基于高分一號(hào)的面向?qū)ο笥跋裥畔⑻崛?/h1>
2017-12-19 10:45:38于輝陳曉停汪金花
于輝，陳曉停，汪金花
(華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063009)
?
基于高分一號(hào)的面向?qū)ο笥跋裥畔⑻崛?/p>
于輝，陳曉停，汪金花
(華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063009)
高分一號(hào)；面向?qū)ο?；特征提取；多尺度分?/p>
近年來，隨著高分一號(hào)衛(wèi)星發(fā)射，高分辨率遙感影像得到廣泛應(yīng)用，面向?qū)ο蟮挠跋裥畔⑻崛〖夹g(shù)得到了迅速發(fā)展。在討論面向?qū)ο笮畔⑻崛〉年P(guān)鍵技術(shù)“多尺度分割技術(shù)”后，運(yùn)用基于規(guī)則的方法來提取地物信息，探索基于規(guī)則分類方法的規(guī)則創(chuàng)建方法，最后根據(jù)混淆矩陣驗(yàn)證實(shí)驗(yàn)結(jié)果的精度。
近年來，隨著我國高分一號(hào)衛(wèi)星的升空，高分辨率遙感影像得到普及和發(fā)展，高分辨率遙感影像的空間、光譜、紋理和細(xì)節(jié)等信息非常突出。高分影像符合當(dāng)代遙感學(xué)科的發(fā)展趨勢(shì)，為各個(gè)行業(yè)的發(fā)展帶來了新的機(jī)遇。為了更好地利用高分影像更加精細(xì)化地提取地物信息，面向?qū)ο筇卣魈崛》椒☉?yīng)運(yùn)而生，它所處理的最小單元是經(jīng)過多尺度分割后形成的目標(biāo)對(duì)象。面向?qū)ο蟮倪b感信息提取方法綜合考慮光譜統(tǒng)計(jì)特征、形狀、紋理等一系列因素，能夠得到較高精度的提取結(jié)果。
1 面向?qū)ο笤?/h2>
面向?qū)ο蟮姆诸愡^程由以下幾個(gè)步驟組成：影像分割、對(duì)象層次結(jié)構(gòu)、分類規(guī)則和信息提取。關(guān)鍵性技術(shù)主要有2個(gè)，即多尺度分割和規(guī)則生成。多尺度分割是面向?qū)ο笮畔⑻崛〉幕A(chǔ)和關(guān)鍵，是一種既能自動(dòng)生成遙感影像的影像對(duì)象，又能將這些影像對(duì)象按等級(jí)結(jié)構(gòu)聯(lián)接起來的一門技術(shù)。規(guī)則生成原理與決策樹分類的原理十分相似，它是一種非常典型的圖像分類理論，首先對(duì)數(shù)據(jù)進(jìn)行初步處理，利用歸納算法生成可讀的規(guī)則和決策樹，然后對(duì)新數(shù)據(jù)進(jìn)行分析和判斷，根據(jù)各個(gè)對(duì)象之間的內(nèi)在聯(lián)系以及外部特征，各結(jié)構(gòu)層次間不斷加入各類地物相關(guān)特征來進(jìn)一步完善分類條件，用以提高分類的精度。
1.1 多尺度分割
ENVI下多尺度分割采用一種基于邊界的分割算法，將光譜特征相近的像元合并并且計(jì)算出均值，予以填充在該尺度下內(nèi)部特征信息類似的各個(gè)分割對(duì)象，對(duì)象是面向?qū)ο蠡谝?guī)則分類進(jìn)行圖像處理的基本單元，每一個(gè)分割后的對(duì)象具有豐富的光譜、紋理、空間等信息。對(duì)圖像尺度分割后運(yùn)用模糊數(shù)學(xué)理論思維能夠分別獲得相應(yīng)對(duì)象的特征信息，利用這種方式在特定空間中進(jìn)行對(duì)象識(shí)別，比像元更容易進(jìn)行信息提取。這種分割算法只有一個(gè)分割尺度(Scale Level)參數(shù)，閾值范圍為0～100。分割尺度越大，分割的對(duì)象面積越大，數(shù)量越少。分割尺度屬于無量綱化的空間范疇概念，經(jīng)過多次調(diào)試閾值，經(jīng)目視解譯選擇最佳分割尺度。圖像分割時(shí)一些對(duì)象會(huì)被錯(cuò)分，有的對(duì)象可能被分成很多部分，可以通過合并來解決這些問題。合并尺度(Merge Level)閾值的取值范圍為0～100，數(shù)值越小，合并對(duì)象的效果越不明顯。
1.2 規(guī)則生成
