衛(wèi)星影像提取建筑

1、衛(wèi)星影像提取建筑、道路專題信息技術(shù)方案提綱一、影像專題信息提取原理影像專題信息提取是一個影像分割、分類、分類后處理及專題信息輸出的過程。但是在專題信息提取過程中，由于“同譜異物”、“同物異譜”等情況的普遍存在，加上遙感數(shù)據(jù)空間分辨率的限制，“混合像元”現(xiàn)象不可避免，因此基于常規(guī)像元灰度值的圖像分類存在很多問題。在此基礎(chǔ)上，人們開始對多源信息復(fù)合的信息提取方法進(jìn)行探索，主要是從波譜特性、紋理信息、圖像運算和地學(xué)專家知識等方面出發(fā)。1.光譜特征信息復(fù)合光譜特征分析法是遙感信息提取的常用方法之一，在相關(guān)研究中得到了廣泛應(yīng)用。不同地物的波譜特性，是遙感影像分析解譯的理論基礎(chǔ)，也就是說多光譜影像的計算機(jī)

2、自動分類識別必須建立在全面了解掌握分類對象不同波段光譜特性的基礎(chǔ)上。一般而言，同一地物在不同波段的光譜值不同，在同一波段不同地物的光譜值也不相同。根據(jù)這一原理，在多波段彩色合成影像上，首先對典型地物進(jìn)行光譜采樣，然后計算各種地物的光譜均值，得到典型地物波譜響應(yīng)曲線圖。之后分析所需專題信息光譜曲線與其他地物光譜曲線的關(guān)系，找到能夠區(qū)分所需信息與其他地物的波段，利用波段之間的亮度值差異，選擇適當(dāng)?shù)拈撝导纯蓪⑺枰男畔⑻崛〕鰜怼；诠庾V特征的分析方法是從分析地物的光譜曲線入手，挖掘譜間特征，從而提取出所需地物信息的。但是該方法無法克服異物同譜和同物異譜的現(xiàn)象，許多地物無法準(zhǔn)確區(qū)分。2.紋理結(jié)構(gòu)信息

3、復(fù)合常規(guī)提取遙感圖像信息的最大似然分類法等都是基于地物光譜特征的，很難正確區(qū)分一些光譜易混淆的地物，因此為了克服這種現(xiàn)象，可以采用紋理分析的方法。影像紋理反映了影像灰度性質(zhì)及它們之間的空間關(guān)系，是描述和識別影像的重要依據(jù)，與其他影像特征相比，它能更好地兼顧地物的宏觀性質(zhì)和細(xì)部結(jié)構(gòu)。紋理分析方法大致分為統(tǒng)計方法、結(jié)構(gòu)方法和譜方法。統(tǒng)計方法是指在不知道紋理基元或尚未監(jiān)測出基元的情況下進(jìn)行紋理分析，主要描述紋理基元或局部模式隨機(jī)和空間統(tǒng)計特征，如灰度共生矩陣法、隨機(jī)場模型法等；結(jié)構(gòu)方法主要在已知基元的情況下進(jìn)行，描述紋理基元及其周期性排列的空間幾何特征和排列規(guī)則，如形態(tài)學(xué)，圖論、拓?fù)涞确椒?；譜方法是

4、建立在多尺度分析與時、頻分析基礎(chǔ)之上的紋理分析方法，如Gabor變換、小波變換、分形學(xué)等。其中，統(tǒng)計分析方法中的基于灰度共生矩陣提取紋理特征的方法是目前公認(rèn)的一種較經(jīng)典的紋理分析方法，它強(qiáng)調(diào)圖像的空間依賴性，體現(xiàn)了在一種紋理模式下的像素灰度的空間關(guān)系。隨著傳感器技術(shù)的不斷發(fā)展，成像分辨率不斷提高，圖像地面細(xì)節(jié)信息越來越豐富，地物紋理特征表現(xiàn)得更為清晰，比起傳統(tǒng)方法單純基于地物的光譜特性提取專題信息的方法來說紋理分析方法將得到更加廣泛和深入的應(yīng)用。3歸一化差異型指數(shù)信息復(fù)合歸一化差異型指數(shù)是通過波段比值運算和歸一化處理，把輸出值范圍統(tǒng)一在一1+1之間。歸一化差異型指數(shù)創(chuàng)建的基本原理就是在多光譜波

