面向对象的多尺度无人机影像土地利用信息提取

引用本文

何少林, 徐京华, 张帅毅. 面向对象的多尺度无人机影像土地利用信息提取[J]. 国土资源遥感, 2013,25(2): 107-112
HE Shaolin, XU Jinghua, ZHANG Shuaiyi. Land use classification of object-oriented multi-scale by UAV image[J]. REMOTE SENSING FOR LAND & RESOURCES,2013,25(2): 107-112 复制到剪切板

Permissions

《国土资源遥感》编辑部

面向对象的多尺度无人机影像土地利用信息提取

何少林, 徐京华, 张帅毅

西南交通大学地理信息工程中心,成都 610031

第一作者简介: 何少林(1985-), 男, 硕士研究生, 主要研究方向为低空遥感技术理论与应用。 E-mail:heshaolinjiaoda@126.com。

收稿日期: 2012-06-15

摘要

选取面向对象的方法,对无人机影像进行土地利用信息提取。通过对获取的原始无人机影像进行预处理,选取合适的分割参数对实验区进行多尺度分割,找出不同地物最优分割尺度,建立多尺度分割分类的层次结构体系,然后依据地物分类特征差异,在各自最优分割尺度层建立地物特征提取规则,实现土地利用信息的提取。研究结果表明,针对无人机高分辨率影像,运用面向对象的多尺度分割影像信息提取技术,可充分利用影像中包含的纹理、形状、大小及其相互空间信息,快速、准确地进行土地利用信息提取。

关键词: 无人机影像; 土地利用; 信息提取; 面向对象

中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2013)02-0107-06 doi: 10.6046/gtzyyg.2013.02.19

Land use classification of object-oriented multi-scale by UAV image

HE Shaolin, XU Jinghua, ZHANG Shuaiyi

GIS Engineering Center of Southwest Jiaotong University, Chengdu 610031, China

Abstract

The object-oriented method was chosen to extract land use information from UAV image. Through pretreatment of the original UAV images, the appropriate partition parameters were selected to perform multi-scale segmentation in the experimental area; according to the terrain classification characteristic differences the classification hierarchy system of multi-scale segmentation and the surface feature characteristic extraction rules were established to extract land use information in the respective optimal segmentation scale layer. The result shows that the application of object-oriented multi-scale segmentation technology can extract the land use information rapidly and accurately by using the texture, shape, size, and spatial relationship information of high-resolution UAV image.

Keyword: UAV image; land use; information extraction; object-oriented

Show Figures

0 引言

随着遥感技术的发展, 尤其是影像数据源的丰富和影像处理水平的提高, 遥感技术的应用越来越广泛。运用无人机遥感低空飞行, 可以弥补以卫星、大飞机等为平台的航天航空摄影在多云雾地区难以获取遥感数据的缺陷, 获取较之于低分辨率影像含有更丰富的空间信息、更明显的地物几何特征和纹理信息的高分辨率遥感影像, 从而更容易地获取地物类别属性信息^[1], 更好地实现对土地利用信息的可视化。但是由于传统基于像元的影像分类方法难以区分影像中存在的“ 同物异谱” 及“ 同谱异物” 现象^[2], 导致分类精度不高, 使得高分辨率遥感影像在土地利用中的效率不高。为了克服传统技术的缺点, Baatz M和Schape A根据高分辨率遥感影像的特点, 提出了面向对象的遥感影像分类方法^[3]。但是面向对象单一尺度分割分类容易产生“ 过分割” 和“ 欠分割” 问题^[4]。针对这一问题, 结合高分辨率无人机影像相对于卫星影像能提供更多的形状、纹理以及地表信息的优势, 本文利用面向对象的多尺度分割分类方法对无人机影像的土地利用分类技术进行了研究。

