英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
基于面向对象图像分析的遥感影像分类模式综述
摘要：随着高分辨率遥感图像的广泛应用，对面向对象的遥感信息分类模式进行了深入研究。本文从面向对象的遥感信息分类模式的定义和相关研究进展的文献综述入手，总结了近20年来面向对象分类模式的4个发展阶段。然后，将遥感影像分割，特征分析与特征选择，分类规则生成等方面与遥感影像分类方法进行了比较，详细讨论了方法学的三个方面。最后，本文提出了今后关于面向对象遥感信息分类模式的研究中需要注意的几点：1）开发了多光谱遥感影像的鲁棒性和高效的图像分割算法; 2）改进包括边缘，空间相邻和时间特征的特征集; 3）基于决策树讨论分类规则生成分类器; 4）用面向对象的分类模式给出分类结果的评价方法。
关键词：面向对象的图像分析; 遥感; 分类模式
1、介绍
随着过去二十年来遥感信息收集，传输和存储的快速发展，遥感应用的局限性变得越来越弱，因为可用的空间，时间，光谱和辐射尺寸越来越精细的多个遥感数据源。在高空间分辨率遥感影像中，土地覆盖的特征比较明显，如空间形态，结构，纹理等，因此单个像元中不同地物的混合程度正在减小。同时，与中低空间分辨率遥感影像相比，高空间分辨率遥感影像中的土地覆盖类型和差异更多（Dou，2003）。然而，传统的遥感信息分类方法很少充分利用高空间分辨率遥感影像中的形状，结构信息和空间分布等地形特征，造成大量资源浪费，成为遥感技术应用的瓶颈。总之，不断增加的卫星和传感器品种以及更好的空间分辨率将对广泛的应用产生影响，但不会自动带来更好的结果。因此，如何从高空间分辨率遥感影像中快速有效地提取有用信息成为当前研究的热点。
2、面向对象分类模式的定义
遥感信息分类模式被定义为从遥感图像中提取土地覆盖分类信息的一种通用技术。引用Niklaus Wirth（1975）的一个著名公式：“程序=算法 数据结构”，我们描述遥感信息分类模式如下：遥感信息提取模式=处理单元 特征集合 分类器在上式中，像元或对象（类似像元的组合）是遥感图像处理中的基本处理单元。特征集是一组可以从遥感图像或相关GIS数据源中提取的特征。分类器可以是单独的分类器，诸如统计分类器（K-均值，迭代自组织数据分析技术算法，最大似然分类，最小距离，平行六面体，光谱角等），人工神经网络分类器（后向传播，Kohonen等），机器学习分类器（决策树，分类和回归树等），模糊分类器（Wang和Li，2004），或根据特殊的不同分类器的组合机制（如投票机制）（Bo和Wang，2003）。根据处理单元的差异，我们将遥感信息分类模式分为两类：基于每个像元的遥感信息分类模式（以下文中缩短的每像元分类模式）和面向对象的遥感信息分类模式（图1）每像元分类模式分析每像元的频谱特征，并通过统计方法（如判别函数，聚类）将每个像元分类到一个特定的类别（Zhao，2003），这是在70年代初提出的，并且是一个相当成熟的技术。
面向对象的分类模式处理图像对象，它们共享相似的属性，如DN值，光谱特性，纹理、大小，形状，紧凑性，与相邻图像对象的上下文信息等（Blaschke和Hay，2001; Blaschke和Strobl，2001）。 通过遥感图像分割技术可以提取图像对象（将相似的特征空间联合像元放入同一个图像对象）。 面向对象的分类模式使用图像对象作为基本处理单位，计算每个对象的字符，并从遥感影像中提取土地覆盖信息。
3、面向对象分类模式发展阶段
面向对象的分类模式随着图像分割技术的进步和高空间分辨率遥感图像的广泛应用而兴起，这种图像可以追溯到由Nagao和Matsuyama（1980）建立的复杂航空照片解译系统。 在该系统中，采用了基于知识和特征分析的图像分割技术来提高提取精度。 作为一个特殊的技术术语，2000年出现了面向对象的遥感信息提取模式（由e-Cognition软件的发布，面向对象的图像分析理论导）。
在中国国家图书馆和中国科学技术信息研究所，通过Elsevier Science Direct Onsite，学术研究图书馆，EBSCO在线引文和Google搜索引擎等，发表了105篇与英文版相关的论文，截至5月份（包括1999年以前的5篇论文，2000年的5篇论文，2001年的23篇论文，2002年的27篇论文，2003年的45篇论文，搜索关键词是面向对象的，遥感，基于像元，按像元，按包裹等） 。在搜索结果中，国内的研究几乎是空白，仅使用万方数据库，万方会议数据库，中国期刊全文数据库（CJFD）等搜索引擎，发现了3篇科学论文和1篇论文（2003年和2004年发表）。中国知识资源整合数据库（CNKI）。至于每年发表的科学论文数量，面向对象的分类模式逐渐成为热点研究课题。相比之下，国内关于面向对象分类模式的研究应该加强。综合分析国内外相关文献，面向对象的分类模式可归纳为四个阶段：
