基于SPOT5遥感影像的土地分类信息提取

吉　雅　李秋萍

内蒙古测绘院　呼和浩特　010051

基于SPOT5遥感影像的土地分类信息提取

吉雅李秋萍

内蒙古测绘院呼和浩特010051

近年来，随着现代遥感技术的发展，高分辨率、多波段、多时相、周期性的遥感卫星不断更新，如：SPOT、IKONOS、QuickBird等，为土地分类信息的提取提供了丰富、可靠、高精度的基础数据源信息。本文选取陕西省三原县部分地区作为试验区，探讨利用SPOT5遥感影像进行土地分类信息提取，对数据预处理、遥感影像分类方法的选取及分类结果精度的评价等问题进行了探究，采用最大似然法，通过计算机自动分类对SPOT5遥感影像土地分类信息进行提取。实验证明，将SPOT5遥感数据应用于土地信息类型的提取可以极大地提高影像分类的效率，得到较好分类效果。

遥感影像土地分类SPOT5信息提取

引言

遥感影像是利用遥感传感器按一定的成像机理，客观真实地记录来自地表物体的电磁辐射的强弱信息的体现形式。因此，遥感技术应用的一个关键问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征，判读识别地物的类型及其分布特征。这就涉及信息提取，而分类是提取遥感信息的一种有效方法［1］。此外，随着遥感技术的发展、3S技术的结合，遥感技术将成为土地分类信息提取的重要手段［2］。本文利用陕西省咸阳市三原县2.5m分辨率的SPOT5遥感数据，运用最大似然法进行监督分类，对土地分类信息的提取过程进行探讨。

1.研究区概况

本文选取陕西省咸阳市三原县部分地区为研究区。该研究区位于陕西省咸阳市东北方向，陕西省关中平原的中部，素有八百里秦川“白菜心”之美誉，总面积为569平方千米，地理条件优越，区位优势突出，南距西安，西距咸阳，北距铜川，东距闫良等省内大中城市均约30公里左右，处于得天独厚的“弧心”位置。

2.数据获取与预处理

2.1数据选取

SPOT5是由法国国家航天研究中心发射的，它具有较高的空间分辨率，最高可达2.5m，能够实时获取立体像对；在数据压缩、存储和传输等方面都有了显著的提高［3］。

本文使用的SPOT5遥感影像的获取时间是2010年4月，最大的空间分辨率为2.5m，能够较清晰的判读地物信息，特别适合作为土地分类信息提取的数据源。

2.2数据预处理

2.2.1数据剪裁

影像剪裁又称矩形分幅裁剪或取出矩形子区，是指在一个较大的图像中取出一个小的部分及子区的过程。其中一种做法是分别定出子区左上角和右下角在大图像中的行列号，作为读取子区图像的起始点和结束点，并将其存为新图像。取出的子区图像要在以后分类或作其他处理时用来作为感兴趣区的区域［4］。

由于获取的原始数据比例尺为1∶10000，长宽各为5km的遥感影像，区域较大，为了减少数据量，提高研究效率，在原始数据上选取地类较为齐全的具有代表性的区域，对其进行剪裁。剪裁后的数据如图1所示。

图1　剪裁后影像

2.2.2几何校正

图像几何校正一般包括两方面：一是图像像元空间位置的变换，另一个是像元灰度值的内插。故本次遥感图像几何校正主要包括空间变换与像元灰度值内插［5］。

本文采用标准地形图作为参考影像进行几何校正，采用多项式变换调用多项式模型时，需要确定多项式的次方数，根据研究区范围选取多项式的次方数为3。次方数与所需要的最少控制点是相关的，最少控制点计算公式为［（t+1）×（t+2）］/2，式中t为次方数［6］。

校正后标准图像空间中像元的灰度值也要重新采样，即用原始图像空间的数据进行拟合，常用方法有最邻近法，双线性内插法和三次卷积法。经过空间的变换和重采样，完成几何校正。其几何校正流程图如图2所示：

3.研究方法与过程

3.1分类方法

本文主要探讨利用最大似然法对SPOT5影像进行土地分类信息的提取。

最大似然分类法是基于图像统计的监督分类法，它基于Bayes准则，侧重于影像像元集群分布的统计特征，是使用较为普遍的分类方法之一。MLC核心算法的判别函数由公式1表示：

3.2研究过程

3.2.1训练样本确定的原则和方法

为保证分类结果的精度，训练样本的选择应做到：每一地物类型的训练样本中像元对应的实际地物类型应与该地物类型相同；选择的训练样本应具有代表性，即训练样本的统计特征量与该类型总体统计特征相接近［6］。

