高分辨率影像計算管理論文_優(yōu)秀論文

1、 高分辨率影像計算管理論文【摘要】計算城市的綠地覆蓋率是一項繁瑣的工作。高分辨率影像的出現(xiàn), 給這項工作提供了便捷的途徑。本文以高分辨率影像為基礎(chǔ), 結(jié)合道路和水系矢量數(shù)據(jù), 利用ecognition分類軟件完成綠地的提取, 并計算出綠地覆蓋率?！娟P(guān)鍵詞】綠地覆蓋率高分辨率影像影像分類1、引言綠化建設(shè)是一個城市建設(shè)的重要工作, 城市綠地覆蓋率是衡量一個城市綠化程度的最主要的指標, 那么如何來計算一個城市的綠地覆蓋率呢？從方法上看, 只要能夠知道城市范圍以及該范圍內(nèi)的綠地面積, 綠地覆蓋率的結(jié)果就可以非常簡單地計算出來, 問題的關(guān)鍵就在于綠地面積的獲取。一般的作法是通過調(diào)查人員在實地調(diào)繪出綠地的

2、范圍, 然后在地圖上量算出綠地面積。由于計算的范圍一般都會非常大, 如果所有的綠地都是通過調(diào)繪來確定范圍, 那就需要花費大量的人力和時間, 實際的工作中, 通常是將城市劃分為不同的區(qū)域, 每個區(qū)域再取不同的樣點, 利用樣點數(shù)據(jù)計算的綠地面積來推算一個區(qū)域的綠地面積, 最后再推算出整個城市的綠地面積。目前, 隨著航空遙感技術(shù)的發(fā)展, 高分辨率遙感影像在國內(nèi)開始得到廣泛的應(yīng)用, 而這些影像的出現(xiàn), 也給城市綠地覆蓋率計算提供了更為有效而便捷的手段。2、主要思路采用高分辨率影像來確定綠地范圍, 這項工作完全可以在室內(nèi)完成, 無需進行室外的調(diào)繪。需要注意的是, 綠地覆蓋率是一個跟時間密切關(guān)聯(lián)的指標,

3、綠地覆蓋率應(yīng)當是代表某個時間的計算的結(jié)果。由于植被的生長周期一般都比較長, 綠地覆蓋率突變的情況比較小, 而完全采用影像來確定綠地, 最直接的優(yōu)點就是提高了計算結(jié)果在時間定位上的精度。從高分辨率影像上提取綠地一般是采用人工提取, 也就是作業(yè)人員在計算機上, 以影像為底圖, 手工勾繪綠地范圍, 這種方式的工作量依然很大。本文采用的作法是通過ecognition影像分類軟件來完成綠地的提取。ecognition是2004年引入國內(nèi)的一個影像分類軟件, 它采用面向?qū)ο蟮姆诸惙椒?。該軟件能方便地融入其他專題地影像信息作為分類知識, 同時能夠讓用戶靈活地建立基于知識的分類模型, 簡潔高效地完成分類工作。

4、只單純采用高分辨率的影像, 利用軟件來自動提取綠地的效果并不理想, 本文的作法還引入了城市的路網(wǎng)和水系數(shù)據(jù)作為專題信息, 用來提高綠地提取的精度。另外, 考慮到城市的范圍比較大, 并且不同區(qū)域的地類分布會有所不同, 因此需要將城市劃分為不同的區(qū)域, 每個區(qū)域分別進行綠地的提取, 最后再匯總計算出總的綠地面積。整個計算的過程如圖1所示。圖1計算過程Fig.1CalculationProcess3、過程及方法描述3.1數(shù)據(jù)準備3.1.1數(shù)據(jù)情況本篇文章所處理的主要數(shù)據(jù)為高分辨率影像, 同時還利用了矢量的GIS數(shù)據(jù), 具體如下：廣西南寧市QUICKBIRD影像, 2002年10月份獲取, 真彩色產(chǎn)品

5、, 包括紅、綠、蘭三個波段, tiff格式, 空間分辨率0.61米。城市路網(wǎng)和水系的矢量文件, ArcInfo的shape格式文件（如圖2）。圖2矢量數(shù)據(jù)Fig.2VectorData本文需要計算圖1中所示的外環(huán)公路內(nèi)綠地覆蓋率。3.1.2區(qū)域劃分城市區(qū)域的劃分主要是根據(jù)路網(wǎng)、水系、地勢等地理要素, 在矢量地圖上, 通過手工來劃分, 實驗區(qū)域的劃分情況如圖3, 將外環(huán)公路內(nèi)分為C1、C2、C3、C4、C5、C6、C7等7個區(qū)域。圖3工作區(qū)域Fig.3WorkRegions3.1.3影像配準及數(shù)據(jù)轉(zhuǎn)換由于混合了矢量數(shù)據(jù)和影像數(shù)據(jù)的處理, 為正確和方便地使用這些數(shù)據(jù), 需要統(tǒng)一數(shù)據(jù)的地理坐標, 為

