摘 要

本文借助ArcGIS软件对北京市丰台区2008年的遥感影像图进行人工矢量化，将得到的影像图进行多尺度分割和分类，经过多次探索，通过统计分析各类地物对象最大面积与分割尺度的关系，确定特定地物的最佳分割尺度，将最佳尺度下的地物的形状、面积、纹理以及光谱等属性提取出来，为本次研究提供初步数据基础；接着确定不同尺度下具有上下层语义关系的地物类型，如小区必然包含房屋，工业用地必然有工厂，但是小区里面肯定没有工厂，而工业区也不会有大量住宅，以及小区中可能有绿地和道路等，在50尺度下通过对影像进行分类，发现了这种语义上的关系以及分类时出现的错误，因而进一步对对象属性与对象类别之间的关系进行研究。本文以住宅和工厂之间的判别为例，运用ArcGIS软件对执行过多尺度分类的初级数据进行人工矫正，选取影像图中的分布均匀，地形特征明显的不同区域，对错分地物进行二次分类，对于漏分地物单独进行分类，以此得到更加精确的数据。在人工矫正后的数据中分别选取相同数量的住宅和工厂，分别建立不同对象类别与对象属性之间的逻辑回归方程，探索对象类别和属性之间的逻辑关系，进而建立判别方程，寻求二者之间的一个分水岭，然后选取不同于上述样本的验证集，对判别关系式进行验证，最终回代正确率为73.3%，结果显示本次研究中得到的模型与实际分类结果相近，较为合理。

关键词：语义；多尺度；分类

Abstract

In this paper, the artificial vector by means of ArcGIS software in Beijing, Fengtai District in 2008 remote sensing image will get multi-scale image segmentation and classification, repeated exploration, analysis of the relationship between the objects and the largest area segmentation scale by statistics, determine the optimal segmentation scale specific features, the extracted shape and area, the texture and spectral properties of the best scale features, provide preliminary data foundation for this research; then determine the different scales of the semantic relationship between the type of features, such as small must include housing, industrial land must have factories, but certainly not the area inside the factory, there are a large number of residential and industrial area will not well, there may be residential green space and road, in 50 through the scale of image classification, found the semantic. The relationship between object attributes and object classes is further studied. This paper to homes and factories between discrimination, for example, the use of ArcGIS software to perform in a multiscale classification of primary data for manual correction, the selected images of uniform distribution, terrain obvious characteristics of different regions, the wrong terrain classification, for missed object classification alone, in order to get more accurate data. In artificial correction after the data were selected the same number of homes and factories, were established between the different object categories and attributes of the object logic regression equation, to explore the logic relationship between object classes and attributes, and establish the discriminant equation, seek a divide between the two, and then select different to verify the above sample set is used to verify the discriminant relation, and ultimately back to the correct rate was 73.3%. The results showed that the model obtained in this study and the actual classification results are close to each other and more reasonable.

