论文部分内容阅读
随着卫星传感器技术的发展,遥感图像的空间分辨率快速提高,已经步入亚米级时代。高分辨率图像具有越来越丰富的地物结构和色调信息,在对地物的描述更加细节化的同时,也使得目标增多,纹理更复杂,增加了图像处理的难度。基于像元的处理方法已经不能满足高分辨率遥感图像处理与应用的需求。遥感图像分析正从像元分类的思路转换到对象提取的模式。本文以杭州市余杭区作为研究区域,以QuickBird高分辨率遥感图像为实验数据,按照“光谱识别—图像分割—目标提取”的思路展开论述,探讨面向对象的农田目标识别与提取模式。首先对遥感图像的多光谱波段数据计算植被指数,构建分类决策树来获取植被信息,并且利用形态学开闭运算消除部分细碎植被信息。然后采用基于标记的分水岭分割方法对全色波段数据进行图像分割,获得图像对象。最后将植被二值图像与对象图像叠加在一起,结合植被像元判别与面积参数完成农田目标的提取。论文主要研究内容和结论如下:(1)光谱信息分析与识别:对农田(植物)在高分辨率遥感图像各个波段的光谱响应特征进行分析,通过与其他地物的比较,针对多光谱波段数据在多波段间进行组合计算,生成植被指数图像。根据植被特性设定指数阈值,并且以此为依据构建分类决策树,提取出目标植被信息,生成植被信息二值图。实验表明,通过最小误差阈值方法计算得出的阈值(NDVI=0.095)可以很好地将植被提取出来。为了便于后续处理,对植被信息二值图像进行基于形态学的开闭运算,去除零星植被。(2)图像分割与对象生成:按照“梯度计算—低通滤波—分水岭分割—对象生成”的技术思路,完成基于边缘特征的图像分割并最终生成对象图像。首先计算全色波段图像的梯度幅度,生成梯度图,并且构造巴特沃思滤波器对梯度图进行低通滤波,消除部分局部最小值对后续分割的干扰。接着采用基于标记的分水岭分割,并利用了强制最小技术完成梯度重建,这样可以有效抑制过分割现象。最后对每个区域标记以形成对象图像。该方法生成的地物边界信息还原度较高,且均为闭合连通的区域,分割效果较好。(3)农田目标提取:提出将植被提取二值图像与分水岭分割形成的对象图像叠合以提取农田目标的方法。主要思路是将植被提取二值图像与对象图像叠加在一起,通过判断对象与植被像元是否有交集来完成第一次的提取;再根据农田的面积参数,分别判断每个对象中的植被覆盖程度以及对象自身的面积,通过阈值判断,完成第二次提取。经过这两次提取后,居民地、水体等非植被地物与独立树冠等植被地物可以得到有效的分离。而图像上的农田目标被提取出来的同时,边缘轮廓信息也较为完整的保留下来。最后分别采用基于像元与基于对象的混淆矩阵方法对提取结果进行精度评价。基于像元的评价结果总体精度87.50%,Kappa系数为0.7496,基于对象的评价结果总体精度86.98%,Kappa系数0.7397,该方法基本满足遥感调查的需求。有待进一步完成的研究工作,主要有两个努力的方向:首先是寻找与发展更适合的图像分割方法,提高分割的准确度。其次是有选择的结合农田其他结构特征如纹理特征、形状特征减少错分率。