5、段內(nèi)，尋找出所要研究地類的最強(qiáng)反射波段和最弱反射波段，將強(qiáng)者置于分子，弱者置于分母。通過比值運算，進(jìn)一步擴(kuò)大二者的差距，使感興趣的地物在所生成的指數(shù)影像上得到最大的亮度增強(qiáng)，而其他背景地物則受到普遍的抑制，從而達(dá)到突出感興趣地物的目的。國內(nèi)外學(xué)者提出的常見的該類型指數(shù)如歸一化差異植被指數(shù)(NDVI)、歸一化差異水體指數(shù)(NDWI)、改進(jìn)的歸一化差異水體指數(shù)(MNDWI)、歸一化建筑指數(shù)(NDBI)以及歸一化差異濕度指數(shù)(NDMI)和歸一化差異型指數(shù)(NDSI)等。歸一化差異型指數(shù)由于進(jìn)行了比值運算，所以其生成的指數(shù)影像有助于消除地形差異的影響，而且具有快速客觀的優(yōu)點，實際表明綜合運用各種指數(shù)提

6、取專題信息已取得較高的精度。4、形狀指數(shù)信息復(fù)合形狀指數(shù)的計算是針對某個地物對象而不是傳統(tǒng)意義上的單個像素。利用地物對象的形狀信息與對象間的拓?fù)湎噙B信息。充分利用地物對象的信息(如形狀、面積、紋理、色調(diào)等)和對象間信息(與鄰近對象、子對象、父對象的相關(guān)特征)，是遙感應(yīng)用處理的技術(shù)之一”。因為形狀特征與具體地物目標(biāo)聯(lián)系在一起，要獲得有關(guān)目標(biāo)的形狀參數(shù)，必須先對圖像進(jìn)行分割，這導(dǎo)致形狀特征容易受到圖像分割效果的影響。這里主要利用形狀指數(shù)來分割道路與建筑物。綜上所述，可以綜合采用基于地物本身的光譜特性、紋理、歸一化指數(shù)以及形狀指數(shù)進(jìn)行衛(wèi)星影像的地物專題信息提取。二、影像專題信息提取方法影像專題信息提

7、取方法有基于像元的提取方法和基于對象的提取方法，對影像專題信息的提取也就是對影像專題信息的分類。常用的分類方法包括了監(jiān)督分類、非監(jiān)督分類、專家分類、面向?qū)ο蟮姆诸惖取?、監(jiān)督分類監(jiān)督分類(supervisedclassification)又稱訓(xùn)練場地法，是以建立統(tǒng)計識別函數(shù)為理論基礎(chǔ)，依據(jù)典型樣本訓(xùn)練方法進(jìn)行分類的技術(shù)。也就是根據(jù)已知訓(xùn)練區(qū)提供的樣本，通過選擇特征參數(shù)，求出特征參數(shù)作為決策規(guī)則，建立判別函數(shù)以對各待分類影像進(jìn)行的圖像分類，是模式識別的一種方法。要求訓(xùn)練區(qū)域具有典型性和代表性。判別準(zhǔn)則滿足分類精度要求，則此準(zhǔn)則成立；反之，需重新建立分類的決策規(guī)則，直至滿足分類精度要求為止。監(jiān)督分

8、類法采用的統(tǒng)計方法主要有最大似然法、最小距離法、神經(jīng)元網(wǎng)絡(luò)分類法、模糊分類法。在目前遙感影像信息自動提取的研究中，最大似然法(也稱Bayes分類法)以及神經(jīng)網(wǎng)絡(luò)分類法是應(yīng)用最廣泛，最典型的監(jiān)督分類方法。最大似然分類法是建立在貝葉斯準(zhǔn)則基礎(chǔ)上的，其分類的錯誤概率較小，是風(fēng)險最小的判決分析，應(yīng)用最大似然判決準(zhǔn)則進(jìn)行分類是比較理想的。但是傳統(tǒng)的人工采樣方法由于工作量大，效率低，加上人為主觀因素的影響，使得分類結(jié)果的精度較差。利用GIS數(shù)據(jù)來輔助Bayes分類，再根據(jù)地學(xué)專家知識，建立知識庫，以知識來指導(dǎo)分類的進(jìn)行，可以減少分類錯誤，提高分類精度；神經(jīng)元網(wǎng)絡(luò)分類法，是一種具有人工智能的分類方法，包括B

