅光波長：655nm～690nm；近紅外波長：780nm～920nm。簡而言之，GeoEye-1 衛(wèi)星具有分辨率最高、測圖能力極強(qiáng)、重訪周期極短的特點(diǎn)，在實(shí)現(xiàn)大面積成圖項(xiàng)目、細(xì)微地物的解譯與判讀等方面優(yōu)勢突出。
2 逐像元分類方法
傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類都是基于像元的分類方法，分類處理時(shí)的最小單元是像元，主要考慮單個(gè)對象的光譜信息。
2.1 非監(jiān)督分類
非監(jiān)督分類是指人們事先對分類過程不施加任何的先驗(yàn)知識，而僅憑數(shù)據(jù)（遙感影像地物的光譜特征的分布規(guī)律），即自然聚類的特性，進(jìn)行“盲目”的分類；其分類的結(jié)果只是對不同類別達(dá)到了區(qū)分，但并不能確定類別的屬性。
ENVI 軟件包括K-Means 和ISODATA 兩種非監(jiān)督分類方法。K-Means 是通過計(jì)算像元的聚類相似度對地物進(jìn)行迭代聚類分析，而ISODATA 是使用最小距離技術(shù)對像元進(jìn)行迭代聚合?？梢钥闯?，在這2 種方法中，迭代次數(shù)越多，得到的分類結(jié)果越精確，本試驗(yàn)中選取的迭代次數(shù)為6 次。非監(jiān)督分類總體上一般分為4 個(gè)過程：執(zhí)行非監(jiān)督分類、類別定義、合并子類和評價(jià)結(jié)果。定義類別的根據(jù)可以通過在高分辨率圖像上目視解譯獲得，也可以基于野外實(shí)地調(diào)查數(shù)據(jù)。本次通過目視判讀將試驗(yàn)區(qū)分為耕地、林地、裸地、沙地、村莊、其他6 類。通過ENVI軟件評價(jià)分類結(jié)果，其中總精度和Kappa 系數(shù)越大表明分類效果越好。從表1 中可以看出，Isodata 方法分類精度比K-Mean分類精度高。但總的來說都比較偏低，不能滿足要求。
表1 非監(jiān)督分類精度結(jié)果
2.2 監(jiān)督分類
監(jiān)督分類是利用訓(xùn)練樣本（即先驗(yàn)知識）去識別其他未知類別像元的一種分類方法。ENVI 中監(jiān)督分類的分類器有平行六面體、最小距離、馬氏距離、最大似然、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。用戶根據(jù)分類精度要求選擇合適的分類器，選擇不同的分類器需要設(shè)置的參數(shù)不一樣，但是都需要訓(xùn)練樣本。ENVI 中是利用ROI Tool 來定義訓(xùn)練樣本的，也就是把感興趣區(qū)當(dāng)做訓(xùn)練樣本，因此定義訓(xùn)練樣本的過程就是創(chuàng)建感興趣區(qū)的過程。訓(xùn)練樣本的定義主要靠目視解譯。定義好樣本后可以使用ENVI 中的ROI 可分離性（Compute ROI Separability）工具來計(jì)算任意類別間的統(tǒng)計(jì)距離，這個(gè)距離用于確定2 個(gè)類別間的差異性程度。這個(gè)參數(shù)值的范圍是0～2，大于1.8 為及格，數(shù)值越大表示類別間的可分離性效果越好。本次試驗(yàn)中計(jì)算的數(shù)值為1.914，表示本次選擇的訓(xùn)練樣本可分離性較好。
本文中選用了常用的4 種監(jiān)督分類器：最小距離、馬氏距離、最大似然、支持向量機(jī)對影像分別分類，然后對分類結(jié)果進(jìn)行精度評價(jià)。這4 個(gè)分類器中圖像的像元值意義分別為：到類中心的距離和、到類中心的距離、像元屬于該類的概率、距分類超平面最近的像素。這4 種監(jiān)督分類的精度評價(jià)結(jié)果如表2 所示。從表中可以看出，在監(jiān)督分類中，支持向量機(jī)分類的精度較高。
表2 監(jiān)督分類精度結(jié)果
3 面向?qū)ο蠓诸?/h2>
面向?qū)ο蠓诸愂侵父鶕?jù)影像的光譜信息及形狀信息，設(shè)置一定的均質(zhì)標(biāo)準(zhǔn)參數(shù)，將遙感影像進(jìn)行分割以形成影像對象，每一個(gè)影像對象都是具有相似光譜特征的像素的集合。此方法不是以單個(gè)像素為分析目標(biāo)，而是以影像中的像素集合為分析單元，充分考慮了對象和周圍環(huán)境之間的聯(lián)系等因素，借助對象特征知識庫來完成對影像信息的提取。隨著高分辨率遙感影像技術(shù)的發(fā)展，越來越多的遙感軟件具有這個(gè)功能，本文運(yùn)用的是ENVI 的EX 模塊，是基于影像空間以及影像光譜特征的面向?qū)ο罂臻g特征提取模塊—Feature Extraction。EX 先對影像進(jìn)行分割，然后針對分割出來的斑塊對象，利用光譜、紋理和幾何信息對目標(biāo)進(jìn)行分類和提取。
3.1 影像分割