面向?qū)ο蠡谝?guī)則分類的模型是基于決策樹分類的原理來建立的。決策樹分類法是一層一層進(jìn)行的，通過父與子的關(guān)系建立分類樹來說明他們之間的繁復(fù)關(guān)系，依此類推這樣一層一層的不斷添加規(guī)則直到找到需要提取的地物類型。
面向?qū)ο蠡谝?guī)則分類的原理模型與決策樹分類二叉樹原理類似，如圖1所示，第1層節(jié)點(diǎn)根據(jù)相應(yīng)的規(guī)則將R的劃分為R1和R2，滿足規(guī)則的被劃分到R1，不滿足規(guī)則的被劃分到R2，如果不需要進(jìn)一步分類的話，這個(gè)影像就被分成了2類。如果需要繼續(xù)分類，用同樣的方法對(duì)R1和R2設(shè)置相應(yīng)的規(guī)則，則R1和R2又將會(huì)被分成2類。以此類推。直至最后將影像分類完成。
圖1 決策樹分類二叉樹簡圖
1.3 技術(shù)路線
該項(xiàng)研究基本思路是對(duì)研究區(qū)域高分一號(hào)遙感影像進(jìn)行預(yù)處理后，導(dǎo)入ENVI.EX軟件，通過尺度分割和合并生成對(duì)象，利用各個(gè)對(duì)象所包含的各具差異的光譜特征、紋理特征、空間特征等眾多細(xì)節(jié)信息，生成需求地物類型的提取規(guī)則。經(jīng)過后處理之后進(jìn)行分類結(jié)果評(píng)價(jià)，若評(píng)價(jià)精度低則需重新選取規(guī)則或者調(diào)整每個(gè)規(guī)則的屬性閾值以達(dá)到目標(biāo)地物的提取目的，若符合精度要求則完成信息提取?？傮w技術(shù)路線如圖2。
圖2 總體技術(shù)路線
2 影像提取實(shí)例
2.1 數(shù)據(jù)源
該研究區(qū)域位置為唐山市灤縣司家營礦區(qū)(E118.8° N39.6°)，地勢(shì)北高南低，占地總面積14 792 m2，選擇2013年12月13日唐山市灤縣2 m分辨率全色波段和8 m分辨率多光譜融合的高分一號(hào)原始遙感影像作為實(shí)驗(yàn)數(shù)據(jù)，原始影像如圖3所示，具有紅、綠、藍(lán)、近紅外4個(gè)波段，影像上有水系、植被、道路、尾礦及固體廢棄物等眾多地物，適合進(jìn)行地物信息提取。
圖3 原始影像圖
2.2 信息提取及分類
2.2.1特征提取
(1)光譜特征：在此唐山市灤縣影像中可以目視出此影像中地物多樣，分別對(duì)水系、道路、植被、尾礦及固體廢棄物進(jìn)行樣本采樣，每種地物類型的樣本不少于15個(gè)，從而對(duì)每類地物紅、綠、藍(lán)、近紅外4個(gè)波段的最大值、最小值、平均值、標(biāo)準(zhǔn)差進(jìn)行統(tǒng)計(jì)，獲得4種地物的光譜反射特性曲線，如圖4所示。從圖中看出，水系光譜特征與其他地物差別較大，易于提取，而道路及固體廢棄物的光譜特征相近，不易區(qū)分。
圖4 不同地物的光譜反射特性曲線
(2)紋理特征：紋理特征主要有均值、熵、方差以及對(duì)比度4個(gè)紋理特征量，由于尾礦及固體廢棄物在排泄過程中會(huì)水混合導(dǎo)致濃度不同，故其紋理特征是不均勻的；植被的種類不同，其莖葉的紋理特征也會(huì)有所差異；而道路和水系的紋理特征是相對(duì)均勻的。
(3)空間特征：空間特征有長度、面積、長寬比、圓滑度等一系列指標(biāo)，不同地物的空間特征差異很明顯，例如提取道路可能用到Elongation 、Length、Area 3個(gè)空間屬性，規(guī)則的邏輯關(guān)系為(Elongation >2)OR[(Length>120)AND(Area<100)]。
2.2.2 尺度分割合并
為了得到最佳分割閾值，該項(xiàng)研究就多尺度分割中Scale Level閾值的選擇進(jìn)行了大量的實(shí)驗(yàn)。調(diào)整滑塊閥值對(duì)影像進(jìn)行分割，依次縮小Scale Level的閾值范圍。通過一系列合并實(shí)驗(yàn)，經(jīng)過分析和對(duì)比，結(jié)合目視最終確定了影像分割閾值為50，影像分割可以得到較好的效果，如圖5所示。
圖5 不同分割閾值效果圖