1 实验区选择及研究方法

以具有代表性的四川省德阳市某村庄为实验区。无人机高分辨率影像获取的时间为2009年6月, 影像分辨率为0.2 m, 选用的数据大小为4 918像元× 3 741像元。无人机原始影像是真彩色影像(图1), 包括红、绿、蓝3个波段。从中可以看出, 影像中土地利用类型有居民地、道路、耕地、林地、水体等, 其中耕地有覆盖农作物耕地、覆盖薄膜耕地和裸土耕地3种情况, 水体包括池塘、水田和小溪。

	Figure Option View Download New Window
	图1 无人机影像Fig.1 UAV image

首先, 对原始无人机影像进行预处理。采用POS数据校正无人机飞行时姿态不稳定及相机镜头畸变的影响, 主要包括畸变差校正、空中三角测量及正射影像生成; 然后, 选取合适的分割参数对实验区进行多尺度分割, 在各自最优分割尺度上依据地物特征提取规则, 对土地利用信息进行提取和分类。本文实验流程如图2所示。

	Figure Option View Download New Window
	图2 实验流程Fig.2 Study flowchart

2 实验数据处理

2.1 最优分割尺度选择

遥感影像数据是对依赖于尺度的地表空间格局与过程的特征反映^[4], 每一个地理实体都有其固有的空间属性和分布特征, 因此, 观测、分析和解释不同地理现象的规律, 提取不同的地理实体都需要在不同尺度的影像数据中进行。影像多尺度分割是通过设定不同的对象异质性最小的阈值即尺度, 生产一系列分割分类层次体系, 针对不同类别的对象单元进行统计分析, 找出不同土地利用类型提取相应的最优尺度影像对象层。

对于某一种确定的土地利用类型, 最优分割尺度使分割后的多边形能将这种土地利用类型的边界显示清楚, 并且能用一个或几个对象将其表示出来, 分割之后的影像对象的内部异质性尽可能小, 而不同类别影像对象间的异质性尽可能大^[5]。当影像中纯对象增多时, 与相邻对象之间的光谱异质性增大, 整幅影像中所有对象的亮度均值标准差增大; 相反, 当影像中混合对象增多时, 与相邻对象之间的光谱异质性降低, 整幅影像中所有对象的亮度均值标准差变小。经多次试验, 最优分割的参考值发生在亮度均值标准差的峰值^[6]。为获取不同土地利用类型的最优分割尺度, 本研究进行了影像分割尺度实验。当分割尺度小于100时, 存在大量过度分割, 结果相当破碎; 当分割尺度大于350时, 出现大量的混合对象。因此, 分割尺度范围设为100~350之间, 每隔5进行一次分割并计算亮度均值标准差(图3)。影像的3个通道权重值都设为1, 颜色权重值为0.5, 形状权重值为0.5, 其中形状因子中紧凑度权重为0.6, 光滑度权重为0.4。

	Figure Option View Download New Window
	图3 影像对象亮度均值标准差随分割尺度变化情况Fig.3 Standard deviation of image objects brightness mean with an increasing scale parameter

由图3得出: 130, 190, 230, 240, 250, 260, 275, 305, 315, 330为10个分割尺度最优参考位置, 并依次进行分割处理, 经目视选择, 针对居民地、道路、农作物耕地、覆盖薄膜耕地、裸土耕地、林地和水体(包括池塘、水田和小溪)7种土地利用类型, 分别选取了130, 230, 240, 305, 315, 330共6个尺度, 建立多尺度分割分类层次表(表1)。利用多层分割尺度对土地利用类型进行分类, 能够实现各地类在各自最优分割层上被提取, 最终按照一系列的分类规则重新聚类, 得到较好的分类结果^[7]。

表1 多尺度分割分类层次 Tab.1 Classification levels based on multi-scale segmentation

2.2 不同尺度分割层土地利用类型提取与分类

适宜分割尺度的选择能使影像对象与实际地物斑块形状大小基本一致。在各自土地利用类型最优的尺度分割层上, 分析影像对象的特征信息, 包括光谱、纹理、形状、空间分布等, 依据影像对象的特征信息差异, 建立土地利用特征提取规则, 在各自的最优尺度分割层上提取地物, 并进行分类, 结果如图4所示。

