面向对象的高分辨率遥感影像信息提取
———以耕地提取为例
李敏
①, ②
, 崔世勇②, 李成名②, 印洁②, 李云岭①
(①山东科技大学测绘学院, 青岛266510; ②中国测绘科学研究院, 北京100039)
摘要:随着高分辨率遥感影像的广泛应用, 重讨论面向对象的高分辨率遥感信息提取的关键技术, 在耕地信息提取方面的最优参数选择, 并且从IKONOS 结果表明该方法具有较高的精度。
关键词:面向对象; 高分辨率; 中图分类号::1000-3177(2008) 100-0063-04
1 引 言
随着高分辨率遥感卫星的发展, 具有丰富的几何结构和纹理信息的高分辨率遥感影像扩充了人们的视野, 同时又为遥感信息提取技术提供了新的发展机遇。传统的遥感信息提取方法都建立在像素的统计特征基础上, 很少利用地物的形状、几何结构等信息, 分类精度较低、效率不高, 而且依赖解译人员, 很大程度上不具备重复性。为了更好地利用高分辨率遥感影像的丰富信息, 实现高分辨率遥感影像的信息提取, 面向对象的影像分析方法应运而生, 它所处理的信息不再是低层次的像素, 而是经过多尺度分割之后的目标对象。与像素层面的分析方法相比, 影像分析和理解的层次有了很大的提高和进步。尤其是第一个面向对象的影像分析软件eCognition 的出现, 更加速了该方法的发展。本文就基于eCognition 进行研究。
分析技术的发展, 从基于数学与统计的方法发展为基于逻辑与启发的分析技术[2]; Lobo (1996) 等人利用基于目标的信息提取思想对遥感影像进行了分类, 得到了较好的结果, 同时他们特别指出, 与传统的基于像素的分类结果相比, 基于目标对象的方法得到的结果更容易被解译, 而且处理结果中图斑的完整性更好[3]; Hof mann (2001) 在面向对象的分类方法中利用影像对象的光谱、纹理、形状与背景信息识别IKONOS 影像中的非正式居民地, 得到较好的效果并具有较高的精度[4];Qin Yu (2006) 利用面向对象的分类方法进行了森林资源的调查, 分类数量达到43个, 最终取得了比较满意的结果[5]。由此可见, 面向对象的影像提取技术正逐步走向成熟。
2. 2 多尺度遥感影像分割的原理
2 面向对象的信息提取技术
2. 1面向对象信息提取技术发展历程
早在20世纪70年代面向对象的信息提取方法就被应用于遥感影像的解译中, Ketting and Land 2grebe (1976) 提出了同质性对象提取的优点, 并提出了一种分割分类算法———ECHO (Ext raction and Classification of Ho mogenous Object s ) [1]。20世纪90年代以来, 该技术得到迅速的发展,Arigialis and Harlow (1990) 认为面向对象提取技术促进了影像
收稿日期:2008-03-03
面向对象的信息提取技术主要包括两个关键技术———多尺度遥感影像分割和面向对象的影像分类。多尺度遥感影像分割是面向对象信息提取的基础和关键, 分割的好坏直接关系到后续信息提取结果的精度。不同目标在影像上具有不同的尺度, 因此不同分析目的所关注的尺度也会不同。eCogni 2tion 中的多尺度分析方法是通过不同层次的对象体系结构来实现的, 如图1, 不同的分割可以生成代表不同空间分辨率的影像对象, 进而构建一个网络层次结构。由于是网状结构, 每个对象都可以知道自己的上下文关系(相邻) 、父对象和子对象。这个网状结构是一个拓扑关系, 比如, 父对象的边界决定了子对象的边界, 父对象的区域大小由子对象的总和
修订日期:2008-
05-04
作者简介:李敏(1983～) , 女, 硕士, 主要从事地理信息与遥感应用研究。 E 2m ail :limin82128@163. com
63
决定。每一层都由它直接的子对象来构成, 在下一个高层上, 子对象合并为父对象, 这个合并会被已有父对象的边界所限制。如果是不同的父对象, 那么相邻的对象不能进行合并[6]。因此, 分割必须遵循两个原则:
(1) 在满足必要的精细的条件下, 尽量以最大的可能分割尺度来区分不同的影像区域获得影像对象;
(2) 在满足必要的形状标准的前提下, 尽可能采用颜色标准。原因是影像数据中最重要的信息是光谱信息, 形状标准的权重太高会降低分割结果的质量
