高分辨率卫星遥感技术

高分辨率卫星遥感技术（精选5篇）

高分辨率卫星遥感技术 第1篇

(1) 目前开展的旱情监测主要还是停留在气象灾害层面上, 还没有深入到农业层面, 现有的监测仅是气象灾害或灾害性天气的监测, 仅知道哪里有旱情发生, 但这种旱情能否成为农业灾害, 还不能确切地得知。

(2) 随着遥感传感器的发展, 用不同的传感器获取数据成为可能, 但是旱情监测对于遥感数据的选择有一定的限制。空间分辨率提高, 则微观尺度监测的结果精度会提高;时间分辨率提高, 对各种突发性、快速变化的自然灾害有更强的实时监测能力。一般空间分辨率越高, 时间分辨率就会降低。因此, 在遥感数据的选择上需要考虑空间和时间上的折衷, 这取决于旱情监测范围、精度要求以及旱情自身的特点等等。例如, 小范围的监测可以选择TM数据或雷达数据计算反映旱情的指标, 全国范围内的监测可以选择NOAA/AVHRR数据或MODIS数据。由于干旱是一个累积的过程, 如果有一个长时间序列的遥感数据进行干旱的监测, 就可以很好的监测旱情的发展趋势, 为决策提供更加可靠的信息。遥感数据多通道信息可以增强对地球复杂系统的观测能力和对地表类型的识别能力。在考虑遥感数据空间分辨率和时间分辨率的前提下, 也要充分利用遥感数据提供的多光谱信息。因此, 实现全国范围内的旱情监测, 遥感数据是否容易获取也是旱情监测最后能否运行的一个决定因素。

(3) 目前利用遥感数据计算各种能直接或间接反映干旱情况的物理指标, 己形成了很多种方法。但是干旱的发生由众多因素决定, 而旱灾更为复杂, 涉及农作物生长及其对水分的时空需要变化。因此, 指标的选取也是旱情监测最后能否运行的一个决定因素。各种指标都有自身的优缺点, 例如, 有些对于作物的监测比较好, 有些对于裸土监测效果比较理想;有些指标容易计算, 但考虑的影响因子比较少, 有些指标考虑的影响因子比较全面, 但太过于复杂, 使得全国范围内的计算难以实现。因此在指数的选取上不仅要体现对作物旱情监测的优势, 而且要考虑指数在全国范围内的计算是否可以进行。

1 国内遥感旱情监测指标反演进展

我国对VCI和TCI两个指数的应用都相对国外晚一些, 蔡斌等用VCI参照当时降水对全国1991年春季干早进行了监测和研究, 使用的是1985年至1991年的NOAA全球标准化植被指数资料, 时间分辨率为7天。选取出中国范围内的NDVI时间序列数据, 并对NDVI时间序列资料采用中值滤波法来去除噪声, 然后计算NDVI最大值和NDVI最小值。冯强等在基于植被状态指数的全国干早遥感监测试验研究中, 使用的是1981年至1994年的NDVI时间序列数据, 空间范围覆盖全国, 空间分辨率为8 km, 时间分辨率为10天。但是在计算NDVI最大值和最小值时首先将NDVI历史数据从8 km重采样为1.1 km。冯强等在基于植被状态指数的土壤湿度遥感方法研究中使用的数据与上述一样。

2 某地区遥感旱情监测指标反演

遥感技术提供了丰富的信息, 从可见光到短波, 再到热红外, 最后是微波。1990年以来, 利用各波谱段数据计算各种反映干旱指标的方法己经有很多, 例如NDVI、距平植被指数、植被状态指数 (VCI) 、温度条件指数 (TCI) 等等。最近10年里, 遥感监测干旱的方法的研究有以下三个特点, 一是使用己有的指数, 如NDVI、VCI、TCI、CWSI和TS/NDVI等等。计算的原理相同, 使用的数据空间时间分辨率不同, 或是计算时参数的处理方法不同, 或是模型的不同;二是根据已有的原理, 提取新的指数, 如VTCI、VTDI、DSI等等;三是遥感与气象或是水文数据结合建立的新的指数, 如BMVCI等等。借用某种气象或水文指数, 分析其原理并将其中一些参数用遥感数据代替得到新的指数。

现将最近几年中用于旱情监测的几种主要方法的原理分别介绍如图1。

(1) 距平植被指数法。

归一化植被NDVI是迄今为止应用最广的一个植被指数。很多卫星遥感数据都提供了计算这个指数所需的通道信息, 以MODIS为例, 计算式为:

其中ρ1为第一波段 (红波段) 的反射率, ρ2是第二波段 (近红外波段) 的反射率, 它可以反映植被的长势, 可以间接反映旱情。

距平植被指数, 指某一年某一特定时期NDVI与多年该时期NDVI平均值的差值。计算式如下:

式中, ANDVIj为某年内j时的NDVIj距平指数, NDVIj为某年内j时的NDVI, 为多年内j时的NDVI平均值。可以用这个差值来反映偏旱的程度。多年平均值可以近似反映土壤供水的平均状况。因此, NDVI资料的时间序列越长, 计算得到的平均值代表性才会越好。

本文所用数据是2009年4月与7月的MODIS月合成的NDVI产品。MODIS数据的几何纠正和镶嵌是用USGS EROS数据中心开发的MRT几何纠正软件进行的。得到该地区的每月合成数据后, 生成生长季4月与7月的ANDVIj数据 (图2) 。从图上可以看出, 7月份相对于4月旱情有所缓解。

(2) 植被状态指数法。

在不同地区, 因为不同区域作物生长季处于不同阶段, 需水情况不同, 旱不旱不能通过NDVI值的大小来说明, 而NDVI与历史平均值的偏差, 又弱化了天气的影响。

NDVI的变化受天气的影响, 尤其是类似严重干旱的极端天气现象时, 会远远超过正常年际间的NDVI变化, 有可能造成某一特定时期内不同像素间监测结果的可比性变差。为了反映天气极端变化情况, 消除NDVI空间变化的部分, 使不同地区之间有可比性, Kogan提出了植被状态指数VCI。定义如下:

其中, VCIj是j时的植被状态指数, NDVIj是j时的NDv工值, INDVmax是所有图像中最大的NDVI值, INDVmin是所有图像中最小的NDVI值。VCIj是NDVI在j时的相对于最大NDVI的百分比。Kogan假设植被NDVI最大值在最佳的天气中得到 (考虑到土壤营养的吸收, 天气条件可以刺激生态系统资源的利用) , 最小值在非有利的情况下得到, 如干旱和热, 通过生态系统资源NDWI=ρ (0.86µm) -ρ (1.2的减少 (干旱年缺水减少了土壤营养的吸收) , 直接抑制了植被的生长。这样, 如果有足够长时间的NDVI序列数据, 就可以从中提取出INDVmin和INDVmin, 反映出极端气候状况, 计算的VCI结果在不同地区的比较更为合理。VCI是基于NDVI反演得到的, 因此对植被的监测效果比较好, 作物播种或收割后的时间, 监测效果比较差。

本文所用数据是2009年4月与7月的MODIS月合成的NDVI产品。MODIS数据的几何纠正和镶嵌是用USGS EROS数据中心开发的MRT几何纠正软件进行的。得到该地区的每月合成数据后, 生成生长季4月与7月的VCIj数据。分析得出, 7月份相对于4月旱情有所缓解。与ANDVIj反映的趋势基本相同。

(3) 叶面缺水指数法NDWI。

归一化缺水指数 (NDWI) , 又为叶面缺水指数, 用于植被液态水的探测。NDWI定义如下:

式中, ρ (λ) 是反射率, λ是波长。使用了两个通道, 一个是在0.86µm附近, 另一个是在1.24µm附近。这两个波段均位于植被冠层的高反射区。它们感知的植被冠层深度相似。在0.86µm的植被液态水的吸收可以忽略不计, 在1.24µm有水的弱吸收。散布的冠层增强了水的吸收。从而NDWI可以很灵敏的反应植被冠层水的含量。大气气溶胶的散射作用在0.86~1.24µm区是很弱的。NDWI比NDVI对大气的敏感度低;与NDVI一样, NDWI并没有完全去除土壤背景的反射作用影响。

本文所用数据是2009年4月与7月的MODIS月合成的NDWI产品。MODIS数据的几何纠正和镶嵌是用USGS EROS数据中心开发的MRT几何纠正软件进行的。7月份相对于4月旱情有所缓解。与ANDVIj反映的趋势基本相同。

3 结论

本文应用MODIS数据对南方某地区的旱情进行了监测, 以作物生长季的4月和7月作为对比, 分析了ANDVIj, VCIj及NDWI三个指标的变化趋势。相信对从事相关工作的同行有着重要的参考价值和借鉴意义。

参考文献

[1]杨玉永, 郭洪海, 隋学艳, 等.山东省小麦主产区旱情遥感监测系统的构建[J].科技创新导报, 2009 (1) .