	Figure Option View Download New Window
	图4 不同尺度分割层提取相应土地利用类型Fig.4 Corresponding land use type extraction of different scales segmentation layer

2.2.1 在Level1层提取覆盖薄膜耕地

影像中覆盖薄膜耕地、道路和居民地呈亮白色, 因此可以通过亮度均值特征A来区分其他类型地物, 即

$A = (\begin{matrix} \bar{R} \end{matrix} + \begin{matrix} \bar{G} \end{matrix} + \begin{matrix} \bar{B} \end{matrix}) / 3$ , (1)

式中 $\begin{matrix} \bar{R} \end{matrix}$ , $\begin{matrix} \bar{G} \end{matrix}$ , $\begin{matrix} \bar{B} \end{matrix}$ 分别表示影像红、绿、蓝3通道像元亮度平均值。可根据形状指数特征B区分道路, 即

$B = \begin{matrix} \frac{e}{4 \sqrt[]{S}} \end{matrix}$ , (2)

式中: e为影像对象的边界长度; S为影像对象的面积。最后, 为了把居民地的建筑区分出来, 可根据灰度差分矢量方法(GLDV)^[8], 计算与相邻像素绝对差异的发生概率。GLDV均值特征C的计算公式为^[8]

C= $\begin{matrix} \overset{N - 1}{\sum_{k = 0}} \end{matrix}$ kV_k , (3)

式中: V_k为影像对象层灰度共生矩阵(GLCM)的对角线值之和; N是行或者列的个数。为了在Level1上提取有覆盖薄膜耕地, 根据上述A, B, C这3个特征值定义出分类规则1为: A> 127, B< 3.3且C> 5.7。

2.2.2 在Level2层提取道路和水田

首先将Level1分割层提取有覆盖薄膜耕地同步^[9]到Level2分割层上, 这样只需在剩下未分类的地物中提取道路和水田。为提取道路需要用到亮度均值特征A和形状指数B, 但是运用这2个特征后, 还有少量居民地也会被提取, 为区分它们, 建立相邻暗对象个数特征D。D用于统计相邻对象比自己亮度均值低的个数。由于道路狭长, 相邻对象个数多, 且多数比自己亮度均值低, 所以相邻暗对象个数特征D较大。根据上述A, B, D这3个特征值定义提取道路的分类规则2为: A> 127, B> 3.3且D≥ 5。

然后在剩下未分类对象里提取水田, 首先利用蓝波段均值特征 $\begin{matrix} \bar{B} \end{matrix}$ 将其范围确定下来, 通过观察发现水田蓝波段均值 $\begin{matrix} \bar{B} \end{matrix}$ 比 $\begin{matrix} \bar{G} \end{matrix}$ , $\begin{matrix} \bar{R} \end{matrix}$ 大, 因此自定义特征E, 即

$E = 2 \begin{matrix} \bar{B} \end{matrix} - \begin{matrix} \bar{R} \end{matrix} - \begin{matrix} \bar{G} \end{matrix}$ 。 (4)

据此定义提取水田的分类规则3为: 91< $\begin{matrix} \bar{B} \end{matrix}$ < 96且E> 0。

2.2.3 在Level3层提取林地和池塘

同样先将Level2分割层上已经提取分类好的地物类型同步到Level3分割层上, 只需在剩下未分类的地物中提取林地和池塘。利用绿波段均值特征 $\begin{matrix} \bar{G} \end{matrix}$ 在范围[41, 77]内将林地和池塘全部提取进来; 然后定义分类规则4, 即62< A< 66并且E> 0, 把池塘提出来; 剩下的林地中有少量的有作物耕地, 通过定义分类规则5, 即A> 70, 把少量有作物耕地提出来并将其删除。