。
像对象过于破碎, 同时还可以避免“同物异谱”和“同谱异物”现象, 以及“椒盐噪声”的污染, 从而提高分类的精度。
合理的设置能够提高分割结果的精度, 其中, 光滑度指对象边界的光滑程度, 通过平滑边界来优化影像对象; 紧致度指影像对象的紧凑程度, 通过聚集度来优化对象。光滑度和紧致度两个因子并不是对立的, 一般情况下, 把光滑度因子设的大一些。
程, 光滑度设, 3。
根据试验影像中所包含的主要地物类型, 选用合适的分类器对影像进行分类,eCognition 提供了最邻近和隶属度函数两种监督分类的分类器[6]。如果一次分类不能满足精度要求, 往往还要进行分类细化, 建立多层分类体系。
最邻近分类器实质上是对分割后的影像进行传统意义上的监督分类, 适用于对多种对象特征的描述; 模糊分类则是通过隶属度函数(又称为成员函数) 来实现的, 一个类如果仅通过一个或少数特征就能与其他类分开, 适于选用此分类器。隶属度函数是一个模糊表达式, 把影像对象的特征值转化到0到1之间的数值, 表示隶属于某个地物类别的可能性。单一的隶属度函数表现为一条二维曲线, 横坐标为类别的特征值(如光谱、形状等) , 纵坐标为类别的隶属度。隶属度函数在特征值和隶属度之间建立了透明的直观联系, 从而很容易的根据需要进行调整。
图1 多尺度分割网络层次结构图
而面向对象的高分辨率遥感影像信息提取技术是建立在多尺度分割的基础上的, 该方法综合考虑
遥感影像的光谱统计特性、形状、大小、纹理、拓扑关系以及上下文关系等一系列的因子, 能够得到较高精度的信息提取结果。
2. 3 影像分割与影像分类
在进行分类提取之前, 首先对原始影像进行几何校正、辐射校正等预处理, 然后在多尺度分割的基础上提取所需信息。
(1) 影像分割及分割参数的确定
波段权重的选择:波段的权重是影响分割结果质量的重要因素之一, 波段的权重越高, 对分割结果的影响越大。方差是遥感影像光谱特征的一个主要标志量, 某个波段的方差越大, 它所含有的信息量就越大, 反之则小[6]。因此一般根据波段的方差来合理的设置波段的分割权重。
分割尺度的选择:影像多尺度分割中的尺度是一个关于多边形对象异质性最小的阈值, 决定生成最小多边形的级别大小, 分割的质量及信息提取的精度。尺度越大, 所生成的对象层内多边形面积就越大而数目越小。
均质性因子的选择:均质性因子包括光谱和形状两个属性因子, 其中形状因子又包括光滑度和紧致度两个因子。大多数情况下, 光谱因子是生成对象最重要的因子, 而形状因子的参与有助于避免影64
3 耕地信息提取实例
本文将基于面向对象的信息提取方法和传统的分类方法分别对研究区域进行耕地信息提取, 以便
对比分析。传统的分类方法以发展较为成熟的非监督分类ISODA TA 算法和监督分类最大似然法为代表。
3. 1 研究区域和影像数据3. 1. 1数据源
为了准确的提取耕地信息, 选择盐城市1m 分辨率全色波段与多光谱融合后的IKONOS 影像作为实验数据(图2) , 研究区域大小为1024×990个像素, 研究区域中包括典型的耕地和细小的河流以及少量的建筑物和道路。
3. 1. 2影像特征
耕地是土地利用中的主要部分, 本文主要针对
农用耕地信息的提取。耕地在高分辨率遥感影像上的影像特征主要表现为:
(1) 光谱特征:耕地的色调相对比较均匀, 在不同的季节由于种植的农作物的不同而呈现出不同的色调。因此, 耕地的光谱特征一般是随着时间的变化而变化的。
(2) 纹理特征:图像上的细部结构按照一定的频率重复出现就构成了纹理特征, 它是单一特征的组合, 耕地中的纹理主要包括光滑的、波形的、斑纹的、线性的及其他不规则的纹理。耕地中典型的细部结构主要是农作物, 农田中的农作物单个的看是农作物叶子的形状、大小、阴影、色调、图形, 定规律聚集分布时, (3) 形状特征, 3. 2 耕地信息提取及分类
根据上述的参数选择原则, 通过反复的对比和试验, 面向对象的信息提取方法采用的分割参数如下:分割尺度为100, 形状参数为0. 1, 颜色参数为0. 9, 紧致度为0. 8, 光滑度为0. 2。分割的结果如图3, 可以看出, 耕地类型能够被准确的分割出来, 该组参数比较合适。
考虑实验影像中所包含的主要地物类型, 将影像分成建筑物和道路、耕地、水体三种地物类型, 分别用红色、绿色和蓝色来表示。
