【文章內(nèi)容簡(jiǎn)介】 感圖像處理 色彩匹配 圖像的幾何糾正 計(jì)算機(jī)解譯與監(jiān)督分類(lèi) 基于 ETM的土地信息提 取 6 圖 2 豐臺(tái)區(qū)區(qū)位圖 地勢(shì)地貌 豐臺(tái)區(qū)區(qū)境最西端點(diǎn)馬鞍山（東經(jīng) 116439。）和最東端點(diǎn)東四道口村（東經(jīng)1162839。）相距 35 公里，最南端點(diǎn)為賀照云村南界（北緯 394639。），最北端點(diǎn)為青塔村北新開(kāi)渠（ 395439。）南北最寬 14 公里，總面積 306 平方公里，其中平原面積約224 平方公里。永定河由北至南貫穿豐臺(tái)區(qū)，河?xùn)|部鄰近北京市區(qū)部分及永定河兩岸大為平原地帶，西部則多丘陵。全區(qū)最高點(diǎn)也是最西端的 馬鞍山 ，海拔 654 米，最低點(diǎn)為東南部的分鐘寺，海拔 35 米。 氣溫降水 豐臺(tái)區(qū)地處華北大 平原 北部（北緯 40176。），西北靠山，東南距渤海 150 公里。冬季受高緯度內(nèi)陸季風(fēng)影響，寒冷干燥；夏季受海洋季風(fēng)影響，高溫多雨，是典型的 暖溫帶半濕潤(rùn)季風(fēng)型氣候 。 旅游資源 豐臺(tái)區(qū) 旅 游 資源豐富，自然區(qū)劃上為暖溫帶半濕潤(rùn)地區(qū)半旱生落葉闊葉林與森林草原褐土地帶。 在眾多的景點(diǎn)中，既有馳名中外的 盧溝橋 、 宛平城 等名勝古跡，也有占地 公頃。 目前為亞洲最的大比例微縮景觀 ——世界公園 ， 占地 600畝的北京世界風(fēng)情園 也 與游人見(jiàn)面。新建景區(qū)集旅游、觀光、度假、購(gòu)物、娛樂(lè)為一體，衣、食、住、行、游、樂(lè)相配套，是首都新型旅游娛樂(lè)區(qū)。 豐臺(tái)區(qū)特菜、花卉遐邇聞名，經(jīng)貿(mào)各業(yè)發(fā)展迅速。岳各莊批發(fā)市場(chǎng)、京溫批發(fā)市場(chǎng)等商貿(mào)基地都已初具規(guī)模。 人口結(jié)構(gòu) 全區(qū)常住人口中，男性為 萬(wàn)人，占常住人口的 %；女性為 萬(wàn) 7 人，占常住人口的 %；全區(qū)常住人口中， 014 歲的人口為 萬(wàn)人，占常住人口的 %； 1564 歲的人口為 萬(wàn)人，占常住人口的 %； 65 歲及以上的人口為 萬(wàn)人，占常住人口的 %；全區(qū)常住人口中，漢族人口為 萬(wàn)人，占常住人口的 %；各少數(shù)民族人口為 萬(wàn)人，占常住人口的 %。 社會(huì)文化 豐臺(tái)區(qū) 全年共組織文化演出、電影放映等群眾文化活動(dòng) 1135 場(chǎng)次，參加群眾近 60 萬(wàn)人次；著力打造 “盧溝 ”文化品牌，舉辦了第二屆盧溝文化節(jié)，參 加文化節(jié)系列活動(dòng)群眾近 20 萬(wàn)人次。年末全區(qū)有公共圖書(shū)館 2 個(gè)，總藏?cái)?shù) 31 萬(wàn)冊(cè)，接待各類(lèi)讀者 萬(wàn)人次。全區(qū)有 全國(guó)重點(diǎn)文物保護(hù)單位 2 處，市級(jí)文物保護(hù)單位 10處，完成了萬(wàn)佛延壽寺銅觀音像修繕工程和宛平城二期修復(fù)工程。全年共檢查各類(lèi)文化場(chǎng)所 1140 家，處理舉報(bào)案件 259 件。 研究方法 圖像資料和遙感圖像的預(yù)處理 本研究所使用的資料有， 2021 年和 2021 年的北京市 豐 臺(tái)區(qū) ETM 遙感 影像 。 