基于面向对象的信息提取
摘 要:近些年高空间分辨率卫星相继发射,获得的高分影像也越来越多。传统的基于像素提取方法不能充分发挥高分影像地物信息丰富的优势,有着明显的缺点。基于像素的分类方法仅仅考虑了光谱信息,当光谱差异不明显或者光谱信息不丰富的时候,提取的结果不能够满足人们的期待。在此背景下,针对目视解译方法和传统基于像素提取的不足,学者提出面向对象的自动分类方法进行信息提取并取得较好的效果。
关键词:面向对象;多尺度分割;信息提取;高分遥感影像
1、引言
航天技术的迅速发展成功将遥感技术带入了当前各个行业中,遥感影像俨然已经变成了遥感数据记录的主要形式。在当今时代的大背景下,卫星遥感技术也正在不断升级,成像与传感器技术的改进使得卫星遥感影像的分辨率也越来越高,主要体现在“四高”,在空间层面、时间层面、光谱层面以及辐射方面都有着较高的分辨率[1]。众所周知,遥感影像的分辨率越高,则说明影像中包含的地物信息就越丰富,表达目标地物外部、内部信息就越准确,这为当前利用高分辨率遥感影像进行信息解译与提取工作的研究学者们带来了福音,并提供了宝贵的研究资料[1]。
目前,高分辨率的遥感影像已在各个领域内得到相当广泛的应用,随着日益増长的应用需求和用户需求,影像的分类技术和信息提取方法也正在不断深入的研究。与中低分辨率遥感影像相比,高分辨率遥感影像内包含有更为复杂的特征信息,传统的基于像素的分类方法在对其进行遥感解译的某些方面存在着一定的缺陷,很难充分发掘出高分辨率遥感影像多特征的优势,导致解译精度降低[2]。面向对象的提取技术在这个背景下被提出,综合光谱信息和纹理信息提高了提取精度。
2、关于面向对象概述
基于像元的传统分类方法,该方法是以单个像元为最小分类单元,仅仅利用光谱特征区分不同地物,因此难以区分“同物异谱”和“异物同谱”现象,不能很好地解决光谱混淆和分类结果的椒盐效应问题[3]。面向对象分类方法(Object-oriented classification method),是指将分割得到的同质影像对象作为最小单元,以实现较高层次的遥感图像分类和目标地物提取[3]。面向对象方法包括隶属度函数法和标准最邻近分类法两种基本分类方法。国内外许多研究学者采用该方法实现高精度的地物信息提取。
3、国内外研究现状综述
遥感技术产生以来,主要就是通过人工解译和人机交互的方法来获取影像的信息[2]。人工解译的方法虽然既运用广泛,精度也相对较高,但是对于影像质量的要求较高,同时对利用影像进行解译分析的人员有较高关于专业技能方面的要求,要求解译人员不仅需要具有足够的影像目视判读经验,还需要有相当的地理空间信息知识,只有这样才能尽可能的提高解译精度。除此之外,人工解译过程还会耗费大量的时间,这使得信息提取的工作效率大大降低。因而,计算机辅助遥感信息分类提取应运而生。海岛地表类型相较于大陆地表类型具有在狭小范围内集成了大陆人类地表活动痕迹的特点,具有复杂性。近几年来,利用高分辨率遥感影像解译提取海岛地物信息也逐渐成为研究学者所关注的重点和难点。遥感技术俨然已经成为海岛经济可持续发展提供检测评价的一种重要方式。目前,主要有两种典型的方法被运用于海岛地物信息提取的工作中,一种是基于像素的分类方法,另一种也是本文研究的重点即面向对象的分类方法。
3.1基于像素的分类方法
基于像素的分类方法以像素为研究的最小单元,在像素层面上对地物的光谱特征进行统计,根据光谱信息统计结果进行地物不同类别的光谱特征匹配,进而将影像数据进行分类,典型的基于像素的分类方法有监督分类和非监督分类两种。监督分类的理论依据是最小化经验风险,通过选取样本训练计算机,然后对影像进行分类。另一种基于像素的分类方法是非监督分类法,这种方法比较简单,只需要开始时设定聚类中心以及确定需要分类的类别即可[4]。如上所述,基于像素分类中的这两种典型的分类方法,它们的分类原理主要是针对影像中地类地物的光谱信息进行分类的,但是现如今高分辨率影像拥有较丰富的空间信息,波段数目较少,所以仅仅依靠光谱特征来对高分辨率影像分类已经满足不了分类的精度要求。对于高分辨率影像的信息提取,除了考虑光谱信息外还应该考虑地物的几何、纹理等特征,多种特征综合衡量才能改善分类效果。比如在分类水体时,由于水体被污染导致水体光谱特征有所改变,这时绝不能仅仅以光谱特征作为分类的唯一标准,需要将纹理、几何等信息也纳入考量[5]。而且,传统的基于像素的分类方法,分类模式较为固定,分类结果往往过于细化,经常将地物拆分的过于零碎,导致分类过程中得到的地物的边界、形状和真实地物的几何特性不相匹配,利用此方法很难清晰的将影像信息真实表达,极大程度造成了资源浪费,这并不是研究学者们乐于看见的[6]。
3.2面向对象的分类技术
面向对象的分类技术是在高分辨率影像技术迅速发展以及高分辨率影像解译具有较大挑战的大环境下被研究学者所提出来的。由于高分辨率影像的特殊性,基于像素的分类方法暴露出较多的缺点,己经越来越难以满足生产需求了,而对于高分辨率遥感影像难处理的特殊性,Baatz M和Schape A提出了面向对象信息提取方法[7]。该方法是针对高分辨率遥感影像的分类技术,通过对高分辨率遥感影像中地物的光谱信息、纹理信息和形状信息等属性信息进行统计分析,将具有共性的像元合并到子区域中,然后将合并后得到的许多个子区域当做单独的对象,以这些对象为研究单元进行分类。此方法吸取了传统的基于像素的分类方法的优点,并在原有的基础上,增加了地物其他信息,从而改良了分类效果。目前,研究学者们己经将面向对象的分类技术成功地运用到了各个领域中,例如Hofinann就借助该方法,综合统计并分析了影像对象所包含的光谱、几何、纹理特征信息,最后基于统计结果运用面向对象分类技术成功提取出研究区域内非正式居民信息[8]。Willhauck等利用当地现有的统计数据、影像数据及当地植被分布图等辅助数据,结合面向对象的分类技术最后成功的对印尼森林火灾的损毁及影响作出统计评估[9]。虽然面向对象的分类技术在我国的发展较晚,但也越来越被重视,也被运用关于各行各业中。莫登奎等研究学者同样利用面向对象分类技术,对研究区内城市道路、建筑以及植被等地物进行信息提取,并有效提高的信息提取精度[5]。钟文君和兰樟仁等则是釆用面向对象分类方法,以高分辨率影像为研究对象,经过多尺度分割后,综合利用光谱、几何、拓扑等特征信息作为分类依据,利用最近邻分类法获取了城市的湿地信息[10]。从上面各种成功的案例中不难看出,面向对象的分类方法己经成功成为了高分辨率遥感影像解译分析的一种重要方法。该方法不再只是像元级别的分类,克服了基于像素分类方法的种种缺点,对于未来遥感的发展提供了一种新的方向[11]。
以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。