论文部分内容阅读
摘要
随着空间技术的不断发展，空间遥感活动中所使用的遥感器的工作波段得到了充分扩展，空间分辨率也在迅速的提高，同时遥感影像的数据量也在成几何倍数地增加。面向对象的遥感信息提取技术是最近几年才发展起来的遥感图像解译新方法，与以往采用面向图像基元的图像解译不同，它是以影像中的像素集合为分析对象，通过对各对象的特征分析进行信息提取。
關键词:高空间分辨率;面向对象
中图分类号： TP7文献标识码：A 文章编号：
1遥感信息提取的概念
所谓遥感信息提取是指从海量、不完全的、有噪声的、模糊的、随机的实际应用遥感影像数据中提取出蕴涵在其中的大量的对用户有用的信息例如建筑物、植被、温度等，并将其形成结构化的数据放入数据库中或以其它形式提供给用户查询使用的过程。
2高分辨率遥感影像信息数据获取与特点
2.1遥感影像信息获取方式的发展
遥感技术的发展经历了四个阶段:无记录的地面遥感阶段、有记录的地面遥感阶段、空中摄影遥感阶段、航天遥感阶段。
20世纪年代70初，美国成功发射了世界上第一颗地球资源卫星Landsat-1，此卫星传感器所获得的MSS影像数据空间分辨率为88米。其后Landsat-2、3、4、5相继发射，所获得的影像数据空间分辨率为30米，SPOT卫星发射成功，可见光传感器的地面分辨率提高到10米。长期以来，航天影像测图一直局限在中小比例尺的水平，这与国土资源监测、城市规划、城市管理和工程建设等领域对大比例尺地图越来越迫切的需求存在很大的供求不平衡性，发展高空间分辨率对地观测技术势在必行。
当前，高分辨率遥感卫星的成功发射，高分辨率遥感卫星影像获取技术的高速发展，让我们能够获得更多的信息，但是，如何使用和处理这些数据并成功运用到具体的实际当中去成为当前急待解决的问题。目前已有许多学者开发出了许多遥感信息处理系统，并取得了成功，但是在影像的自动信息提取方面还是远远不能满足实际当中的需要，因此，提高信息的提取速度以及尽可能多的提取出有用的信息是遥感数据处理领域最重要的研究方向。
2.2高分辫率遥感影像的特点
高空间分辨率遥感影像与低空间分辨率遥感影像相比具有以下特点:
（1）遥感影像的数据量显著增加，空间信息量更加丰富，空间地物的几何信息、拓扑信息、纹理信息等表现更加明显。
（2）成像光谱波段变窄，单色波段的光谱分辨率明显提高，从而极大地提高了利用光谱空间特征来区分和判定地物类别的精度。
(3)遥感影像的二维信息量更加丰富，使得利用遥感数据复原地物二维形态成为可能。
(4)同一地区遥感成像时间周期显著缩短。重复轨道周期都缩短在一天之内，使得动态监测地表环境的运动变化和人类活动成为可能。
(5)地物影像中的噪声信息更加明显，“同物异谱”、“异物同谱”现象更加凸显，迫切需要改变传统的面向像元的遥感信息提取方法。
2.3常用的遥感图像解译方法
遥感图像解译分为两种:一种是目视解译，它指专业人员直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。另一种是遥感图像计算机解译，它以计算机系统为支撑环境，利用模式识别技术和人工智能技术相结合，根据遥感图像中目标地物的各种影像特征(颜色、形状、纹理与空间位置)，结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理，实现对遥感图像的理解，完成对遥感图像的解译。其中计算机解译通常又可分为基十像元的遥感目标识别和面向对象的遥感目标识别两种。
2.3.1基于像元的遥感目标识别
基于像元的目标识别是将图像的所有像元按其性质分为若干个类别的技术过程，也就是通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间(类别)，然后将图像内各个像元划分到各个子空间中去，从而实现遥感目标的识别。本文中简单介绍几种传统的基十像元的遥感目标识别方式。
监督分类与非监督分类
监督分类是一种有先验类别标准的分类方法。首先要从欲分类的图像区域选定一些训练样区，在这些训练样区中地物类别是已知的，通过学习，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[1]。
非监督分类是一种无先验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为标准，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。
3、面向对象的遥感目标识别
遥感影像中的地物信息不仅仅表现在单纯的色彩上，还表现在形状、纹理、空间位置关系等特征上。当目标的光谱特征比较接近的时候，纹理及其它特征对十区分目标会起到积极的作用。在影像分析中如果单纯以像元的光谱信息识别地物类别，缺乏空间信息与纹理特征的描述，类别错分的现象将会十分严重，为使最终结果达到一定的精度要求，需要花很大的精力来进行人工干涉。
