【正文】 息提取目的的條件下，選擇合適的尺度生成的影像對象仍會損失掉一定的細節(jié)信息，但這種程度的細節(jié)信息對于目標信息的提取是無關緊要的，將其舍棄能換來大量對影像對象有用的特征描述。不同專題的影像信息提取都需要其特定的空間尺度，每個專題都需要最恰當?shù)某叨葋砻枋雠c傳遞影像能夠表達專題需要的最佳信息，因此影像分析總是希望在適宜的尺度上進行。多尺度分割技術可以根據(jù)影像分析的具體需要采用不同的分割尺度值生成不同尺度的影像對象層，使得影像數(shù)據(jù)原本固定的分辨率可由不同尺度的數(shù)據(jù)層來表達，而且構建的這個層次等級結構與地表實體相似，考慮了地表實體格局和過程的多層次，采用多尺度影像對象的層次網絡結構來揭示地表特征的等級關系，這樣就克服了數(shù)據(jù)源的固定尺度，實現(xiàn)了原始影像的像元信息在不同空間尺度間的描述與傳遞，滿足了影像分析實際應用中對感興趣尺度的需要。 多尺度分割多尺度分割是面向對象分類的基礎，它通過選定特定的尺度提取相應的影像對象，在分析遙感影像的過程中，尺度是人類識別對象時的抽象程度。某些相應的地理事物和現(xiàn)象通常在一定的尺度下顯現(xiàn)，也就是說地理實體的格局與過程普遍對尺度存在著依賴性。對于一個特定的地學對象，進行遙感信息的分析時要準確地反映其空間分布結構特性就必須選擇一個最優(yōu)尺度。在進行多尺度分割時，影像對象的抽象程度是由尺度參數(shù)決定的，它直接對影像對象的大小以及信息提取精度具有決定作用，所以說經過多尺度分割生成的對象具有尺度依賴性。影像分割的尺度即面向對象遙感影像分析中的尺度，它是分類對象異質性最小的閾值，不同分割尺度層的影像體現(xiàn)為明顯的空間結構特征差異。在多尺度分割時可采用不同的尺度值進行分割，分割尺度值決定所生成的對象大小。分割尺度值越小，所生成的對象層內多邊形地塊越小而數(shù)目越大，反之亦然。如圖32，在多尺度分割其他參數(shù)相同的情況下，尺度10比尺度20生成的多邊形更多，生成的對象更容易區(qū)別不同土地利用類型。對于同一幅影像，可以依據(jù)需要提取的地物目標的特征，選擇合適的尺度值來分割影像。對于某種特定的目標地物，最優(yōu)分割尺度值是分割后的對象多邊形能將這種土地利用類型的邊界顯示的十分清楚，并且能用一個對象或若干個對象表示出這種地物，對象大小與地物目標大小接近，且類別內部對象的光譜變異較小，既不能太破碎，也不能邊界模糊。尺度選擇對于影像分割非常重要，它直接決定著影像對象的大小、提取的地物目標所處的尺度層次進而決定著地類提取的精度。依據(jù)需要提取的特定的目標地物以及影像自身的特點選取最優(yōu)尺度。以本研究為例，識別濕地和非濕地需要用較大尺度，在濕地中區(qū)分不同的濕地類型以及非濕地中的植被類型需要用小尺度。不同尺度分割構建了影像對象層次網絡結構。分割一次就形成網絡層次結構中的一層，影像對象的網絡層次結構可以表征不同尺度的影像信息，分割精細的對象是粗對象的子對象，每個層次中的對象知道其鄰對象、父對象及子對象。基于此種層次結構的網絡，可以定義對象內部之間的相互關系[28]。分割是將影像細分為異質的區(qū)域多邊形，分割后，整幅影像分成了有意義的目標對象，分割過程是基于可調整，盡管對于每種類型的地物都有其提取的最佳的尺度，但是在實際的應用中需要考慮到質量與效率的關系，分割的層次應在確保精度的前提下盡可能的少。a b分割尺度10：：緊密度： 分割尺度30:：圖32不同尺度的分割結果 波段權重的選擇多尺度分割中波段權重的選擇決定了該波段在分割過程中參與的信息的多少，因此波段權重的選擇是影響分割精度的重要因素之一。