遥感像的DEM提取原理是什么?
1、遥感信息提取方法分类
常用的遥感信息提取的方法有两大类:一是目视解译,二是计算机信息提取。
1.1目视解译
目视解译是指利用图像的影像特征(色调或色彩,即波谱特征)和空间特征(形状、大小、阴影、纹理、图形、位置和布局),与多种非遥感信息资料(如地形图、各种专题图)组合,运用其相关规律,进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译,后来发展为人机交互方式,并应用一系列图像处理方法进行影像的增强,提高影像的视觉效果后在计算机屏幕上解译。
1)遥感影像目视解译原则
遥感影像目视解译的原则是先“宏观”后“微观”;先“整体”后“局部”;先“已知”后“未知”;先“易”后“难”等。一般判读顺序为,在中小比例尺像片上通常首先判读水系,确定水系的位置和流向,再根据水系确定分水岭的位置,区分流域范围,然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上,再进行地质、地貌等专门要素的判读。
2)遥感影像目视解译方法
(1)总体观察
观察图像特征,分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映,从而可以把图像分成大类别以及其他易于识别的地面特征。
(2)对比分析
对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体;多时域图像对比分析主要用于物体的变化繁衍情况监测;而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。
各种直接判读标志之间的对比分析,可以识别标志相同(如色调、形状),而另一些标识不同(纹理、结构)的物体。对比分析可以增加不同物体在图像上的差别,以达到识别目的。
(3)综合分析
综合分析主要应用间接判读标志、已有的判读资料、统计资料,对图像上表现得很不明显,或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点,可作更加深入细致的判读。如对已知判读为农作物的影像范围,按农作物与气候、地貌、土质的依赖关系,可以进一步区别出作物的种属;河口泥沙沉积的速度、数量与河流汇水区域的土质、地貌、植被等因素有关,长江、黄河河口泥沙沉积情况不同,正是因为流域内的自然环境不同所至。
地图资料和统计资料是前人劳动的可靠结果,在判读中起着重要的参考作用,但必须结合现有图像进行综合分析,才能取得满意的结果。实地调查资料,限于某些地区或某些类别的抽样,不一定完全代表整个判读范围的全部特征。只有在综合分析的基础上,才能恰当应用、正确判读。
(4)参数分析
参数分析是在空间遥感的同时,测定遥感区域内一些典型物体(样本)的辐射特性数据、大气透过率和遥感器响应率等数据,然后对这些数据进行分析,达到区分物体的目的。
大气透过率的测定可同时在空间和地面测定太阳辐射照度,按简单比值确定。仪器响应率由实验室或飞行定标获取。
利用这些数据判定未知物体属性可从两个方面进行。其一,用样本在图像上的灰度与其他影像块比较,凡灰度与某样本灰度值相同者,则与该样本同属性;其二,由地面大量测定各种物体的反射特性或发射特性,然后把它们转化成灰度。然后根据遥感区域内各种物体的灰度,比较图像上的灰度,即可确定各类物体的分布范围。
1.2计算机信息提取
利用计算机进行遥感信息的自动提取则必须使用数字图像,由于地物在同一波段、同一地物在不同波段都具有不同的波谱特征,通过对某种地物在各波段的波谱曲线进行分析,根据其特点进行相应的增强处理后,可以在遥感影像上识别并提取同类目标物。早期的自动分类和图像分割主要是基于光谱特征,后来发展为结合光谱特征、纹理特征、形状特征、空间关系特征等综合因素的计算机信息提取。
1.2.1自动分类
常用的信息提取方法是遥感影像计算机自动分类。首先,对遥感影像室内预判读,然后进行野外调查,旨在建立各种类型的地物与影像特征之间的对应关系并对室内预判结果进行验证。工作转入室内后,选择训练样本并对其进行统计分析,用适当的分类器对遥感数据分类,对分类结果进行后处理,最后进行精度评价。遥感影像的分类一般是基于地物光谱特征、地物形状特征、空间关系特征等方面特征,目前大多数研究还是基于地物光谱特征。
