面向?qū)ο筮b感影像分類方法及其應(yīng)用研究——以深圳市福田區(qū)植被提取為例.pdf

1、遙感技術(shù)的發(fā)展，尤其是近年來高分辨率衛(wèi)星影像的出現(xiàn)更加擴(kuò)大了人們對(duì)自然界觀察的廣度和深度。到目前為止，對(duì)遙感技術(shù)的應(yīng)用主要是通過提取衛(wèi)星影像中感興趣信息來實(shí)現(xiàn)的。但是，IKONOS和QuickBird等常用高分辨率影像表現(xiàn)出更多的空間信息諸如形狀、紋理和上下文等。盡管遙感影像分類技術(shù)有了長(zhǎng)足的發(fā)展，但是對(duì)于高分辨率遙感影像來說，利用單一傳統(tǒng)的基于像元的分類方法不僅會(huì)導(dǎo)致分類精度降低，而且會(huì)造成空間數(shù)據(jù)大量冗余和資源浪費(fèi)。 當(dāng)前，

2、各地政府非常重視城市植被建設(shè)，遙感技術(shù)則應(yīng)用于城市植被調(diào)查中。盡管中低分辨率影像提取植被較粗放，但在過去一段時(shí)間促進(jìn)了遙感在城市植被調(diào)查中應(yīng)用。由于高分辨率影像空間分辨率更高、信息量更豐富，可以在更深層次上表現(xiàn)城市植被信息，目前正替代中低分辨率影像被廣泛應(yīng)用于城市植被調(diào)查中。 本文以QuiekBird影像為數(shù)據(jù)，對(duì)面向?qū)ο蟮倪b感影像分類方法進(jìn)行了較深入研究，并在此基礎(chǔ)上以深圳福田區(qū)為例，應(yīng)用面向?qū)ο蠓椒ㄌ崛uickBird影像

3、上的詳細(xì)植被信息。旨在加深對(duì)面向?qū)ο蠓诸惙椒ǖ睦碚摵蛻?yīng)用認(rèn)識(shí)，為后續(xù)研究打下基礎(chǔ)。本文主要研究?jī)?nèi)容與成果如下： (1)在面向?qū)ο笥跋穹治銮氨仨氝M(jìn)行尺度轉(zhuǎn)換，本文在基于像元的尺度轉(zhuǎn)換基礎(chǔ)上研究了面向?qū)ο蟮某叨绒D(zhuǎn)換問題。它以多尺度分割技術(shù)分割高空間分辨率影像而生成多個(gè)對(duì)象層，構(gòu)建不同尺度的影像信息等級(jí)結(jié)構(gòu)，實(shí)現(xiàn)遙感影像信息在不同尺度層之間的傳遞。并分別以對(duì)象均值、對(duì)象標(biāo)準(zhǔn)差、植被對(duì)象NDVI均值、對(duì)象分形維數(shù)等指標(biāo)對(duì)尺度轉(zhuǎn)換結(jié)果進(jìn)行

4、評(píng)價(jià)，結(jié)果顯示各類別對(duì)象的評(píng)價(jià)指標(biāo)值隨尺度會(huì)發(fā)生變化，且不同類別的變化有一定差異。 (2)本文通過實(shí)驗(yàn)證明了遙感信息提取中的尺度效應(yīng)。實(shí)驗(yàn)結(jié)果表明，在不同分割尺度上遙感信息的提取精度有較大差異，且對(duì)于某類別信息的提取，存在一個(gè)理論最優(yōu)尺度使信息提取精度達(dá)到最高。 (3)影像最優(yōu)分割尺度是面向?qū)ο蠖喑叨确指畹年P(guān)鍵，是提高信息提取精度的關(guān)鍵。為此，本文依據(jù)最佳分割效果原則首次提出了面積比均值法。該方法的思想是，以獲得最佳分割

5、對(duì)象的尺度即為最優(yōu)分割尺度這一假設(shè)，構(gòu)建一個(gè)面積比均值指標(biāo)來衡量影像分割對(duì)象與實(shí)際目標(biāo)地物的匹配程度。面積比均值指標(biāo)考慮兩個(gè)因素：一是目標(biāo)地物面積與分割對(duì)象總面積比，它可表征對(duì)象邊界與目標(biāo)邊界的吻合度，其值越接近1，越吻合；另一個(gè)是分割對(duì)象數(shù)目，它表征分割破碎化程度，對(duì)象數(shù)目越少破碎化越低，分割對(duì)象越能代表目標(biāo)地物，越能表現(xiàn)出目標(biāo)地物的各種空間和形狀屬性。分割實(shí)驗(yàn)表明，該方法選擇的最優(yōu)分割尺度可以獲得效果較好的對(duì)象影像。 (4)

6、本文對(duì)最鄰近分類器進(jìn)行深入研究。以其模型表達(dá)式為基礎(chǔ)，對(duì)決定參數(shù)距離d的對(duì)象特征空間和參數(shù)函數(shù)坡度(function slope)對(duì)分類器性能的影響作了研究。建立類別距離矩陣，確定最佳區(qū)分距離對(duì)應(yīng)的特征空間為理論最優(yōu)特征空間，并通過實(shí)驗(yàn)確定分類最優(yōu)特征空間維數(shù)通常不超過10。研究還發(fā)現(xiàn)，不同的函數(shù)坡度下隸屬函數(shù)曲線有較大變化，隨著函數(shù)坡度值增大，隸屬度隨距離大小變化趨緩。函數(shù)坡度越小，會(huì)對(duì)小距離范圍隸屬度起到拉伸作用，區(qū)分特征差異較小的

7、類別效果好；反之，則在大距離范圍對(duì)隸屬度起壓縮作用，區(qū)分特征差異較大的類別效果好。 (5)針對(duì)模糊規(guī)則建立時(shí)隸屬函數(shù)構(gòu)造這一問題，提出應(yīng)用模糊統(tǒng)計(jì)法來構(gòu)造與真實(shí)隸屬函數(shù)接近的最優(yōu)隸屬函數(shù)。該方法的思想是，對(duì)類別特征值域先離散化，以影像中處于各區(qū)間特征值該類別對(duì)象出現(xiàn)頻率為該離散點(diǎn)的隸屬度，最后對(duì)所有離散特征值的隸屬度進(jìn)行擬合得到連續(xù)隸屬函數(shù)。分類實(shí)驗(yàn)證明，采用這種方法建立的隸屬函數(shù)進(jìn)行模糊信息提取，提取精度有所提高。 (

8、6)綜合最鄰近分類器和基于模糊規(guī)則分類器的優(yōu)缺點(diǎn)，提出模糊多分類器模型。該模型采用級(jí)聯(lián)方式將最鄰近分類器和基于模糊規(guī)則分類器集成，先用模糊規(guī)則分類器提取出容易提取的類別，再用最鄰近分類器對(duì)不易提取的混合類別進(jìn)行分類，最后合并所分類別。這種方法可以有效提高信息提取的精度。 (7)對(duì)研究區(qū)影像進(jìn)行融合、幾何精糾正、濾波處理等預(yù)處理工作，采用面積比均值法選擇分割尺度，手工嘗試調(diào)節(jié)其他參數(shù)對(duì)影像進(jìn)行多尺度分割，建立類層次結(jié)構(gòu)，定義模糊規(guī)