卫星遥感图像空间分辨率适应性研究 第2篇

随着高分辨率卫星遥感的发展, 遥感在各大领域 (如城市规划与管理) 中的应用深度、广度方面都将有进一步的拓宽和提高, 当空间分辨率变化时, 影像中的可辨识物体发生了变化, 土地利用的分类系统不相同, 因此景观格局也必然有所差异, 针对不同的目标地物和应用研究目的, 探讨如何选择合适的空间分辨率成图, 将有助于提高各类遥感影像应用的效率和不同地物的提取精度, 从而为目标物准确成图和后期相关决策奠定良好基础[1]。

一、遥感图像的空间分辨率与适应性

空间分辨率是指图像中可辨认的临界物体空间几何长度的最小极限, 即对细微结构的分辨率。对于空间分辨率的影响因素张廷斌[2]在卫星遥感图像空间分辨率适应性分析作了很好地分析与说明。不同应用领域以及应用研究的不同层次对遥感数据的空间分辨率有不同需求, 如大面积的固体矿产普查要求分辨率比较低, 而对某个城市作规划建设则要求分辨率较高。因此对于特定的地物应使用特定的分辨率进行遥感图像信息提取。

二、图像空间分辨率适应性实验

2.1 数据来源和研究方法

2.1.1 数据来源。

此次试验选取了合肥蜀山区SPOT-5全色遥感影像, 其空间分辨率为2.5m×2.5m。为了让试验结果有可比性, 利用重采样的方法对影像进行不同程度的粗化, 改变其空间分辨率, 以达到除空间分辨率之外其它条件保持一致的目的需要不同空间分辨率的影像来进行试验, 从而得出不同的评价结果, 以此来说明空间分辨率的适应性。在进行粗化之后, 分别得到二种分辨率的影像, 其空间分辨率分别为15m×15m和30m×30m, 以此作为试验数据。

2.1.2 研究方法。

采用监督分类方法中的最大似然分析法分别对三幅不同空间分辨率的影像进行水体信息的提取, 并评价其分类结果, 分析何种空间分辨率影像效果更佳, 以此说明卫星遥感图像空间分辨率的适应性。

2.1.3 水体信息识别。

对研究区遥感影像采用543波段组合, 该组合波段间相关系数较小、信息比较丰富且接近真彩色, 便于各种地物的识别。监督分类最大似然分析法后水体颜色设置为黄色。

三、结果分析

执行了监督分类以后, 从分类评价结果来看, 随着空间分辨率的降低, 生产精度也随之降低。但是随着空间分辨率的降低, 用户精度并不是也随之降低, 相比于分辨率2.5m与分辨率30m的90.32%和95.24%, 反而是分辨率为15m的遥感影像的用户精度最高, 达到98%。因此, 对于蜀山区遥感影像的水体提取, 其最佳分辨率为15m。

四、结语

目前, 高空间分辨率遥感在城市规划中的应用研究范围不断扩大, 在城市发展、演变的动态研究中, 低分辨率遥感图像也有其很重要的作用。低分辨率卫星遥感数据和高分辨率、米级分辨率卫星遥感数据进行信息复合, 这样既提高了新图像的分辨率又丰富了其光谱信息, 大大提高了遥感图像的应用和综合分析能力。在城市规划和建设中, 选择合适的空间分辨率的图像是非常有意义的。

参考文献

[1]朱光良.基于卫星遥感技术的土地利用研究发展[J].遥感信息, 2001 (4) :34-37.

高分辨率遥感影像融合及其质量评价 第3篇

随着遥感技术的发展,由各种卫星传感器对地获取同一地区的多源遥感影像数据(多时相、多光谱、多传感器、多平台和多分辨率)越来越多,现在遥感技术应用的主要障碍之一是如何将这些海量、多源遥感数据有机的结合起来,以更充分有效地提取各类专题信息,满足不同用户的要求。在遥感技术发展的同时,卫星传感器技术迅速发展,我们所获得的卫星影像的空间分辨率也迅速提高,由原来的数公里、数十米很快发展到数米,1986年法国发射的SPOT卫星上装载的HRV线阵列推扫式成像仪将空间分辨率提高到10m,被称为第二代遥感卫星,目前已发展到第三代遥感卫星,IKONOS卫星上遥感传感器空间分辨率达到1m,Quick Bird卫星达到0.61m。从此高分辨率遥感影像融合研究成为热点中的重点,也是未来遥感影像融合技术研究的重要方向[1]。

1 常用遥感影像融合方法

遥感影像融合可分为三个层次:象元级、特征级和决策级。目前,国内外学者对于遥感数据融合方面的研究多位于象元级,本文所讨论的方法也属于该层次。目前常用的方法有加权融合法、乘积融合法、比值融合法、高通滤波及高增益滤波、HIS(Intensity,Hue,Saturation)变换法、PCA(Principal Components Analysis)变换法、小波分析法、SVR(Synthetic Variable Ratio)法、RE(Ratio Enhancement)、Gram-Schmidt融合法、Pansharp等。而Pansharp是目前比较流行的融合算法,它有两个重要的特点,第一是利用最小二乘法找到了被融合波段之间的相匹配灰度值,并调整个别波段的贡献值,从而使色彩保持得最好,接近自然色。第二是利用统计法去估计所有融合波段的灰度值关系,从而去除了数据差异问题,使之能自动融合[2~4]。