在计算机分类之前,往往要做些预处理,如校正、增强、滤波等,以突出目标物特征或消除同一类型目标的不同部位因照射条件不同、地形变化、扫描观测角的不同而造成的亮度差异等。
利用遥感图像进行分类,就是对单个像元或比较匀质的像元组给出对应其特征的名称,其原理是利用图像识别技术实现对遥感图像的自动分类。计算机用以识别和分类的主要标志是物体的光谱特性,图像上的其它信息如大小、形状、纹理等标志尚未充分利用。
计算机图像分类方法,常见的有两种,即监督分类和非监督分类。监督分类,首先要从欲分类的图像区域中选定一些训练样区,在这样训练区中地物的类别是已知的,用它建立分类标准,然后计算机将按同样的标准对整个图像进行识别和分类。它是一种由已知样本,外推未知区域类别的方法;非监督分类是一种无先验(已知)类别标准的分类方法。对于待研究的对象和区域,没有已知类别或训练样本作标准,而是利用图像数据本身能在特征测量空间中聚集成群的特点,先形成各个数据集,然后再核对这些数据集所代表的物体类别。
与监督分类相比,非监督分类具有下列优点:不需要对被研究的地区有事先的了解,对分类的结果与精度要求相同的条件下,在时间和成本上较为节省,但实际上,非监督分类不如监督分类的精度高,所以监督分类使用的更为广泛。
1.2.2纹理特征分析
细小地物在影像上有规律地重复出现,它反映了色调变化的频率,纹理形式很多,包括点、斑、格、垅、栅。在这些形式的基础上根据粗细、疏密、宽窄、长短、直斜和隐显等条件还可再细分为更多的类型。每种类型的地物在影像上都有本身的纹理图案,因此,可以从影像的这一特征识别地物。纹理反映的是亮度(灰度)的空间变化情况,有三个主要标志:某种局部的序列性在比该序列更大的区域内不断重复;序列由基本部分非随机排列组成;各部分大致都是均匀的统一体,在纹理区域内的任何地方都有大致相同的结构尺寸。这个序列的基本部分通常称为纹理基元。因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的,前者称为确定性纹理(如人工纹理),后者呈随机性纹理(或自然纹理)。对纹理的描述可通过纹理的粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等这些定性或定量的概念特征来表征。
相应的众多纹理特征提取算法也可归纳为两大类,即结构法和统计法。结构法把纹理视为由基本纹理元按特定的排列规则构成的周期性重复模式,因此常采用基于传统的Fourier频谱分析方法以确定纹理元及其排列规律。此外结构元统计法和文法纹理分析也是常用的提取方法。结构法在提取自然景观中不规则纹理时就遇到困难,这些纹理很难通过纹理元的重复出现来表示,而且纹理元的抽取和排列规则的表达本身就是一个极其困难的问题。在遥感影像中纹理绝大部分属随机性,服从统计分布,一般采用统计法纹理分析。目前用得比较多的方法包括:共生矩阵法、分形维方法、马尔可夫随机场方法等。共生矩阵是一比较传统的纹理描述方法,它可从多个侧面描述影像纹理特征。
1.2.3图像分割
图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程,此处特性可以是像素的灰度、颜色、纹理等预先定义的目标可以对应单个区域,也可以对应多个区域。
图像分割是由图像处理到图像分析的关键步骤,在图像工程中占据重要的位置。一方面,它是目标表达的基础,对特征测量有重要的影响;另一方面,因为图像分割及其基于分割的目标表达、特征抽取和参数测量的将原始图像转化为更抽象更紧凑的形式,使得更高层的图像分析和理解成为可能。
图像分割是图像理解的基础,而在理论上图像分割又依赖图像理解,彼此是紧密关联的。图像分割在一般意义下是十分困难的问题,目前的图像分割一般作为图像的前期处理阶段,是针对分割对象的技术,是与问题相关的,如最常用到的利用阈值化处理进行的图像分割。
图像分割有三种不同的途径,其一是将各象素划归到相应物体或区域的象素聚类方法即区域法,其二是通过直接确定区域间的边界来实现分割的边界方法,其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。
1)阈值与图像分割