9、P神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)等各種神經(jīng)網(wǎng)絡(luò)分類法。神經(jīng)網(wǎng)絡(luò)法不基于某個假定的概率分布，容錯性較強(qiáng)，通常情況下比一般統(tǒng)計方法要好，其分類精度也較最大似然法要高。2、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，亦即：非監(jiān)督分類只能把樣本區(qū)分為若干類別，而不能給出樣本的描述；其類別的屬性是通過分類結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的。非監(jiān)督分類也稱聚類分析。一般的聚類算法是先選擇若干個模式點作為聚類的中心。每一中心

10、代表一個類別，按照某種相似性度量方法（如最小距離方法）將各模式歸于各聚類中心所代表的類別，形成初始分類。然后由聚類準(zhǔn)則判斷初始分類是否合理，如果不合理就修改分類，如此反復(fù)迭代運算，直到合理為止。與監(jiān)督法的先學(xué)習(xí)后分類不同，非監(jiān)督法是邊學(xué)習(xí)邊分類，通過學(xué)習(xí)找到相同的類別，然后將該類與其它類區(qū)分開，但是非監(jiān)督法與監(jiān)督法都是以圖像的灰度為基礎(chǔ)。非監(jiān)督分類采用的主要統(tǒng)計方法有動態(tài)聚類，模糊聚類，系統(tǒng)聚類和分裂法。其中動態(tài)聚類是目前非監(jiān)督分類中比較常用的一種方法，主要有基于最鄰近規(guī)則的試探法、K-means均值算法、迭代自組織的數(shù)據(jù)分析法（ISODATA）等。K.means均值算法和ISODATA算法應(yīng)

11、用較多，它們把分析判別的統(tǒng)計聚類算法和簡單多光譜分類融合在一起，使聚類更加準(zhǔn)確、客觀，提高了分類精度。但這些分類法也存在著一定的不足，例如很難確定初始化條件，很難確定全局最優(yōu)分類中心和類別個數(shù)，很難融合地學(xué)專家知識等。雖然非監(jiān)督分類方法的提取精度相對較低，但是這種方法的工作量相對較小，且容易實現(xiàn)，所以仍有很多研究人員將該方法應(yīng)用到實際問題當(dāng)中。通常情況下，單一基于統(tǒng)計分析的圖像分類算法很難保證信息提取的精度，綜合監(jiān)督、非監(jiān)督兩種分類方法，對建筑和道路專題信息進(jìn)行分層、分級提取，可以對單一方法進(jìn)行補(bǔ)充，從而提高分類精度。3、專家分類專家分類是利用了各種經(jīng)驗性知識，在綜合判斷的同時進(jìn)行影像判讀的。

12、可是在利用計算機(jī)進(jìn)行影像分類時就不能充分利用這種專家的知識及綜合性判斷力。專家系統(tǒng)就是把某一特定領(lǐng)域的專家知識輸入到計算機(jī)中，輔助人們解決問題的系統(tǒng)。利用這樣的系統(tǒng)就可以把判讀專家的經(jīng)驗性綜合起來進(jìn)行分類。在以分類為中心的遙感影像處理、分析中，必須具備以下知識：1）關(guān)于影像分析方法的知識遙感影像處理、分析的方法在區(qū)別不同的目標(biāo)、不同的狀態(tài)下加以利用時可以發(fā)揮出有效性，為了獲得有效的成果，必須把這些方法通過適當(dāng)?shù)亟M合加以利用。因此，必須建立具有適用的分析方法的知識，并能提示、給出影像的最佳處理步驟的系統(tǒng)。目前已開發(fā)出若干個這樣的系統(tǒng)，它們在詢問使用者關(guān)于分析目的及處理結(jié)果的滿意程度的同時確定影像