本文以Quick Bird自身的多光谱和全色波段影像为实验对象,并对各种融合方法进行分析与评价。

2 融合影像的质量评价

融合影像作为一种产品,对其质量进行评价是遥感器的设计者和影像产品的使用者非常关心的一个重要问题。有关融合方法的研究比较多,并且有一些方法已经比较成熟,但是关于融合效果评价的研究相对较少,大多借鉴图像质量的评价方法,到目前为止还没有一套完整的、统一的评价指标体系。

采用高空间分辨率的全色影像和低空间分辨率的多光谱影像进行融合的目的是获得高空间分辨率的多光谱影像,因此对融合质量的评价可以从空间细节的增强和光谱信息的保持两方面进行。目视评价是不可缺少的,通过直接观察和对比不同方法的融合结果与原多光谱影像和全色影像就会很快得出结论,但这是仁者见人的问题,为了增强各自判断的说服力,必须辅以一定的客观评价指标。

通过选择均值、方差、熵、清晰度、偏差度、相关系数、边缘强度等指标从信息量、光谱特征、边缘特征等方面,从融合结果上对其进行了定量的比较,其计算公式见相关文献[3,5]。

3 融合实验及评价

3.1 实验数据介绍

以Quick Bird的多光谱和全色波段影像为源数据,影像范围是北京市的某地区,获取时间为2002年5月。由于有些融合方法仅限于三个波段,为增加不同方法的融合结果之间的可比性,均采用Quick Bird的1、2、3波段进行融合实验,融合结果均以3、2、1波段的组合并进行自适应拉伸显示。

3.2 不同融合方法实验

Quick Bird影像空间分辨率大大提高的同时,辐射分辨率也相应提高,过去大多遥感影像为8BIT数据格式,灰度范围为0-255,而Quick Bird影像采用的是11BIT数据格式,存储和处理时就要用16BIT的通道,而16BIT的格式表示的灰度范围是0-65535,远远超出了0-255的范围,这对传统的融合算法无疑是一重大挑战。

具体的融合步骤如下:

(1)对待融合的影像进行预处理,通过灰度拉伸、影像增强处理、频域和空域滤波等实现影像的增强和噪声滤除;

(2)采用基于区域特征的最小二乘配准方法对全色图像和多光谱图像进行配准;

(3)对配准后的多幅遥感影像利用Brovey变换融合、PCA变换、HIS变换、Gram-Schmidt融合法和Pansharp融合算法进行融合处理,获取融合影像;

(4)选择均值、方差、熵、清晰度、偏差度、相关系数、边缘强度等指标对融合后的遥感影像进行定量评价。

各种方法的融合结果截取500像素×500像素的大小进行比较,如图1所示。

3.3 融合结果分析与评价

为了客观地评价融合结果,本文从主观定性和客观定量两方面对不同方法的融合结果进行评价。

(1)目视分析与评价

通过对如图1所示的实验结果进行目视分析可以看出,从空间分解力和清晰度来看,由不同融合法得到的影像相对原始多光谱彩色影像均有很大的提高。通过对居民区、道路、建筑物轮廓和行树的构像及对其它目标的影像细节进行比较很容易验证这一点。

1)颜色保持方面

一般融合方法色彩多少有点失真,这是由新型卫星传感器获取的全色影像的波段从可见光延伸到近红外导致的,为了克服这个缺点,许多研究人员致力于这方面的研究,想到了好多方法,如在HIS方法的基础上,将I波段和全色波段相匹配,在HIS反变换前拉伸H、I、S各个波段。而Pansharp融合法克服了这一缺点,它利用最小二乘法找到了被融合波段之间的相匹配灰度值,并调整个别波段的贡献值,从而使色彩保持得最好,接近自然色。

PCA和HIS法的融合效果从色彩上看差别不大,PCA法稍优于HIS,这是由于被高空间分辨率影像(通常为全色影像)取代的I分量的光谱特征取决于合成彩色影像的三个波段,这三个波段的光谱范围与全色存在着较大差异,而第一主成分是所有参与PCA变换的波段共同确定的信息,它与全色较为相似,且PCA变换没有波段限制,大于等于两波段的均可,通常所有的波段都参加融合,所以能更多的保留原多光谱影像的光谱特征[3,6]。

