基于ENVI的高分辨率遥感图像在道路提取中的应用研究*

王艳梅

(安徽三联学院)

0 引言

随着遥感技术的发展，遥感图像的分辨率越来越高，如 QuickBird全色波段的分辨率为0.61 m.与传统的遥感图像相比，高分辨率卫星图像具有诸多优点:空间分辨率高、时间分辨率高、信息量大、可提取地物三维信息等，如何快速的从高分辨率遥感图像中提取所需信息已成为遥感领域研究的热点［1］.道路作为尺寸相对较小且空间信息较为重要的人工地物，其对数据库更新、城市规划、交通管理、数字测图自动化等具有重要意义，传统的获取道路信息的方法需要耗费大量的人力物力，而且存在周期长、工作量大的缺点.如何从高分辨率遥感图像中自动快速的提取出道路信息成为目前研究的热点［2］.笔者将探讨基于ENVI的高分辨率遥感图像在道路提取中的应用.

1 ENVI简介

ENVI(The Environment for Visualizing Images)是美国Exelis Visual Information Solutions公司的旗舰产品.它可以对各种空间分辨率的遥感数据进行处理，如 Landsat TM、Landsat ETM、Spot、QuickBird、Modis等.ENVI具备充分提取图像信息的能力，具备全套完整的遥感图像处理工具，如掩膜、预处理、几何校正、大气校正、图像分类、图像融合、图像增强、图像变换及滤波等.ENVI的矢量工具可以进行屏幕数字化、栅格和矢量叠合等，ENVI具备三维可视分析及动画飞行功能.同时ENVI集成的雷达分析工具可以快速处理雷达SAR数据和极化雷达数据［3］.

2 基于ENVI的高分辨遥感图像道路信息提取

基于遥感图像自动提取道路信息的研究，国外从上世纪70年代开始研究，国内起步较晚，从90年代开始研究.从遥感图像中提取道路信息的研究，主要经历了如下几个阶段:从低分辨率遥感图像道路信息提取到高分辨率遥感图像道路信息提取;从乡村地区的道路信息提取到城市地区的道路信息提取;从单一数据提取到多源数据融合提取;从基于像元的提取方法到基于特征或面向对象的提取方法;从半自动道路信息提取到自动道路信息提取.在多年的研究历程中，道路信息提取的方法多种多样，主要有的方法包括:基于知识的方法;数学形态学方法;模板匹配方法;动态规划方法;Snakes方法等［4］.

基于ENVI软件提取道路信息，所采用的方法是基于ENVI软件的图像分类功能.ENVI软件中的图像分类包括非监督分类和监督分类两种.

非监督分类也称为聚类分析或点群分类.在图像中搜寻、定义其自然相似光谱集群的过程.它不必对图像地物获取先验知识，仅依靠图像上不同类地物光谱或纹理信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认.非监督分类包括K-means方法、IsoData方法.

监督分类又称为训练分类法，用被确认类别的样本像元法去识别其他未知像元的过程，在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类.监督分类包括二进制编码方法、平行六面体方法、马氏距离方法、最小距离方法、最大似然方法、神经元网络方法、波谱角方法、决策树分类方法.所采用的是平行六面体监督分类方法.

鉴于道路是尺寸相对较小的人工地物，本次试验的研究对象为已经校正过的空间分辨率为0.61m的QuickBird遥感图像，对该遥感图像取子集得到试验区图像.如图1所示，该试验区位置位于安徽省合肥市五里墩立交桥，图中的道路主要是主干道和立交桥.基于ENVI软件对该试验区地物进行分类进而提取道路信息，其提取流程如图2所示.

图1 试验区

图2 提取道路信息流程图

首先，对已经预处理过的遥感图像进行目视判读选择训练区，通过目视解译方法用鼠标在图像上选择训练区(ROI Tool).由于遥感图像信息中存在“同物异谱”和“异物同谱”现象，在选取训练区时，要求每个训练区不要过碎，可以把道路和其他信息分开，并使训练区的分布尽量均匀合理.由于目视判读选择的训练区中可能混入了其他类型的样本，为了提高图像分类的精度，需要对训练区进行提纯.在ENVI中，N维可视化分析器(N-Dimensional Visualizer)可对选择的训练区像元进行提纯.当某些像元分成了两个部分，则说明选择了两类地物的训练区，需要把此训练区像元分开处理.经目视判读和样本提纯，本次试验选择了12个道路训练区［5］.

其次，选择分类器，本次试验采用监督分类中的平行六面体分类器，分类之后的图像经类合并(Combine Classes)得到该试验区的道路信息，如图3所示，图中白色部分即为提取的道路信息.

图3 提取得到的道路信息

第三，对分类的结果进行精度检验［6］.对分类结果进行目视判读，除了一些特殊位置(在立交桥的下层路面被上层路面有遮挡和有阴影的部分)，提取道路信息的效果较好，主干道的提取结果比较理想.应用ENVI软件对分类结果进行评价和精度检验，以确定分类的可靠性.ENVI中有两种方式用于精度检验，混淆矩阵和ROC曲线，比较常用的是混淆矩阵.采用混淆矩阵进行精度检验时，真实参考源可以使用两种方式:一是标准的分类图，二是选择的训练区，真实的训练区参考源的选择可以使高分辨率图像上选择，也可以使野外实地调查获取，原则是获取的类别参考源的真实性.在精度验证时，采用高分辨率遥感图像上的训练区，经验证，该试验区总体分类精度为 81.1307%，kappa 系数为0.8140，分类精度较高.

3 结束语

探讨如何基于ENVI软件提取高分辨率遥感图像中的道路信息及分类精度评价，采用QuickBird高分辨率遥感图像进行提取道路信息试验.结果证明，提取道路信息精度较高，但是对于一些特殊的位置，如在立交桥的下层路面被上层路面有遮挡和有阴影的部分，提取效果不佳，可采用其他提取道路信息的方法，这个问题将会在以后的工作中进一步研究.

［1］ 戚浩平，王炜，田庆久.高空间分辨率卫星遥感数据在城市交通规划中的应用研究［J］.公路交通科技，2004，21(6):109-112.

［2］ 王培法，王丽，冯学智，等.遥感图像道路信息提取方法研究进展［J］/.遥感技术与应用，2009，24(3):284-290.

［3］ http://www.exelisvis.com/language/en-us/productsservices/envi.aspx.

［4］ 张连均，张晶，郭阳，等.高分辨率遥感影像道路提取方法综述［J］.测绘与空间地理信息，2010，33(4):26-30.

［5］ 张立保，王鹏飞.高分辨率遥感影像感兴趣区域快速检测［J］.中国激光，2012，39(7):204-208.

［6］ 刘旭拢，何春阳，潘耀忠，等.遥感图像分类精度的点、群样本检验与评估［J］.遥感学报，2006，10(3):366-372.