影像分割是一種重要的影像分析技術(shù)，是指把影像分成各具特性的區(qū)域的技術(shù)和過程。比較常用的分割算法是多尺度分割法，多尺度分割是指從一個(gè)像素的對象開始進(jìn)行一個(gè)自下而上的區(qū)域合并技術(shù)，小的影像對象可以合并到稍大的對象中。在這個(gè)聚集過程中，相鄰的影像對象只要符合設(shè)置的異質(zhì)最小生長的標(biāo)準(zhǔn)就合并，如果這個(gè)最小的擴(kuò)張超出尺度參數(shù)定義的閾值范圍，合并過程結(jié)束。在多尺度影像分割過程中要達(dá)到滿意的分割結(jié)果，分割參數(shù)的選定很重要。選擇高尺度影像分割將會分出很少的圖斑，選擇一個(gè)低尺度影像分割將會分割出更多的圖斑，分割效果的好壞一定程度上決定了分類效果的精確度，我們可以通過預(yù)覽分割效果（見圖1），選擇一個(gè)理想的分割閥值（范圍是0～100），盡可能好地分割出邊緣特征。本次試驗(yàn)中選擇的分割閾值為40。
圖1 影像分割預(yù)覽圖
3.2 分塊合并
在影像分割時(shí)，由于設(shè)置的閾值過低，一些特征會被錯(cuò)分，一個(gè)特征也有可能被分成很多部分。我們可以通過分塊合并來解決這些問題。同樣也需要選擇一個(gè)理想的合并閾值（范圍是0～100），本次試驗(yàn)中選擇的合并閾值為90（見圖2）。
3.3 分類結(jié)果和精度分析
ENVI 的EX 中的特征提取方法有3 種：監(jiān)督分類、規(guī)則分類和直接矢量輸出。本文選擇的是監(jiān)督分類，這里的監(jiān)督分類和上面提到的監(jiān)督分類是有區(qū)別的，它不僅僅包括光譜信息，還包括空間、紋理等信息。從目視結(jié)果可以看出，面向?qū)ο蟮姆诸惤Y(jié)果優(yōu)于基于像素分類。面向?qū)ο蟮姆诸惪傮w精度為89.2830%，Kapaa 系數(shù)為0.8516，明顯高于之前的基于像素的分類方法的精度。圖3 和圖4 為面向?qū)ο蠛突谙裨姆诸惤Y(jié)果圖?？偟膩碚f基于像素的信息提取方法對高分辨率的影像信息提取效果不好，因?yàn)楦叻直媛实墓庾V信息不是很豐富，而基于像素的分類方法主要是根據(jù)地物的光譜信息特征來進(jìn)行分類的。另外，傳統(tǒng)的基于像元的分類方法易受高分辨率影像局部異質(zhì)性大的影響和干擾，同物異譜同譜異物的現(xiàn)象比較多并且存在大量的椒鹽現(xiàn)象，分類結(jié)果也不易矢量化。而用面向?qū)ο蟮姆椒ㄟM(jìn)行信息提取能夠克服同物異譜同譜異物現(xiàn)象的影響，有效地消除了椒鹽噪聲，而且利用面向?qū)ο蟮姆椒ㄌ崛〉男畔⒔Y(jié)果比用基于像素的方法提取的信息具有更好的目視效果。
4 總結(jié)
通過對分類結(jié)果的精度評定和目視判讀，我們可以發(fā)現(xiàn)面向?qū)ο蠹夹g(shù)更適合高分辨率遙感影像的分類處理。因?yàn)榛谙裨姆诸惙椒ㄖ饕罁?jù)是像元的光譜特征。而高分辨率遙感圖像的細(xì)節(jié)信息豐富，光譜信息較少，圖像的局部異質(zhì)性大。面向?qū)ο蠓诸惙椒梢岳酶叻直媛蕡D像上豐富的光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局以及圖像中地物之間的上下文信息對地物進(jìn)行分類，具有較高的分類精度，而且使分類后的圖像含有豐富的語義信息，便于解譯和理解。對高分辨率影像來說，面向?qū)ο蠓诸愂且环N非常有效的信息提取方法，具有很好的應(yīng)用前景。
圖3 面向?qū)ο蠓诸悎D
圖4 基于像元分類圖
［1］鄧書斌.ENVI 遙感圖像處理方法［M］.北京：科學(xué)出版社，2010.
［2］John A.Richards Xiuping Jia.遙感數(shù)字圖像分析［M］.張曄，張鈞萍，谷延鋒，等，譯.4 版.北京：電子工業(yè)出版社，2009.
［3］祝振江.基于面向?qū)ο蠓诸惙ǖ母叻直媛蔬b感影像礦山信息提取應(yīng)用研究［D］.北京：中國地質(zhì)大學(xué)，2010.
［4］韋玉春，湯國安，楊昕，等.遙感數(shù)字圖像處理教程［M］.北京：科學(xué)出版社，2007.
［5］汪秋來.面向?qū)ο筮b感影像分類方法及其應(yīng)用研究［D］.南京：南京林業(yè)大學(xué)，2008.
［6］張俊，于慶國，朱曉東，等.面向?qū)ο蟮母叻直媛视跋裉卣鬟x擇研究［J］.測繪科學(xué)，2011（3）.
猜你喜歡
雷達(dá)學(xué)報(bào)(2020年3期)2020-07-13 02:27:16
江蘇農(nóng)業(yè)科學(xué)(2019年6期)2019-09-25 04:23:19
電子測試(2018年15期)2018-09-26 06:01:34
電測與儀表(2017年24期)2017-12-19 05:15:24
綠色科技(2017年20期)2017-11-10 18:54:19
中國管理信息化(2017年5期)2017-06-22 16:50:01
現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25
太空探索(2015年8期)2015-07-18 11:04:44
軟件導(dǎo)刊(2015年1期)2015-03-02 12:02:05
浙江大學(xué)學(xué)報(bào)(工學(xué)版)(2015年1期)2015-03-01 01:17:19