2)空间细节方面

PCA、Brovey的细节,纹理明显增强,道路、建筑物、树木、空地的可分辨率大大提高,故总体感觉其细节和纹理并不清晰。而Pansharp克服了这一

(2)客观分析和评价

1)光谱曲线比较

在子区图中分别选取不同的地物,用于考察不同的融合方法对光谱的保真情况,以上图(1)是全色波段的原图、图(2)是Pansharp方法融合图、图(3)是PCA变换法融合图、图(4)是HIS法融合图、图(5)是比值变换法融合图、图(6)是Gram-Schmidt融合图。曲缺点,它利用统计法去估计所有融合波段的灰度值关系,从而去除了数据差异问题,使之能自动融合。纹理和细节融合的都比较好,为以后的分类,特征提取工作都搭了良好的平台[3,7]。线1表水泥地、曲线2表草地、曲线3表道路、曲线4表灰房屋顶。由图可见,各种融合后的影像光谱与原始影像光谱比较,Pansharp变换信息保真性最好,不仅同一地物的波谱曲线形状没有发生变化,而且不同地物的波谱之间的关系也保持得较好;GramSchmidt次之,同一地物的波谱曲线形状虽没有发生变化,但不同地物的波谱之间的关系发生了部分变化,最差的是HIS变换。

2)定量分析

分别选择均值、方差、熵、清晰度、偏差度、相关系数、边缘强度等指标从信号,量、光谱特征、边缘特征等方面,从融合结果上对其进行了定量的比较,具体计算公式见文献[10],详细结果见表1所示。

通过细致的理论分析和对表1中的融合结果的定量比较,Pansharp融合算法与其他图像融合算法的对比分析结果如下。

(1)图像的熵是衡量图像信息丰富程度的一个重要指标。从表1可以看出,Pansharp融合算法、HIS融合和PCA融合法相对于Brovey算法和GRAM-SCHMIDT算法来说熵值较大,即融合信息量较为丰富。此外,Pansharp融合算法的标准差控制得也比较好。

(2)偏差指数反映了融合结果与原多光谱图像的偏差程度,相关系数反映了融合结果与原多光谱图像的相似程度。可以看出,Brovey算法与GRAM-SCHMIDT的偏差指数值较大,而两者的相关系数又相对最小,因此它与原多光谱图像存在较大的失真。Pansharp融合算法与HIS融合、PCA结果的偏差指数在各种融合算法中相对最小,而相关系数较大,可以看出它们在保持图像的光谱信息上效果比较好。

(3)平均梯度反映了图像中微小细节的反差能力与纹理的变化特征,同时也反映了图像的清晰度。从表1可以看出,Pansharp融合算法的平均梯度值较大,即清晰度相对较高。HIS融合与PCA融合法的平均梯度值也比较大,但融合后影像与原始影像存在较大的光谱差异,色调也相差较大。

由定量融合实验评价结果表明,相对于其它通用的融合算法来说,针对高分辨率卫星影像数据特性提出的Pansharp融合算法在信息量、光谱特征、边缘特征等方面具有综合优势。融合后的影像不仅很好地保留了原多光谱图像的光谱特征,而且在增加融合结果的信息量、增强信息透明度和锐化度、改善解译的精度、可靠性以及使用率等方面均收到了很好的效果。

4 结论

综上所述,对Quick Bird数据进行融合能得到既色彩丰富又地物纹理清晰的影像图件,近似真实地反映地物景观,证明Quick Bird数据光谱分辨率和空间分辨率之间的互补作用;利用Quick Bird第1,2,3波段合成与其全色波段的融合是比较理想的方案;Pansharp融合方法光谱退化最小,同时也较高程度地保持了高几何分辨率的空间信息,融合效果是低空间分辨率的光谱信息和高空间分辨率的空间信息二者之间权衡最好的一种融合方法。它是目前处理高分辨率影像最好的融合方法。目前研究的是基于象素级的融合,它的成功能不断向特征级与决策级融合方向迈进,目前后两个级别的研究较少,但这两方面的研究该是今后遥感影像融合发展的一个重要方向[3,8]。

参考文献

[1]Pohl C,Van Garderen J L.Multisensor Image Fusion in Remote Sensing:Concepts,Methods,Application[J].Int J Remote Sensing,1998,19(5):362～367.

[2]LiH,Manjunath B S,M itra S K.Multesensor Image Fusion Using the Wavelet Transform[J].Graphical Models and Image Processing,1995,57(3):235～245.

[3]董广军.高光谱与高空间分辨率影像融合技术研究[D].郑州:解放军信息工程人学,2004.

[4]Zhong Zhang,Blum R S A.Categorization of multiscale-decompositon-based image fusion schemes with a performance study for a digital camera application[J].Proceeding of the IEEE,1999,87(8):1305～1326.

