基于辅助信息的遥感影像信息提取探讨

李霞 伏荣

内蒙古自治区测绘院 呼和浩特 010051

1.引言

随着经济、社会的发展，遥感技术已成为土地信息提取的重要手段之一。目前常用的目视解译方法主要借助判读者人为的经验结合遥感影像，通过影像上的地物特征经过综合分析和推理，解译出具体的地物类型，能够达到较高精度，但解译过程耗时较长，费时费力；而计算机分类则是利用影像上的地物光谱信息，根据像元间的相似性进行归类合并与统计，能实现较高的自动化，但一般情况下受“同谱异物”与“同物异谱”现象的影响，计算机分类的精度不是很高。因此，针对目视解译的高效率与计算机分类的局限性，通过影像上的辅助信息进行计算机判读，既能够解决目视解译的低效率问题，又能解决计算机分类地物信息利用不全的问题，因此，本文重点介绍了基于辅助信息的遥感影像的信息分类与提取[1]。

2.研究区概况

三原县位于我国陕西省咸阳市，地处陕西关中平原中部，渭河以北，为省会西安市的北大门，距西安约36公里，咸阳约40公里，距咸阳国际机场22公里，铁路、公路纵横交错，交通四通八达。地处鄂尔多斯地台南缘褶皱带上，第十西北高、东南低，海拔在362米～1，409米之间，南北以四十里坡为界，东西以清河相隔，自然分割成三个明显不同的地形地貌形态，即漫步平原、北部台原和西北山原。

3.数据获取与预处理

3.1 数据获取

本研究采用的数据为从专业部门获得的SPOT5影像，成像时间是2006年6月，最大空间分辨率为2.5米，具有近红外、红色、绿色、短波红外、全色等5个波段，能够较好地反映地表不同地物的分布。选取的研究区数据充分考虑成像时间、波段组合等方面，获得该区最佳遥感影像图，包含的信息量大，适合遥感解译分析。

3.2 遥感影像预处理

一方面，由于受到大气程辐射的影响，给影像带来了辐射干扰，以及传感器本身的误差使得遥感影像不能够准确反映地物的电磁辐射信息，因此需要对遥感影像进行辐射校正，可以通过采用回归分析法和直方图最小值去除法等去掉程辐射及干扰。另一方面，遥感成像受到传感器、遥感平台移动、地形起伏和地球表面曲率等因素的影响，使得影像产生一定的几何形变，因此需要对遥感影像进行几何校正，即建立遥感影像坐标与地理坐标之间的对应关系，利用现有的地形图进行几何校正。

此外，遥感影像获取过程中还会受到太阳光照、大气水汽等因素影响，使得整幅影像发暗或偏亮，有用信息不明显，需要采用专业图像处理软件进行调整，从而突出有用信息，或者采用空间增强方法对影像进行图像亮度增强、空间滤波等突出地物不同特征信息。由于本文研究区范围较小，需要从单幅遥感影像中进行剪裁，剪裁后的研究区——陕西省咸阳市三原县影像，如图1所示。

4.研究过程

遥感影像的计算机分类是计算机模式识别技术在遥感领域的具体应用，它的依据是影像的相似度。计算机自动分类处理时间短，定位准确，但易出现同物异谱，异物同谱，造成土地利用信息的错分现象，因此，需要依靠人为经验来识别地物类型进行目视解译[3]。本研究中，依托基于辅助信息的计算机分类方法进行研究。

4.1 光谱特征分析

遥感影像中，由于不同地物自身的反射率不同，在不同的波段也具有不同的反射率，再加上地物空间结构、成分组成等的不同，导致影像上不同地物会呈现不同的地物特征，因此，影像地物的光谱特征能够反映地物反射率的大小，是进行影像解译的基础[5]。为便于观察目标地物光谱特征及其变化的规律，根据第二次土地调查结果图，将土地利用类型分为林地、园地、耕地、居民地、交通用地、水域六大类，通过对各地物样本光谱特征的分析，在原始影像中采集了一定数目的训练样本，得出表1中各研究地物样本的灰度统计值。

图1 研究区影像区进行分类

表1 典型地物样本亮度统计

为便于观察各地物光谱特征差异，根据各地物光谱均值和方差值，分别生成了地物光谱均值与方差曲线图，如图2所示。

图2 地物光谱均值曲线

从图2可以看出，水域、林地、耕地、居民用地的均值曲线与其他地物的均值曲线距离较远，通过均值可以把它们与其他地物区分开，在第三波段，它们的均值曲线呈现分离趋势。由于水体的反射率低，因此水域、林地、园地、耕地、居民用地、交通用地可把灰度均值作为区别其他地物的光谱特征指标之一。