Key Words：Semantic; Multi-scale; Classification

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究的背景与意义 1

1.2 国内外研究现状 1

1.3 存在的问题 3

1.4 本文的主要研究内容和结构安排 3

第2章 高分辨率遥感影像多尺度分割方法 4

2.1 影像分割原理 4

2.2 常见影像分割方法 4

2.2.1阈值法 4

2.2.2聚类法 5

2.2.3基于边缘检测的分割方法 6

2.3 多尺度分割方法 7

第3章 高分辨遥感影像的数据处理 9

3.1 遥感影像数据矢量化 9

3.2 遥感影像数据多尺度分割 11

3.3 确定具有上下层语义关系的地物类型 12

3.4 遥感影像数据分类 13

3.5 在最佳尺度上提取目标对象及其属性 13

第4章 对象属性与对象类别之间的判别分析 16

4.1 判别分析原理及其基本思想 16

4.2 分类研究的常用方法 16

4.3 判别函数及判别准则的建立 17

4.4 实验结果分析 19

第5章 结论与展望 20

5.1 结论 20

5.2 展望 20

参考文献 21

致 谢 22

第1章 绪论

1.1 研究的背景与意义

近年来，遥感技术的发展日新月异，传感器技术多种多样，遥感平台数量种类迅猛增长，传统的遥感技术和低分辨率遥感难以跟上时代的步伐，而高分辨率遥感却越来越受到大众的青睐。传统遥感技术得到的影像图中，目标地物的尺度较大，辨识度不高，内部结构模糊，为目标地物的单独研究带来极大的不便，与周围其他地物的区分度也不高，难以寻求目标地物与周边地物的关系。此时高分辨率遥感的出现犹如雪中送炭，在一定程度上解决了燃眉之急，其影像图辨识度高，结构相对来说较为清晰，可以单独提取研究，与周边地物的区分度也较为明显，能够很好地研究不同地物间的相互关系，让遥感数据信息的分析更加多样化，也为多项科研提供了可行性，很好地推动了遥感技术的发展，也让遥感领域覆盖的行业越来越多，尤其是在地物信息提取方面体现出了不可或缺的重要性^[1,2,3]。但是，正是高分辨遥感中地物信息的复杂多样，目标地物的结构形状多种多样，还存在各种干扰信息，使得高分辨率遥感在地物信息提取方面面临着前所未有的挑战。高分辨率遥感以像元为基本单位进行图像分割，把光谱信息当做第一研究要素，但是却不注重地物的其他属性，比如纹理、形状和面积等空间几何信息，因此导致了非常严重的“椒盐现象”，地物信息的提取结果的错分漏分现象很普遍，这又使得高分辨率遥感不能达到精度较高的商业用途。因此，我们需要更加深入的了解遥感数据的特点，寻求新的地物信息提取方法和数据处理方法，以提高高分辨率遥感的实际应用价值。

1.2 国内外研究现状

将遥感影像图进行放大，以单个像元为单位对图像进行处理是当前遥感研究中比较常见的手段，那么有效而又准确地得到目标像元的边界长度、面积以及内部构造等信息就显得尤为重要。在主流的遥感影像分类手段中，对于研究对象的属性获取主要还是集中在纹理、形状、光谱信息等方面。Franking等人在2000年提出通过结合纹理特征与光谱特征来发现高分辨率影像中的空间结构。自此之后，在影像地物分类中便开始通过纹理来区分具有相似光谱的不同地类的对象。近10年来越来越多学者把科研目光投入到通过纹理对遥感影像执行分类的方向，并且建立了多种不同类型的纹理分析方法来定量地描述对象的纹理信息，常见的分析手段有：通过信号识别、借助数学图像模型进行统计、运用几何自相关函数。随着多种纹理属性的融合，影像中对象的特性能够更好地得到描述。在2006年，Bhagavathy等人对纹理属性的研究，更深层次地从每个遥感影像像元中获取了反复观察到的纹理单元，例如马上内多次出现的车辆和斑马线，并记录它们的地理位置。如果把每个基元当做一个元素，那么对象就是包含这些元素的一个集合。Pesaresi不仅获取了影像图中像元的纹理特征，还通过图像内在的拓扑属性研究并发现了像元间的相互关系。Tuia等人则从其他方面获取了更多的对象属性，以形态学算子的方法来表达影像对象^[4,5]。

在地物属性获取方面，高分辨率遥感影像比中低分辨率遥感影像拥有数量种类更多的空间特征、对象形状结构和纹理属性。伴随影像中空间信息的增加，研究基于对象的遥感影像表达和分类成为遥感领域一个大的趋势。常见的遥感影像地物分类主要有三种：无监督分类（Unsupervised classsification）、监督分类（Supervised classification）和半监督分类（Semi-supervised classification）。这几种分类方法的主要区别在于对训练数据集的应用，无监督模型一般不需要训练样本和其他先验知识，可以直接通过数据的特性进行聚类；监督模型则必须通过训练样本来计算分类结果才能进行分类；而半监督模型则更加复杂，需要同时顾及设有标志研究样本和没有标志的验证样本才能构建模型。