[5]王海晖,彭嘉雄,吴巍等.多源遥感图像融合效果评价方法研究[J].计算机工程与应用,2003,39(25):33～37.

[6]贾永红,李德仁,孙家柄.多源遥感影像数据融合[J].遥感技术与应用,2000,15(1):40～43.

[7]孙月峰.1KONOS全色与多光谱数据融合方法的比较研究[J].遥感技术与应用,2002,(1):19～23.

高分辨率卫星遥感技术 第4篇

信息技术和传感器技术的飞速发展,极大提高了卫星遥感影像分辨率,包括空间分辨率、光谱分辨率和时间分辨率。2014年8月19日,我国“高分二号”卫星顺利进入预定轨道这一事件,标志着我国遥感卫星的分辨率进入了亚米级时代。“高分二号”首次将空间分辨率精确至1米,系目前我国分辨率最高的光学对地观测卫星。数据源的精度提高为遥感后期数据处理及应用提出了新的要求,如何利用高分辨率遥感数据进行遥感处理与应用,是我们应当思考的问题。

2 OBIA与e Cognition软件

面向对象影像分析(Object Based Image Analysis)连接了遥感与地理信息系统,作为高分辨率遥感影像分析的新模式,利用在传统的基于像素影像分析方法中利用率几乎为零的多种空间信息,为自动遥感影像分析与理解提供强大技术支持。本实验亦采用面向对象的分类方法。

e Cognition是由德国Definiens Imaging公司开发的智能化影像分析软件,具备决策专家系统支持的模糊分类算法模块,突破了以往商业遥感软件局限于根据光谱信息进行影像分类的模式,提出面向对象的分类方法,大大提高了高空间分辨率数据的自动识别精度,极大满足了科研和工程应用的需求。

3 遥感作物识别

遥感图像就是传感器获得地物反射的电磁波信息,经过处理得到的影像数据。由于地物的物质构成、几何尺寸等不同造成与不同波长电磁波的相互作用也不同,这种相互作用体现在被反射、散射的电磁波中,继而被传感器探测到,这就是遥感图像进行地物识别的基本原理。本实验我们将识别目标锁定在作物范畴,同时也适应了当前精细化农业的主流趋势。在高分辨率遥感影像上,单一的光谱信息无法确定特定的地物特征,而必须结合地物的空间信息共同确定。因此在高分辨率遥感中,不能单一采用像元的光谱信息进行分类,需要综合考虑地物的形状、纹理、结构等多种空间信息,OBIA(面向对象的影像分析)使之得到了综合性实现。

3.1 图像预处理262

本实验选取位于东经116.6°,北纬39.7°附近的高分一号数据。实验区位于北京市大兴区东部,京沪高速西侧,李家务村与朱脑村附近区域。

3.1.1 大气校正

利用ENVI5.3现有的支持高分一号PMS数据的辐射定标和大气校正的模块进行数据预处理。将文件以xml格式打开,在工具箱中打开大气校正模块,设置应用参数(包括定标类型、存储顺序和辐射亮度单位)使之自动选择符合大气校正要求,最后选择数据路径和文件名,单击执行处理即可。

3.1.2 全色辐射定标

在工具箱中,打开辐射校正模块,选择全色数据,在面板中进行参数设置,选择输出路径和文件名后即可进行处理。为了融合图像效果,设置一致的全色数据与多光谱数据的像元值。使用辐射定标工具,将全色数据定标为大气表观反射率,数值扩大10000倍。

3.1.3 正射校正

在辐射定标、大气校正等步骤后,ENVI自动将RPC嵌入处理结果中,在图层管理中进行辐射定标或在大气校正结果图层中进行视图元数据的查看,其中的RPC选项就是处理结果中自动嵌入的嵌入的RPC文件。可以直接使用正射校正工具进行正射校正。为了后续图像融合,我们需要对多光谱数据及全色数据均进行正射校正。

3.1.4 图像融合

为提高融合速度,将多光谱数据的储存顺序由BSQ转成BIP。在工具箱中,在栅格管理模块中选择上一步中多光谱正射校正结果,选用NNDiffuse融合方式,选择多光谱和全色数据,执行处理后得到融合图像。

3.2 尺度适应性比较

高分辨率影像可在地物的空间结构和形状、纹理特征方面提供更多的细节信息,从面向对象的观点出发,针对不同类型的地物则需在不同的尺度下进行,相比传统方法常采取基于光谱信息的单尺度分割,不同的地物应选取不同的分割尺度可在提取手段上明显提高地物识别的适应性及精度。本实验的关键的核心问题也在于实现对高分辨率遥感影像的多尺度分割。