接著進(jìn)行下一步操作。圖像分割時(shí)，尾礦及固體廢棄物會(huì)被錯(cuò)分，也有可能被分成很多部分，可以通過合并來解決這些問題。通過一系列合并實(shí)驗(yàn)結(jié)合目視最終確定了影像合并閾值為80時(shí)，得到較好的效果。當(dāng)Scale Level =50時(shí)，合并結(jié)果如圖6所示。
圖6 不同合并閾值效果圖
2.2.3 根據(jù)規(guī)則分類
地物提取主要依據(jù)制作的規(guī)則，對(duì)于不同地物制作的規(guī)則是不同的。每一類地物由1個(gè)或多個(gè)規(guī)則組成，每1個(gè)規(guī)則由1個(gè)或多個(gè)屬性表達(dá)式來描述。1個(gè)地物可以由很多個(gè)規(guī)則組成，它們之間是"OR"的關(guān)系；而每一個(gè)規(guī)則又可以由很多個(gè)屬性表達(dá)式組成，它們之間是"And" 的關(guān)系。規(guī)則的書寫將直接影響到分類結(jié)果的精度。ENVI FX提供了3種類型的對(duì)象屬性，分別為光譜(Spectral)、紋理(Texture)和空間(Spatial)。光譜屬性是針對(duì)輸入圖像的每一個(gè)波段計(jì)算的，計(jì)算在圖像分割與合并的結(jié)果中具有相同標(biāo)簽值的對(duì)象屬性，如均值、標(biāo)準(zhǔn)差等；紋理特征也是針對(duì)輸入圖像的每一個(gè)波段計(jì)算的，分為2個(gè)步驟：先應(yīng)用之前設(shè)定的紋理核大小進(jìn)行卷積運(yùn)算使用得到的屬性值替換窗口中心像元的值，再將圖像分割結(jié)果中具有相同標(biāo)簽值的屬性值進(jìn)行平均；空間屬性是根據(jù)圖像分割與合并結(jié)果的對(duì)象(多邊形)計(jì)算的，不需要波段信息，每一種空間屬性都有自身計(jì)算的公式和方法。經(jīng)過反復(fù)調(diào)整規(guī)則的閾值，確定了如圖7所示的分類規(guī)則。
圖7 分類規(guī)則
2.2.4 生成規(guī)則
在該項(xiàng)研究過程中，應(yīng)用面向?qū)ο蟮囊?guī)則分類，通過大量的實(shí)驗(yàn)選取合適的規(guī)則對(duì)尾礦及固體廢棄物進(jìn)行提取，地物提取結(jié)果如圖8所示，提取后可知，尾礦及固體廢棄物的總面積為4 483.0 m2。
圖8 分類提取結(jié)果
3 分類后精度評(píng)價(jià)
該項(xiàng)研究利用校正和融合后的高分一號(hào)影像作為源數(shù)據(jù)，根據(jù)地形圖，經(jīng)過目視解譯，對(duì)面向?qū)ο筇崛〗Y(jié)果進(jìn)行精度評(píng)定。具體的操作是將分類圖像中特定的像元與已知分類的參考像元進(jìn)行計(jì)算與比較，通過計(jì)算出來的混淆矩陣中幾類生產(chǎn)要素對(duì)分類的精度做簡單的評(píng)價(jià)，生成混淆矩陣報(bào)表，如表1所示。
表1 混淆矩陣報(bào)表
4 結(jié)論
(1)面向?qū)ο蠡谝?guī)則信息提取方法可以靈活地運(yùn)用地物的空間特征、光譜特征和紋理特征，其原理算法易于理解，運(yùn)行速度快而且精度比較高，并且總體分類精度能夠達(dá)到93.275 4% 。尺度分割形成一個(gè)個(gè)對(duì)象保持了分類對(duì)象的連續(xù)性，這樣就有效地抑制了"椒鹽現(xiàn)象"，但分割尺度與規(guī)則的建立是相輔相成的，分割的好壞會(huì)直接影響到提取的精度。
(2)面向?qū)ο蠡谝?guī)則分類能夠高效地利用影像豐富的光譜特征、紋理特征、空間特征，實(shí)驗(yàn)證明這種方法具有較高的提取精度。隨著影像分辨率的提高，影像包含的地物信息更加豐富，與此同時(shí)面向?qū)ο笮畔⑻崛〖夹g(shù)將成為發(fā)展趨勢(shì)，但如何選擇更合適的分割尺度需要進(jìn)一步研究。
[1] 劉充.基于資源三號(hào)衛(wèi)星遙感影像的城市綠地信息提取方法研究[D].太原:太原理工大學(xué),2014.
[2] 劉振波,陳瑞萍,趙曉慧.利用高空間分辨率遙感影像提取城市綠地信息的方法研究[J].池州學(xué)院學(xué)報(bào),2011,25(3):58-60.
[3] 姚靜,武文波,康停軍.基于TM影像的城市綠地信息提取方法研究[J].測(cè)繪科學(xué),2010, 35(1):113-115.