13、分析的順序。2）關(guān)于目標(biāo)物的知識對影像數(shù)據(jù)進(jìn)行目標(biāo)的分類及判讀時，必須具備關(guān)于目標(biāo)物的各種知識。例如，利用光譜特征及紋理特征等對影像上的目標(biāo)物的觀察方法的知識，以及對標(biāo)高3000m以上的地區(qū)不存在森林這種關(guān)于目標(biāo)物特定的存在場所的知識等。把這種知識應(yīng)用于分類過程中可以提高分類的可靠性。另外，為了在影像處理中更好地活用關(guān)于目標(biāo)物的知識，還必須具備關(guān)于影像處理方法的知識，可以說這兩種知識的結(jié)合是非常重要的。專家系統(tǒng)既需要對影像進(jìn)行處理、分類和特征提取，又需要從影像信息提取專家那里獲取地物知識，構(gòu)成圖像解譯知識庫，在基于知識指導(dǎo)由計算機(jī)完成影像信息提取。如圖1所示，專家系統(tǒng)組成基本上分為三部分：圖1

14、專家系統(tǒng)結(jié)構(gòu)邏輯框圖4、eCognitionDeveloper面向?qū)ο蟮挠跋穹治?、分類方法傳統(tǒng)基于像素級別的信息提取以單個像素為單位，以地物的光譜特征為主要依據(jù)，沒有充分利用圖像中的幾何結(jié)構(gòu)等信息，從而制約了信息提取的精度，而面向?qū)ο蟮倪b感信息提取是基于“圖像對象”的分類，綜合考慮了圖像的光譜統(tǒng)計特征、紋理特征、地物的形狀、大小、相鄰關(guān)系等一系列因素，因而許多研究表明其具有更高精度的分類結(jié)果。人類對眼睛看到的東西不是簡單的反映，而是基于已有知識和經(jīng)驗的重構(gòu)，看到認(rèn)知對象的部分可以推斷其全部。易康類似人類基于知識和經(jīng)驗的認(rèn)知過程，它是基于知識的遙感影像分類方法，能將原有GIS數(shù)據(jù)和新的遙感影像數(shù)

15、據(jù)及通過分類所得到的知識有機(jī)地結(jié)合在一起，充分利用原有各土地利用類型轉(zhuǎn)變的先驗性知識，將這些知識用于遙感影像分類，能減少“同物異譜”、“異物同譜”的混雜現(xiàn)象，并提高分類的精度。人類認(rèn)知不是基于像素的，首先將同質(zhì)像素組成有意義的對象，將特定的對象或?qū)ο笕悍旁谔囟ǖ沫h(huán)境下來分析。易康全新的面向?qū)ο蟮挠跋穹治龇椒?，與傳統(tǒng)分類方法的本質(zhì)區(qū)別是對影像對象而不是像素進(jìn)行分類。利用面向?qū)ο笥跋穹治龇椒ǖ哪康氖牵河跋穹治龅娜蝿?wù)是提取真實世界的地物對象，形狀和類別都要正確，傳統(tǒng)的基于像素的分類方法無法滿足這一要求。影像對象的網(wǎng)絡(luò)層次結(jié)構(gòu)與其借助對象顯示的影像信息直接相關(guān)，像素與像素之間的拓?fù)潢P(guān)系隱含在柵格數(shù)據(jù)模

16、型中，而影像對象之間的聯(lián)系則必須明確表示出來。拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)有極大的優(yōu)勢，它能夠有效地傳遞不同種類間的相關(guān)關(guān)系。如果說基于像素的影像分析方法是平面上的孤立像素分析，那么面向?qū)ο蟮挠跋穹治鰟t把對象放在一個網(wǎng)絡(luò)環(huán)境下，對它進(jìn)行全面的立體分析。不同分類任務(wù)都需要不同的尺度，因而必須將影像對象的大小調(diào)整到合適的尺度?；谟跋駥ο蟮钠骄笮?，影像信息可以在不同的尺度進(jìn)行表達(dá)。同一幅影像可以分割為較大或較小的對象，不同的分割會對信息的提取產(chǎn)生一定影響。此外，可以通過不同的對象層同時表現(xiàn)不同尺度的影像信息。不同對象層相互關(guān)聯(lián)可以提取更多有價值的信息。例如，可以通過影像對象層次網(wǎng)絡(luò)結(jié)構(gòu)來實現(xiàn)，在這種嚴(yán)格的層次結(jié)