最佳波段的選擇 遙感影像是特定地理環(huán)境中某一區(qū)域的電磁波反射、輻射信息的記錄，以不同空間、時(shí)間、波譜、輻射分辨率提供電磁波譜不同波段的數(shù)據(jù)。由于成像原理不同和技術(shù)條件的限制，任何一個(gè)單一傳感器的遙感數(shù)據(jù)都不能全面反映目標(biāo)對(duì)象的特征，合成影像可較好地反映土地利用 /覆蓋變化的信息 [9]。 LANDSAT 是美國(guó)陸地探測(cè)衛(wèi)星系統(tǒng)。從 1972 年開(kāi)始發(fā)射第一顆衛(wèi)星LANDSAT 1，到目前最新的 LANDSAT 7。 LANDSAT 7 衛(wèi)星于 99 年發(fā)射，裝備有 Enhanced Thematic Mapper Plus(ETM+)設(shè)備， ETM+被動(dòng)感應(yīng)地表反射的太陽(yáng)輻射和散發(fā)的熱輻射，有 8 個(gè)波段的感應(yīng)器，覆蓋了從紅外到可見(jiàn)光的不同波長(zhǎng)范圍。 ETM+比起在 LANDSAT 5 上面裝備的 Thematic Mapper(TM)設(shè)備在紅外波段的分辨率更高，因此有更高的準(zhǔn)確性。 由于影像不同波段反映的地物信息不同，在利用 ETM 影像數(shù)據(jù)進(jìn)行地物信息提取時(shí)，我們希望有更多的光譜波段 ， 更多的輔助數(shù)據(jù)以及由此生成的各種專題影像，來(lái)增強(qiáng)對(duì)信息的提取。 多光譜數(shù)據(jù)具有多個(gè)光譜波段和豐富的光譜信息，不同波段影像對(duì)不 同地物有特殊的貢獻(xiàn)。因此在影像融合前需要進(jìn)行最佳波段的選擇組合和色彩合成，以最大程度地利用個(gè)波段的信息量，輔助影像的判讀與分析。 但是，如果影 像 的所有波段都同時(shí)參與地物信息提取與分類(lèi)，就會(huì)增加計(jì)算機(jī)的負(fù)擔(dān)，而且冗長(zhǎng)的數(shù)據(jù)反而影 影像 對(duì)地物的提取，降低準(zhǔn)確度。因此，利用較少的波段來(lái)進(jìn)行有效分析，才能提高信息提取的效率。 所以本文采用 1波段即真彩色進(jìn)行波段組合，更加直接的用真實(shí)的色彩表現(xiàn)出土地利用 /覆蓋的變化。 8 表 1 ETM 各波段參數(shù)及其應(yīng)用 波段 波長(zhǎng)（ um） 分辨率 (m) 主要 應(yīng)用 1 藍(lán)色 30 用于水體穿透，土壤植被分辨 2 綠色 30 用于植被分辨 3 紅色 30 用于觀測(cè)道路 /裸露土壤 /植被種類(lèi)效果很好 4 近紅外 30 用于估算生物數(shù)量 5 短波 紅外 30 用于分辨道路 /裸露土壤 /水 6 熱紅外 60 感應(yīng)發(fā)出熱輻射的目標(biāo) 7 短波 紅外 30 對(duì)于巖石 /礦物的分辨很有用，也可用于識(shí)別植被覆蓋和濕潤(rùn)土壤 8 全色 15 用于增強(qiáng)分辨率、提供分辨能力 圖像去條帶處理 和圖像 剪裁 因?yàn)檫b感影像都是不同波段的，所以我首先進(jìn)行的是波段的組合 ， Basic tool工具中的 Layer Stacking（如圖 3） 圖 3 波段組合過(guò)程 圖 4 波段組合的結(jié)果 因?yàn)橛跋裨诓杉^(guò)程中會(huì)出現(xiàn)噪聲和氣體產(chǎn)生的影響，影響會(huì)出現(xiàn)條帶，因此在處理過(guò)程中要進(jìn)行去條帶處理，利用 ENVI 工具中的 Basic tool 工具中的 9 Landsat Gapfill 命令 (如圖 5)，把條帶除去，使影像更加清晰，去條帶前后對(duì)比圖（如圖 5）。 