基干eCognition面向对象城市道路提取.doc

基干eCognition面向对象城市道路提取 　　摘 要：基于面向对象思想，使用高分一号影像对赣州市开发区城市道路进行提取。利用分水岭分割算法对影像进行分割后，通过水体和植被的特征提取出道路潜在区域，结合最能区别道路与其他地物的光谱特征和几何特征，利用eCognition的最邻近分类器提取出道路目标 关键词：面向对象；道路提取；影像分割；eCognition 引言 随着遥感科学技术的发展，高分辨率遥感数据越来越多，高分辨率能反映出丰富的地物细节与结构纹理信息。道路信息是高分遥感影像上的重要地物信息之一，如何从海量的高分影像数据中提取出道路目标已经成为目前遥感领域研究的重点 然而，随着现代社会的发展，城市建设的深入，遥感影像上反映的地物信息越来越丰富，影像上的地物细节也越来越复杂，道路目标更清晰，同时噪声也随之而来，极容易存在“同物异谱”及“同谱异物”现象，如建筑物，车辆等，这使得在高分影像中的道路提取难度也随之增大。传统的道路提取方法都是基于像元及光谱信息来对影像进行分析处理，虽然近年来出现很多新的算法。但从根本上还是从像元的角度分析遥感影像，不会考虑像元内部的纹理特征及像元间的关联信息，这样就很容易产生“胡椒盐现象”，从而提取的精度也不高；然而，面向对象的影像分析方法，通过结合多种影像特征，比如光谱特征、几何特征、纹理特征以及上下文特征综合分析往往能取得较基于像元提取的方法更高的精度。因此将面向对象的方法应用到高分影像道路提取中能取得更高的研究意义及应用价值 1 面向?ο蟮牡缆诽崛》椒? 在高分辨率遥感图像道路自动提取的方法中，有很多方法需要先对道路进行整体粗提取，然后针对提取出的道路进行后处理来完善路网的结构。本文的技术路线归根于这种设计思想和道路的四个影像特征（光谱特征、几何特征、上下文特征和拓扑特征）。为了充分挖掘高分辨率影像中的道路特征，首先对图像进行预处理来消除部分噪声。然后采用改进的分水岭算法进行图像分割获取影像对象，这是面向对象影像分析的必要环节。在道路特征提取中采用了多尺度分析的方法，分别对主干道路和次要路段采用不同的灰度、长宽比等特征指标进行提取。最后，采用拓扑连接和数学形态学方法处理道路提取过程中产生的道路中断并去除部分影像噪声，在更高层次上进一步完善道路提取的结果 1.1 改进的分水岭分割算法 虽然分水岭的分割速度很快，但由于该算法对微弱边缘的敏感性较强，受噪声的影响分割结果存在过度分割现象。这种分割结果存在大量的分割区域，不仅增加后续分析的代价，而且过多的琐碎区域使得地物的形状特征也不能很好的应用，本文通过选择适当的局域同质性阈值、剔除局部极小值小面积区域、去除小斑块和区域合并来解决过分割问题 1.2 面向对象的道路特征提取 面向对象的遥感信息提取方法主要是依据影像对象特征来描述地物目标的重要属性信息。分水岭变换将图像分割为影像对象后可以得到比较完整的影像对象，但由于“异物同谱”现象的存在，道路对象还不能提取出来。但是，道路影像对象在几何特征、辐射特征等方面与其他影像对象有很大的区别。本文基于道路对象的辐射特征、几何特征和上下文特征，采用面向对象方法，对影像对象的特征因子做定量描述，进而提取道路信息 2 面向对象的道路提取实验 选取江西省赣州市某城区为研究区，采用2016年5月30日的高分辨率遥感影像。数据全色波段的分辨率是1米。原图如图1所示 在进行道路特征提取之前先对遥感影像进行一些预处理，其中包括直方图均衡化，中值滤波。然后将全色影像与多光谱影像进行融合，对其进行分水岭变换，选择合适的阈值对分割结果进行同质性阈值合并，然后去除小斑块和区域合并，此时道路对象基本已经合并在一起，还需要综合利用多种特征将其与其他地物区分开。因为植被、水体的光谱特征与道路的光谱特征差异较大，因此可以分别利用NDVI指数和NDWI指数去除植被、水体，提取出道路潜在区域。选取6种光谱特征和几何特征进行试验建立道路特征知识库，分别为不对称性，密度，长宽比，面积，长度，矩形度。由于不同等级道路的宽度和长度不一致，将研究区内的道路分为主干路和次要路，对其分别提取。最终提取结果如图2所示 3 结束语 从该结果可以看出，该提取方法基本能够较完善的提取出整个实验区的道路，可以看出面向对象方法具有比较大的优势，通过分水岭分割算法，将影像内的边缘信息完整检测出来，综合利用阈值合并和去除小斑块和区域合并极大地提高了信息提取质量。最后利用多种道路特征区分道路和其他地物。当然还有一些不足的地方，比如提取结果很以来分割质量，这也就需要道路能与背景地物能有较大的反差。综合来看，利用面向对象的方法提取道路目标还是可行的 参考文献 [1]张聪颖，田淑芳.基于ENVI Z