[4] 黃浩.基于高分辨率衛(wèi)星影像的城市植被信息提取與分析研究[D].南京:河海大學(xué), 2005.
[5] 張金營.基于高分辨率遙感影像提取城市綠地信息的方法研究[D].青島:中國石油大學(xué)(華東), 2012.
[6] 曾小箕.面向?qū)ο蟮母叻忠惶?hào)影像信息提取技術(shù)研究[D].烏魯木齊:新疆大學(xué), 2014.
Object-oriented Image Information Extraction Based on First Satellite with High Resolution
YU Hui, CHEN Xiao-ting, WANG Jin-hua
(College of Mining Engineering, North China University of Science and Technology, Tangshan Hebei 063009, China)
the first satellite of high resolution; object-oriented; feature extraction; multi-scale segmentation
In recent years, with the launch of first satellite with high resolution, high-resolution remote sensing images are widely used and object-oriented image information extraction technology has been developed rapidly. Based on the discussion of multi-scale segmentation technology as the key technologies of object-oriented information extraction, the rule-based method was used to extract feature information, and then rules creating methods based on rule classification were explored, and the accuracy of the final results was verified based on a confusion matrix.
2095-2716(2017)01-0006-06
P237
A
猜你喜歡
財(cái)產(chǎn)的五大尺度和五重應(yīng)對(duì)內(nèi)蒙古民族大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)(2020年2期)2020-11-06 09:08:52 基于BM3D的復(fù)雜紋理區(qū)域圖像去噪軟件(2020年3期)2020-04-20 01:45:18 使用紋理疊加添加藝術(shù)畫特效攝影之友(影像視覺)(2018年12期)2019-01-28 09:01:00 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(cè)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(cè)與儀表(2017年24期)2017-12-19 05:15:24 TEXTURE ON TEXTURE質(zhì)地上的紋理Coco薇(2017年8期)2017-08-03 15:23:38 宇宙的尺度太空探索(2016年5期)2016-07-12 15:17:55 消除凹凸紋理有妙招！Coco薇(2015年5期)2016-03-29 23:22:15 面向?qū)ο骔eb開發(fā)編程語言的的評(píng)估方法現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25 9時(shí)代英語·高三(2014年5期)2014-08-26 17:01:17
于輝，陳曉停，汪金花
(華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063009)
?
