织梦如何做几种语言的网站,移动互联网开发平台基于linux安卓,一呼百应网做的网站,登封网站制作网站建设“同物异谱#xff0c;同谱异物”会对影像分类产生的影响#xff0c;加上高分辨率影像的光谱信息不是很丰富#xff0c;还有经常伴有光谱相互影响的现象#xff0c;这对基于像素的分类方法提出了一种挑战#xff0c;面向对象的影像分类技术可以一定程度减少上述影响。 本…“同物异谱同谱异物”会对影像分类产生的影响加上高分辨率影像的光谱信息不是很丰富还有经常伴有光谱相互影响的现象这对基于像素的分类方法提出了一种挑战面向对象的影像分类技术可以一定程度减少上述影响。 本专题以ENVI中的面向对象的特征提取FX工具为例对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容 面向对象分类技术概述ENVI FX简介ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素充分利用高分辨率的全色和多光谱数据的空间纹理和光谱信息来分割和分类的特点以高精度的分类结果或者矢量输出。它主要分成两部分过程对象构建和对象的分类。 影像对象构建主要用了影像分割技术常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法这种方法综合遥感图像的光谱特征和形状特征计算图像中每个波段的光谱异质性与形状异质性的综合特征值然后根据各个波段所占的权重计算图像所有波段的加权值当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时进行重复迭代运算直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类目前常用的方法是“监督分类”和“基于规则知识分类”。这里的监督分类和我们常说的监督分类是有区别的它分类时和样本的对比参数更多不仅仅是光谱信息还包括空间、纹理等对象属性信息。基于规则知识分类也是根据影像对象的属性和阈值来设定规则进行分类。 表1为三大类分类方法的一个大概的对比。 类型 基本原理 影像的最小单元 适用数据源 缺 陷 传统基于光谱的分类方法 地物的光谱信息特征 单个的影像像元 中低分辨率多光谱和高光谱影像 丰富的空间信息利用率几乎为零 基于专家知识决策树 根据光谱特征、空间关系和其他上下文关系归类像元 单个的影像像元 多源数据 知识获取比较复杂 面向对象的分类方法 几何信息、结构信息以及光谱信息 一个个影像对象 中高分辨率多光谱和全色影像 速度比较慢 表1 传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比表 2、ENVI FX简介 全名叫“面向对象空间特征提取模块—Feature Extraction”基于影像空间以及影像光谱特征即面向对象从高分辨率全色或者多光谱数据中提取信息该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。该模块可以在操作过程中随时预览影像分割效果。该项技术对于高光谱数据有很好的处理效果对全色数据一样适用。对于高分辨率全色数据这种基于目标的提取方法能更好的提取各种具有特征类型的地物。一个目标物体是一个关于大小、光谱以及纹理亮度、颜色等的感兴趣区域。 可应用于 从影像中尤其是大幅影像中查找和提取特征。添加新的矢量层到地理数据库输出用于分析的分类影像替代手工数字化过程 具有易于操作向导操作流程随时预览效果和修改参数保存参数易于下次使用和与同事共享可以将不同数据源加入ENVI FX中DEMs、LiDAR datasets、shapefiles、地面实测数据以提高精度、交互式计算和评估输出的特征要素、提供注记工具可以标识结果中感兴趣的特征要素和对象等特点。 3、ENVI FX操作说明 ENVI FX的操作可分为两个部分发现对象Find Object和特征提取Extract features如图1所示。 图1 FX操作流程示意图 下面在ENVI5.x下的FX工具以0.6米的QB图像为例介绍向对象信息提取的流程。下面我们。 3.1 基于规则的面向对象信息提取 该方法的工具为Toolbox /Feature Extraction/ Rule Based Feature Extraction Workflow 第一步准备工作 根据数据源和特征提取类型等情况可以有选择地对数据做一些预处理工作。 空间分辨率的调整 如果您的数据空间分辨率非常高覆盖范围非常大而提取的特征地物面积较大如云、大片林地等。可以降低分辨率提供精度和运算速度。可利用Toolbox/Raster Management/Resize Data工具实现。 光谱分辨率的调整 如果您处理的是高光谱数据可以将不用的波段除去。可利用Toolbox/Raster Management/Layer Stacking工具实现。 ENVI5.6版本后改为/Raster Management/Build Layer Stack 多源数据组合 当您有其他辅助数据时候可以将这些数据和待处理数据组合成新的多波段数据文件这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。当计算对象属性时候会生成这些辅助数据的属性信息可以提高信息提取精度。可利用Toolbox/Raster Management/Layer Stacking工具实现。 