1數(shù)據(jù)和技術(shù)方法
1.1使用數(shù)據(jù)情況
本文所使用的數(shù)據(jù)為天津市1995年二季度1.0m分辨率的航空攝影影像、2007年二季度SPORT衛(wèi)星遙感影像和2011年二季度WorldView20.46m衛(wèi)星遙感影像,研究區(qū)域的GoogleEarth影像及天津市市內(nèi)六區(qū)和新四區(qū)的基礎(chǔ)地形圖資料等。
1.2技術(shù)方法
(1)遙感影像預(yù)處理采用Erdas2011數(shù)據(jù)處理軟件,對獲取的原始遙感影像進(jìn)行投影變換、幾何校正、邊界裁定、影像增強(qiáng)等數(shù)據(jù)預(yù)處理工作。(2)面向?qū)ο筮b感影像分類流程采用Erdas2011數(shù)據(jù)處理軟件的面向?qū)ο筮b感影像分類流程主要包括:影像分割、屬性計算、特征提取和對象分類等步驟。主要流程如圖1所示。(3)影像分割影像分割是基于同質(zhì)性或異質(zhì)性準(zhǔn)則將一幅圖像劃分為若干有意義的子區(qū)域的過程[7,8]。分割所得的圖像區(qū)域應(yīng)同時滿足以下條件:①圖像區(qū)域中的所有像元要都滿足某種相似性準(zhǔn)則且任意兩點(diǎn)之間連通。②相鄰圖像區(qū)域之間針對某選定特性具有顯著差異性。③區(qū)域邊界應(yīng)該規(guī)整且能夠保證邊緣的空間定位精度。遙感影像分割目的是將影像中具有某種地物特征的區(qū)域分開并使得每個區(qū)域都滿足一定的同質(zhì)性條件,如灰度、光譜、紋理等。分割分兩步驟:首先確定分割范圍,對影像進(jìn)行初始化分割,后確定歸并尺度。在保證定分割精細(xì)程度及具有較小破碎性的情況下,選擇合適的歸并尺寸對圖像進(jìn)行歸并。分割尺度范圍為0%~100%,值越大分割越細(xì),分割后影像破碎化程度越高;歸并尺度范圍為0%~100%,值越大,歸并后得到的對象數(shù)量越少,內(nèi)部同質(zhì)性越低。歸并尺度一般依據(jù)歸并的目視效果反復(fù)實驗,以確定最佳組合。本項目中,通過多次試驗,最終選定天津市市內(nèi)六區(qū)及新四區(qū)的影像分割尺度和歸并尺度分別為60%和70%的參數(shù)水平,如此分割后,分割影像的內(nèi)部同質(zhì)性較高,邊界輪廓清晰,具備較好的可分離性。該操作是通過RasterObjectCreators(ROC)來實現(xiàn)的。分割之后,產(chǎn)生的結(jié)果既包含空間的基于區(qū)域增長的種子點(diǎn),又包含光譜的每個柵格對象像素概率屬性,這個過程將改善處理結(jié)果的可靠性。(4)屬性計算完成影像分割后,采用合適的參數(shù)定義和計算對象的特征空間,是面向?qū)ο蠓诸惖年P(guān)鍵技術(shù)問題。Erdas2011能夠計算對象的光譜、空間、紋理、色彩空間與波段比等四類空間屬性,光譜屬性可計算對象各波段上的相元灰度值的均值和標(biāo)準(zhǔn)差;空間屬性可計算對象的幾何特征(如長度、面積等);紋理計算相元灰度值變化范圍;色彩空間與波段比可計算對象的色調(diào)、亮度和飽和度等特征。對光譜、空間和紋理三種屬性,選擇全部指標(biāo)參數(shù)參與屬性運(yùn)算,色彩空間選擇3個RGB波段轉(zhuǎn)換為HIS色彩空間來構(gòu)筑對象的特征空間。(5)樣本選取與對象分類采用對象訓(xùn)練樣本選取方法提取經(jīng)過定義和計算的屬性特征,并以此來建立判別規(guī)則[9]。與監(jiān)督分類方法不同,面向?qū)ο筇崛〉臉颖臼且粋個經(jīng)過分割和重新定義的“對象”,對象與對象之間的形狀、大小、數(shù)量相互差異很大[10]。結(jié)合相關(guān)資料并結(jié)合目視解譯,選取天津市中心城區(qū)和新四區(qū)水域特征明顯,內(nèi)部同質(zhì)性強(qiáng)的樣本數(shù)量20個進(jìn)行訓(xùn)練學(xué)習(xí)。通過RasterPixelProcessor(RPP)操作從原始影像上通過取樣和訓(xùn)練水域像素區(qū)分水域和非水域像素,通過該步驟操作將產(chǎn)生含有水域像素值概率的影像。利用Erdas2011附帶的RasterObjectOperator(ROO)柵格對象算子操作所有可能水域的柵格對象,利用概率過濾器(ProbabilityFilter)濾掉所有水域?qū)ο蟮透怕实臇鸥駥ο,同時用一個ROO中心線轉(zhuǎn)換器(ROOCenterlineConvert)將所有可能的道路柵格對象轉(zhuǎn)換為只含有單一的像素寬度的線性柵格對象。最后用RastertoVectorConversion(RVC)模塊完成柵格到矢量的轉(zhuǎn)換,并用VectorObjectOperators(VOO)矢量對象操作器中的Generalizeoperator、LineLinkopera-tor、LineSnap、LineRemove等算子完成矢量數(shù)據(jù)的最終編輯。
2監(jiān)測實例采用
利用上述方法和過程對天津市中心城區(qū)和新四區(qū)1995年,2007年和2011年的水域進(jìn)行監(jiān)測,得到的分類統(tǒng)計精度為92.38%,Kap-pa系數(shù)為0.9167,得到的面向?qū)ο蟮姆诸惤Y(jié)果如圖2所示。通過統(tǒng)計和實地調(diào)查發(fā)現(xiàn):2007年的水域面積比1995年減少約84.5km2,主要是由于城鎮(zhèn)化建設(shè)和工業(yè)化發(fā)展占用大量土地,小型湖泊和池塘面積不斷減少;2011年的水域面積比2007年增加了約4.1km2,增加幅度較小,這說明了從2007年到2011年該時間段內(nèi)天津市中心城區(qū)和新四區(qū)的水域保持較好,三個年份的水域面積詳細(xì)統(tǒng)計情況如表1所示。
3結(jié)論
文章利用面向?qū)ο蟮倪b感影像分類技術(shù),對天津市地理市情監(jiān)測中的中心城區(qū)和新四區(qū)水域面積變化情況進(jìn)行了監(jiān)測,得到了被監(jiān)測區(qū)域的水域面積的量化指標(biāo),探討了面向?qū)ο蟮倪b感影像分類技術(shù)在地理國情監(jiān)測中的應(yīng)用,為地理國情監(jiān)測地表覆蓋專題的監(jiān)測累積了經(jīng)驗。