该实验数据的纹理信息比较丰富, 通过试验, 分类参数如下:
耕地紧致度:1～10, 纹理:1～24, 亮度110～235(为去除左上角的建筑物) , 长度/宽度:0～10; 建筑物和道路亮度:235～255, 纹理大于24;
水体亮度
0～80, 紧致度7～50。从分类结果图4(a ) 来看, 各
地物类别的分类精度比较理想, 无需二次分类。
在采用ISODA TA 算法和最大似然法进行耕地信息提取的大量试验后, 比较提取效果, ISODA 2TA 算法最佳提取结果如图4(b ) , 最大似然法最佳效果如图4(c )
。
(a ) (b ) (c )
图4 耕地信息提取结果
可以看出, 采用ISODA TA 算法分类时有大量
的耕地由于亮度较高被归为建筑物和道路类, 最大似然法的分类效果则比ISODA TA 法要好很多, 但两种方法的分类结果都存在较严重的“椒盐噪声”。
65
遥感信息 2008. 6遥感应用
3. 3 精度评价
由误差矩阵得出, 面向对象的信息提取方法比最大似然法具有更高的用户精度和制图精度, 总体
分类精度、Kappa 系数在提取耕地信息时分别高出约9%和19%。
因为最大似然法比ISODA TA 算法的提取精度明显要高, 以下只对监督分类最大似然法与面向对象的提取方法的信息提取结果选择120个随机像元进行误差矩阵的计算和精度评价。见表1和表2。
表1 面向对象耕地信息提取的误差矩阵及精度统计表
耕地
耕地水体建筑物和道路
总和
822084
4 结束语
对比分析以上试验, 得出如下结论:
(1) 面向对象的信息提取方法可以灵活的运用地物的形状特征、, 能比基于像元的, 面向对象的信息提取方法, 避免了“椒盐噪声”现象。
(3) 纹理是耕地信息提取最重要的影响因素。寻找对象的显著特征对面向对象的信息提取至关重要。
综上所述, 面向对象的影像提取技术是在空间信息技术长期发展的过程中产生的, 在遥感影像分析中具有巨大的潜力。随着影像分辨率的提高, 影像目标地物轮廓更加清晰, 空间细节信息更加丰富, 在这种情况下, 面向对象的影像信息提取方法的应用将成为必然趋势, 具有良好的发展前景。
水体
319123
建筑物
101213
总和
862113耕地提取总精度94. Kappa 9%
表2 耕地
耕地水体建筑物和道路
总和
796489
水体
312116
建筑物
211215
总和
841917120
耕地提取总精度 85. 8%
Kappa 系数 67. 9%
参考文献
1 Ketting R L ,Landgrebe D A. Computer classification of remotely sensed multi 2Spectral image data by extraction and classi 2fication of homogenous object [J].IEEE Transactions on Geoscience Electronics , 1976,14(1) :19～26.
2 Argialis D P , Harlow C A. Computational image interpretation models :An overview and a perspective [J].Photogrammet 2
ric Engineering and Remote Sensing , 1990,56(6) :871～886.
3 Ton J , Sticklen J ,J ain A K. Knowledge 2Based segmentation of Land 2sat images [J].IEEE Transactions on G eoscience and
Remote Sensing , 1991, 29(2) :223～231.
4 Lobo A , Chic O , Casterad A. Classification of mediterranean crops with multi 2sensor data :per 2pixel versus per 2object sta 2tistics and image segmentation [J].International Journal of Remote Sensing , 1996(17) :2358～2400.