面向对象的影像分类方法的特点:
(1)由十分类目标都有其特有的尺度，所以尺度分析是面向对象分类方法的重要特性。多尺度分割就是按照给定的尺度将具有明显区分的像元划分到不同的基元对象中。
(2)分割后的均质对象去掉了大量的冗余信息，减少了参与分类的单元，分类过程更快，分类结果中也不会出现椒盐现象。
(3)分割后分类基础单元为有意义的实体，分类过程中能够综合运用地学中的空间语义关系等信息，识别结果更为精确。
(4)不同分辨率的分类目标可以在不同尺度的层面进行识别，不同层次之间的分类结果互相联系，丰富用十分类的语义关系，可以更好达到分类目的。
(5)面向对象的遥感目标识别方法是以矢量基元作为信息处理基础的，该方式能够更加方便的运用诸如拓扑关系等各种地学数据，识别结果更有说服力。
4、面向对象的目标数据提取
面向对象的目标提取方法首先利用波谱、形状等信息，使用合适的尺度对影像进行分割，以分割后的基元为基本单位，综合利用建筑物的各项特征属性，识别并处理建筑物基元，实现对建筑物的提取。
4.1 数据的提取方法
4.2.1最小距离分类法
最小距离分类(Minimum Distance Classifier)法是以特征空间中的距离作为基元分类的依据。首先由训练组数据得出每一类别的的均值向量和办方差矩阵，然后以各类的均值向量作为该类在多维空间中的中心位置[2]。计算输入图像中每个基元到各类中心的距离，到哪一类的距离最小，就将像元归入哪一类，因此这种方法中距离就是一个辨别函数。
4.2.2隶属度函数法
隶属度函数是一个以[0，1}同一范围来表达任意特征范围的简单方法。在评估完形成每个类的每个特征后，会由隶属度函数返回一个在0和1之间的隶属度值。这些值可以通过逻辑运算符组合起来进行类赋值的计算。隶属度函数提供了组合不同维数不同范围值的可能性。隶属函数可以是任意形式的曲线，取什么形状取决十具体的分类目的，唯一的约束条件是隶属函数的值域[0 l]。
5小结
本文所讲的高分辨率影像数据的提取主要是采用面向对象的研究思路，通过影像预处理、目标特征分析、目标提取等环节实现高空间分辨率遥感影像中的目标信息的提取。介绍了常用的两种目标提取的方法，为高空间分辨率遥感影像在城市规划、测绘等领域的应用打下基础。
参考文献
[1] 刘云，侯世全，夏训峰.监督分类法在城郊景观类型判定中的应用[J].遥感技术与应用. 2010，（5）
[2] 干正如.基于最小距离原理的自适性分类方法[J].江西理工大学学报.2007(4)
随着空间技术的不断发展，空间遥感活动中所使用的遥感器的工作波段得到了充分扩展，空间分辨率也在迅速的提高，同时遥感影像的数据量也在成几何倍数地增加。面向对象的遥感信息提取技术是最近几年才发展起来的遥感图像解译新方法，与以往采用面向图像基元的图像解译不同，它是以影像中的像素集合为分析对象，通过对各对象的特征分析进行信息提取。
關键词:高空间分辨率;面向对象
中图分类号： TP7文献标识码：A 文章编号：
1遥感信息提取的概念
所谓遥感信息提取是指从海量、不完全的、有噪声的、模糊的、随机的实际应用遥感影像数据中提取出蕴涵在其中的大量的对用户有用的信息例如建筑物、植被、温度等，并将其形成结构化的数据放入数据库中或以其它形式提供给用户查询使用的过程。
2高分辨率遥感影像信息数据获取与特点
2.1遥感影像信息获取方式的发展
遥感技术的发展经历了四个阶段:无记录的地面遥感阶段、有记录的地面遥感阶段、空中摄影遥感阶段、航天遥感阶段。
20世纪年代70初，美国成功发射了世界上第一颗地球资源卫星Landsat-1，此卫星传感器所获得的MSS影像数据空间分辨率为88米。其后Landsat-2、3、4、5相继发射，所获得的影像数据空间分辨率为30米，SPOT卫星发射成功，可见光传感器的地面分辨率提高到10米。长期以来，航天影像测图一直局限在中小比例尺的水平，这与国土资源监测、城市规划、城市管理和工程建设等领域对大比例尺地图越来越迫切的需求存在很大的供求不平衡性，发展高空间分辨率对地观测技术势在必行。
当前，高分辨率遥感卫星的成功发射，高分辨率遥感卫星影像获取技术的高速发展，让我们能够获得更多的信息，但是，如何使用和处理这些数据并成功运用到具体的实际当中去成为当前急待解决的问题。目前已有许多学者开发出了许多遥感信息处理系统，并取得了成功，但是在影像的自动信息提取方面还是远远不能满足实际当中的需要，因此，提高信息的提取速度以及尽可能多的提取出有用的信息是遥感数据处理领域最重要的研究方向。
2.2高分辫率遥感影像的特点
高空间分辨率遥感影像与低空间分辨率遥感影像相比具有以下特点:
（1）遥感影像的数据量显著增加，空间信息量更加丰富，空间地物的几何信息、拓扑信息、纹理信息等表现更加明显。
（2）成像光谱波段变窄，单色波段的光谱分辨率明显提高，从而极大地提高了利用光谱空间特征来区分和判定地物类别的精度。
(3)遥感影像的二维信息量更加丰富，使得利用遥感数据复原地物二维形态成为可能。