基于高分一號(hào)的面向?qū)ο笥跋裥畔⑻崛?/p>
于輝，陳曉停，汪金花
(華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063009)
高分一號(hào)；面向?qū)ο?；特征提取；多尺度分?/p>
近年來，隨著高分一號(hào)衛(wèi)星發(fā)射，高分辨率遙感影像得到廣泛應(yīng)用，面向?qū)ο蟮挠跋裥畔⑻崛〖夹g(shù)得到了迅速發(fā)展。在討論面向?qū)ο笮畔⑻崛〉年P(guān)鍵技術(shù)“多尺度分割技術(shù)”后，運(yùn)用基于規(guī)則的方法來提取地物信息，探索基于規(guī)則分類方法的規(guī)則創(chuàng)建方法，最后根據(jù)混淆矩陣驗(yàn)證實(shí)驗(yàn)結(jié)果的精度。
近年來，隨著我國高分一號(hào)衛(wèi)星的升空，高分辨率遙感影像得到普及和發(fā)展，高分辨率遙感影像的空間、光譜、紋理和細(xì)節(jié)等信息非常突出。高分影像符合當(dāng)代遙感學(xué)科的發(fā)展趨勢(shì)，為各個(gè)行業(yè)的發(fā)展帶來了新的機(jī)遇。為了更好地利用高分影像更加精細(xì)化地提取地物信息，面向?qū)ο筇卣魈崛》椒☉?yīng)運(yùn)而生，它所處理的最小單元是經(jīng)過多尺度分割后形成的目標(biāo)對(duì)象。面向?qū)ο蟮倪b感信息提取方法綜合考慮光譜統(tǒng)計(jì)特征、形狀、紋理等一系列因素，能夠得到較高精度的提取結(jié)果。
1 面向?qū)ο笤?/h2>
面向?qū)ο蟮姆诸愡^程由以下幾個(gè)步驟組成：影像分割、對(duì)象層次結(jié)構(gòu)、分類規(guī)則和信息提取。關(guān)鍵性技術(shù)主要有2個(gè)，即多尺度分割和規(guī)則生成。多尺度分割是面向?qū)ο笮畔⑻崛〉幕A(chǔ)和關(guān)鍵，是一種既能自動(dòng)生成遙感影像的影像對(duì)象，又能將這些影像對(duì)象按等級(jí)結(jié)構(gòu)聯(lián)接起來的一門技術(shù)。規(guī)則生成原理與決策樹分類的原理十分相似，它是一種非常典型的圖像分類理論，首先對(duì)數(shù)據(jù)進(jìn)行初步處理，利用歸納算法生成可讀的規(guī)則和決策樹，然后對(duì)新數(shù)據(jù)進(jìn)行分析和判斷，根據(jù)各個(gè)對(duì)象之間的內(nèi)在聯(lián)系以及外部特征，各結(jié)構(gòu)層次間不斷加入各類地物相關(guān)特征來進(jìn)一步完善分類條件，用以提高分類的精度。
1.1 多尺度分割
ENVI下多尺度分割采用一種基于邊界的分割算法，將光譜特征相近的像元合并并且計(jì)算出均值，予以填充在該尺度下內(nèi)部特征信息類似的各個(gè)分割對(duì)象，對(duì)象是面向?qū)ο蠡谝?guī)則分類進(jìn)行圖像處理的基本單元，每一個(gè)分割后的對(duì)象具有豐富的光譜、紋理、空間等信息。對(duì)圖像尺度分割后運(yùn)用模糊數(shù)學(xué)理論思維能夠分別獲得相應(yīng)對(duì)象的特征信息，利用這種方式在特定空間中進(jìn)行對(duì)象識(shí)別，比像元更容易進(jìn)行信息提取。這種分割算法只有一個(gè)分割尺度(Scale Level)參數(shù)，閾值范圍為0～100。分割尺度越大，分割的對(duì)象面積越大，數(shù)量越少。分割尺度屬于無量綱化的空間范疇概念，經(jīng)過多次調(diào)試閾值，經(jīng)目視解譯選擇最佳分割尺度。圖像分割時(shí)一些對(duì)象會(huì)被錯(cuò)分，有的對(duì)象可能被分成很多部分，可以通過合并來解決這些問題。合并尺度(Merge Level)閾值的取值范圍為0～100，數(shù)值越小，合并對(duì)象的效果越不明顯。
1.2 規(guī)則生成