5 Hofamnn P. Detection informal settlements f rom IKONOS image data using methods of object oriented image analysis :an
example from Cape Town (South Af rica ) [A ].Remote Sensing of Urban Areas/FEnerkundung in Urbanen Raumen [C ].2001. 41～42.
6 Qin Yu , Peng G ong ,et al. Object 2based detailed vegetation classification with airborne high spatial resolution remote sens 2ing imagery [J].Photogrammetric Engineering and Remote Sensing
, 2006, 72(7) :799～811. 7 易康培训教程[EB/OL ].http ://www. bsei. com. cn.
8 赵英时, 等. 遥感应用分析原理与方法[M ]1北京:科学出版社,2003. 202～208.
9 孙晓霞, 等. 利用面向对象的分类方法从IKONOS 全色影像中提取河流和道路[J].测绘科学, 2006(1) :62～63.
(下转第89页)
66
2008. 6 GIS 技术
遥感信息
基于Portal 的空间信息门户的构建方法, 并结合相关实例, 进行了验证说明。实现了在分布式的网络环境下对不同地理位置的各个专业部门的空间数据的共享与交换, 对异构空间信息的共享与交换研究有着重要的参考价值。不同的机构组织中, 对同一
个空间信息概念往往有着不同的语义分歧, 这为跨部门的共享交换带来了一定的困难, 在今后的研究工作中, 我们将对语义模型支持下的空间信息元数据查询做进一步探讨, 以便更好地满足空间信息的网络共享交换的应用需求。
参考文献
1 梅琨, 边馥苓. 分布式网络环境下地理信息元数据框架研究[J].武汉大学学报(信息科学版) ,2006,31(4) :356～359. 2 彭程, 李京, 廖通逵, 等. 使用开源软件搭建小城镇信息化集成平台[J].计算机工程与设计,28(20) :5024～5027. 3 陈爱军, 李琦, 徐光祐. GML ———基于XML [J(自然科学版) ,2002, 38
(4) :551～555.
4 陈志平, 徐锡山, 陈玉教. 一种基于Ajax (12) :817～821. 5 Palson L D. Building rich Web ].(10) :14～17.
R esearch of Spatial Inform ation Web Portal
L I Xue 2dong ①,L IAO Tong 2kui ②,L IU Chun 2bo ③
(①China Universit y of Geosciences , B ei j ing , B ei j ing 100083;
②I nstitute of Remote Sensing and Geog ra phy I nf ormation S ystem , Peking Universit y , B ei j ing 100871;
③I nstitute of Remote Sensing A p plications Chi nese A cadem y of Sciences , B ei j ing 100101)
Abstract :Firstly , the paper analyses the development status and imperious demands of spatial information inf rastructure in our country. Then it puts forward the idea of constructing spatial information web portal to solve sharing and management of heter 2ogeneous spatial information in the distributed net environment. It discusses the application of portal technique and Ajax tech 2nique in construction of spatial information web portal. Finally , the paper presents the design and realization of the construction of USDI sharing and exchanging platform of “Digital Hefei ”, and proves the feasibility of portal technology. K ey w ords :Portal ;metadata ;XML ;SDI ;Ajax ;interoperability (上接第66页)