阈值是在分割时作为区分物体与背景象素的门限,大于或等于阈值的象素属于物体,而其它属于背景。这种方法对于在物体与背景之间存在明显差别(对比)的景物分割十分有效。实际上,在任何实际应用的图像处理系统中,都要用到阈值化技术。为了有效地分割物体与背景,人们发展了各种各样的阈值处理技术,包括全局阈值、自适应阈值、最佳阈值等等。
2)梯度与图像分割
当物体与背景有明显对比度时,物体的边界处于图像梯度最高的点上,通过跟踪图像中具有最高梯度的点的方式获得物体的边界,可以实现图像分割。这种方法容易受到噪声的影响而偏离物体边界,通常需要在跟踪前对梯度图像进行平滑等处理,再采用边界搜索跟踪算法来实现。
3)边界提取与轮廓跟踪
为了获得图像的边缘人们提出了多种边缘检测方法,如Sobel, Canny edge, LoG。在边缘图像的基础上,需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分,再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。
4)Hough变换
对于图像中某些符合参数模型的主导特征,如直线、圆、椭圆等,可以通过对其参数进行聚类的方法,抽取相应的特征。
5)区域增长
区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。
区域增长方法是一种比较普遍的方法,在没有先验知识可以利用时,可以取得最佳的性能,可以用来分割比较复杂的图像,如自然景物。但是,区域增长方法是一种迭代的方法,空间和时间开销都比较大。
1.2.4面向对象的遥感信息提取
基于像素级别的信息提取以单个像素为单位,过于着眼于局部而忽略了附近整片图斑的几何结构情况,从而严重制约了信息提取的精度,而面向对象的遥感信息提取,综合考虑了光谱统计特征、形状、大小、纹理、相邻关系等一系列因素,因而具有更高精度的分类结果。面向对象的遥感影像分析技术进行影像的分类和信息提取的方法如下:
首先对图像数据进行影像分割,从二维化了的图像信息阵列中恢复出图像所反映的景观场景中的目标地物的空间形状及组合方式。影像的最小单元不再是单个的像素,而是一个个对象,后续的影像分析和处理也都基于对象进行。
然后采用决策支持的模糊分类算法,并不简单地将每个对象简单地分到某一类,而是给出每个对象隶属于某一类的概率,便于用户根据实际情况进行调整,同时,也可以按照最大概率产生确定分类结果。在建立专家决策支持系统时,建立不同尺度的分类层次,在每一层次上分别定义对象的光谱特征、形状特征、纹理特征和相邻关系特征。其中,光谱特征包括均值、方差、灰度比值;形状特征包括面积、长度、宽度、边界长度、长宽比、形状因子、密度、主方向、对称性,位置,对于线状地物包括线长、线宽、线长宽比、曲率、曲率与长度之比等,对于面状地物包括面积、周长、紧凑度、多边形边数、各边长度的方差、各边的平均长度、最长边的长度;纹理特征包括对象方差、面积、密度、对称性、主方向的均值和方差等。通过定义多种特征并指定不同权重,建立分类标准,然后对影像分类。分类时先在大尺度上分出"父类",再根据实际需要对感兴趣的地物在小尺度上定义特征,分出"子类"。
0 引言植被对于我们来说扮演着重要的角色。它不仅影响地球的各种平衡,在生化循环中还有重要作用。因此。地球植被及其变化一直被各国科学家和政府所关注。[2]城市植被是地球植被中的一部分,对于保护城市生态环境具有不可忽视的作用。另外,城市绿地是城市生态系统不可缺少的部分,是多种因素作用的结果,更是居民生活水平和城市环境的重要标志。因此开展城市植被生态研究具有重要现实的意义。
遥感主要是根据不同的物体会产生不同的电磁波的响应,从而识别地面上各类地物。具有视域范围广、图像清晰逼真、宏观性强、重复周期短、信息量多、资料收集方便的优点。[1]因此,卫星遥感是监测植被的有效手段。
本文主要针对城市植被信息的提取,从城市遥感的原理和数据源、城市植被信息的提取方法和遥感技术等几方面对基于遥感影像对城市植被信息提取的研究的进展进行论述,并讨论了这些研究的特点和各自存在的一些不足,以及发展的趋势。
1 城市植被及遥感影像光谱特征
1.1 城市植被
城市植被指的是城市里覆盖着的生活植物,即城市内一切自然正常生长以及人工种植的各类植物类型的总称。
1.2 植被遥感影像光谱特征
在蓝色和红色波段,能量很低;在绿色波段附近,会形成一个小的峰值。而在近红外波段,叶肉海绵组织结构有很大的反射表面。
