高分辨率遥感影像的分类方法研究.doc

高分辨率遥感影像的分类方法研究 唐 菲 （宁夏回族自治区地质调查院，银川 750021） 摘要：利用传统面向像元的分类方法对高分辨率遥感影像进行分类时，不但会导致分类精度降低，而且会造成空间数据大量冗余和资源浪费。根据高分辨率遥感影像的特点，本文开展面向对象的高分辨率遥感影像分类方法研究，并将分类结果与传统面向像元分类方法的分类结果进行对比评价。 关键词: 高分辨遥感影像；面向对象分类；影像分割；模糊分类 1.引言 与传统的中、低空间分辨率的遥感影像相比,高分辨率遥感影像具有丰富的空间信息，地物的纹理信息和几何结构更加明显，但通常包含较少的波段，光谱特征不如空间特征丰富。传统的遥感影像信息提取只能依靠影像的光谱信息,并且是在像素层次上的分类，所以仅仅依靠像素的光谱信息对高分辨率遥感影像进行分类,必然会造成分类精度的降低。为了突破传统的分类方法,改善分类精度,合理地利用高分辨率遥感影像提供的信息，本文开展面向对象的高分辨率遥感影像分类方法研究。 2.面向对象遥感影像分类 面向对象遥感影像分类方法主要包括影像分割和模糊分类两步。它首先通过一定的分割方法对高分辨率遥感影像进行分割，继而提取分割单元的各种特征，并在特征空间中进行对象识别和标识，从而完成最终分类。 2．1 高分辨率遥感影像分割 影像分割是指把原图像分割成一些在空间上相邻、光谱相似的同质区域，而每一个区域对象则又可以表现出形状、纹理、上下文等特性。影像分割在分割过程中可采用不同的分割尺度，所生成的对象大小取决于分割前确定的尺度值，分割尺度值越大，所生成的对象层内多边形面积越大数目越小，反之亦然。因此，影像信息分割时尺度的选择很重要，它直接决定以后分类结果精度高低。 2．2 模糊分类 模糊分类是以模糊集合论为基础，针对不确定事物的分析方法。模糊分类法与传统分类法不同，它认为一个像元是可分的，即一个像元可以是在某种程度上属于某个类而同时在另一种程度上属于另一类，这种类属关系的程度用像元隶属度表示，通常运用模糊分类的关键是确定像元的隶属度。在模糊数学分类方法中，类别特征的描述是通过隶属度(又称为成员函数)来实现的。成员函数是一个模糊表达式，是一种把任意特征值范围转换为统一的范围[O，l]的简单方法。单一的隶属度函数表现为一条曲线，横坐标为类别特征值(光谱、形状等)，纵坐标为隶属度。成员函数允许将信息和概念公式化，从而很容易对它进行编辑、修改，在属性值与计算的模糊值之间建立透明的联系。 3．数据研究 3．1 实验区数据 本文在南京地区IKONOS高分辨率影像上选取实验区，采用面向对象分类方法进行区域分类实验。该影像成像时间为2000年9月15日，包括空间分辨率为4m的多光谱影像波段(近红外、红色、绿色和蓝色波段)。在该IKONOS影像上选取地物类型丰富的实验区,实验区为600 X 600个像元,实验区影像如图1所示。 图1 实验区影像图 3.2 软件平台 本文基于eCognition操作平台，进行实验区面向对象的分类实验。eCognition是由德国Definiens Imaging公司开发的第一个用于高分辨率遥感影像分类的软件,它采用一种全新的面向对象的分类技术来进行影像的分类和信息提取。 3.3 实验区分类实验 从实验区中可看出,左上角主要为水体，右上角分布为植被及祼土,其余部分为城区建筑及道路等。本实验将结合对象的形状和光谱等特征，用面向对象的分类方法对区域中的地物进行分类。 1．分割 通过影像分割获取类别对象，类别提取存在最优尺度，最优尺度的选择主要依赖于影像数据的分辨率和应用目的，因此通过对实验区分割结果的对比确定最优尺度。使用不同的分割尺度得到的影像对象存在较大的差异。当分割尺度为10时，会产生过分割现象,影像对象数量很多，且多边形十分破碎，即使是面积很小的面状地物也会被分割成多个对象组成。当分割尺度为50时，生成的影像对象面积较大，虽然对于大面积的水体会产生同质性较好的多边形, 但对于大多数其它地物来说分割对象中混入其它地物,不利于后继特征的提取和样区的选择。当分割尺度为30时，大多数地物能生产相邻的多边形对象，对象较为纯净,能获得对整体地物较好的分割结果。因此，选择最优分割尺度30对实验区进行分类。 2． 对象特征提取及分类 在分割后的影像上提取地物的特征信息并进行模糊分类。首先创建分类类别，通过对实验区影像的判读，将主要地物类型分为五类：水体、植被、裸土、建筑、道路。然后对每种类别选择分类函数，进行类别信息的样本特征提取。最后结合这些获得的特征利用模糊逻辑的分类方法进行对实验区分割对象的分类。将实验区面向对象的分类结果以专题图形式输出,如图2所示 ： 图2 实验区