【正文】 用一個或幾個對象來表達，對象大小與地物目標大小接近，對象多邊形即不能太破碎，也不能邊界模糊，且類別內(nèi)部對象的光譜變異較小。(2)當信息提取針對整幅影像時，最優(yōu)尺度指的是分割后，影像對象內(nèi)部異質(zhì)性盡量的小，而同時，不同類別對象之間的異質(zhì)性盡量的大，而且對象能夠表達某種地物的基本特征(如:紋理、光譜、形狀、拓撲關(guān)系等)，其中對象內(nèi)部同質(zhì)性保證影像對象的純度，而對象之間的異質(zhì)性保證影像對象的可分性。對于第一種情況，要想對研究區(qū)域內(nèi)的每種地物類別都進行很好的尺度表達，很可能需要較多的分割層，如果利用的分割層過多，在各層信息提取后的層層合并時，很難保證各層類別不會產(chǎn)生沖突，會影響信息提取的精度，同時這也影響了信息提取的效率。對于第二種情況，其雖然能在整體上保證分割結(jié)果的最優(yōu)性，但有些地物類別特征，比如形狀、拓撲等可能得不到很好的表達，從而在一定程度上也影響最后的信息提取結(jié)果質(zhì)量。這就需要我們在實際應(yīng)用中綜合考慮研究區(qū)域的狀況來進行最有尺度的選擇，并綜合運用其它最優(yōu)尺度的選擇方法，建立合理的最優(yōu)網(wǎng)絡(luò)層次結(jié)構(gòu)。 多尺度分割的實驗以下以50150的分割尺度對快鳥影像進行了多尺度分割，當分割尺度小于50時，分割結(jié)果相當破碎，而當尺度大于150時，出現(xiàn)大量的混合現(xiàn)象，故沒有考慮50以下和150以上的分割結(jié)果。由于論文大小的限制和視覺效果，下面只截取了實驗區(qū)域內(nèi)部分區(qū)域和選取部分區(qū)域和選取部分分割結(jié)果。： （a）原始圖像 （b）50，, （c）100, （d）150, 不同分割尺度效果比較 （以上參數(shù)依次為分割尺度、形狀指數(shù)、緊致度） 最優(yōu)尺度的選擇影響分割對于面向?qū)ο笥跋穹治鍪欠浅Ｖ匾?，影像分割的目標是得到空間連續(xù)、空間可分且同質(zhì)的區(qū)域。分割過程所面臨的難題是如何輸入合適的參數(shù)來得到高質(zhì)量的分割結(jié)果，以提高信息提取結(jié)果的精度。 最大面積法對于一種特定的地物類別而言，最優(yōu)分辨率的根本標準是指影像能保持地物目標固有的空間結(jié)構(gòu)特征，即該影像的最大分辨率不應(yīng)大于地物目標的大小，因此無論是對于哪種最優(yōu)分辨率的選擇算法，其實質(zhì)都是選取與類別目標大小相當?shù)姆直媛首鳛樽顑?yōu)分辨率。在面向?qū)ο笮畔⑻崛≈校直媛实母拍畋挥跋駥ο蟮拇笮。娣e）所替代。影像對象面積指的是組成對象的像元數(shù)量與像元分辨率的乘積。黃惠萍在分析最大面積和分割尺度關(guān)系的基礎(chǔ)上，提出了一種利用最大面積來進行針對特定的地物的最優(yōu)尺度的選擇方法。這種方法的基本理論思想是:首先假設(shè)最大面積法與分割尺度具有一定的關(guān)系，然后進行多尺度分割，并且記錄每個不同尺度層的最大面積，并對最大面積和分割尺度的關(guān)系進行統(tǒng)計，最后得到尺度和最大面積的關(guān)系，并通過目視觀察來確定相應(yīng)最大面積下哪種或哪幾種類別得到了最好的分割，以此來確定某種特定類別的最優(yōu)分割尺度。但這種方法存在局限性，如果所選擇的實驗樣區(qū)內(nèi)有比較均勻的地物類別，尤其是大面積同類地物，在大多數(shù)的分割層次中，最大面積可能表現(xiàn)為這種地物對象的面積(如QuickBird影像中的水體對象，IKONOS影像中的紅樹林和海洋)，這樣就需要人為的去觀察哪種地物類別的最優(yōu)尺度對應(yīng)于這個最大面積，由于人的觀察能力的限制及地類結(jié)構(gòu)的復(fù)雜性，在一定程度上影響最大面積法的效果。