面向?qū)ο蠡谝?guī)則分類的模型是基于決策樹分類的原理來建立的。決策樹分類法是一層一層進(jìn)行的，通過父與子的關(guān)系建立分類樹來說明他們之間的繁復(fù)關(guān)系，依此類推這樣一層一層的不斷添加規(guī)則直到找到需要提取的地物類型。
面向?qū)ο蠡谝?guī)則分類的原理模型與決策樹分類二叉樹原理類似，如圖1所示，第1層節(jié)點(diǎn)根據(jù)相應(yīng)的規(guī)則將R的劃分為R1和R2，滿足規(guī)則的被劃分到R1，不滿足規(guī)則的被劃分到R2，如果不需要進(jìn)一步分類的話，這個(gè)影像就被分成了2類。如果需要繼續(xù)分類，用同樣的方法對(duì)R1和R2設(shè)置相應(yīng)的規(guī)則，則R1和R2又將會(huì)被分成2類。以此類推。直至最后將影像分類完成。
圖1 決策樹分類二叉樹簡圖
1.3 技術(shù)路線
該項(xiàng)研究基本思路是對(duì)研究區(qū)域高分一號(hào)遙感影像進(jìn)行預(yù)處理后，導(dǎo)入ENVI.EX軟件，通過尺度分割和合并生成對(duì)象，利用各個(gè)對(duì)象所包含的各具差異的光譜特征、紋理特征、空間特征等眾多細(xì)節(jié)信息，生成需求地物類型的提取規(guī)則。經(jīng)過后處理之后進(jìn)行分類結(jié)果評(píng)價(jià)，若評(píng)價(jià)精度低則需重新選取規(guī)則或者調(diào)整每個(gè)規(guī)則的屬性閾值以達(dá)到目標(biāo)地物的提取目的，若符合精度要求則完成信息提取?？傮w技術(shù)路線如圖2。
圖2 總體技術(shù)路線
2 影像提取實(shí)例
2.1 數(shù)據(jù)源
該研究區(qū)域位置為唐山市灤縣司家營礦區(qū)(E118.8° N39.6°)，地勢(shì)北高南低，占地總面積14 792 m2，選擇2013年12月13日唐山市灤縣2 m分辨率全色波段和8 m分辨率多光譜融合的高分一號(hào)原始遙感影像作為實(shí)驗(yàn)數(shù)據(jù)，原始影像如圖3所示，具有紅、綠、藍(lán)、近紅外4個(gè)波段，影像上有水系、植被、道路、尾礦及固體廢棄物等眾多地物，適合進(jìn)行地物信息提取。
圖3 原始影像圖
2.2 信息提取及分類
2.2.1特征提取
(1)光譜特征：在此唐山市灤縣影像中可以目視出此影像中地物多樣，分別對(duì)水系、道路、植被、尾礦及固體廢棄物進(jìn)行樣本采樣，每種地物類型的樣本不少于15個(gè)，從而對(duì)每類地物紅、綠、藍(lán)、近紅外4個(gè)波段的最大值、最小值、平均值、標(biāo)準(zhǔn)差進(jìn)行統(tǒng)計(jì)，獲得4種地物的光譜反射特性曲線，如圖4所示。從圖中看出，水系光譜特征與其他地物差別較大，易于提取，而道路及固體廢棄物的光譜特征相近，不易區(qū)分。
圖4 不同地物的光譜反射特性曲線
(2)紋理特征：紋理特征主要有均值、熵、方差以及對(duì)比度4個(gè)紋理特征量，由于尾礦及固體廢棄物在排泄過程中會(huì)水混合導(dǎo)致濃度不同，故其紋理特征是不均勻的；植被的種類不同，其莖葉的紋理特征也會(huì)有所差異；而道路和水系的紋理特征是相對(duì)均勻的。
(3)空間特征：空間特征有長度、面積、長寬比、圓滑度等一系列指標(biāo)，不同地物的空間特征差異很明顯，例如提取道路可能用到Elongation 、Length、Area 3個(gè)空間屬性，規(guī)則的邏輯關(guān)系為(Elongation >2)OR[(Length>120)AND(Area<100)]。
2.2.2 尺度分割合并
為了得到最佳分割閾值，該項(xiàng)研究就多尺度分割中Scale Level閾值的選擇進(jìn)行了大量的實(shí)驗(yàn)。調(diào)整滑塊閥值對(duì)影像進(jìn)行分割，依次縮小Scale Level的閾值范圍。通過一系列合并實(shí)驗(yàn)，經(jīng)過分析和對(duì)比，結(jié)合目視最終確定了影像分割閾值為50，影像分割可以得到較好的效果，如圖5所示。