2.2.4 在Level4层提取农作物耕地和裸土耕地

为提取农作物耕地和裸土耕地, 需要自定义特征F和G, 即

F=2 $\begin{matrix} \bar{G} \end{matrix}$ - $\begin{matrix} \bar{R} \end{matrix}$ - $\begin{matrix} \bar{B} \end{matrix}$ , (5)

G=2 $\begin{matrix} \bar{R} \end{matrix}$ - $\begin{matrix} \bar{B} \end{matrix}$ - $\begin{matrix} \bar{G} \end{matrix}$ 。 (6)

定义特征F和G是考虑到农作物耕地和裸土耕地在红、绿波段均值的差别较大, 用于区分这2种地类。具体提取步骤是: 首先将Level3分割层上已经提取分类好的地物类型同步到Level4分割层上; 再针对剩下未分类的地物定义分类规则6, 即70< A< 127, 同时提取出的农作物耕地和裸土; 然后定义分类规则7, 即F≥ 9, 将有农作物耕地提取出来; 最后定义分类规则8, 即G> 0且F< 0, 将裸土耕地提取出来。

2.2.5 在Level5层提取居民地

居民地主要包括房屋建筑和少量房屋周围活动场地。经观察发现实验区居民地房屋建筑有蓝色屋顶和暗屋顶2种。对于蓝色屋顶, 考虑到蓝波段反射率大, 故首先利用蓝波段进行提取; 对于暗屋顶, 观察发现其红波段均值 $\begin{matrix} \bar{R} \end{matrix}$ 和蓝波段均值 $\begin{matrix} \bar{B} \end{matrix}$ 比绿波段均值 $\begin{matrix} \bar{G} \end{matrix}$ 大, 因此可通过自定义特征F将其提取出。而对于房屋周围一些活动场地, 在影像上呈亮白色, 蓝波段反射大, 同样利用蓝波段进行提取。具体提取步骤是: 首先将Level4分割层上已经提取分类好的地物类型同步到Level5分割层上, 针对剩下未分类的地物定义分类规则9, 即蓝波段均值 $\begin{matrix} \bar{B} \end{matrix}$ > 158, 将蓝色屋顶和房屋周围一些活动场地提取出来; 然后定义分类规则10, 即74< A< 159且F< -5, 将暗屋顶提取出来。

2.2.6 在Level6层提取小溪

Level6分割层上影像对象较多, 分割形成的小溪对象较适宜, 与小溪形状一致, 因此在本分割层提取小溪。首先将Level5分割层上已经提取分类好的地物类型同步到Level6分割层上, 其次针对剩下未分类的地物定义分类规则11, 即E> 14, 将小溪提取出来。

2.3 制作土地利用专题图

将各分割层提取的土地类型同步到同一分割层上, 把没有提取出来的地物归为其他类。考虑到水田、池塘和小溪都为水体, 故统归为水体类型。制作的土地利用专题图如图5所示。

	Figure Option View Download New Window
	图5 土地利用专题图Fig.5 Thematic map of land use

2.4 比较实验

为了与多尺度多层次分类方法相比, 本文还选择单一尺度分类方法对本实验区进行分类。通过利用多尺度多层次分类方法建立起来的规则, 微调特征参数, 获得了单一尺度为330和240的土地利用分类结果(图6)。

	Figure Option View Download New Window
	图6 单一尺度提取土地利用结果Fig.6 Land use extraction on single-scale

3 精度分析评价

分类精度是检验分类方法是否可行的首要指标^[10]。对实验区进行目视解译, 将其矢量数据作为真实参考。根据实验区范围, 在其内水平方向均匀各布23条样线, 垂直方向均匀布设30条样线, 样线交叉处共有690个点, 作为分类精度检验的样本点。将对应地区的样本点数据真实参考和分类结果进行对比, 得出各种方法下土地类型统计的混淆矩阵。精度评价结果如表2所示。