17、構(gòu)中，每個對象知道其相鄰對象、子對象和父對象，從而可以實現(xiàn)某一確定區(qū)域的子結(jié)構(gòu)的精確分析，而這種分析在非嚴(yán)格的層次結(jié)構(gòu)中是不可能實現(xiàn)的。不僅如此，我們還可以在子對象的基礎(chǔ)上改變父對象的形狀。面向?qū)ο蟮挠跋穹治龅牧硪粋€重要特征是能夠由影像對象提取到大量的附加信息。除色調(diào)外，這些附加信息還包括形狀、紋理、上下文以及來自其他對象層的信息。使用這些信息，由分類可以得到更好的語義區(qū)分和更精確詳細(xì)的結(jié)果。從概念方面上看，可將特征分為以下幾類：固有特征：即對象的物理屬性，由拍攝的真實世界及影像狀態(tài)主要是傳感器和光照條件所決定。這些特征包括對象的顏色、紋理和形狀。拓?fù)涮卣鳎好枋鰧ο箝g或整個影像的幾何關(guān)系特征，

18、諸如靠左、靠右或距離某一對象一定距離的位置或是位于影像的某一特定區(qū)域等。上下文特征：描述對象的語義關(guān)系特征，如公園被城區(qū)所包圍。以分類為基礎(chǔ)，可以在局部以特定方式來分析影像對象，例如，一個對象一旦被分類為森林，局部知識就可以用來分類。從理論上講當(dāng)一個對象及其網(wǎng)絡(luò)環(huán)境確定后，其他的對象都可以運用森林的邏輯知識來確定。對象的不同區(qū)域采用不同的方法比采用同一種算法更為合理，而這也正是面向?qū)ο蠓治龇椒ǖ膬?yōu)勢所在。最后，面向?qū)ο蠓椒ǖ奶攸c，還在與影像對象的處理和分類的互相影響。在分割之后，影像對象的尺度、形狀等信息可用于分類；反過來，在分類之后，某些處理算法才能被利用。在很多應(yīng)用中，所需要的地理信息和感

19、興趣的對象是通過一步步地分類和分割處理的循環(huán)互動才提取出來的，因而，作為處理單元的影像對象能不斷地改變其形狀、分類結(jié)果（屬性）和相互關(guān)系。這種循環(huán)過程與人類對影像理解過程相似，經(jīng)過一系列的中間狀態(tài)，分類越來越細(xì)化，從原始影像中抽取的信息也越來越多。信息提取過程中的每一步都會產(chǎn)生新的信息和知識，這些信息和知識將有利于下一步的分析。因而信息提取不僅考慮對象的形狀和大小，而且還有語義信息。有趣的是，這種循環(huán)過程不僅僅將像素在空間上合并為影像區(qū)域，而且是影像內(nèi)容在空間和語義方面的結(jié)構(gòu)化。在最初的步驟中更多的是數(shù)據(jù)驅(qū)動，而在后面的步驟中則來越多地運用了知識和語義信息。相應(yīng)地分類后的影像對象的網(wǎng)絡(luò)結(jié)構(gòu)也可

20、以看作是空間、語義網(wǎng)絡(luò)。在成功的分析后，更多有用的附加信息通過網(wǎng)絡(luò)結(jié)構(gòu)處理就能得到。面向?qū)ο蠓椒ㄔ谠瓌t上是與分割和分類技術(shù)獨立的。正確地選擇處理方法能夠使處理功能更強(qiáng)大，正確的訓(xùn)練和分類方能更充分地運用這些方法潛在的優(yōu)勢，獲取更高精度的分類結(jié)果。三、建筑、道路專題信息提取1、影像專題信息提取的分類類別及特征道路道路一般呈現(xiàn)出長條形的連續(xù)分布，因此我們在分類時將把道路的形狀因子作為一個分類的重點依據(jù)，再根據(jù)道路各子類的特征信息加入其它算法提出道路專題對象。類別分類特征道路高等級路主要為高速公路、高等級路、國道等。其特征為瀝青路面，路面較寬，顏色為暗青灰色。普通公路主要為縣鄉(xiāng)道以及城區(qū)的二級道路等