圖5 不同分割閾值效果圖
接著進(jìn)行下一步操作。圖像分割時(shí)，尾礦及固體廢棄物會(huì)被錯(cuò)分，也有可能被分成很多部分，可以通過合并來解決這些問題。通過一系列合并實(shí)驗(yàn)結(jié)合目視最終確定了影像合并閾值為80時(shí)，得到較好的效果。當(dāng)Scale Level =50時(shí)，合并結(jié)果如圖6所示。
圖6 不同合并閾值效果圖
2.2.3 根據(jù)規(guī)則分類
地物提取主要依據(jù)制作的規(guī)則，對(duì)于不同地物制作的規(guī)則是不同的。每一類地物由1個(gè)或多個(gè)規(guī)則組成，每1個(gè)規(guī)則由1個(gè)或多個(gè)屬性表達(dá)式來描述。1個(gè)地物可以由很多個(gè)規(guī)則組成，它們之間是"OR"的關(guān)系；而每一個(gè)規(guī)則又可以由很多個(gè)屬性表達(dá)式組成，它們之間是"And" 的關(guān)系。規(guī)則的書寫將直接影響到分類結(jié)果的精度。ENVI FX提供了3種類型的對(duì)象屬性，分別為光譜(Spectral)、紋理(Texture)和空間(Spatial)。光譜屬性是針對(duì)輸入圖像的每一個(gè)波段計(jì)算的，計(jì)算在圖像分割與合并的結(jié)果中具有相同標(biāo)簽值的對(duì)象屬性，如均值、標(biāo)準(zhǔn)差等；紋理特征也是針對(duì)輸入圖像的每一個(gè)波段計(jì)算的，分為2個(gè)步驟：先應(yīng)用之前設(shè)定的紋理核大小進(jìn)行卷積運(yùn)算使用得到的屬性值替換窗口中心像元的值，再將圖像分割結(jié)果中具有相同標(biāo)簽值的屬性值進(jìn)行平均；空間屬性是根據(jù)圖像分割與合并結(jié)果的對(duì)象(多邊形)計(jì)算的，不需要波段信息，每一種空間屬性都有自身計(jì)算的公式和方法。經(jīng)過反復(fù)調(diào)整規(guī)則的閾值，確定了如圖7所示的分類規(guī)則。
圖7 分類規(guī)則
2.2.4 生成規(guī)則
在該項(xiàng)研究過程中，應(yīng)用面向?qū)ο蟮囊?guī)則分類，通過大量的實(shí)驗(yàn)選取合適的規(guī)則對(duì)尾礦及固體廢棄物進(jìn)行提取，地物提取結(jié)果如圖8所示，提取后可知，尾礦及固體廢棄物的總面積為4 483.0 m2。
圖8 分類提取結(jié)果
3 分類后精度評(píng)價(jià)
該項(xiàng)研究利用校正和融合后的高分一號(hào)影像作為源數(shù)據(jù)，根據(jù)地形圖，經(jīng)過目視解譯，對(duì)面向?qū)ο筇崛〗Y(jié)果進(jìn)行精度評(píng)定。具體的操作是將分類圖像中特定的像元與已知分類的參考像元進(jìn)行計(jì)算與比較，通過計(jì)算出來的混淆矩陣中幾類生產(chǎn)要素對(duì)分類的精度做簡單的評(píng)價(jià)，生成混淆矩陣報(bào)表，如表1所示。
表1 混淆矩陣報(bào)表
4 結(jié)論
(1)面向?qū)ο蠡谝?guī)則信息提取方法可以靈活地運(yùn)用地物的空間特征、光譜特征和紋理特征，其原理算法易于理解，運(yùn)行速度快而且精度比較高，并且總體分類精度能夠達(dá)到93.275 4% 。尺度分割形成一個(gè)個(gè)對(duì)象保持了分類對(duì)象的連續(xù)性，這樣就有效地抑制了"椒鹽現(xiàn)象"，但分割尺度與規(guī)則的建立是相輔相成的，分割的好壞會(huì)直接影響到提取的精度。
(2)面向?qū)ο蠡谝?guī)則分類能夠高效地利用影像豐富的光譜特征、紋理特征、空間特征，實(shí)驗(yàn)證明這種方法具有較高的提取精度。隨著影像分辨率的提高，影像包含的地物信息更加豐富，與此同時(shí)面向?qū)ο笮畔⑻崛〖夹g(shù)將成為發(fā)展趨勢(shì)，但如何選擇更合適的分割尺度需要進(jìn)一步研究。