而且，在實際應(yīng)用中，建立類層次網(wǎng)絡(luò)結(jié)構(gòu)時，一般為3個層左右，太多影像分割層會影響信息提取的效率和質(zhì)量。實驗證明，單獨的使用最大面積法來選擇最優(yōu)尺度，對一些區(qū)域或區(qū)域中的某些地物類別并不適用，尤其是針對研究區(qū)域內(nèi)包含大面積地物類別時，具有較大的局限性。 目標函數(shù)法 在一般的應(yīng)用中(如信息提取或分類中)，針對整幅影像的理想分割結(jié)果是:(l)分割得到的對象內(nèi)部具有良好的同質(zhì)性(即不會產(chǎn)生混合對象)。(2)分割得到的對象應(yīng)該與鄰接對象具有良好的異質(zhì)性(即在分類中能夠很好的和鄰接對象區(qū)分)。對象內(nèi)部的同質(zhì)性可以在一定程度上保證分割后得到的影像對象不是混合對象，對象之間的異質(zhì)性在一定程度上保證影像對象之間的可分性。本文中，利用對象內(nèi)部的標準差來表示對象內(nèi)部的異質(zhì)性，用空間相關(guān)性來表示對象之間的異質(zhì)性?？臻g自相關(guān)性是遙感影像數(shù)據(jù)固有的屬性，并且是空間對象可分性的一個很好的指示器。根據(jù)上面的思想，本文中利用一個目標函數(shù)法來評價分割后的質(zhì)量，這個函數(shù)的目的是:使對象內(nèi)部同質(zhì)性和對象之間的異質(zhì)性達到最好的綜合效果。它包括兩部分的內(nèi)容:一部份測量對象內(nèi)部的同質(zhì)性，另一部份測量對象之間的異質(zhì)性。（1）對象內(nèi)部同質(zhì)性本文利用對象內(nèi)部的標準差來表示對象內(nèi)部的同質(zhì)性，計算公式如下: ()式中vi是對象i的標準差，ai是對象i的面積，n為整個區(qū)域?qū)ο蟮目倐€數(shù)。加入面積因子可以使得面積大的對象具有更高的權(quán)重，避免了小對象引起的不穩(wěn)定性。（2）對象之間的異質(zhì)性為了更好的估計影像對象之間的異質(zhì)性，本文利用Moran’s指數(shù)I來表示對象之間的異質(zhì)性。計算公式如下: （）式中，n為對象的總數(shù)；wij表示對象Ri和對象Rj的相鄰關(guān)系，如果對象Ri和對象Rj鄰接，則wij=1，否則wij=0；yi為對象Ri的光譜平均值；為整個影像的光譜平均值。I越低，影像對象之間相關(guān)性越低，即影像對象之間可分性越好。 目標函數(shù)最好的參數(shù)組合是具有小的I參數(shù)（鄰接對象時不同的）以及小的內(nèi)部方差（對象是同質(zhì)的）。目標函數(shù)的公式如下： （）其中為指數(shù)I在目標函數(shù)值中所占的權(quán)重，范圍為[0,1]?？梢愿鶕?jù)強調(diào)對象內(nèi)部同質(zhì)性和對象之間異質(zhì)性的不同，對權(quán)重進行調(diào)整。到強調(diào)對象內(nèi)部同質(zhì)性時，值要適當減??；當強調(diào)對象之間異質(zhì)性時，值適當?shù)脑黾?。用下式分別對函數(shù)和進行了標準化，如式（）： （） 實驗結(jié)果和分析有上式的理論可以得到如下結(jié)論：隨著分割尺度的增加，影像對象面積增大，包含的像元增多，對象內(nèi)部的v也會增加，而鄰接對象之間的相關(guān)性會降低，即I值會減小，總之，v會隨著尺度的增加而增加，而I會隨著尺度的增加而減少。要想得到理想的分割結(jié)果（即對象內(nèi)部具有較高的同質(zhì)性，同時對象之間具有較好的異質(zhì)性），其實是v和I相互協(xié)調(diào)的過程。從理論上可以看出，當F（v，I）取到最大值時得到最好的分割結(jié)果，這時v和I具有最好的組合效果。