4.2 纹理特征分析

纹理是不同地物颜色密度的反映，不同地物由于长势状况、本身颜色等不同会产生不同的疏密相间的纹理，通过纹理特征能够很好地反映影像的不同信息[6]。例如，果园与林地二者相比，由于果园种植一般较密集，而且排列较为整齐，因此，在影像上呈现出较为平滑的纹理；而林地由于不同树木长势高低不等，排列不规律，一般呈现出较为粗糙的纹理特征。

纹理信息对像元亮度的变化十分敏感，而在地物的边缘必然出现明显的亮度变化，这就造成地物类型边缘处的纹理特征值不能真实反映地物之间纹理的差别[7]。因此，在利用纹理信息提取地物时，需要对提取结果的边缘作相关的处理，以减少不必要的误差。

4.3 植被覆盖特征分析

植被覆盖特征是判别林地与果园地、农田地区地物类型的一个重要指标。林地与果园地的植被盖度均比较大，与其他地物易于区分，但他两者则不好区分。归一化差异植被指数（NDVI）是遥感领域应用最为广泛的一种植被指数，同植被盖度有着较好的相关性，消除了地形和阴影的影响，真实地表现了地表的植被覆盖状况，通常被用于植被盖度不同的地物信息提取上[8]。因此，根据植被覆盖特征可以将果园和林地进行区分开。

4.4 形状特征分析

根据上文分析，利用光谱特征、纹理情况均不能有效地区分林地和果园。形状是遥感影像地物判读的另一重要标志，与纹理特征不同的是，图像的形状信息不随图像颜色的变化而变化[8]。地表分布的目标物体都具有一定的几何形状，根据像片上物体特有的形态特征可以判断和识别目标地物。由此可知，形状指数与周长成反比，与面积的平方根成正比，圆具有最大的形状指数，线性地物具有很小的形状指数，非规则地物的形状指数与形状的复杂程度成反比[9]。人造地物一般具有规则的几何外形和清晰的边界，自然地物往往具有不规则的几何外形和边界，依据此可知园地一般形状指数比较大，相反，林地不具有规则的外形和边缘。因此，根据形状将林地与园地这两种地物区分开。

4.5 颜色性质分析

人眼能够区分二百余种颜色，因此能够更加丰富的表达地物的信息。颜色主要由亮度、色度、饱和度来度量，因此，通过分析对遥感影像的亮度、色度、饱和度的差异，能够找到不同地物类型的不同特征。

5.结果分析

从分类结果看，分类模型基本能够准确区分遥感影像中的不同地物类型，为了对分类结果进行准确评价，这里采用简单随机采样的方法，从分类结果图像中随机选取255个样点，通过比较分类结果与参考数据的异同，评价分类精度如表2所示。

精度分析结果表明，基于辅助信息的土地信息提取精度较高，Kappa一致性较好，达到0.8114，总体分类精度较高，可达86.34%，基于辅助信息区分林地、果园、耕地、水体、道路精度较高。

表2 分类结果精度评价

6.结语

辅助信息能够给影像的解译提供更多的信息量，增加影像解译的准确率。本文利用地物光谱、纹理、形状等特征对影像的解译加以辅助，能够避免计算机分类只限于利用的影像光谱信息的不足，实验证明，利用辅助信息进行遥感信息的提取能偶取得较好的分类结果，明显提高分类精度。

本研究受研究资料的限制，在分类时未考虑人为因素及其他影响因素，这就使分类精度存在一定的不确定性。因此，基于辅助信息进行影像的分类虽然取得了较为合理的分类结果，但还有待于进一步完善，以使判别规则和分类结果更符合实际。

[1]李静,赵庚星,杨佩国.基于知识的垦利县土地利用/覆被遥感信息提取技术研究[J].科学通报,2006,51.

[2]刘瑶琳,何建华.土地信息学[M].北京:科学出版社,2007:61-62.

[3]王雪梅.BP神经网络算法在土地覆盖分类中的应用研究[J].新疆农业科学,2009,46(1):144-145.

[4]梅安新,彭望,秦其明,刘慧平.遥感导论[M].北京:高等教育出版社,2001:145-149.

[5]赵萍,傅云飞,郑刘根.基于分类回归树分析的遥感影像土地利用/覆被分类研究[J].遥感学报,2005,9(6):708-715.

[6]王大鹏.沙漠化遥感信息提取及定量评价—以额济纳地区为例[D].烟台:鲁东大学地理与规划学院,2007.

[7]高志海,李增元,魏怀东.干旱地区植被指数（VI）的适宜性研究[J].中国沙漠,2006,26（2）:243-248

[8]张文元,秦昆,张成才等.基于知识的遥感图像地物提取方法研究[J].地理空间信息,2007,5(1):51-55.

[9]李朝峰.基于知识发现和决策规则的遥感图像城区土地覆盖/利用分类方法[J].计算工程与应用,2004,23:212-215.