（1）关于每像元分类模式的思考。Toll（1984年）和马丁等人。 （1988）使用多光谱扫描仪（MSS），专题制图仪（TM），同一研究区域的SPOT图像对遥感信息提取结果进行了比较，发现仅使用基于每像元的统计分析技术的图案不能得到更高分类精度有效地提高了图像的空间分辨率。 Lobo等人（1996）使用单位面积提高分类精度，采用图像分析技术。此外，分类结果更容易解释每个像元分类模式，这种方法经过平滑处理后往往造成“胡椒现象”。类似的研究也表明，每场或每个宗地分类方法对中高分辨率遥感影像有积极影响。这种分类技术特别适用于农业用地或其他预定义的，空间离散的土地覆盖类型。相邻之间的边界不同由于农业景观的边界相对稳定而种植模式经常变化（Aplin等人，1999; Chen等人，2003），农田有助于改善分类。安娜等人。 （2001）采用区域增长法从TM多光谱数据中检测出边缘信息，提取不同覆盖区域边界长度和方向的土地覆盖信息，得出基于相似特征像元的分类结果优于每像元分类方法。随着高分辨率遥感图像的出现和普及，研究人员对每像元分类过程中的缺点给予了很多考虑。 Blaschke和Strobl（2001）提出：“为什么遥感和数字图像处理仍然将重点放在单个像元的统计分析上，而不是他们建立的空间模式上？”在他的论文中，总结了几个突出但总是被忽略的问题具体如下：1）传统的遥感信息分类模式中的基本处理单元是像元，它仅仅代表了地球表面的规则的某一部分，而没有考虑上下文，所以很难与GIS空间分析（通常是矢量格式）相结合光栅格式。 2）尽管遥感图像中的空间位置信息是显而易见的，但是它是冗余的并且在每像元分类方法中经常被忽略。任何地方的像元将被简单地通过光谱信息划分到特定类别。“图像对象”对应于现实世界中的实体架起GIS和遥感 / IP（图像处理系统，IPS）的方法学领域，并提供将GIS分析与图像处理集成的机会。陈等人。 （2003年，2004年）指出，基于每像元的图像分析处于图像工程的底层，受到图像处理领域的影响，但在一定程度上没有真实的图像分析在一定程度上。因此，要提高从遥感图像处理到遥感图像分析以及直到图像理解的高分辨率遥感图像信息分类处理，来满足遥感的要求。
（2）提出 “图像对象”的概念。 Hay等人（1997）首先描述：图像对象是数字图像中存在和可分辨的实体，实体中的像元具有相似的特征。而在2001年，他们进一步表明，这些形象物体满足Tobler的第一部地理定律。 Blaschke（2002）指出：在大多数情况下，某些图像的语义信息应该用“有意义的对象”和它们之间的相关性来表示，而不是由单个像元表示。只有基于将图像分成不同的同质对象，才能实现图像分析（Blaschke，2002）。随着“图像对象”概念的出现，在过去的几十年中已经开发了数千种分割算法。尽管在相关领域的灰度图像分割方面有很多发展，例如机器人视觉，但在彩色或多波段图像分割方面进展甚微。在此背景下，一些航空影像理解原型系统应运而生，如Zhang等人。 （2000）开发了一种快速半自动算法，从航空图像中提取房屋信息，采用几何约束和图像分割技术。 Yang和Zhao（2002）针对建筑物亮度高于背景的特点，提出了基于区域分割的建筑物检测算法。
（3）面向对象分类模式的出现。 一种叫做“分形网络演进方法”（FAEA，由Baatz和Schipe，1999年提出）的新算法可以彻底改变遥感数据的图像处理（De Kok等人，1999; Niemeyer等人，1999）。 为了减少最终分割结果的异质性，FNEA按照给定尺度下的局部最优拟合规则合并一个像元和相邻像元。 在将所有像元合并到不同的对象之后，基于前一轮生成的对象执行下一个组合，直到用户给定的比例不能继续进行任何迭代为止。 德国慕尼黑的德尔福2创意技术公司将FNEA算法应用于e-Cognition（最新版本为4.0）并于2000年投放市场，这是迄今为止在面向对象图像分析原理指导下的独特软件。