[1] 劉充.基于資源三號(hào)衛(wèi)星遙感影像的城市綠地信息提取方法研究[D].太原:太原理工大學(xué),2014.
[2] 劉振波,陳瑞萍,趙曉慧.利用高空間分辨率遙感影像提取城市綠地信息的方法研究[J].池州學(xué)院學(xué)報(bào),2011,25(3):58-60.
[3] 姚靜,武文波,康停軍.基于TM影像的城市綠地信息提取方法研究[J].測(cè)繪科學(xué),2010, 35(1):113-115.
[4] 黃浩.基于高分辨率衛(wèi)星影像的城市植被信息提取與分析研究[D].南京:河海大學(xué), 2005.
[5] 張金營.基于高分辨率遙感影像提取城市綠地信息的方法研究[D].青島:中國石油大學(xué)(華東), 2012.
[6] 曾小箕.面向?qū)ο蟮母叻忠惶?hào)影像信息提取技術(shù)研究[D].烏魯木齊:新疆大學(xué), 2014.
Object-oriented Image Information Extraction Based on First Satellite with High Resolution
YU Hui, CHEN Xiao-ting, WANG Jin-hua
(College of Mining Engineering, North China University of Science and Technology, Tangshan Hebei 063009, China)
the first satellite of high resolution; object-oriented; feature extraction; multi-scale segmentation
In recent years, with the launch of first satellite with high resolution, high-resolution remote sensing images are widely used and object-oriented image information extraction technology has been developed rapidly. Based on the discussion of multi-scale segmentation technology as the key technologies of object-oriented information extraction, the rule-based method was used to extract feature information, and then rules creating methods based on rule classification were explored, and the accuracy of the final results was verified based on a confusion matrix.
2095-2716(2017)01-0006-06
P237
A
猜你喜歡
內(nèi)蒙古民族大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)(2020年2期)2020-11-06 09:08:52
軟件(2020年3期)2020-04-20 01:45:18
攝影之友(影像視覺)(2018年12期)2019-01-28 09:01:00
電子測(cè)試(2018年15期)2018-09-26 06:01:34
電測(cè)與儀表(2017年24期)2017-12-19 05:15:24
Coco薇(2017年8期)2017-08-03 15:23:38
太空探索(2016年5期)2016-07-12 15:17:55
Coco薇(2015年5期)2016-03-29 23:22:15
現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25
時(shí)代英語·高三(2014年5期)2014-08-26 17:01:17