2 城市植被信息提取数据源、遥感影像预处理
2.1 信息提取数据源及其选择
1)Landsat TM影像及ETM+遥感数据。空间分辨率不是很高。
2)MODIS数据,很高的信噪比。
3)美国商业遥感卫星Quick Bird影像,能较清晰的从遥感图像判读出城市绿地。[4]
4)IKONOS遥感数据,全色波段的分辨率为1m,多光谱数据分辨率为4m。[5]
5)此外,遥感数据还有很多类型,比如SPOT影像等。
2.2 卫星影像预处理
研究中遥感影像的预处理包括:几何校正、遥感影像图像增强、截取研究区域、相关性分析等一系列处理,在处理中需根据不同类型不同特点的遥感图像进行不同的预处理。
3 城市植被信息提取的方法
3.1 人机交互方式进行植被信息提取
3.1.1 基于波段的选择进行分类法提取
步骤:
1)实验波段的选择及彩色合成
结合波段的波谱物理特征优先选择几个波段,K-L变换后的第一、第二、第三主成分波段,NDVI植被指数段和K-L变换后的第一主分量加影像的三个波段进行波段间的相关性分析,对该3种波段数据进行假彩色合成,反复比较,选出植被景观目视效果最好的合成的图像。
2)遥感影像的分类及后处理
利用非监督确定图像的最佳类别数;进行监督分类;在计算机分类的基础上,通过目视解译对错分加以纠正;进行空间滤波,消除出现频数过少的像元图斑,得出解译精度。[3]
特点:在信息提取的时候不仅考虑了7个原始的波段数据,而且还包括各主分量、NDVI比值型指数在内的 “衍生”波段数据。也可以采用波段数据组合这样的方法,提高判读和分类的精度。
不足:同物异谱和异物同谱的现象导致了分类精度的下降,所以分类的时各种客观或者主观因素会影响到分类的精度。另外,植被信息的多少随着分类数目的多少而定,也会影响准确度。
3.1.2 高分辨率影像的城市植被提取
步骤:
1)NDVI提取。首先要设NDVI的阈值,大于此阈值为绿地。将提取出来的部分绿地同原图像进行一定的逻辑运算,从原始图像中剔除绿地像元。
2)基于地物光谱响应知识及ISODATA绿地提取
根据非植被的特征,将该类信息提取并剔除,将此时的图像作为新原始图像,通过灰度拉伸后,再进行分类提取。目视解译然后选择绿地样本点,利用非监督ISODATA聚类技术,最后一次提取出绿地信息。[6]
特点:混分现象少,信息提取的精确度高。该方法针对各类地物的特点分别进行处理,当提取出一层信息后,要把它剔除,从而避免对其它信息提取的影响。该方法比较方便,能够在不考虑其他已分出来地物的光谱特征的情况下分辨出具有细微光谱差异的地物。
不足:只对于高分辨率影像效果较好。
3.2 计算机自动提取方式
3.2.1 像元信息分解和神经网络分类相结合的分类模型进行信息提取
步骤:设计出像元信息分解和神经网络分类相结合的分类模型。该模型先考虑通过像元信息分解法(像元信息分解模型认为各种典型地物在空间上是可以重叠的)把绿地从遥感影像中分离出来,再作为分类掩膜,采用BP神经网络分类对其进行分类。此模型在进行初级分类时采用像元信息分解法,在只有少数几类地物分类,有效地排除和避免了提取绿地信息时其它多余信息的干扰和影响。[7]
特点:是一种新的基于像元信息分解和神经网络分类相结合的城市绿地遥感信息自动提取方法。可开展野外遥感调查以提高和验证分类精度。保证了分类时绿地的纯洁度,提高了分类的精度。
不足:NDVI、DEM数据的精确程度会影响信息提取的精度。在进行像元信息分解时,各种典型地物的反射率采用的是标准反射率,所以如果能够测出各典型地物的实际反射率,则分类精度会得到进一步的提高。
3.2.2 基于See5的遥感影像决策树分类
步骤:
1)选择训练和检验样区,并提取图像的植被指数。
2)应用ENVI软件的Decision Tree模块实现影像分类。
3)结果分析与精度检验。利用检验样本,对分类结果进行精度检验。[8]
特点:准确地区分了植被与非植被,提取各种植被类型的信息对于分类精度起决定性作用。采用信息增益率作为评价函数选择特征,可以在多特征空间中选择更有效的特征进行分类,较好地分析出研究区景观格局类型,提高了分类精度,缩减分类所需的时间。
本文由用户上传,如有侵权请联系删除!转转请注明出处:https://nongye.s666.cn/js/5_6571158493.html