Object Oriented Inform ation Extraction from High R esolution
R emote Sensing Im agery
———T aking the Extraction of F armland for an Example
L I Min ①, ②,CU I Shi 2yong ②,L I Cheng 2ming ②, YIN Jie ②, L I Yun 2ling ①
(①S urveyi ng and M a p ping College , S handong Universit y of S cience and Technology , Qing dao 266510;
②Chinese A cadem y of S urvey ing and M a p ping , B ei j ing 100039)
Abstract :With the widely use of high resolution remote sensing imagery , the technology of object oriented information extrac 2tion f rom such high resolution imagery has been developed rapidly. This paper presents the key methodology of this technolo 2gy. Based on eCognition , we put forward a novel approach to select the optimize parameters for the objective of farmland ex 2traction , and compare the results extracted f rom IKONOS image by this approach and traditional schemes. The extract result of the experiment proves the high efficiency of this strategy in terms of information extraction. K ey w ords :object oriented ; high resolution ; information extraction ; eCognition
89
面向对象的高分辨率遥感影像信息提取
———以耕地提取为例
李敏
①, ②
, 崔世勇②, 李成名②, 印洁②, 李云岭①
(①山东科技大学测绘学院, 青岛266510; ②中国测绘科学研究院, 北京100039)
摘要:随着高分辨率遥感影像的广泛应用, 重讨论面向对象的高分辨率遥感信息提取的关键技术, 在耕地信息提取方面的最优参数选择, 并且从IKONOS 结果表明该方法具有较高的精度。
关键词:面向对象; 高分辨率; 中图分类号::1000-3177(2008) 100-0063-04
1 引 言
随着高分辨率遥感卫星的发展, 具有丰富的几何结构和纹理信息的高分辨率遥感影像扩充了人们的视野, 同时又为遥感信息提取技术提供了新的发展机遇。传统的遥感信息提取方法都建立在像素的统计特征基础上, 很少利用地物的形状、几何结构等信息, 分类精度较低、效率不高, 而且依赖解译人员, 很大程度上不具备重复性。为了更好地利用高分辨率遥感影像的丰富信息, 实现高分辨率遥感影像的信息提取, 面向对象的影像分析方法应运而生, 它所处理的信息不再是低层次的像素, 而是经过多尺度分割之后的目标对象。与像素层面的分析方法相比, 影像分析和理解的层次有了很大的提高和进步。尤其是第一个面向对象的影像分析软件eCognition 的出现, 更加速了该方法的发展。本文就基于eCognition 进行研究。
分析技术的发展, 从基于数学与统计的方法发展为基于逻辑与启发的分析技术[2]; Lobo (1996) 等人利用基于目标的信息提取思想对遥感影像进行了分类, 得到了较好的结果, 同时他们特别指出, 与传统的基于像素的分类结果相比, 基于目标对象的方法得到的结果更容易被解译, 而且处理结果中图斑的完整性更好[3]; Hof mann (2001) 在面向对象的分类方法中利用影像对象的光谱、纹理、形状与背景信息识别IKONOS 影像中的非正式居民地, 得到较好的效果并具有较高的精度[4];Qin Yu (2006) 利用面向对象的分类方法进行了森林资源的调查, 分类数量达到43个, 最终取得了比较满意的结果[5]。由此可见, 面向对象的影像提取技术正逐步走向成熟。
2. 2 多尺度遥感影像分割的原理
2 面向对象的信息提取技术
2. 1面向对象信息提取技术发展历程
早在20世纪70年代面向对象的信息提取方法就被应用于遥感影像的解译中, Ketting and Land 2grebe (1976) 提出了同质性对象提取的优点, 并提出了一种分割分类算法———ECHO (Ext raction and Classification of Ho mogenous Object s ) [1]。20世纪90年代以来, 该技术得到迅速的发展,Arigialis and Harlow (1990) 认为面向对象提取技术促进了影像