21、。其特征為水泥或瀝青路面，路面寬度燒窄，顏色為暗青灰色。小路主要為機(jī)耕路，農(nóng)村道路，小路等。其特征主要為土質(zhì)路面，部分路面不規(guī)整，顏色為土黃色或土紅色，其具體根據(jù)影像中土質(zhì)的顏色決定，其形狀特性為長條狀。建筑建筑物的光譜信息與道路具有很強(qiáng)的相似性，但在形狀因子上具有很大的差異性，因此我們先提取道路后，利用剔除法，從其它剩余對象中選取建筑對象，再輔與其它算法，更進(jìn)一步精確提取建筑對象的類別。類別分類特征建筑規(guī)劃建筑主要為城區(qū)較規(guī)整，混泥土類建筑，其房屋較新，光譜信息中顏色值為灰色的房屋類建筑。農(nóng)村建筑主要為農(nóng)村建筑，其房屋較為密集，光譜信息中顏色為深灰色建筑。鋼制屋頂建筑主要為廠房類建筑，其特征

22、為建筑占地面積較大，建筑物較規(guī)整，部分建筑屋頂顏色為藍(lán)色。特殊建筑特殊建筑物，或屋頂顏色較為特異的。2、影像分割在本項目中，我們使用的是eCognition軟件，它是采用面向?qū)ο蟮姆诸惙椒?而面向?qū)ο蠓诸惙椒ǖ牡谝徊绞菍τ跋襁M(jìn)行分割。分割Segmentation算法用來分割像素域表示的整景影像或指定的其它域的更小影像對象。沒有經(jīng)過分類的基本影像對象，包含了光譜特征、形狀、位置、紋理信息以及鄰域信息。我們在面向?qū)ο蠓指顣r，常用的分割方法有：棋盤分割將像素域或影像對象域分為方形影像對象。方形格網(wǎng)平行于影像的左邊界和上邊界，大小固定。rifSB棋盤分割四叉樹分割將像素域或影像對象域分割為由方形對象組

23、成的四叉樹格網(wǎng)四叉樹網(wǎng)格由正方形組成，每個邊是2次冪且與影像左邊界和上邊界對齊，適用于域內(nèi)的所有對象，每個對象沿著網(wǎng)格便捷切開。四叉樹結(jié)構(gòu)按照這樣的方法創(chuàng)建，就是說每個正方形首先滿足最大肯能大小，其次符合模式mode和尺度參數(shù)scaleparameter定義的均質(zhì)標(biāo)準(zhǔn)。:X叩：四叉樹分割多尺度分割分割本身不是目的，影像分析的目的是土地利用分類或者是特征目標(biāo)識別。然而，在很多情況下，我們感興趣的對象是非均質(zhì)的。按照均質(zhì)標(biāo)準(zhǔn)實施的分割往往不能直接提取最終我們感興趣的區(qū)域或?qū)ο?。針對這個問題，多尺度分割能根據(jù)局部反差，在任意尺度提取無知識參與的影像對象原型，它適用于各種數(shù)據(jù)類型，能同時處理多通道數(shù)據(jù)

24、，尤其適合于處理有紋理或低對比度的數(shù)據(jù)，如雷達(dá)影像或高分辨率影像。多尺度分割的具體做法是一種從單像素對象開始的自下而上的區(qū)域合并技術(shù)。多尺度分割對象結(jié)構(gòu)圖多尺度分割3、影像專題信息分類分類是一種把類層次結(jié)構(gòu)中的類與影像對象層次網(wǎng)絡(luò)中的影像對象進(jìn)行連接的操作。分類過程處理完后，每個影像對象就賦給一定的類（或者沒有分類）這樣也就是和類層次結(jié)構(gòu)進(jìn)行了連接。當(dāng)分配一個類給一個影像對象，類描述中和其他類的表達(dá)也將傳遞給此影像對象，分類結(jié)果是由分類后的影像對象構(gòu)成的層次網(wǎng)絡(luò)。這些影像對象具有自己的屬性、和其他影像對象之間的關(guān)系、和類層次結(jié)構(gòu)中其他類之間的關(guān)系，因此在分類時，加入特征變量對分割后的對象進(jìn)行分

25、析，提取出我們所需要的專題信息。InsertEKpressionpStandardnearestneighborpNearestneighbor-bjectf&aturet由金Laveivalies由“艮)Shape由園TextureS-AHierarchy曰Class-rektedfeatures由田S;由：由*Relationstoneighborobjects-禺Flelalionstosub-objects-XRelationsIo-uper-otiects-MembershiptoClassifiedas日.*Simiaritytoclassesp-Oimpervioussurfac