依据第二次全国土地调查分类标准，本文将研究区地物类型分为耕地、公路、果园、林地、居民区、水体和其他等七类［7］，各种训练样本的解译标志如图3所示。

图3　各种训练样本的解译标志

3.2.2分类过程

由于高分辨率的遥感图像能很清晰的反映地面地物的类型及特征，从图像上不仅可以区分不同的地物，而且还能辨识它们。因此，借助高分遥感图像选择样本，以保证样本的准确性。

在ENVI中，采取手动选择感兴趣区ROIs，结合目视解译经验，在影像中绘制。可以选择点，线，面等各种方式，采用不同的颜色选取感兴趣区。

利用选取的训练样本，采用最大似然分类法对研究区SPOT5影像进行分类，具体分为耕地、公路、果园、林地、居民区、水体和其他类型七类，流程如图4所示：

图4　最大似然法流程图

4.分类结果及分类后处理

4.1分类结果

在ENVI软件中选择分类器，执行最大似然分类方法得到的分类图如图5：

图5　分类结果

对基于陕西省咸阳市三原县高分辨率的SPOT5遥感影像进行最大似然法分类后，会存在一些细小的块儿或点儿。运用ENVI软件对最大似然法分类结果图进行类别集群，将一些碎块进行合并，使图像中的土地利用类别更加清楚明了［8］。

图像分类精度评价是遥感分类过程中不可或缺的部分，分类精度的评价通常是用分类图与标准数据（已有的专题信息图或地面实测值）进行比较，以正确的百分比来表示。精度评价必须客观的通过某种方法，定量的将一幅图像与另一幅同一区域的参考图像或其他参考数据进行对比。

对最大分类法分类结果图进行精度评价，首先要建立精度混淆矩阵，此次研究在ENVI4.5的支持下，由计算机自动进行混淆矩阵的计算。ENVI可以使用一幅地表真实图像或地表真实感兴趣区来计算混淆矩阵。在本次研究中通过在遥感影像上建立7类感兴趣区样点，分别是林地、耕地、水体、居民区、果园、公路、其他作为分类精度检验的标准。记录结果都包括：总体分类精度、Kappa系数和混淆矩阵等结果。具体分类精度评价见表1。

4.2分类后处理

针对分类后某些类型的地物误差较大的问题，对训练样本进行优化和提纯。主要采用N维可视化分析器对研究区进行提纯。其原理为：当某些像元始终聚集在一起运动时，这些就是所需的最纯像元；若在运动时，像元分成了两个部分，则说明选择了两类地物的训练区，需把此训练区像元分开处理。

表1　最大似然算法精度评价表

在n-DVisualizer窗口中用鼠标选择某类训练区的纯像元进行提纯，提纯后的训练区将出现在ROITool窗口中；然后进行下一个类型训练区的提纯，最后完成所有训练区的提纯。提纯后对其进行最大似然分类，得到的分类图如图6。

图6　样本提纯后分类结果

将提纯后的各个类型训练区进行精度评价。其最大似然法与训练样本提纯后的精度比较见表2。可以看出，样本提纯后各类训练区精度及总体分类精度大大提高。

表2　最大似然法与训练样本提纯后的精度比较

5.结论

本文运用最大似然法对陕西省咸阳市三原县部分区域SPOT5高分遥感影像进行监督分类，经过提纯处理后得到了较为准确的分类结果，分类后成果可以作为制作土地利用分类或土地利用现状图提供一定的借鉴与参考，为后期的地籍管理、调查、更新提供基础资料。

［1］沈璐璐，蔡丽娜.基于非监督分类的遥感信息提取方法尝试［J］.科技创新论坛，2010.

［2］郎刚，王鹤.SPOT5遥感影像在土地调查中的应用［J］.北京测绘，2010.

［3］楼立明，刘卫东，冯秀丽.基于高分辨率遥感影像的土地利用变化监测［J］.遥感技术与应用，2004，（19）.

［4］曾志远.卫星遥感图像计算机分类与地学应用研究［M］.北京:科学出版社，2004.

［5］常庆瑞，蒋平安，周勇等.遥感技术导论［M］.北京:科学出版社，2004

［6］刘涛，孙忠林，孙林.基于最大似然法的遥感图像分类技术研究［J］.福建电脑，2010.

［7］杜福光.面向对象分类法在唐山南湖遥感信息提取中的优越性分析［J］.唐山师范学院学报，2014，2:146-149.

［8］陈敬柱，贺瑞霞，郭恒亮.最大似然法在植被信息识别提取中的应用［J］.水文地质工程地质，2004.