6、此, 采取將影像數(shù)據(jù)配準到矢量數(shù)據(jù)的地理坐標下的作法, 影像需要根據(jù)輸入的控制點, 進行移動、縮放、旋轉(zhuǎn)等內(nèi)容的變換, 并且不要對影像進行重新的采樣和保存。因為需要將整個范圍劃分為6個區(qū)域來處理, 影像數(shù)據(jù)也相應(yīng)地要分割為6個部分, 但影像的分割, 不需要用區(qū)域的邊界來分割, 只要用區(qū)域的最小外接矩形來分割就可以了, 在分類的過程中, 利用區(qū)域的專題信息, 就可以避免數(shù)據(jù)處理過程中對影像重疊部分的重復(fù)計算。Ecognition的專題圖文件是由一個柵格數(shù)據(jù)文件和一個描述柵格屬性的ASC文件來組成, 描述文件的后綴一般為asc, 也可以是txt后綴, 下面是一個asc文件的樣例。ID列表示柵格文件

7、中的灰度值, R、G、B表示該灰度值在ecognition軟件中顯示時所使用的RGB色彩的三個分量, Value、Field1都是擴展的屬性字段, 用來記錄更多的特征。矢量數(shù)據(jù)中, 需要將劃分的區(qū)域面以及道路和水系的面數(shù)據(jù)轉(zhuǎn)換為ecognition軟件的專題數(shù)據(jù)文件格式, 這項工作, 作者是通過編寫專門的程序來實現(xiàn)（具體作法可參考矢量數(shù)據(jù)轉(zhuǎn)換為柵格數(shù)據(jù)的相關(guān)資料和文獻）。3.2綠地提取綠地的提取, 主要是在ecognition軟件中來完成。3.2.1建立工程首先, 需要建立一個新的影像分類工程。一個工程包括需要處理的多個影像數(shù)據(jù)和專題數(shù)據(jù), 以及分類的描述信息。這項工作需要注意一點, ecog

8、nition軟件主要是基于柵格數(shù)據(jù)的分析和處理, 所有的影像文件和專題文件都應(yīng)當具有相同的大小, 這樣才能夠有效地共同完成分類的推理工作。本文實驗中的數(shù)據(jù)包括quickbird影像三個波段數(shù)據(jù), 分割區(qū)域、道路和水系專題圖數(shù)據(jù)。3.2.2影像分割這步工作, 是根據(jù)影像的光譜和幾何特征, 將影像劃分為不同的對象（imageobject）, ecognition支持多尺度的分割, “粗”的尺度下, 可以分割獲得比較“大”的對象, “細”的尺度是在上一個“粗”尺度的基礎(chǔ)上分割出的“小”對象, 因此, 在ecognition中, 可以建立對象的層次關(guān)系, 并且可以針對不同的層來進行分類。實驗中建立3個

9、層次的分割面對象, 如圖。最“粗”的是劃分的工作區(qū)域范圍（level3）, 然后是以道路和水系的范圍做約束的分割面（level2）, 最后是根據(jù)光譜和專題圖的“精細”分割（level1）。3.2.3分類體系的建立及特征分析分類的目標是提取綠地, 綠地的范圍和信息主要是從level3上來獲取, 但是專題數(shù)據(jù)中包含的一些信息對綠地提取非常有用, 比如, 在level2中, 已經(jīng)明確為道路和水系的部分, 就不需要進行分類的判別了, 所有在level3上, 先劃分為：主干水體、道路、非水體和主干道路三種類別。在“非主要道路和水體”的類別當中再細分為房屋、樹木、草地、陰影、街道等, 如圖?！安莸亍痹诩t色

10、波段, 灰度值主要集中在綠色波段。對于同物異譜的情況, 可以通過增加更細致的分類來處理, 例如房屋類別可以用房屋1、房屋2等類別來替代, 每個類別的光譜特性分別描述。實驗中各種類別的光譜特征描述如表。類別RGB類別RGB草地110127121133120132街道1148158160174170180房屋1116126102116108118街道2135150136148138148房屋2108118100112108120陰影334556728092房屋31681801601741601703.2.4獲取分類結(jié)果Ecognition采用模糊分類的機制, 通過對特征的描述, 計算不同對象隸屬各

11、個分類的隸屬度, 最后完成分類的過程。實驗的結(jié)果如圖6所示（局部）。其中綠地的面積包括“樹木”和“綠地”這兩種類別的面積。3.3成果計算計算采用象素數(shù)量來反映分類的面積。在分類完成后, 通過各個區(qū)域分類面積的匯總, 可以獲得主干道路面積、草地面積、樹木面積、房屋面積、街道面積、陰影面積。其中樹木面積和房屋面積可以算做綠地面積, 而陰影面積, 可以認為它包含了其他分類的面積。設(shè)綠地面積為, 則有城市計算范圍的面積, 設(shè)為綠地覆蓋率, 于是有4、小結(jié)計算城市綠地覆蓋率的工作, 從方法上看并不復(fù)雜, 但是作為一項具體的工作卻并不簡單。傳統(tǒng)的作法需要花費大量的人力和時間, 本篇文章采用高分辨率影像作為數(shù)據(jù)基礎(chǔ), 通過分類軟件來進行綠地提取, 可以大量減少人工勞動, 極大提高工作效率。但是在目前, 利用軟件對高分辨率影像進行分類, 要獲得好的分類效果還比較困難, 本篇文章所要計算的綠地覆蓋率, 對精度的要求并不高, 同時, 通過引進GIS數(shù)據(jù)參與分類, 提高了分類的精度, 另外, 在執(zhí)行完分類的過程后, 還可以通過人工的檢查, 手工修正一些不正確的分類結(jié)果, 但這些勞動, 相比較過去的作法, 已經(jīng)變得相當輕松?？傊? 采用高分辨率影像作