26、ewateiOagricultureEl-EjLogicalterms；andmin|andHormaxp-mean(arithm.)mean(gea)廠InyertAressjon道路對影像上道路實現(xiàn)提取，必須要明確道路的定義及其特征。在了解道路特征的基礎(chǔ)上，通過適當(dāng)?shù)念A(yù)處理增強(qiáng)其特征，再采用相應(yīng)的模型識別道路。Vosselman和Knecht將道路描述為具有輻射、幾何、拓?fù)?、功能、上下文關(guān)聯(lián)5個特征。道路的功能特征和上下文關(guān)聯(lián)特征是其在景物域和物方空間的知識，偏重于語義描述；而道路的輻射、幾何與概念模型拓?fù)涮卣鲃t屬于影像域。景物域特征一般難以從影像上直接解譯獲取，必須結(jié)合其它的知識來綜合表

27、達(dá)。u0川0.60.70.80,9L01.1讖誼伽1道路的波譜反射曲線圖道路的輻射特征表現(xiàn)為內(nèi)部輻射度比較均勻、與其相鄰區(qū)域灰度反差較大，本項目中首先采用光譜特征分類提取道路及其同譜的目標(biāo)。在此基礎(chǔ)上，再根據(jù)道路的幾何形狀特征去除同譜的異物，道路在空間上常呈長條狀、寬度變化比較小等。預(yù)采樣影像采樣后影像在道路分類時，我們先使用1：2000地形圖中道路的面層參與分割計算，設(shè)置好分割時光譜因子和形狀因子的權(quán)重比例，對分割好后的數(shù)據(jù)再進(jìn)行分類，第一步：采用樣本分類方法，在目標(biāo)區(qū)選取樣本，樣本的類型大體上可以分為林地、農(nóng)田、人工建筑物、水體、道路等幾類，聚類的方式是最近鄰法，從而可以得到道路的粗分類；

28、第二步：依據(jù)中道路的鋪面材料分為水泥、瀝青和沙土三大類，它們的反射波譜特性曲線形狀大體相似，但其反射率有所不同，水泥沙路在干爽狀態(tài)下呈灰白色，反射率最高，瀝青路反射率最低，根據(jù)這一特性，將道路對象再次細(xì)分；第三步：由于光譜的同物異譜和異物同譜現(xiàn)象，需要把錯分的道路進(jìn)行提取。在實際中注意到道路在形狀上具有較大的長寬比值，故我們可以采用eCognition提供的基于對象特征的Length/Width(onlymainline)使錯分的道路提取到道路層。第四步：拷貝一個對象層，使用1：2000數(shù)據(jù)中的道路信息，對分類結(jié)果進(jìn)行檢查，判斷錯分現(xiàn)象，再檢查道路的延伸性和連續(xù)性，最后使用目視判讀，對道路的漏

29、分等情況進(jìn)行補(bǔ)足。建筑同樣先采用1：2000建筑專題層進(jìn)行分割，然后選用樣本分類方法，在選擇樣本應(yīng)盡量涵蓋所有的建筑物類型，因為在城市遙感影像中，通常只能看到建筑物的頂部或部分建筑物的側(cè)面，所以掌握建筑材料所構(gòu)成的屋頂?shù)牟ㄗV特性是進(jìn)行分類的關(guān)鍵。從下圖可以看出，鐵皮屋頂表面成灰色，反射率較低而且起伏小，所以曲線較平坦。石棉瓦反射率最高，瀝青粘砂屋頂，由于其表面鋪著反射率較高的砂石而決定了其反射率高于灰色的水泥平頂。綠色塑料棚頂?shù)牟ㄗV曲線在綠波段處有一反射峰值，與植被相似，但它在近紅外波段處沒有反射峰值，有別于植被的反射波譜。丸10石18瓦頂-嚴(yán)豎=一么、塑斡頂堀建筑物的波譜反射曲線圖將利用波譜