本实验采取的多尺度分割方法通过实验测试选取最优分割尺度保证了地物间较高的异质性,从而适用于识别不同类型地物的应用。操作过程中我们使用e Cognition进一步对不同地物多尺度分割中的形状参数和紧致度参数进行不同设置,可从分割结果图中明显看出分割结果的不同,从而选择出适应该种地物的分割尺度。

3.3 特征量选择

采用合适的图像分割算法,将图像划分成若干个互不相交的小区域并由此得到基元,本实验除了对基元的光谱特征进行特征计算外,还进行了基元的纹理、形状、大小的特征计算,以从高分辨率影像中获取更多信息。利用规则集,把易分的地块先分出来,然后利用基于样本的邻近分类方法对分类效果不好的地类进行再次分类。

在e Cognition软件中建立工程,导入影像及专题数据。本实验的关键在于建立作物分割规则。此处我们选择作物的光谱信息、形状以及纹理作为区别不同作物的特征量,其中权重设置为(0.7:0.2:0.1)。其中纹理特征中主要考虑紧致度、平滑度两个方面,权重分配上各占纹理特征的一半(0.5:0.5)。为了进行细化分类,我们可以将作物分级,在一级作物分类时采取上述权重设置,在进一步细化分类时(比如不同种类小麦间的区分),可根据具体情况调节各特征值的权重设置,以获取适应该种作物区别的特征参量。

3.4 精度评价

本实验采用混淆矩阵进行精度评价,该方法主要是将分类结果和实际测得值进行比较,对每个实测像元的位置和已分类图像中的相应位置进行比较计算。我们采用的评价指标有总体分类精度和用户精度。其中总体分类精度是具有概率意义的统计量,体现出随机样本所分类的结果与参考数据所对应区域的实际类型一致的概率。用户精度则是从分类结果中任取一个随机样本,得出其类型与实际情况一致的条件概率。

4 结论

面向对象方法在传统的基于光谱的地物分类基础上,结合了形状、纹理信息,适应当前数据高分辨率方向发展趋势,明显提高了作物识别精度。在图像分割上方面,对不同的目标作物选取不同的适应尺度,在其他地物干扰的情况下,将特征量的选择进一步细化,可更精确地提取地物信息。

摘要：自2014年起我国相继发射了高分系列卫星,中国遥感卫星进入亚米级的“高分时代”。随着遥感影像分辨率的提高,地物识别不能只采用像元的光谱信息作为分类的依据,需要综合考虑地物的形状、纹理、结构等空间信息的共同作用,OBIA(面向对象的影像分析)使之得到了比较完美的实现。本项目通过卫星传感影像记录的地球表面信息,以e Cognition软件为分析工具,基于OBIA细致化地从高空间分辨率遥感影像上提取地物(农作物)信息,并进行类型识别,综合考虑地物的形象、纹理、结构等方面来弥补传统基于像元的分类方法的不足之处,以提高目标地物分类的精确程度。

关键词：OBIA,eCognition,作物识别,高分辨率

参考文献

[1]张永生,巩丹超.高分辨率遥感卫星应用————成像模型、处理算法及应用技术[M].北京:科学出版社,2004.

[2]明冬萍,骆剑承,周成虎,等.高分辨率遥感影像信息提取及块状基元特征提取[J].数据采集与处理,2005,20(1):34-39.

高分辨率卫星遥感技术 第5篇

关键词：eCognition,高分辨率遥感,面向对象

传统的遥感影像信息提取主要是基于中低分辨率的遥感卫星数据或航片,通过目视判读或是基于像素的计算机分类方法,信息提取的精度和效率不能兼顾。而高分辨率的遥感影像虽然结构、纹理等信息非常突出,但是所含波段较少,光谱信息不足。所以仅依靠像素的光谱信息进行分类而忽略整片图斑的纹理、结构等信息,必然会造成分类精度降低,空间数据大量冗余,并且其分类结果常是椒盐图像,不利于进行空间分析。eCognition 正是基于影像空间波谱两方面信息直接面向高分辨影像和雷达影像的分类处理,采用全新的面向对象的图像分类技术来进行影像的分类和信息提取[1]。

1 影像分析的技术核心

面向对象的分类方法是一种智能化的自动影像分析方法,它的分析单元不是单个像素,而是由若干个像素组成的像素群,即目标对象。目标对象比单个像素更具实际意义,特征的定义和分类均是基于目标进行的。

1.1 基于图像对象进行影像分析

eCognition对图像进行分类并不以像素作为识别的基本单元,而是充分利用图像对象及其相关信息,对地物特征进行详细划分。可用于对象分类的特征主要有:形状特征、纹理特征、灰度特征和层次特征。通过这些特征的提取可以较容易地区分不同类型的对象,例如利用对象之间的距离特征,可以区分出水体和房屋的阴影。

