http://www.zhucesz.com/.图像信息提取方法研究关远秀，顾文军，朱继东（北京现代天目图像技术有限公司北京10 0 0 34）摘要：传统的遥感变化监测和信息提取主要基于中低分辨率遥感卫星数据或航空照片。通过目视解译或基于像素的分类方法，无法考虑信息提取的准确性和效率。近15年来，卫星遥感技术的发展，特别是图像分辨率的空前提高，对信息提取技术提出了前所未有的挑战。特别是1999年以来，高分辨率商业卫星成功发射，高分辨率卫星数据广泛应用于各行各业。信息提取技术已成为制约遥感产业化应用的瓶颈之一。此外，空间分辨率的空前提高使得图像纹理信息异常丰富，传统的基于像素的分类方法无能为力。以北京市玉渊潭公园周边地区土地利用分类为例，详细介绍了基于ECO GN tio n的土地利用分类的原理、方法和步骤，并与传统的燕子像素分类方法进行了比较。结果表明，面向对象分类方法特别适用于空间分辨率高、纹理信息丰富、光谱分辨率相对不足的影像数据，是解决高分辨率数据工业应用问题的关键技术。关键词：面向对象分类高分辨率卫星数据1引言传统的遥感动态变化监测和信息提取主要基于中低分辨率遥感卫星数据或航空照片。通过目视解译或基于像素的分类方法，无法考虑信息提取的准确性和效率。近15年来，国际卫星遥感技术的发展，特别是图像分辨率的空前提高，对信息提取技术提出了前所未有的挑战。特别是1999年以来，随着IK ON O S的发展(1999)、QUIKB IRD(2001)、http://www.zhucesz.com/(2002)、http://www.zhucesz.com/(2003)等高分辨率商业卫星相继发射成功。高分辨率卫星数据广泛应用于各行各业，信息提取技术已成为制约遥感产业化应用的瓶颈之一。一边是堆积如山的数据，一边是信息的缺失和过时。此外，随着空间分辨率的空前提高，图像的纹理信息异常丰富，传统的基于像素的分类方法无能为力。在此背景下，基于eCo GN tio n的面向对象分类技术应运而生，它是数据向信息转化的助推器。在eCo g n tio n平台下，采用不同权值对多层多波段数据进行同步分类，分类过程简单。首先，根据基对象颜色和形状的同质性构成的同质性标准，对分类涉及的数据进行不同尺度的分割，每一个分割形成一个对象层，从而形成图像对象的层次网络，每个对象与其子对象、父对象和相邻对象相关；根据信息抽取目标和数据使用方式的不同，建立相应的分类层次，即分类标准或知识规则，其中类和类描述由继承和语义组组织；分类选择标准贴近度法、模糊逻辑法或两种方法的结合。邻近分类是通过样本对象来描述类，而模糊逻辑分类是通过一定的隶属度来描述类，而不是通常意义上的“是”或“否”的二元结论，更符合人类的认知标准。ECO G N TiO N提供的分类方法克服了传统的基于像素的自动分类方法只能利用像素的光谱值的缺陷，充分利用了人工视觉判读中常用的各种信息元素，如物体的颜色、字符、纹理、上下文、类间等计算机自动分类的速度和人类目视判读的准确性。此外，由于分类对象是由同质像素组成的有意义像素组，分类结果不存在椒盐问题，可以基于分类进行分割，也可以直接导入GIS系统，实现了遥感与GIS的有机融合。2IK O N O S土地用途分类“IK O N O S”在希腊语中是“图像”的意思。1999年，世界上第一颗高分辨率商业遥感卫星由美国S p a ceIm a g In g公司成功发射，命名为IK O N O S IKO NOS卫星同时采集1米全色和4米多光谱数据，分为蓝色、绿色、红色和近红外四个多光谱波段。其光谱范围与La，ND，sa，TTM的第一至第四波段大致相同。真彩色和标准假彩色数据可以根据不同的应用目的合成。辐射分辨率为1l位，包含2048个灰度级，信息更加丰富，可以识别太亮或太暗（如云影）、传统8位数据无法识别的信息。IKO NOS卫星定位精度较高，可满足1:300-1:10 00比例尺的测绘精度。IKO NOS影像数据的辐射特性和几何特性决定了它在测绘和遥感分析中具有无限的应用潜力。2000年，IK O N O S卫星开始向全球用户提供高分辨率图像数据。截至2004年5月，中国大陆合格的存档资料达150万平方公里。IKO NOS数据广泛应用于城市和土地规划管理、测绘、环境遥感调查、地质灾害监测、应急响应等行业。弥补了我国传统航拍数据采集的局限性和不足，完善了空间数据在新的速度下，如何高效地将大量的数据转化为支持各行各业决策支持的信息，是IK ON O S用户关注的焦点。本文旨在探索土地利用分类中1米分辨率IKO NOS真彩色数据的信息提取方法。以北京玉渊潭IKO NOS数据为例，详细介绍了基于eCo g n tio n的面向对象分类方法的原理、方法和步骤，并将面向对象分类方法与传统的基于像素的分类方法进行了比较。http://www.zhucesz.com/数据土地用途分类采用2002年10月5日成像的IK O N O S 1M真彩色数据，只有蓝、绿、红三个波段，文件大小为1107*http://www.zhucesz.com/像素。数据覆盖区域为北京市玉渊潭公园周边区域，土地覆盖/土地利用类型主要为水体、绿地、建筑和道路、建筑工地裸露地面等，时值金秋，影像图上，水体和草地呈现出相对均质的墨绿色调。树木的光谱特征是树干、树冠、树影和裸地复杂组合形成的异质体，色调变化较大。高楼、树木和湖岸在北面都有影子。图像整体色调为深绿色，对比度小，分类困难（图1）。