30、信息分析后提取出來的建筑對象，進(jìn)行目視檢查，看是否有明顯錯分對象，如有錯分較明顯區(qū)域，則對該對象建立region和mapl，再mapl中對region進(jìn)行分割，分割時尺度應(yīng)設(shè)置比較小，分類時，根據(jù)其光譜特性，以光譜信息為主，輔以其它算法，對建筑物進(jìn)行細(xì)致處理。區(qū)域分析之前區(qū)域分析后四、影像專題對象的修正由于eCognition的多尺度分割是與知識無關(guān)的方法，它只由顏色和形狀均質(zhì)性組成的均質(zhì)標(biāo)準(zhǔn)決定。由之產(chǎn)生的影像對象只能被視為對象原型。而且多尺度分割生成了具有相似大小的影像對象，而一幅影像中的不同結(jié)構(gòu)是嵌入在不同尺度大小內(nèi)的。這樣出現(xiàn)一個問題，一個特征尺度的影像對象層不能表達(dá)影像中的所有結(jié)構(gòu)。

31、所以我們需要對影像的專題對象進(jìn)行修正。規(guī)范化處理由于影像具有柵格結(jié)構(gòu)，基于影像的分類結(jié)果會在一定程度上呈現(xiàn)鋸齒狀輪廓，這與實際情況不符，故需要對分類后的結(jié)果進(jìn)行規(guī)范化處理。其處理的調(diào)整模式主要有三種，即生長、收縮和覆蓋層。其效果如下圖所示：規(guī)范化處理前的影像規(guī)范化處理后的影像建筑物直角化由于遙感影像分辨率的限制，不能完全準(zhǔn)確表示出地物的形狀，如實際中的建筑物的拐角比較規(guī)則（一般呈現(xiàn)為直角），所以需要對建筑物進(jìn)行直角化處理。建筑物直角化前影像建筑物直角化后影像五、處理矢量信息eCognition可以同時對影像對象進(jìn)行柵格或者矢量顯示。分割后，矢量化功能可以為每個影像對象生成多邊形?？梢愿鶕?jù)不同目

32、的，以不同的尺度方式生成矢量信息。根據(jù)項目要求從分類好的數(shù)據(jù)中生成含建筑物（面）、建筑物（線）、建筑物中心點（點）、道路（面）、道路（線）、道路中心線（線）和注記（點）等圖層的PersonalGeodatabase，具體的分層如下：實體圖層名稱幾何體類型備注建筑物（面）BuildingPolygonPolygon建筑物（線）BuildingLinePolyline建筑物中心點（點）BuildingCenterPointPoint道路（面）RoadPolygonPolygon道路（線）RoadLinePolyline道路中心線（線）RoadCenterLinePolyline道路交匯點（點）Ro

33、adCrossPointPoint注記（點）EntityTextPoint其相應(yīng)的屬性結(jié)構(gòu)如下（1）建筑物（面）列名類型寬度填寫內(nèi)容IDInteger10順序編號BldCodeInteger19建筑物編碼BldNameText50建筑物名稱BldAreaDouble保留3位小數(shù)建筑物頂部面積2）建筑物（線）列名類型寬度填寫內(nèi)容IDInteger10順序編號（3）建筑物中心點（點）列名類型寬度填寫內(nèi)容IDInteger10順序編號BldCentXDouble保留3位小數(shù)中心點X坐標(biāo)BldCentYDouble保留3位小數(shù)中心點X坐標(biāo)（4）道路（面）列名類型寬度填寫內(nèi)容IDLongInteger1

34、0順序編號RodCodeShortInteger10道路編碼RodNameText50道路名稱RodAreaDouble保留3位小數(shù)道路面積RodTypeShortInteger10為道路，1為交叉口（5）道路（線）列名類型寬度填寫內(nèi)容IDInteger10順序編號（6）道路中心線（線）列名類型寬度填寫內(nèi)容IDInteger10順序編號RodCodeInteger10道路編碼RodNameText50道路名稱RodWidthDouble保留1位小數(shù)道路寬度7）道路交匯點（點）列名類型寬度填寫內(nèi)容IDInteger10順序編號8）注記（點）列名類型寬度填寫內(nèi)容IDInteger10順序編號TextStringText50注記內(nèi)容六、分類精度評價評估分類結(jié)果的質(zhì)量是極其重要的，因為通過評估可以判斷分類的結(jié)果是否達(dá)到工程需要的精度。一般來說，首次評估都是通過最簡單的目視判讀分類