1.2 多尺度影像分割

多尺度影像分割就是给影像目标多边形一个特定的阈值,根据指定的色彩和形状的同质准则,基于对象异质性最小原则,将光谱信息类似的相邻像元合并为有意义的对象,使整幅影像的同质分割达到高度优化的程度。影像分割的目的是将影像划分成一个个有意义的分离区域,形成初级的影像对象,为下一步分类提供信息载体和构建基础。因此,分割得好坏直接影响着分类的精度[2]。

eCognition允许以任意分辨率进行影像同质区域的分割,故亦称多分辨率分割。利用 eCognition 多分辨率对象分割方法,生成的一个项目能包含一个有不同分辨率、不同对象分割水平的分类网络,这些类的结构同时代表了不同尺度图像信息。利用不同的分割技术生成影像对象的网络层次结构。每一次分割循环就生成网络层次中的一个层。同时,层结构代表不同尺度的影像对象信息。精对象是粗对象的子对象,这样每一个对象都了解自己的上下文、邻对象、子对象以及父对象。网络层次上的操作,可以定义对象间的关系。可见,图像对象与单个像元用于分类的特征相比,提高了分类信息的信噪比,即多数外加信息的独立性使得分类更加精确。eCognition分割的结果作为目标对象用于下一步分类[3,4]。

1.3 面向对象的分类方法

eCognition提供了两种不同类型的分类器:最近邻分类器和隶属度函数分类器。最近邻分类相似于监督分类,需要选择样本。样本是一个类的典型代表,在声明每个类的样本对象后,每个影像对象都赋为特征空间中最邻近样本所代表的类中。当无法描述特征空间时,允许用户通过模糊的规则明确地表达分类要求,对类进行描述可用不确定性。隶属度函数法是基于可利用目标特征的模糊逻辑来分类,可以精确定义对象属于某一类的标准,是基于一个特征的。因此,如果仅用一个或少数特征就可以将一个类同其他类区别开时,可以使用隶属度函数分类器[5,6,7]。

2 两种分类方法的结果对比

eCognition面向对象分类的结果与 ERDAS的监督分类的结果精度和效果评价如图2所示。

图2中ERDAS主要依据地物的光谱信息进行图像分类,在区域分割或边界跟踪的基础上抽取遥感图像形态、纹理特征和空间关系等特征。这种基于像素的分类方法往往产生散布式的分类效果,不利于进一步的空间分析。图2为耕地和道路的细节对比。

图2中eCognition是在面向图像对象的基础上进行的分类,该分类方法兼顾考虑地物的形状特征和结构特征,同时考虑影像的形状和纹理因素,可以有效地识别河道、道路、建筑物的形状,克服了“椒盐”现象。同时由于对象内部相对均一性在一定程度上解决了“同物异谱”和“同谱异物”现象,使得分类精度有了较大提高。

3 结束语

与传统像元的面积提取方法相比,eCognition面向对象分类方法可以充分考虑地物本身的信息,包括光谱信息、形状信息、纹理信息、结构信息等,影像分割后形成若干个互不交叠的非空子区域,每个子区域的内部都是连通的并且具有相同或者相似的特性,从而有效减少了“椒盐效应”。分类后对影像数据的样本可再选择、删除、再分类,便捷的手工操作使得只要能够被分割出的对象都可以根据实际类别被赋到对应类上,产生与人类思维更加接近的分类结果。因此,eCognition面向对象的分类方法可以充分利用高分辨率遥感影像丰富的空间信息,弥补传统的基于像素统计特征分类方法的不足,极大地提高了高分辨率遥感影像自动识别的精度。

参考文献

[1]李宗华,王新洲,彭明军,等.高分辨率卫星遥感影像在土地利用变更调查中的应用[J].测绘信息与工程,2005,30(4):13-16.

[2]丁晓英.eCognition在土地利用项目中的应用[J].测绘与空间地理信息,2005,28(6):116-117.

[3]曹宝,秦其明,马海建,等.面向对象方法在SPOT5感图像分类中的应用-以北京市海淀区为例[J].地理与地理信息科学,2006,22(2):46-54.

[4]曹雪,柯长青.基于对象级的高分辨率遥感影像分类研究[J].遥感信息,2006(5):27-30.

[5]杜凤兰.面向对象的地物分类方法分析与评价[J].遥感技术与应用,2004,19(1):20-23.

[6]明冬萍,骆剑承,沈占锋,等.高分辨率遥感影像信息提取与目标识别技术研究[J].测绘科学,2005,30(3):18-20.