（4）应用面向对象的分类模式。面向对象的分类模式在不同遥感图像源（包括TM，ETM ，SPOT，SAR，KOMPSAT-1，IKONOS，Quick-Bird等）中的应用以及两种模式的分类结果比较引起了越来越多的关注。这些研究包括：奥地利维也纳市区的Bauer和Steinnocher（2001年）使用IKONOS多谱数据; Martin和Joseph（2002）在Santa Barbara使用4m IKONOS数据; Rego和Koch（2003）在巴西佩德拉布兰卡国家公园; Kressler等人（2003）在维也纳森林依赖中使用KOMPSAT-1和SPOT-5全色遥感数据; Du等人（2004）在南京使用IKONOS多光谱遥感影像; Huang等人（2004）和黄和吴（2004）在大庆使用彩色航空图像数据。大多数研究表明，高分辨率遥感图像的面向对象分类模式比单像元分类模式具有更高的分类准确率。随着面向对象分类模式的推广，国内学者从2004年开始关注其方法学。Liu等。利用基于边缘信息的多光谱遥感图像分割算法提取高质量基本农田（HQPF）（Liu，2004; Liu et al。，2006）。 Ming等人（2005）设计了基于对象特征的多尺度信息抽取框架，以提高遥感图像过程自动化和智能化水平。（4）面向对象分类模式的应用。面向对象的分类模式在不同遥感图像源（包括TM，ETM ，SPOT，SAR，KOMPSAT-1，IKONOS，Quick-Bird等）中的应用以及两种模式的分类结果比较引起了越来越多的关注。这些研究包括：奥地利维也纳市区的Bauer和Steinnocher（2001年）使用IKONOS多谱数据; Martin和Joseph（2002）在Santa Barbara使用4m IKONOS数据; Rego和Koch（2003）在巴西佩德拉布兰卡国家公园; Kressler等人（2003）在维也纳森林依赖中使用KOMPSAT-1和SPOT-5全色遥感数据; Du等人（2004）在南京使用IKONOS多光谱遥感影像; Huang等人（2004）和黄和吴（2004）在大庆使用彩色航空图像数据。大多数研究表明，高分辨率遥感图像的面向对象分类模式比单像元分类模式具有更高的分类准确率。随着面向对象分类模式的推广，国内学者从2004年开始关注其方法学。Liu等。利用基于边缘信息的多光谱遥感图像分割算法提取高质量基本农田（HQPF）（Liu，2004; Liu et al。，2006）。 Ming等人（2005）设计了一个基于对象特征的多尺度信息提取框架，以提高遥感图像处理自动化和智能化水平。
4、面向对象分类模式的基本步骤
4.1 遥感图像分割
遥感图像分割是面向对象分类模式的基本和第一步（图2）。 遥感图像分割的目的是生成基本图像对象，这是图像分类过程中的主要处理单元。 进一步的图像分析包括基于图像分割特征分析，特征选择和判别规则生成是基于图像分割。 在每像元分类模式中，基本处理单元是像元，其自然存在而没有任何处理。 而在面向对象的分类模式中，通过遥感图像分割步骤生成的图像对象是基本的处理单元，并且与现实世界中的地面覆盖实体相对应。 只基于上面的准备上，可以更有用。 因此遥感图像分割的结果将直接影响进一步的分析和处理。
大多数遥感图像分割算法起源于机器人视觉领域的“图像分割”，可以分为四类：1）基于阈值片的自上而下的图像分割算法（Han and Wang，2002）基于直方图的自适应阈值切片，基于最大类别平方误差的阈值切片（OSTU方法），基于最大熵的灰度阈值选择方法等; 2）基于区域的图像分割算法（Li and Xia，2002; Li and Zhang，2003），如区域生长法，分割组合算法，流水线算法等。 3）基于迭代聚类的图像分割算法（李和黄，1992;张和李，2001），如K均值聚类方法，基于马尔科夫随机场的聚类方法，基于聚类方法的聚类方法神经网络; 4）基于给定模型的图像分割算法（Liu and Chen，1999; Zhang et al。，2003），如主动轮廓法（ACM），基于能量函数的图像分割算法，基于最小描述长度（MDL）的图像分割算法等。但大多数上述图像分割算法都针对灰度或彩色图像（三个频带）。 e-Cognition采用的FNEA可以处理多波段的遥感图像，并且几乎是其中最好的算法。
4.2特征分析
在遥感影像解译过程中，影像中出现的土地覆盖特征起着重要作用。判读人员综合使用色调，颜色，形状，大小，阴影，纹理，情况，图案等来提取土地覆盖信息。 这些特性应该以栅格进行计算和表达，以帮助计算机相互区分。 周等人 （1999）将可用特征推广到三种类型：光谱，空间和时间特征。 Yan和Wang（2002）指出这些特征是金字塔形的（图3）。 顶层金字塔是遥感影像的色调和颜色特征，反映了土地覆盖的特征; 在金字塔的中间是大小，形状，质地，这可以视为顶级特征的空间布局; 金字塔底部反映了土地覆盖的位置，空间关系，动态变化过程。
在传统的按像元分类模式中，特征分析是基于像元计算的。特征分析方法包括空间遥感
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[24795]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