收稿日期:2008-03-03
面向对象的信息提取技术主要包括两个关键技术———多尺度遥感影像分割和面向对象的影像分类。多尺度遥感影像分割是面向对象信息提取的基础和关键, 分割的好坏直接关系到后续信息提取结果的精度。不同目标在影像上具有不同的尺度, 因此不同分析目的所关注的尺度也会不同。eCogni 2tion 中的多尺度分析方法是通过不同层次的对象体系结构来实现的, 如图1, 不同的分割可以生成代表不同空间分辨率的影像对象, 进而构建一个网络层次结构。由于是网状结构, 每个对象都可以知道自己的上下文关系(相邻) 、父对象和子对象。这个网状结构是一个拓扑关系, 比如, 父对象的边界决定了子对象的边界, 父对象的区域大小由子对象的总和
修订日期:2008-
05-04
作者简介:李敏(1983～) , 女, 硕士, 主要从事地理信息与遥感应用研究。 E 2m ail :limin82128@163. com
63
决定。每一层都由它直接的子对象来构成, 在下一个高层上, 子对象合并为父对象, 这个合并会被已有父对象的边界所限制。如果是不同的父对象, 那么相邻的对象不能进行合并[6]。因此, 分割必须遵循两个原则:
(1) 在满足必要的精细的条件下, 尽量以最大的可能分割尺度来区分不同的影像区域获得影像对象;
(2) 在满足必要的形状标准的前提下, 尽可能采用颜色标准。原因是影像数据中最重要的信息是光谱信息, 形状标准的权重太高会降低分割结果的质量
。
像对象过于破碎, 同时还可以避免“同物异谱”和“同谱异物”现象, 以及“椒盐噪声”的污染, 从而提高分类的精度。
合理的设置能够提高分割结果的精度, 其中, 光滑度指对象边界的光滑程度, 通过平滑边界来优化影像对象; 紧致度指影像对象的紧凑程度, 通过聚集度来优化对象。光滑度和紧致度两个因子并不是对立的, 一般情况下, 把光滑度因子设的大一些。
程, 光滑度设, 3。
根据试验影像中所包含的主要地物类型, 选用合适的分类器对影像进行分类,eCognition 提供了最邻近和隶属度函数两种监督分类的分类器[6]。如果一次分类不能满足精度要求, 往往还要进行分类细化, 建立多层分类体系。
最邻近分类器实质上是对分割后的影像进行传统意义上的监督分类, 适用于对多种对象特征的描述; 模糊分类则是通过隶属度函数(又称为成员函数) 来实现的, 一个类如果仅通过一个或少数特征就能与其他类分开, 适于选用此分类器。隶属度函数是一个模糊表达式, 把影像对象的特征值转化到0到1之间的数值, 表示隶属于某个地物类别的可能性。单一的隶属度函数表现为一条二维曲线, 横坐标为类别的特征值(如光谱、形状等) , 纵坐标为类别的隶属度。隶属度函数在特征值和隶属度之间建立了透明的直观联系, 从而很容易的根据需要进行调整。
图1 多尺度分割网络层次结构图
而面向对象的高分辨率遥感影像信息提取技术是建立在多尺度分割的基础上的, 该方法综合考虑
遥感影像的光谱统计特性、形状、大小、纹理、拓扑关系以及上下文关系等一系列的因子, 能够得到较高精度的信息提取结果。
2. 3 影像分割与影像分类
在进行分类提取之前, 首先对原始影像进行几何校正、辐射校正等预处理, 然后在多尺度分割的基础上提取所需信息。
(1) 影像分割及分割参数的确定
波段权重的选择:波段的权重是影响分割结果质量的重要因素之一, 波段的权重越高, 对分割结果的影响越大。方差是遥感影像光谱特征的一个主要标志量, 某个波段的方差越大, 它所含有的信息量就越大, 反之则小[6]。因此一般根据波段的方差来合理的设置波段的分割权重。
分割尺度的选择:影像多尺度分割中的尺度是一个关于多边形对象异质性最小的阈值, 决定生成最小多边形的级别大小, 分割的质量及信息提取的精度。尺度越大, 所生成的对象层内多边形面积就越大而数目越小。
均质性因子的选择:均质性因子包括光谱和形状两个属性因子, 其中形状因子又包括光滑度和紧致度两个因子。大多数情况下, 光谱因子是生成对象最重要的因子, 而形状因子的参与有助于避免影64
3 耕地信息提取实例
本文将基于面向对象的信息提取方法和传统的分类方法分别对研究区域进行耕地信息提取, 以便
对比分析。传统的分类方法以发展较为成熟的非监督分类ISODA TA 算法和监督分类最大似然法为代表。
3. 1 研究区域和影像数据3. 1. 1数据源
为了准确的提取耕地信息, 选择盐城市1m 分辨率全色波段与多光谱融合后的IKONOS 影像作为实验数据(图2) , 研究区域大小为1024×990个像素, 研究区域中包括典型的耕地和细小的河流以及少量的建筑物和道路。
3. 1. 2影像特征
耕地是土地利用中的主要部分, 本文主要针对
农用耕地信息的提取。耕地在高分辨率遥感影像上的影像特征主要表现为:
(1) 光谱特征:耕地的色调相对比较均匀, 在不同的季节由于种植的农作物的不同而呈现出不同的色调。因此, 耕地的光谱特征一般是随着时间的变化而变化的。