一個波段的權重越高，在分割結果中所造成的影響就越大，因此在分割過程中，可以根據(jù)分割的目標地物確定不同波段的權重。在有其它專題圖層的情況下，專題圖層也一樣可以參與權重的選擇。如果需提取的信息在某一個波段影像中特別明顯，該波段可以賦予權重值為1，那些對特定類別信息提取沒有很大貢獻，需要信息較少的的影像圖層，可以賦予較小的權重或權重為O。本文中的影像波段已是根據(jù)分類目標選擇的最優(yōu)波段組合，因此分割時各個波段的權重都設為1，在有DEM專題圖層參與分割的時候，其圖層權重也設為1。 均質因子選擇一般來講，均質性因子包括顏色和形狀(光滑度、緊密度)兩個屬性因子。分割后影像的質量不僅與分割尺度、波段權重有關，還取決于這兩個因子。在分割過程中，因為光譜信息是影像數(shù)據(jù)中所包含的主要信息，所以認為光譜特征最重要，應該充分利用光譜信息，因此光譜(顏色)。顏色因子與形狀因子之和為1，形狀因子權重太高則顏色因子權重就會降低，會導致光譜均質性的損失，不利于信息的提取。然而形狀因子的參與作用有助于避免影像對象形狀的不完整，從而提高分類精度。形狀因子又包含了光滑度和緊致度兩個因子，即形狀異質性的兩個方面，這兩個因子之和也為1。其中光滑度用于完善具有光滑邊界的影像，緊質度因子用于根據(jù)較小的差別把緊湊的目標和不緊湊的目標區(qū)分開。光滑度用來描述對象邊界的光滑程度，對于異質性較大的影像，設置較高的光滑度可以避免形成邊界呈鋸齒狀的對象。在提取較窄的河流、道路時，適當設置光滑度參數(shù)，可以得到邊界光滑且連續(xù)性較好的對象。緊致度用來描述對象形狀是否接近矩形。希望得到近似矩形的分割對象時，可以增大緊致度的權重。在城市區(qū)域提取建筑物時，由于屋頂大多是矩形的，可以設置較高的緊致度。雖然緊致度和光滑度之和為1，其中一個權重增大則另一個就降低，但它們的分割結果并不是相互對立的。高緊致度的對象也可能具有高光滑度。因此均質因子的選擇要盡可能地使用較高權重的顏色因子值，對于那些邊界不很光滑但聚集度較高的影像對象使用盡可能必要的形狀因子，具體的權重值可以通過反復的實驗最終獲取，均質因子權重的設置如果符合影像本身的特征，就會取得較好的分割效果。a b分割尺度30:: 分割尺度30::c d分割尺度30:: 分割尺度30::圖33不同參數(shù)對分割效果的影響第四章 面向對象的雙臺子河口濕地信息提取 分類特征選擇的分析對影像進行多尺度分割后，影像的基本單元就不再是單個的像元，而是由同質像元組成的多邊形影像對象。每個影像對象均可計算其包含的像元的光譜信息，多邊形的形狀、紋理、位置等信息以及多邊形之間的拓撲關系信息等。具體的分類規(guī)則可以根據(jù)所需提取的地物的特點，將對象所提供的各種信息進行組合，以達到充分利用來提取具體的土地利用類型的目的。不同的層次可以根據(jù)本層次待提取的地物特點建立各自規(guī)則，不同的層次間可以傳遞不同的分類規(guī)則，因此分類規(guī)則的建立不僅可以利用本層對象信息，還可利用其相鄰層次的對象信息。每個層次的對象都具有對象特征及不同層次間的對象的關系。對象特征主要包括對象的色彩、形狀、紋理、繼承性等特征；不同層次下的關系包括子類、父類、相鄰類等。這些對象特征及其層間關系的描述參數(shù)可以把不同類別、不同層次上的類別有效地區(qū)分開。規(guī)則的建立通常要考慮到各個層次類型的規(guī)則建立、層內子類與父類的繼承、各層間分類結果的合并與傳遞幾個方面。各個層次類型的規(guī)則是根據(jù)對象的光譜特征、幾何特征和拓撲特征來定義類型的規(guī)則。