(4)同一地区遥感成像时间周期显著缩短。重复轨道周期都缩短在一天之内，使得动态监测地表环境的运动变化和人类活动成为可能。
(5)地物影像中的噪声信息更加明显，“同物异谱”、“异物同谱”现象更加凸显，迫切需要改变传统的面向像元的遥感信息提取方法。
2.3常用的遥感图像解译方法
遥感图像解译分为两种:一种是目视解译，它指专业人员直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。另一种是遥感图像计算机解译，它以计算机系统为支撑环境，利用模式识别技术和人工智能技术相结合，根据遥感图像中目标地物的各种影像特征(颜色、形状、纹理与空间位置)，结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理，实现对遥感图像的理解，完成对遥感图像的解译。其中计算机解译通常又可分为基十像元的遥感目标识别和面向对象的遥感目标识别两种。
2.3.1基于像元的遥感目标识别
基于像元的目标识别是将图像的所有像元按其性质分为若干个类别的技术过程，也就是通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间(类别)，然后将图像内各个像元划分到各个子空间中去，从而实现遥感目标的识别。本文中简单介绍几种传统的基十像元的遥感目标识别方式。
监督分类与非监督分类
监督分类是一种有先验类别标准的分类方法。首先要从欲分类的图像区域选定一些训练样区，在这些训练样区中地物类别是已知的，通过学习，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[1]。
非监督分类是一种无先验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为标准，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。
3、面向对象的遥感目标识别
遥感影像中的地物信息不仅仅表现在单纯的色彩上，还表现在形状、纹理、空间位置关系等特征上。当目标的光谱特征比较接近的时候，纹理及其它特征对十区分目标会起到积极的作用。在影像分析中如果单纯以像元的光谱信息识别地物类别，缺乏空间信息与纹理特征的描述，类别错分的现象将会十分严重，为使最终结果达到一定的精度要求，需要花很大的精力来进行人工干涉。
面向对象的影像分类方法的特点:
(1)由十分类目标都有其特有的尺度，所以尺度分析是面向对象分类方法的重要特性。多尺度分割就是按照给定的尺度将具有明显区分的像元划分到不同的基元对象中。
(2)分割后的均质对象去掉了大量的冗余信息，减少了参与分类的单元，分类过程更快，分类结果中也不会出现椒盐现象。
(3)分割后分类基础单元为有意义的实体，分类过程中能够综合运用地学中的空间语义关系等信息，识别结果更为精确。
(4)不同分辨率的分类目标可以在不同尺度的层面进行识别，不同层次之间的分类结果互相联系，丰富用十分类的语义关系，可以更好达到分类目的。
(5)面向对象的遥感目标识别方法是以矢量基元作为信息处理基础的，该方式能够更加方便的运用诸如拓扑关系等各种地学数据，识别结果更有说服力。
4、面向对象的目标数据提取
面向对象的目标提取方法首先利用波谱、形状等信息，使用合适的尺度对影像进行分割，以分割后的基元为基本单位，综合利用建筑物的各项特征属性，识别并处理建筑物基元，实现对建筑物的提取。
4.1 数据的提取方法
4.2.1最小距离分类法
最小距离分类(Minimum Distance Classifier)法是以特征空间中的距离作为基元分类的依据。首先由训练组数据得出每一类别的的均值向量和办方差矩阵，然后以各类的均值向量作为该类在多维空间中的中心位置[2]。计算输入图像中每个基元到各类中心的距离，到哪一类的距离最小，就将像元归入哪一类，因此这种方法中距离就是一个辨别函数。
4.2.2隶属度函数法
隶属度函数是一个以[0，1}同一范围来表达任意特征范围的简单方法。在评估完形成每个类的每个特征后，会由隶属度函数返回一个在0和1之间的隶属度值。这些值可以通过逻辑运算符组合起来进行类赋值的计算。隶属度函数提供了组合不同维数不同范围值的可能性。隶属函数可以是任意形式的曲线，取什么形状取决十具体的分类目的，唯一的约束条件是隶属函数的值域[0 l]。
5小结
本文所讲的高分辨率影像数据的提取主要是采用面向对象的研究思路，通过影像预处理、目标特征分析、目标提取等环节实现高空间分辨率遥感影像中的目标信息的提取。介绍了常用的两种目标提取的方法，为高空间分辨率遥感影像在城市规划、测绘等领域的应用打下基础。
参考文献
[1] 刘云，侯世全，夏训峰.监督分类法在城郊景观类型判定中的应用[J].遥感技术与应用. 2010，（5）
[2] 干正如.基于最小距离原理的自适性分类方法[J].江西理工大学学报.2007(4)