表2 分类精度评价 Tab.2 Classification accuracy assessment

由表2可知, 面向对象的多尺度多层次分类方法明显优于单一尺度分别为330和240的分类结果, 总体精度达到91.30%, Kappa系数为0.89。单一尺度分割分类使得地物出现过分割和欠分割状态, 分割尺度为240时分类效果略好。总体来说, 多尺度多层次分类结果较好, 其中道路和水体分类结果最好, 但是其他土地类型精度略低, 分析主要原因是由于其他地类中自然裸土和裸土耕地类型没有区分所致。

4 结论

1)无人机低空影像获取技术可以弥补多云雾地区遥感影像难以获取的缺陷, 尤其在西南地区, 在快速获取有关土地利用及其变化信息上有广阔的应用前景。

2)本文采用面向对象的多尺度分类思想, 将影像多层次分割, 获取不同土地利用类型相应最优层次上的影像对象。这种基于多尺度多层次提取土地利用信息方法, 能弥补在单一尺度下某些类型地物分割不佳的缺陷, 提高分类精度, 达到快速、准确提取土地利用信息, 制作土地利用专题图, 实现土地利用信息可视化的目的。

3)虽然面向对象的多尺度多层次分类方法能取得较高的精度, 但在分类过程中最优分割尺度选取和提取规则设置都需要人工参与, 对分类者的要求较高, 发展地物最佳提取层次与最优分割尺度的自适应匹配和降低规则建立时人为干预, 是下一步研究的目标。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	邓媛媛, 巫兆聪, 易俐娜, 等. 面向对象的高分辨率影像农用地分类[J]. 国土资源遥感, 2010, 22(4): 117-121. Deng Y Y, Wu Z C, Yi L N, et al. Research on object-oriented classification of agricultural land based on high resolution images[J]. Remote Sensing for Land and Resources, 2010, 22(4): 117-121. [本文引用:1]
[2]	周成虎, 骆剑成. 高分辨率卫星遥感影像地学计算[M]. 北京: 科学出版社, 2009: 14-25. Zhou C H, Luo J C. The geocomputation of the high resolution satellite image[M]. Beijing: Science Press, 2009: 14-15. [本文引用:1]
[3]	Baatz M, Schape A. Object-oriented and multi-scale image analysis in semantic networks[C]//Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing, Enschede, Netherland s, 1999: 16-20. [本文引用:1]
[4]	黄慧萍. 面向对象影像分析中尺度问题研究[D]. 北京: 中国科学院研究生院, 2003. Huang H P. Scale issues in object-oriented image analysis[D]. Beijing: Institute of Remote Sensing Applications Chinese Academy of Sciences, 2003. [本文引用:2]
[5]	Kim M, Madden M, Warner T. Estimation of optimal image object size for the segmentation of forest stand s with multispectral IKONOS imagery[C]//Object-Based Image Analysis. Thomas Blaschke, Stefan Lang and Geoffrey J Hay, 2008: 291-307. [本文引用:1]
[6]	林先成, 李永树. 成都平原高分辨率遥感影像分割尺度研究[J]. 国土资源遥感, 2010, 22(2): 7-11. Lin X C, Li Y S. A study of the segmentation scale of high-resolution remotely sensed sensed data in Chengdu plain[J]. Remote Sensing for Land and Resources, 2010, 22(2): 7-11. [本文引用:1]
[7]	龚剑明, 杨晓梅, 张涛, 等. 基于遥感多特征组合的冰川及其相关地表类型信息提取[J]. 地球信息科学学报, 2009, 11(6): 765-771. Gong J M, Yang X M, Zhang T, et al. Information extraction of glacier and its land form classes based on multi-feature remote sensing image combination[J]. Journal of Geo-Information Science, 2009, 11(6): 765-771. [本文引用:1]
[8]	关元秀, 程晓阳. 高分辨率卫星影像处理指南[M]. 北京: 科学出版社, 2008: 164-221. Guan Y X, Cheng X Y. The processing guidebook of the high resolution satellite image[M]. Beijing: Science Press, 2008: 164-221. [本文引用:2]
[9]	eCognition Developer Trial 8. 0 Reference Book[M/CD]. Germany: Definiens, 2009. [本文引用:1]
[10]	鲁恒, 李永树, 林先成. 无人机高空间分辨率影像分类研究[J]. 测绘科学, 2011, 36(6): 106-108. Lu H, Li Y S, Lin X C. Classification of high resolution imagery by unmanned aerial vehicle[J]. Science of Surveying and Mapping, 2011, 36(6): 106-108. [本文引用:1] [CJCR: 0.603]