ENVI5.6版本后改为/Raster Management/Build Layer Stack 空间滤波 如果您的数据包含一些噪声可以选择ENVI的滤波功能做一些预处理。 这里直接在ENVI中打开qb_colorado.dat图像文件。 第二步发现对象 启动Rule Based FX工具 在Toolbox中找到Feature Extraction选择/Feature Extraction/Rule Based Feature Extraction Workflow打开工作流的面板选择待分类的影像qb_colorado.dat此外还有三个面板可切换在Input Mask面板可输入掩膜文件在Ancillary Data面板可输入其他多源数据文件切换到Custom Bands面板有两个自定义波段包括归一化植被指数或者波段比值、HSI颜色空间这些辅助波段可以提高图像分割的精度如植被信息的提取等自定义的属性在Normalized Difference和Color Space属性上打钩如下图所示点击Next 图2 输入数据和属性参数选择 影像分割、合并 FX根据临近像素亮度、纹理、颜色等对影像进行分割它使用了一种基于边缘的分割算法这种算法计算很快并且只需一个输入参数就能产生多尺度分割结果。通过不同尺度上边界的差异控制从而产生从细到粗的多尺度分割。 选择高尺度影像分割将会分出很少的图斑选择一个低尺度影像分割将会分割出更多的图斑分割效果的好坏一定程度决定了分类效果的精确度我们可以通过preview预览分割效果选择一个理想的分割阀值尽可能好地分割出边缘特征。有两个图像分割算法供选择 Edge 基于边缘检测需要结合合并算法可以达到最佳效果Intensity: 基于亮度这种算法非常适合于微小梯度变化如DEM、电磁场图像等不需要合并算法即可达到较好的效果。 调整滑块阀值对影像进行分割这里设定阈值为40。 注按钮 是用来选择分割波段的默认为Base Image所有波段。 影像分割时由于阈值过低一些特征会被错分一个特征也有可能被分成很多部分。我们可以通过合并来解决这些问题。合并算法也有两个供选择 Full Lambda Schedule合并存在于大块、纹理性较强的区域如树林、云等该方法在结合光谱和空间信息的基础上迭代合并邻近的小斑块Fast Lambda: 合并具有类似的颜色和边界大小相邻节段。设定一定阈值预览效果。 这里我们设置的阈值为90点Next进入下一步。 Texture Kernal Size纹理内核的大小如果数据区域较大而纹理差异较小可以把这个参数设置大一点。默认是3最大是19。 注这一步是可选项如果不需要可以按照默认的0直接跳过。 图3 图像分割、合并 这时候FX生成一个Region Means 影像自动加载图层列表中并在窗口中显示它是分割后的结果每一块被填充上该块影像的平均光谱值。接着进行下一步操作。 目前已经完成了发现对象的操作过程接下来是特征的提取。 第三步根据规则进行特征提取 在规则分类界面。每一个分类有若干个规则Rule组成每一个规则有若干个属性表达式来描述。规则与规则之间是与的关系属性表达式之间是并的关系。 同一类地物可以由不同规则来描述比如水体水体可以是人工池塘、湖泊、河流也可以是自然湖泊、河流等描述规则就不一样需要多条规则来描述。每条规则又有若干个属性来描述如下是对水的一个描述 面积大于500像素延长线小于5NDVI小于25 对道路的描述 延长线大于9紧密度小于3标准差小于20 这里以提取居住房屋为例来说明规则分类的操作过程。 首先分析影像中容易跟居住房屋错分的地物有道路、森林、草地以及房屋旁边的水泥地。 点击按钮 新建一个类别在右侧Class properties下修改好类别的相应属性。 图4 规则分类面板 第一条属性描述划分植被覆盖和非覆盖区。 在默认的属性Spectral Mean上单击激活属性右边出现属性选择面板如图所示。选择SpectralBand下面选择Normalized Difference。在第一步自定义波段中选择的波段是红色和近红外波段所以在此计算的是NDVI。把Show Attribute Image勾上可以看到计算的属性图像。 通过拖动滑条或者手动输入确定阈值。在阈值范围内的在预览窗口里显示为红色在Advanced面板有三个类别归属的算法算法有二进制、线性和二次多项式。选择二进制方法时权重为0或者1即完全不匹配和完全匹配两个选项当选择线性和二次多项式时可通过Tolerance设置匹配程度值越大其他分割块归属这一类的可能性就越大。这里选择类别归属算法为Liner分类阈值Tolerance为默认的5如下图 图5 对象属性面板 图6 归属类别算法和阈值设置 第二条属性描述剔除道路干扰 居住房屋和道路的最大区别是房屋是近似矩形我们可以设置Rectangular fit属性。在Rule上右键选择Add Attibute按钮新建一个规则在右侧Type中选择Spatial在Name中选择Rectangular fit。设置值的范围是0.5~1其他参数为默认值。 注预览窗口默认是该属性的结果点击All Classes可预览几个属性共同作用的结果。 同样的方法设置 TypeSpatialNameArea——Area45 TypeSpatialNameElongation——Elongation3 第三条属性描述剔除水泥地干扰 水泥地反射率比较高居住房屋反射率较低所以我们可以设置波段的象元值。 