下圖是不同分割尺度下的圖像顯示結(jié)果： （a）分割尺度=50 （b）分割尺度=150 （c）分割尺度=300 （d）分割尺度=500由上圖可以看出，當分割尺度=300時陸地的分割效果相對而言是較好的，在這種分割尺度下，非植被、草地、林地都得到了較好的分割；而分割尺度=500時海面的分割效果是較好的，在這種分割尺度下海水、其他水體、淺水都得到了較好的分割。 本章小結(jié)本章在分析最優(yōu)尺度定義的基礎(chǔ)上，利用光譜統(tǒng)計法進行了v波段權(quán)重的設(shè)置。然后依據(jù)選擇的分割參數(shù)（除尺度外）對研究地區(qū)進行了多尺度分割，在此基礎(chǔ)上分析了最大面積法在進行最優(yōu)尺度選擇時存在的局限性，最后提出一種目標函數(shù)來進行最優(yōu)尺度選擇。在進行多尺度分割時，各波段權(quán)重的設(shè)置也是非常重要的，與分割結(jié)果的精度有著較大的聯(lián)系。利用波段統(tǒng)計法，統(tǒng)計分析了個各波段的信息量（協(xié)方差矩陣）和和波段間的相關(guān)性（相關(guān)矩陣），根據(jù)這些信息進行了各波段權(quán)重的設(shè)置。在分析最大面積法進行最優(yōu)尺度選擇的局限性的基礎(chǔ)上提出了一種新的方法，目標函數(shù)法。其基本思想是：保證分割后的對象既具有較好的內(nèi)部同質(zhì)性，又保證對象之間較好的異質(zhì)性。通過實驗可以發(fā)現(xiàn)，對于大面積的地物類別，特別是類別內(nèi)部異質(zhì)性較大時，容易得到比較破碎的影像對象，不利于這種地物類別的提取。39內(nèi)蒙古農(nóng)業(yè)大學本科畢業(yè)設(shè)計 4 面向?qū)ο筮b感信息提取實驗4 面向?qū)ο筮b感信息提取實驗 面向?qū)ο笮畔⑻崛〖夹g(shù)包含兩個關(guān)鍵技術(shù)—多尺度分割和基于對象的信息提取。在多尺度分割中分割算法的選擇和分割參數(shù)的設(shè)置是非常重要的，這在前面的章節(jié)中已經(jīng)進行了敘述，并對分割參數(shù)的選擇進行了論述和實驗。在影像分類中的關(guān)鍵技術(shù)是分類體系的建立和分類特征的選擇，分類體系的建立和分類特征的選擇對操作者的經(jīng)驗要求比較高，需要具備較多的遙感知識。 遙感影像預(yù)處理遙感影像在應(yīng)用之前必須進行必要的預(yù)處理，包括遙感圖像的糾正、融合、輻射糾正等。 遙感影像融合由于成像原理和技術(shù)條件的限制，任何一個單一遙感器的遙感數(shù)據(jù)都不能全面反映目標對象的特征，都有一定的應(yīng)用范圍和局限性。倘若將不同特征的數(shù)據(jù)結(jié)合起來，取長補短，便可發(fā)揮各自的優(yōu)勢、彌補各自的不足，從而更全面的反映地面目標，提供更強的信息，得到更可靠的分析結(jié)果。這樣不僅擴大了數(shù)據(jù)的應(yīng)用范圍，而且提高了分析精度、應(yīng)用效果和實使用價值。 遙感影像精糾正幾何糾正是利用一組地面控制點對由各種因素引起的遙感影像的幾何畸變進行糾正，它直接利用地面控制點數(shù)據(jù)對遙感影像的幾何畸變本身進行數(shù)學模擬，并且認為遙感影像的總體畸變可以看做是擠壓、扭曲、縮放、偏移以及其他變形綜合作用的結(jié)果。 在幾何糾正的過程中，控制點的選擇是一個很重要的因素。選擇控制點時，注意要使其均勻分布在影像上。為了保證控制點本身的精確，一般選在影像上易分辨且目標較小的突出特征，如道路的交叉點、河流的分叉或彎曲處、小島嶼、飛機場等，而且保證這些控制點在研究的時間范圍內(nèi)沒有變化。 多尺度分割參數(shù)選擇實驗 影像對象是面向?qū)ο笥跋裥畔⑻崛〉幕締卧?，因此影像對象的生成是一個基礎(chǔ)而且重要的步驟，而選擇合適的分割法和設(shè)置合理的分割參數(shù)是產(chǎn)生高質(zhì)量分割結(jié)果的重中之重。