圖 5 去條帶前后對(duì)比 本文選取的研究區(qū)是北京市 豐臺(tái) 區(qū)，在 ENVI 中，利用研究區(qū)域的矢量邊界，導(dǎo)出 豐臺(tái) 區(qū)的矢量圖（如圖 6），然后用 Subset Data Via ROIs 命令，以 豐臺(tái) 區(qū)矢量圖為基礎(chǔ)，完成對(duì)兩期 ETM 影像的裁剪（如圖 7）。 圖 6 豐臺(tái)區(qū)矢量邊界 圖 7 剪裁結(jié)果 10 研究區(qū)影像的 增強(qiáng) 圖像增強(qiáng)是為了提高圖像的視覺(jué)效果 ， 提高圖像的可判讀性， 讓分析者能夠更容易地識(shí)別圖像內(nèi)容，以便于提取更有用的定量化信息，為了提高影像的解譯分類(lèi)精度，增強(qiáng)地物特征，在遙感影像解譯前可以進(jìn)行一些影 像增強(qiáng)處理，如空間增強(qiáng)、輻射增強(qiáng)、光譜增強(qiáng)、傅立葉變換等在土地利用／覆被變化研究中，可以將多光譜的 TM、 ETM 數(shù)據(jù)同 SPOT 等高分辨率的數(shù)據(jù)融合到一起，使融合后的遙感影像既具有較高的空間分辨率，又具有多光譜特征，從而達(dá)到影像增強(qiáng)的目的。 本文采用的是 1 波段 （即真彩色） ，因?yàn)檫@三個(gè)波段的分辨率都是 30m，第 8 波段的分辨率是 15m，因此要對(duì)其進(jìn)行融合，是圖像更清晰，更容易分辨 [11]。過(guò)程如下，利用主菜單中的 Transform 工具中的 Image Sharpening 選擇 HSV 命令，進(jìn)行波段融合（如圖 8）。 圖 8 30 米分辨率 與 15 米分辨率融合 經(jīng)過(guò)對(duì)遙感圖像的 預(yù) 處理，得到了符合該研究區(qū)的區(qū)域結(jié)果圖 (如圖 9)： 11 圖 9 預(yù)處理后結(jié)果圖 信息提取 建立分類(lèi)體系 遙感圖像分類(lèi)體系的劃分是進(jìn)行遙感圖像分類(lèi)的重要依據(jù)和基礎(chǔ)，其與土地利用分類(lèi)體系不完全相同，在實(shí)際劃分過(guò)程中既要充分考慮遙感圖像實(shí)際可解能力和研究區(qū)內(nèi)土地覆被特征，又要適當(dāng)?shù)嘏c土地利用分類(lèi)體系靠近，便于利用遙感技術(shù)對(duì)土地利用現(xiàn)狀圖進(jìn)行動(dòng)態(tài)更新。圖像分類(lèi)總的目的是將圖像中每個(gè)象元根據(jù)其在不同波段的光譜亮度、空間結(jié)構(gòu)特征 或者其他信息，按照某種規(guī)則或算法劃分為不同的類(lèi)別 [10]。遙感影像解譯標(biāo)志是遙感影像上能直接反映、判別地物信息的影像特征。利用形狀、大小、陰影、色調(diào)、顏色、紋理、位置、圖案和布局，結(jié)合波段組成、分辨率、獲取的時(shí)相、季相、重疊區(qū)和數(shù)據(jù)所處氣候帶和地貌類(lèi)型區(qū)、周?chē)鷶?shù)據(jù)等解譯情況，做出正確和合理的判斷，建立數(shù)據(jù)解譯標(biāo)志，提取基礎(chǔ)地理信息數(shù)據(jù)。 根據(jù)中國(guó)科學(xué)院 “ 中國(guó)資源環(huán)境數(shù)據(jù)庫(kù) ” 土地利用遙感分類(lèi)標(biāo)準(zhǔn)， 通過(guò)將遙感影像上的不同地物與這些地物的實(shí)際情況相比較，發(fā)現(xiàn)不同地物之間的影像特征差異，并歸納得出同類(lèi)地物的影像特征 的一致性，得到研究區(qū)解譯標(biāo)志，本文基于如下考慮 [11]： ① 研究區(qū)內(nèi)地物光譜類(lèi)別混雜現(xiàn)象比較嚴(yán)重，指標(biāo)分得過(guò)細(xì)會(huì)造成類(lèi)別間混分率增加，造成精度下降。 ② 本課題研究重點(diǎn)在于研究區(qū)的耕地、林地、草地、水域、建設(shè)用地 、其他用地 之間的空間變化情況，把研究區(qū)土地利用類(lèi)型劃分為以下 6大類(lèi)（如表 2）。 12 表 2 土地利用分類(lèi)系統(tǒng)名稱 編號(hào) 名稱 含義 1 耕地 種植農(nóng)作物的土地 2 林地 生長(zhǎng)喬木，灌木等的林業(yè)用地 3 草地 生長(zhǎng)草本植物為主 4 水域 天然陸地水域和水利設(shè)施用地 5 居民及建設(shè)用地 城鄉(xiāng)居民點(diǎn) 及其工礦、交通等用地 6 其他 用地 除了以上用地之外的其他用地 解譯標(biāo)志的建立 在對(duì)遙感影像分類(lèi)之前，首先要進(jìn)行預(yù)判讀，即室內(nèi)預(yù)判。遙感影像預(yù)判的目的是為了了解研究區(qū)概況、地貌類(lèi)型、土地利用類(lèi)型、主要地類(lèi)及其分布規(guī)律 [9]。預(yù)判時(shí)應(yīng)首先全面觀察研究區(qū)遙感影像 ， 了解研究區(qū)地形地貌特征 , 在此基礎(chǔ)上 ， 根據(jù)研究區(qū)土地利用特點(diǎn)與分析的需要 ， 統(tǒng)一制定分類(lèi)系統(tǒng) ， 并選擇已知或典型地類(lèi)進(jìn)行室內(nèi)判讀。 遙感影像判讀必須掌握以下幾個(gè)規(guī)律： (1)地物的各光譜特征與影像色彩的關(guān)系。地物光譜的反射特征是圖像判讀的理 論基礎(chǔ)。地物的反射光譜不同，其影像重現(xiàn)的色彩也不一樣。 (2)地物光譜的反射率與影像色調(diào)特征的關(guān)系。反射率高者光量大，色彩鮮明，反之色彩暗淡。 (3)地物時(shí)間、空間和季節(jié)的不同與影像色彩變化的關(guān)系。 遙感圖像的監(jiān)督分類(lèi) 定義感興趣區(qū)及分類(lèi) 計(jì)算機(jī)分類(lèi)是指根據(jù)地物光譜特性，采用監(jiān)督分類(lèi) (supervised classification)或非監(jiān)督分類(lèi) (unsupervised classification)方法對(duì)遙感圖像進(jìn)行土地利用類(lèi)型解譯。 非監(jiān)督分類(lèi)運(yùn)用 ISODATA（ Iterative SelfOrganizing Data Analysis Technique)算法，完全按照像元的光譜特性進(jìn)行統(tǒng)計(jì)分類(lèi)，常常用于對(duì)分類(lèi)區(qū)沒(méi)有什么了解的情況。使用該方法時(shí)，原始圖像的所有波段都參于分類(lèi)運(yùn)算，分類(lèi)結(jié)果往往是各類(lèi)像元數(shù)大體等比例。由于人為干預(yù)較少，非監(jiān)督分類(lèi)過(guò)程的自動(dòng)化程度較高。非監(jiān)督分類(lèi)一般要經(jīng)過(guò)以下幾個(gè)步驟：初始分類(lèi)、專題判別、分類(lèi)合并、色彩確定、分類(lèi)后處理、色彩重定義、柵格矢量轉(zhuǎn)換、統(tǒng)計(jì)分析。 非監(jiān)督分類(lèi)不用訓(xùn)練樣本，而是根據(jù)圖像數(shù)據(jù)自身的統(tǒng)計(jì)特征及點(diǎn)群的分布情況，從純統(tǒng)計(jì)學(xué)的角度對(duì)圖像 數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分類(lèi)。