2010

0.0

邓媛媛, 巫兆聪, 易俐娜, 等. 面向对象的高分辨率影像农用地分类[J]. 国土资源遥感, 2010, 22(4): 117-121.

Deng Y

, Wu Z

, Yi L

, et al. Research on object-oriented classification of agricultural land based on high resolution images[J]. Remote Sensing for Land and Resources, 2010, 22(4): 117-121.

This paper has explored the method and scheme for classifying different kinds of agricultural land from the high resolution remote sensing images by using multi-scale segmentation technology and rule-based image analysis approaches. Firstly, optimal segmentation scale was examined to construct a multi-scale segmentation level network according to the size of objects. Secondly, on the basis of spectrum, shape, texture and topology characteristics of images, several features of NDVI, shape indices, brightness, mean spectral value of red band, and ratio of near-infrared band, the standard deviation of near-infrared band and homogeneity were selected to classify objects into four agricultural land categories. The results show that these characteristics are effective in identifying agricultural land type and that the precision is higher than that of the traditional maximum likelihood classification.

School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China

采用面向对象的影像分类方法，结合多尺度分割技术，以QuickBird影像为实验数据，进行农用地的精细自动分类。首先，根据地物大小，选择最优分割尺度，构建多尺度分割等级网；然后，综合利用高分辨率影像的光谱信息、纹理和形状特征，建立各个对象的特征集；最后，通过目视解译建立隶属度函数，实现地物的分层提取。实验表明，该方法能有效区分农作物种类，相对于传统的像素级分类方法，该方法明显提高了高分辨率影像的分类精度，且避免了“椒盐”噪声的产生。

... 运用无人机遥感低空飞行,可以弥补以卫星、大飞机等为平台的航天航空摄影在多云雾地区难以获取遥感数据的缺陷,获取较之于低分辨率影像含有更丰富的空间信息、更明显的地物几何特征和纹理信息的高分辨率遥感影像,从而更容易地获取地物类别属性信息^[1],更好地实现对土地利用信息的可视化 ...

2009

0.0

... 现象^[2],导致分类精度不高,使得高分辨率遥感影像在土地利用中的效率不高 ...

1999

0.0

... 为了克服传统技术的缺点,Baatz M和Schape A根据高分辨率遥感影像的特点,提出了面向对象的遥感影像分类方法^[3] ...

2003

0.0

... 问题^[4] ...

... 1 最优分割尺度选择遥感影像数据是对依赖于尺度的地表空间格局与过程的特征反映^[4],每一个地理实体都有其固有的空间属性和分布特征,因此,观测、分析和解释不同地理现象的规律,提取不同的地理实体都需要在不同尺度的影像数据中进行 ...

2008

0.0

... 对于某一种确定的土地利用类型,最优分割尺度使分割后的多边形能将这种土地利用类型的边界显示清楚,并且能用一个或几个对象将其表示出来,分割之后的影像对象的内部异质性尽可能小,而不同类别影像对象间的异质性尽可能大^[5] ...

2010

0.0

林先成, 李永树. 成都平原高分辨率遥感影像分割尺度研究[J]. 国土资源遥感, 2010, 22(2): 7-11.

Lin X

, Li Y

A study of the segmentation scale of high-resolution remotely sensed sensed data in Chengdu plain[J]. Remote Sensing for Land and Resources, 2010, 22(2): 7-11.