TypespectralNameSpectral MeanBandGREEN——Spectral Mean (GREEN)650。 点击All Classes最终的rule规则和预览图如下图所示。 注单击 按钮打开“房屋.rul”,可以导入预先设置的规则。 图7 房屋提取规则与结果 第四步输出结果 特征提取结果输出可以选择以下结果输出矢量结果及属性、分类图像及分割后的图像、还有高级输出包括属性图像和置信度图像、辅助数据包括规则图像及统计输出如下图所示。 图8 输出结果 这里我们选择矢量文件及属性数据一块输出规则图像及统计结果输出。点击Finish按钮完成输出。可以查看房屋信息提取的结果和矢量属性表 类似的思路可以提取道路、林地、草地等分类这里就不一一例举。 3.2 基于样本的面向对象的分类 该方法的工具为Toolbox /Feature Extraction/Example Based Feature Extraction Workflow。 在Toolbox中找打该工具双击打开流程化的面板前面两步和第一种方法的前两步完全一致选择数据和发现对象在此不一一赘述。我们直接看特征提取这部分基于样本的图像分类。 第三步基于样本的图像分类 经过图像分割和合并之后进入到监督分类的界面如下图所示 图9监督分类界面 选择样本 对默认的一个类别在右侧的Class Properties中修改显示颜色、名称等信息。 图10 修改类别属性信息 在分割图上选择一些样本为了方便样本的选择可以在左侧图层管理中将Region Means图层关闭掉显示原图选择一定数量的样本如果错选样本可以在这个样本上点击左键删除。 一个类别的样本选择完成之后新增类别用同样的方法修改类别属性和选择样本。在选择样本的过程中可以随时预览结果。可以把样本保存为shp文件以备下次使用。点击按钮可以将真实数据的ShapeFile矢量文件作为训练样本。 这里我们建立5个类别道路、房屋、草地、林地、水泥地分别选择一定数量的样本如下图所示。 图11 选择样本 设置样本属性 切换到Attributes Selection选项。默认是所有的属性都被选择这些选择样本的属性将被用于后面的监督分类。可以根据提取的实际地物特性选择一定的属性。这里按照默认全选。 图12 样本属性选择 选择分类方法 切换到Algorithm选项。FX提供了三种分类方法K邻近法K Nearest Neighbor、支持向量机Support Vector Machine SVM和主成分分析法Principal Components Analysis PCA。 图13 分类方法 K邻近分类方法依据待分类数据与训练区元素在N维空间的欧几里得距离来对影像进行分类N由分类时目标物属性数目来确定。相对传统的最邻近方法K近邻法产生更小的敏感异常和噪声数据集从而得到更准确地分类结果它自己会确定像素最可能属于哪一类。 在K参数里键入一个整数默认值是1K参数是分类时要考虑的临近元素的数目是一个经验值不同的值生成的分类结果差别也会很大。K参数设置为多少依赖于数据组以及您选择的样本。值大一点能够降低分类噪声但是可能会产生不正确的分类结果一般值设到3-7之间就比较好。 支持向量机是一种来源统计学习理论的分类方法。选择这一项需要定义一系列参数 a)Kernel Type下拉列表里选项有 LinearPolynomialRadial Basis以及 Sigmoid。 如果选择Polynomial设置一个核心多项式Degree of Kernel Polynomial的次数用于SVM最小值是1最大值是6。如果选择Polynomial or Sigmoid使用向量机规则需要为Kernel指定 the Bias 默认值是1。如果选择是 Polynomial、Radial Basis、Sigmoid需要设置Gamma in Kernel Function参数。这个值是一个大于零的浮点型数据。默认值是输入图像波段数的倒数。 b为SVM规则指定the Penalty参数这个值是一个大于零的浮点型数据。这个参数控制了样本错误与分类刚性延伸之间的平衡 默认值是100。 Allow Unclassified是允许有未分类这一个类别将不满足条件的斑块分到该类默认是允许有未分类的类别。 Threshold 为分类设置概率域值如果一个像素计算得到所有的规则概率小于该值该像素将不被分类范围是0~100默认是5。 主成分分析是比较在主成分空间的每个分割对象和样本将得分最高的归为这一类。 这里我们选择K邻近法K参数设置为5点击Next输出结果。 最终结果的输出方法和基于规则的一样。 3.3 直接输出矢量 该方法的工具为Toolbox/Feature Extraction/Segment Only Feature Extraction Workflow。 操作方法参考前面的第一和第二步骤第三步直接选择路径输出分割栅格结果和矢量结果。 从以上的实际操作可以看到ENVI FX扩展模块操作具有易于操作向导操作流程随时预览效果和修改参数。 4、小结 基于像元的分类方法依据主要是利用像元的光谱特征大多应用在中低分辨率遥感图像。而高分辨率遥感图像的细节信息丰富图像的局部异质性大传统的基于像元的分类方法易受高分辨率影像局部异质性大的影响和干扰。而面向对象分类方法可以高分辨率图像丰富的光谱、形状、结构、纹理、相关布局以及图像中地物之间的上下文信息可以结合专家知识进行分类可以显著提高分类精度而且使分类后的图像含有丰富的语义信息便于解译和理解。对高分辨率影像来说还是一种非常有效的信息提取方法具有很好的应用前景。