層內子類與父類的繼承規(guī)則是子類型應首先繼承其父類型的規(guī)則，然后才將其特有的光譜特征、幾何特征和拓撲特征等作為規(guī)則。各層間分類結果的合并與傳遞將形成最終的分類規(guī)則。每個層次規(guī)則的形成可以靈活選擇其最具區(qū)分力的特征，并不需要全部的特征。規(guī)則結構的建立并不一定必須包含多個層次，如果僅用一個層次也能很好地對土地利用類型進行判定，那么一個層次也可以形成分類的規(guī)則結構[29]。 選擇分類特征根據(jù)兩個分類層次的不同尺度的影像特征，分別選取地物的典型特征，也可自定義對象的特征，建立分類規(guī)則。在本文中，用到的自定義特征為植被歸一化指數(shù)(NDVI)，其意義為近紅外波段光譜值減去紅光波段光譜值的差值與近紅外波段光譜值加上紅光波段光譜值之和的比值。歸一化差異水體指數(shù)（NDWI），它是用綠光波段光譜值減去近紅外波段光譜值的差值與綠光波段光譜值加上近紅外波段光譜值之和的比值，對于TM影像，其公式分別為：NDVI=（[MeanLayer4][MeanLayer3]）/（[MeanLayer4]+[MeanLayer3]） （6）NDWI=([MeanLayer2 MeanLayer4])/([MeanLayer2]+ [MeanLayer4]) （7）分類過程中可以用到的對象特征主要包括：均值、標準方差、面積、長度、長寬比、密度、紋理等。根據(jù)所提取的地物特征信息，選擇典型特征，使得對象可以區(qū)別其他對象的特征建立分類規(guī)則。如提取河流時，河流的長寬比通常明顯比其他地物大，可選擇對象的長寬比作為分類的規(guī)則，而提取面積明顯比其他地物大的植被類型時，可選擇面積作為分類的規(guī)則提取。在提取水庫坑塘時由于形狀比較規(guī)則，可以用形狀指數(shù)K(K=)特征進行區(qū)分。 面向對象分類方法研究面向對象的信息提取技術中，主要應用的是模糊分類方法。模糊分類是一種典型的軟分類，以模糊集合論為基礎，針對不確定性事物的分析方法。它對一個像元分類時不像傳統(tǒng)分類方法那樣硬性地把它歸為某一類，而是把此像元的類型特征值轉換成0與1之間的模糊值，以此來表明對于某一特定類的隸屬度[30]。采用模糊數(shù)學分類方法有以下幾方面的優(yōu)點：特征值向模糊值的轉化，實際上是一個特征標準化的過程，允許特征之間的組合，甚至是范圍和大小非常不同的特征也可以組合起來。提供了明確的和可調整的特征描述。通過模糊運算和層次類型描述，能夠進行復雜的特征描述。模糊分類法與傳統(tǒng)分類法不同，它認為一個像元是可分的，即一個像元可以是在某種程度上屬于某個類而同時在另一種程度上屬于另一類，這種類屬關系的程度用像元隸屬度表示，通常運用模糊分類的關鍵是確定像元的隸屬函數(shù)。在模糊數(shù)學分類方法中，類別特征的描述是通過隸屬函數(shù)(又稱為成員函數(shù))來實現(xiàn)的。成員函數(shù)是一個模糊表達式，是一種把任意特征值范圍轉換為統(tǒng)一的范圍[0，l]的簡單方法，表現(xiàn)為一條曲線，橫坐標為類型特征值(光譜、形狀等)，縱坐標為屬于某一類別的隸屬度。成員函數(shù)允許將信息和概念公式化，從而很容易對它們進行編輯、修改，在屬性值與計算的模糊值之間建立透明的聯(lián)系。成員函數(shù)庫由多個代表性的類別樣本對象屬性值組成。模糊數(shù)學分類提取信息的實現(xiàn)具體采用了兩種方法，即標準最鄰近分類法和特征閾值分類。