(2) 纹理特征:图像上的细部结构按照一定的频率重复出现就构成了纹理特征, 它是单一特征的组合, 耕地中的纹理主要包括光滑的、波形的、斑纹的、线性的及其他不规则的纹理。耕地中典型的细部结构主要是农作物, 农田中的农作物单个的看是农作物叶子的形状、大小、阴影、色调、图形, 定规律聚集分布时, (3) 形状特征, 3. 2 耕地信息提取及分类
根据上述的参数选择原则, 通过反复的对比和试验, 面向对象的信息提取方法采用的分割参数如下:分割尺度为100, 形状参数为0. 1, 颜色参数为0. 9, 紧致度为0. 8, 光滑度为0. 2。分割的结果如图3, 可以看出, 耕地类型能够被准确的分割出来, 该组参数比较合适。
考虑实验影像中所包含的主要地物类型, 将影像分成建筑物和道路、耕地、水体三种地物类型, 分别用红色、绿色和蓝色来表示。
该实验数据的纹理信息比较丰富, 通过试验, 分类参数如下:
耕地紧致度:1～10, 纹理:1～24, 亮度110～235(为去除左上角的建筑物) , 长度/宽度:0～10; 建筑物和道路亮度:235～255, 纹理大于24;
水体亮度
0～80, 紧致度7～50。从分类结果图4(a ) 来看, 各
地物类别的分类精度比较理想, 无需二次分类。
在采用ISODA TA 算法和最大似然法进行耕地信息提取的大量试验后, 比较提取效果, ISODA 2TA 算法最佳提取结果如图4(b ) , 最大似然法最佳效果如图4(c )
。
(a ) (b ) (c )
图4 耕地信息提取结果
可以看出, 采用ISODA TA 算法分类时有大量
的耕地由于亮度较高被归为建筑物和道路类, 最大似然法的分类效果则比ISODA TA 法要好很多, 但两种方法的分类结果都存在较严重的“椒盐噪声”。
65
遥感信息 2008. 6遥感应用
3. 3 精度评价
由误差矩阵得出, 面向对象的信息提取方法比最大似然法具有更高的用户精度和制图精度, 总体
分类精度、Kappa 系数在提取耕地信息时分别高出约9%和19%。
因为最大似然法比ISODA TA 算法的提取精度明显要高, 以下只对监督分类最大似然法与面向对象的提取方法的信息提取结果选择120个随机像元进行误差矩阵的计算和精度评价。见表1和表2。
表1 面向对象耕地信息提取的误差矩阵及精度统计表
耕地
耕地水体建筑物和道路
总和
822084
4 结束语
对比分析以上试验, 得出如下结论:
(1) 面向对象的信息提取方法可以灵活的运用地物的形状特征、, 能比基于像元的, 面向对象的信息提取方法, 避免了“椒盐噪声”现象。
(3) 纹理是耕地信息提取最重要的影响因素。寻找对象的显著特征对面向对象的信息提取至关重要。
综上所述, 面向对象的影像提取技术是在空间信息技术长期发展的过程中产生的, 在遥感影像分析中具有巨大的潜力。随着影像分辨率的提高, 影像目标地物轮廓更加清晰, 空间细节信息更加丰富, 在这种情况下, 面向对象的影像信息提取方法的应用将成为必然趋势, 具有良好的发展前景。
水体
319123
建筑物
101213
总和
862113耕地提取总精度94. Kappa 9%
表2 耕地
耕地水体建筑物和道路
总和
796489
水体
312116
建筑物
211215
总和
841917120
耕地提取总精度 85. 8%
Kappa 系数 67. 9%
参考文献
1 Ketting R L ,Landgrebe D A. Computer classification of remotely sensed multi 2Spectral image data by extraction and classi 2fication of homogenous object [J].IEEE Transactions on Geoscience Electronics , 1976,14(1) :19～26.
2 Argialis D P , Harlow C A. Computational image interpretation models :An overview and a perspective [J].Photogrammet 2
ric Engineering and Remote Sensing , 1990,56(6) :871～886.
3 Ton J , Sticklen J ,J ain A K. Knowledge 2Based segmentation of Land 2sat images [J].IEEE Transactions on G eoscience and
Remote Sensing , 1991, 29(2) :223～231.
4 Lobo A , Chic O , Casterad A. Classification of mediterranean crops with multi 2sensor data :per 2pixel versus per 2object sta 2tistics and image segmentation [J].International Journal of Remote Sensing , 1996(17) :2358～2400.