它與監(jiān)督分類(lèi)的區(qū)別在于監(jiān)督分類(lèi)首先給定類(lèi)別而非監(jiān)督分類(lèi)由圖像數(shù)據(jù)的統(tǒng)計(jì)特征來(lái)決定。 由于非監(jiān)督分類(lèi)完全沒(méi)有人的干預(yù)，圖像的灰度有相當(dāng)?shù)碾S機(jī)性，因而這種核心向量的確定有相當(dāng)大的盲目性， 監(jiān)督分類(lèi)比非監(jiān)督分類(lèi)更多地要用戶來(lái)控制， 13 常用于對(duì)研究區(qū)域比較了解的情況。 這些是非監(jiān)督分類(lèi)較少使用的原因。監(jiān)督分類(lèi)法避免了非監(jiān)督分類(lèi)中對(duì)光譜集群組的重新歸類(lèi)。由于研究區(qū)地表破碎，靠非監(jiān)督分類(lèi)很難得到所需的類(lèi)型，且耗費(fèi)時(shí)間多，因此本文先采用非監(jiān)督分類(lèi)，然后再在非監(jiān)督分類(lèi)的基礎(chǔ)上采用監(jiān)督分類(lèi)，主要是采用監(jiān)督分類(lèi)。 監(jiān) 督分類(lèi)是先用某些已知類(lèi)別訓(xùn)練樣本讓分類(lèi)識(shí)別系統(tǒng)學(xué)習(xí)，待其掌握了各個(gè)類(lèi)別的特征之后，按照分類(lèi)的決策規(guī)則進(jìn)行分類(lèi)的過(guò)程。使用的數(shù)學(xué)方法有多級(jí)切割分類(lèi)法、決策樹(shù)分類(lèi)法、最小距離分類(lèi)法、最大似然分類(lèi)法 [12]。各分類(lèi)方法比較見(jiàn)下表 3。 表 3 各分類(lèi)方法說(shuō)明 六種監(jiān)督分類(lèi)說(shuō)明 分類(lèi)器 說(shuō)明 平行六面體 根據(jù)訓(xùn)練樣本的亮度值形成一個(gè) n 維的平行六面體數(shù)據(jù)空間，其他像元的光譜值如果落在平行六面體任何一個(gè)訓(xùn)練樣本所對(duì)應(yīng)的區(qū)域，就被劃分其相應(yīng)的類(lèi)別中，平行六面體的尺度是由標(biāo)準(zhǔn)差閾值所確定的，而該標(biāo)準(zhǔn)差閾值是根據(jù)所選擇類(lèi)的 均值求出。 最小距離 利用訓(xùn)練樣本數(shù)據(jù)計(jì)算出每一類(lèi)的均值向量和標(biāo)準(zhǔn)差向量，然后以均值向量作為該類(lèi)在特征空間中的中間位置，計(jì)算出圖像中每個(gè)像元到各類(lèi)中心的距離，到哪一類(lèi)中心的距離最小，該像元就歸入到 哪一類(lèi)。 馬氏距離 計(jì)算輸入圖像到個(gè)訓(xùn)練樣本的馬氏距離（一種有效的計(jì)算兩個(gè)未知 樣本集的相似度的方法），最終統(tǒng)計(jì)馬氏距離最小的。 最大似然法 假設(shè)每一波段的每一類(lèi)統(tǒng)計(jì)都呈正態(tài)分布，計(jì)算給定像元屬于某一 訓(xùn)練樣本的最大似然度，像元最終被歸并到似然度最大的一類(lèi)當(dāng)中 神經(jīng)網(wǎng)絡(luò) 指用計(jì)算機(jī)模擬人腦的結(jié)構(gòu)，用許多小的處 理單元模擬生物的神經(jīng)元，用算法實(shí)現(xiàn)人腦的識(shí)別，記憶，思考過(guò)程應(yīng)用于圖像分類(lèi) 支持向量機(jī) 支持向量分類(lèi)是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)方法