由于所用数据的空间分辨率较高，但光谱分辨率相对不足，传统的基于像素的分类方法主要依赖光谱信息，难以区分水体、草原、树木和阴影，导致大面积地物混杂，分类结果过于椒盐，无法作为有意义的地理信息层输出（图2）。http://www.zhucesz.com/在综合分析数据所含信息和地物类型的基础上，通过实验确定了三级分类方案，综合运用了多尺度分割、基于分类的分割技术、人工分割与对象融合技术、掩模技术等先进的面向对象分类技术。因为只有三个波段，每个波段以相同的权重参与分割分类的全过程。首先，通过尺度参数110、形状http://www.zhucesz.com/、平滑度http://www.zhucesz.com/（对应的颜色和紧致度分别为http://www.zhucesz.com/和http://www.zhucesz.com/)对数据进行粗略分割，以区分水陆；然后，对水体对象进行人工切割和融合，直到水陆边界满足要求，再利用模糊隶属函数对数据进行分类，知识分类规则为:IFB钻机h tn ess力小于http://www.zhucesz.com/ d r a tioo f b a n dblu e在http://www.zhucesz.com/ d MAXDIF f eren ce,“在0。32T h e n水体e lse盲分类结果为陆地和水体，分类结果与基于分类的图像对象融合。结果如图3所示。黄色的是陆地，蓝色的是水体。在类层次结构中，将第一个分类结果临时指定为第二级，以对应切分结果的级数（最近的切分总是L级切分），完成第一个分类。然后利用水作为掩膜对第一分类中的土地进行分割。分割参数为尺度参数50，形状http://www.zhucesz.com/，平滑度http://www.zhucesz.com/。分割结果如图4所示。目前该分区为一级分区，旨在将土地分为植被、非植被和阴影三类。非植被与植被和阴影的主要区别是亮度。所采用的知识规则为：IFB r ig h tn e ss fire f121 t h e n非植被e lse谷物覆盖和龋齿阴影植被和阴影，蓝、绿、红波段的反射率较大，所采用的知识规则为：若MEA NOF BA n D MEA NOF B A n DG r e e e n小于7 9A n D,则MEA NOF BA n D MEA NOF B A n DG r e e e n小于7 9A n DM e a no f b a n dr e d小于59T h e n雄伟阴影e l s e植被由于阴影与植被光谱特征的相似性，没有其他物体特征和类间特征可以区分，少数被误分为植被的阴影需要手工分类）：分类修改完成第二次分类，分类结果如图5所示，其中奶红色为非植被，绿色为植被，蓝色为阴影。第三种分类的目的是区分植被中的树木和草类。利用非植被和阴影作为掩模，在分类的基础上对植被进行分割。缩放参数为150，形状为0。5，平滑度为0。9.分割结果如图6所示。在这样的分割尺度下，草和树的主要区别是标准差，皮革和树可以通过以下知识规则来区分：IFS td d e vo f b a n dred长期-：29 t h en bin e lse学习取米，我们需要对阴影进行分类，因为阴影落在不同的地物上，比如房屋落在草地上，世纪纪念碑落在水泥地面上，湖边树木和湖岸阴影落在实体上，还有一些树木落在树上，所以eC o g n tio n提供的空间特征不足以区分不同类型的阴影。因此，我们使用它提供的手动分类：（阴影被正确分配，以形成最终的分类结果（图7）。最后可以将分割分类结果以平滑向量层的格式导入GIS（图8）进行决策支持，将对象的属性和图形信息一起导出，实现遥感与GIS的有机融合。3结果与讨论与传统的基于像素的分类方法相比，基于eCo g n tio n软件的面向对象分类方法是信息抽取技术的一大突破。虽然面向对象图像分析的思想早在十年前JL就已提出，但只有计算机软硬件条件而遥感技术发展到今天，已经具有了真正意义上的实用性和可操作性。面向对象的分类软件eCo g n tio n可以分析不同分辨率的矢量和栅格数据，特别适用于空间分辨率高而光谱信息相对不足的图像数据，如高分辨率卫星图像、航空照片和雷达数据。多尺度分割是面向对象分类的前提。ECO GN TiO N采用先进的分割技术，将相邻的同质像素组合成有意义的图像对象。根据目标和任务的不同，对图像进行不同尺度的分割，每次分割的结果形成一层图像对象，按照拓扑关系进行组织，形成层次化的图像对象网络。因此，作为信息载体的图像对象不仅具有光谱特征，还具有形状、纹理、上下文和类间特征等空间特征。即eC o g n tio n表示来自图像空间、光谱空间和特征空间三个不同空间域的图像信息，符合地学科学家对地物的认知顺序，使遥感成为GIS最直接的信息源。分类过程的简单化、自动化、智能化，加速了数据向信息转化的进程，进一步推动了遥感产业化应用的发展。对象层次的建立、对象特征信息的检验以及类层次和分类知识库的建立完全基于_=)IW在d o w JL中的可视化：：有了操作，降低了对信息提取人员的专业要求，遥感信息提取不再是遥感专业分析人员的专利；一个分类的操作过程可以形成一个分类协议，简单修改后即可用于其他分类，实现分类过程的自动化；在分类过程中，不仅可以利用不同空间域的信息，还可以方便地集成专家知识，实现智能分类。图1玉渊潭IK O N O S图像图3第一分类结果图5第二分类结果图7第三分类结果图2基于像素的分类结果图4第二分割图6第三分割图8矢量数据层