本文采用基于區(qū)域生長的多尺度分割方法進行了實驗，關(guān)于分割參數(shù)的選擇在第三章中已經(jīng)進行了論述和實驗。 面向?qū)ο笮畔⒌奶崛∶嫦驅(qū)ο裥畔⒌奶崛∮袃煞N方法：標準最鄰近法和成員函數(shù)法。本文利用標準最鄰近分類法進行了影像信息的提取。標準最鄰近法是基于樣本的分類方法，即選取樣本后再分類。通過定義特征空間，計算特征空間中影像對象之間的距離，選擇具有代表性的樣本來實現(xiàn)某種信息的提取。定義特征空間時需要注意一點：盡量使用少的特征來區(qū)分盡可能多的卡類型。在一個描述中如果使用太多的特征會在特征空間中導(dǎo)致巨大的重復(fù)，使分類復(fù)雜化且會降低分類精度。所謂成員函數(shù)法就是一種基于規(guī)則的分類方法，即通過地物對象特征的分析，建立合適的分類體系和分類準則，來進行逐級分類（由大類到小類，由粗到精的過程），在分類過程中，可以綜合利用對象的光譜、形狀、紋理、拓撲、上下文關(guān)系等特征。設(shè)置成員函數(shù)時，應(yīng)當選擇提取類別最顯著的特征加入規(guī)則庫。標準最鄰近分類法是一種特殊的監(jiān)督分類法，其只能建立一級的分類，對于高分辨率遙感影像來說，其可分類別特別多，類別內(nèi)部異質(zhì)性增大，使得只在一種等級上提取每種地物類別幾乎是不可能的，分等級的地物類別信息提取時將來信息提取的一種趨勢。成員函數(shù)信息提取方法就可以根據(jù)規(guī)則，建立分等級的信息提取，比如對于一個區(qū)域，我們可以將整個研究區(qū)首先分成兩個類別：陸地和水體，然后在這個基礎(chǔ)上陸地和水體中加入子類，進一步對水體和陸地分類，分類過程類似于一種二叉樹，子類的區(qū)分只在相應(yīng)的父類中進行，而不去考慮其他。這種信息提取方法會使信息提取過程變得相對簡單和易于理解。當在描述中插入最鄰近分類器之前，要定義特征空間，在特征空間對象之間的距離將被計算。相比傳統(tǒng)的最鄰近方法，此標準鄰域是一個項目的一種定義，因此可以用一個有代表性的特征空間作用到所有的類描述中。當你在任一地方改變標準最近鄰域的特征空間時，其他地方的也會隨之改變。 影像信息提取實驗（1）建立分類體系（2）最鄰近分類器的建立（3）編輯分類規(guī)則對話框，對算法類型、影像對象域、算法參數(shù)進行設(shè)置。（4）執(zhí)行規(guī)則，此處用多度分割，分割結(jié)果如下： 從結(jié)果看出海水被分成很多零碎的部分，而有的綠地卻和淺水分在一起，此處運用merge和cut功能將錯分對象歸并到正確的類中，如下圖：（5）定義樣本對象將圖像進行再次分類 此時的分類結(jié)果基本符合要求。 面向?qū)ο蠛突谙裨畔⑻崛〉谋容^面向?qū)ο笈c傳統(tǒng)分類方法的本質(zhì)區(qū)別就是：面向?qū)ο蠖皇窍袼剡M行分類。面向像素的解算模式將像元孤立化分析，解譯精度較低且斑點噪聲難以消除；利用影像分割技術(shù)把影像分解成具有一定相似特征的像元的集合——影像對象；影像對象和像元相比，具有多元特征：顏色、大小、形狀、均質(zhì)性等。下圖分別是面向?qū)ο蠛突谙裨挠跋裉崛〗Y(jié)果：（a）面向?qū)ο蟮挠跋裉崛? （b）基于像元的影像提取 面向?qū)ο蟮膶傩蕴攸c： 基于像元的分類結(jié)果：顏色信息豐富 由于采用的數(shù)據(jù)空間分辨率高，形狀接近真實地物 而光譜分辨率相對不足，傳統(tǒng)的基于大小區(qū)分明顯 像素的分類方法，主要是依靠光譜信紋理信息突出 息，水體、草地、樹等很難區(qū)分，造上下文關(guān)系明確 成大面積的地物混分，且分類結(jié)果多此處用最近鄰像元分類法得到初分類 椒鹽，無法輸出有意義的地理信息層。 結(jié)果，對分類結(jié)果進行手工修改和進行基于分類