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)更加擴大了人們對自然界觀察的廣度和深度。到目前為止，對遙感技術(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)有了長足的發(fā)展，但是對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導(dǎo)致分類精度降低，而且會造成空間數(shù)據(jù)大量冗余和資源浪費。 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，但在過去一段時間促進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)，對面向?qū)ο蟮倪b感影像分類方法進行了較深入研究，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、上的詳細植被信息。旨在加深對面向?qū)ο蠓诸惙椒ǖ睦碚摵蛻?yīng)用認識，為后續(xù)研究打下基礎(chǔ)。本文主要研究內(nèi)容與成果如下： (1)在面向?qū)ο笥跋穹治銮氨仨氝M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對象層，構(gòu)建不同尺度的影像信息等級結(jié)構(gòu)，實現(xiàn)遙感影像信息在不同尺度層之間的傳遞。并分別以對象均值、對象標準差、植被對象NDVI均值、對象分形維數(shù)等指標對尺度轉(zhuǎn)換結(jié)果進行

4、評價，結(jié)果顯示各類別對象的評價指標值隨尺度會發(fā)生變化，且不同類別的變化有一定差異。 (2)本文通過實驗證明了遙感信息提取中的尺度效應(yīng)。實驗結(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，且對于某類別信息的提取，存在一個理論最優(yōu)尺度使信息提取精度達到最高。 (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、對象的尺度即為最優(yōu)分割尺度這一假設(shè)，構(gòu)建一個面積比均值指標來衡量影像分割對象與實際目標地物的匹配程度。面積比均值指標考慮兩個因素：一是目標地物面積與分割對象總面積比，它可表征對象邊界與目標邊界的吻合度，其值越接近1，越吻合；另一個是分割對象數(shù)目，它表征分割破碎化程度，對象數(shù)目越少破碎化越低，分割對象越能代表目標地物，越能表現(xiàn)出目標地物的各種空間和形狀屬性。分割實驗表明，該方法選擇的最優(yōu)分割尺度可以獲得效果較好的對象影像。 (4)

6、本文對最鄰近分類器進行深入研究。以其模型表達式為基礎(chǔ)，對決定參數(shù)距離d的對象特征空間和參數(shù)函數(shù)坡度(function slope)對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)分距離對應(yīng)的特征空間為理論最優(yōu)特征空間，并通過實驗確定分類最優(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，會對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)針對模糊規(guī)則建立時隸屬函數(shù)構(gòu)造這一問題，提出應(yīng)用模糊統(tǒng)計法來構(gòu)造與真實隸屬函數(shù)接近的最優(yōu)隸屬函數(shù)。該方法的思想是，對類別特征值域先離散化，以影像中處于各區(qū)間特征值該類別對象出現(xiàn)頻率為該離散點的隸屬度，最后對所有離散特征值的隸屬度進行擬合得到連續(xù)隸屬函數(shù)。分類實驗證明，采用這種方法建立的隸屬函數(shù)進行模糊信息提取，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，提出模糊多分類器模型。該模型采用級聯(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不易提取的混合類別進行分類，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)對研究區(qū)影像進行融合、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)對影像進行多尺度分割，建立類層次結(jié)構(gòu)，定義模糊規(guī)