5 Hofamnn P. Detection informal settlements f rom IKONOS image data using methods of object oriented image analysis :an
example from Cape Town (South Af rica ) [A ].Remote Sensing of Urban Areas/FEnerkundung in Urbanen Raumen [C ].2001. 41～42.
6 Qin Yu , Peng G ong ,et al. Object 2based detailed vegetation classification with airborne high spatial resolution remote sens 2ing imagery [J].Photogrammetric Engineering and Remote Sensing
, 2006, 72(7) :799～811. 7 易康培训教程[EB/OL ].http ://www. bsei. com. cn.
8 赵英时, 等. 遥感应用分析原理与方法[M ]1北京:科学出版社,2003. 202～208.
9 孙晓霞, 等. 利用面向对象的分类方法从IKONOS 全色影像中提取河流和道路[J].测绘科学, 2006(1) :62～63.
(下转第89页)
66
2008. 6 GIS 技术
遥感信息
基于Portal 的空间信息门户的构建方法, 并结合相关实例, 进行了验证说明。实现了在分布式的网络环境下对不同地理位置的各个专业部门的空间数据的共享与交换, 对异构空间信息的共享与交换研究有着重要的参考价值。不同的机构组织中, 对同一
个空间信息概念往往有着不同的语义分歧, 这为跨部门的共享交换带来了一定的困难, 在今后的研究工作中, 我们将对语义模型支持下的空间信息元数据查询做进一步探讨, 以便更好地满足空间信息的网络共享交换的应用需求。
参考文献
1 梅琨, 边馥苓. 分布式网络环境下地理信息元数据框架研究[J].武汉大学学报(信息科学版) ,2006,31(4) :356～359. 2 彭程, 李京, 廖通逵, 等. 使用开源软件搭建小城镇信息化集成平台[J].计算机工程与设计,28(20) :5024～5027. 3 陈爱军, 李琦, 徐光祐. GML ———基于XML [J(自然科学版) ,2002, 38
(4) :551～555.
4 陈志平, 徐锡山, 陈玉教. 一种基于Ajax (12) :817～821. 5 Palson L D. Building rich Web ].(10) :14～17.
R esearch of Spatial Inform ation Web Portal
L I Xue 2dong ①,L IAO Tong 2kui ②,L IU Chun 2bo ③
(①China Universit y of Geosciences , B ei j ing , B ei j ing 100083;
②I nstitute of Remote Sensing and Geog ra phy I nf ormation S ystem , Peking Universit y , B ei j ing 100871;
③I nstitute of Remote Sensing A p plications Chi nese A cadem y of Sciences , B ei j ing 100101)
Abstract :Firstly , the paper analyses the development status and imperious demands of spatial information inf rastructure in our country. Then it puts forward the idea of constructing spatial information web portal to solve sharing and management of heter 2ogeneous spatial information in the distributed net environment. It discusses the application of portal technique and Ajax tech 2nique in construction of spatial information web portal. Finally , the paper presents the design and realization of the construction of USDI sharing and exchanging platform of “Digital Hefei ”, and proves the feasibility of portal technology. K ey w ords :Portal ;metadata ;XML ;SDI ;Ajax ;interoperability (上接第66页)
Object Oriented Inform ation Extraction from High R esolution
R emote Sensing Im agery
———T aking the Extraction of F armland for an Example
L I Min ①, ②,CU I Shi 2yong ②,L I Cheng 2ming ②, YIN Jie ②, L I Yun 2ling ①
(①S urveyi ng and M a p ping College , S handong Universit y of S cience and Technology , Qing dao 266510;
②Chinese A cadem y of S urvey ing and M a p ping , B ei j ing 100039)
Abstract :With the widely use of high resolution remote sensing imagery , the technology of object oriented information extrac 2tion f rom such high resolution imagery has been developed rapidly. This paper presents the key methodology of this technolo 2gy. Based on eCognition , we put forward a novel approach to select the optimize parameters for the objective of farmland ex 2traction , and compare the results extracted f rom IKONOS image by this approach and traditional schemes. The extract result of the experiment proves the high efficiency of this strategy in terms of information extraction. K ey w ords :object oriented ; high resolution ; information extraction ; eCognition
89