（1）標準最鄰近分類法標準最鄰近分類法類似于監(jiān)督分類法，也是通過選擇訓練樣本進行分類，標準最鄰近分類函數(shù)有靈活組合任意特征的優(yōu)點，將分類時所需要的特征值同時參與計算，根據(jù)選取的不同類別的樣本計算其組合的特征空間值，然后計算所有待分類的影像對象的特征空間值，并將其歸類到隸屬度最高的一類中去最鄰近分類器分類，主要有兩個步驟，首先要進行最鄰近定義，然后進行分類。在最鄰近定義時要指定分類類別和特征空間，然后計算所有影像對象的特征值，并與樣本進行比較，劃分到隸屬度值最高的類別中。特征空間的定義是最鄰近分類法的基礎，特征是目標對象的相關信息的表述，每一個影像對象都是一個可用于分類和特征結合的信息載體，這些特征一般被用來指定對象并按照協(xié)議來分類，選取合適的特征來達到區(qū)分各種地類的目的。對于光譜值差別較大的類采取最鄰近分類，添加特征主要是層值和自定義的NDVI和NDWI的特征。定義好分類的特征空間之后就是進行樣本的選擇。最鄰近分類法中樣本的選擇很關鍵。在合適的影像分割級別中選擇影像對象定義不同類的樣本，根據(jù)定義的特征空間分析樣本的特征，添加到類描述中。當類有一個樣本后，對于新的樣本可以統(tǒng)計其質量，從而判斷這個對象是否包含類的新信息，或者它是否應該屬于其它類。樣本質量主要由隸屬度、最小距離、平均距離三個量表示。，說明對象對于該類具有完全的隸屬關系。如果選擇樣本所屬類的隸屬度值較低，屬于其它類的隸屬度值也較低，則說明該樣本包括新的信息，有可能是新的地物類別[31]。如果選擇樣本所屬類的隸屬度值較低，屬于其它類的隸屬度值較高，則應考慮該樣本是否屬于另一個類。所有類的樣本選擇完成后，執(zhí)行最鄰近分類，如果有錯分、未分的對象，則應進行樣本的修正重新刪除或添加新的樣本。并且通過樣本信息對比，選擇比較有利于區(qū)分土地利用類型的特征，刪除各類地物無明顯差異的特征函數(shù)，從而提高分類精度。在完成特征空間的定義及樣本的選擇之后，計算機將會計算樣本影像對象在各選擇特征上的表現(xiàn)，并以此為依據(jù)判別其他影像對象屬于哪種類別，如在區(qū)分旱地、水田、蘆葦沼澤濕地等時采用的這種函數(shù)。隸屬度函數(shù)的優(yōu)點是可以精確定義對象屬于某一類的標準，并且可以利用對象特征和類間相關特征。這樣分類過程中專家的知識和經驗就可以被應用到。如果一個類只用少數(shù)的特征就可以描述，或者通過類間關系就可以區(qū)分出，那么采用隸屬度函數(shù)就更為有利。（2）利用特征閾值分類特征閾值分類主要用于區(qū)分植被覆蓋類型情況比較相似、光譜信息比較接近、利用最鄰近分類器無法區(qū)分的地類，利用類的繼承關系，在最鄰近分類器分類的基礎上，提取子類或其它專題信息。尋找合適的特征函數(shù)是特征閾值分類的關鍵，可以采用的函數(shù)如圖層亮度值、形狀、紋理、層次、類的臨近關系、整景特征等幾十種特征函數(shù)，并且可以在這些特征函數(shù)的基礎上自定義特征[31]。特征閾值分類方法比較靈活，利用特征閾值分類需要根據(jù)不同地區(qū)不同的地類在影像上的特點選擇適合的特征函數(shù)進行區(qū)分。因此對操作人員的素質要求較高，工作量也比較大，為大范圍的應用面向對象技術開展土地利用分類工作增加了難度。不同地區(qū)提取不同地類的特征閾值分類工作流程可能會有較大差異。特征函數(shù)眾多且功能強大，通過多種特征函數(shù)的組合，能夠提取絕大多數(shù)地類，但是由于有些地類零星分布，如果僅通過特征閾值提取效率不高，特征閾值方法適合在最鄰近分類器分類的基礎之上，提取面積較大、數(shù)量較多的地類，對于小面