In classifying the high-resolution remotely sensed data，the method applying the object-oriented image analysis is better than that applying the traditional pixel-oriented analysis. The first key step is the image segmentation for applying the object-oriented analysis. The results of the segmentation are the acquisition of a series of objects related to the real objects. The veracity of the segmentation is related to the selected segmentation scale. This paper has studied the selection of the segmentation scale of the high-resolution remotely sensed data obtained in Chengdu plain, applied different scales for image segmentation and compared the results. It is found that the best scale is 30, the same as the scale with which the mean brightness of the image objects has the maximum standard deviation.

1． GIS Engineering Center of Southwest Jiaotong University, Chengdu　610031， China；2． College of Geography and Resources Sciences，Sichuan Normal University， Chengdu　610068， China

对高分辨率遥感影像进行分类，面向对象的影像分析技术优于传统的面向像元的影像分析技术。要使用面向对象的影像分析技术，关键是分割遥感影像，以得到一系列与地物有密切联系的影像对象。分割的准确性与分割的尺度选择有关。针对成都平原高分辨率卫星影像，采用不同尺度对试验区影像进行分割，并比较分割结果，确定成都平原高分辨率遥感影像数据分割最佳尺度为30，该尺度分割的影像对象亮度均值标准差最大。

... 经多次试验,最优分割的参考值发生在亮度均值标准差的峰值^[6] ...

2009

0.0

龚剑明, 杨晓梅, 张涛, 等. 基于遥感多特征组合的冰川及其相关地表类型信息提取[J]. 地球信息科学学报, 2009, 11(6): 765-771.

Gong J

, Yang X

, Zhang

, et al. Information extraction of glacier and its land form classes based on multi-feature remote sensing image combination[J]. Journal of Geo-Information Science, 2009, 11(6): 765-771.

As a typical land cover class of Qinghai-Tibetan Plateau,glacier is widely distributed in alpine terrain.However,field measurement is impossible in those areas because of complex terrain and adverse weather.At first,on the basis of analyzing the glacier image features such as the spectrum and shape,object spatial relations based on context and environment distribution including terrain and climate,this study combined and developed the existing features description algorithm of object-oriented method.Secondly,we build a series of combined extraction models for glacier information using high resolution remote sensing images and DEM data.At last,based on object-oriented method and combined extraction models,the paper tested the glacier landform extraction in the study area under the Western Mapping Project in Qinghai-Tibetan Plateau.Results indicate that the multi-feature combination model is feasible.The researches introduce a new remote sensing auto-extraction approach of glacier information where it is hardly to make field measurement.Moreover,the paper develops some new ideas for researches on glacier ablation monitoring and climatic change.

Institute of Geographical Sciences and Natural Resources Research,CAS,Beijing 100101,China

冰川作为青藏高原的一种典型的地表覆盖类型,在高寒地区广泛分布,往往因为地形复杂,无法实地测绘。本文利用高分辨率遥感影像和高精度的DEM,在分析各种冰川类别的光谱、形状、空间关系、地形和气候等环境分布特征的基础上,综合和发展了现有的特征描述算法,建立了描述各种冰川类别特征的组合提取模型,运用面向对象的自动提取方法,对西部测图区青藏高原试验区进行了冰雪影像自动识别试验。试验结果表明,该方法是可行的,它对难以实地测量的冰雪信息引进了遥感自动提取方法,为研究冰川消融和气候变化拓展了研究思路。

... 利用多层分割尺度对土地利用类型进行分类,能够实现各地类在各自最优分割层上被提取,最终按照一系列的分类规则重新聚类,得到较好的分类结果^[7] ...

2008

0.0

... 最后,为了把居民地的建筑区分出来,可根据灰度差分矢量方法(GLDV)^[8],计算与相邻像素绝对差异的发生概率 ...

... GLDV均值特征C的计算公式为^[8] ...

2009

0.0

... 首先将Level1分割层提取有覆盖薄膜耕地同步^[9]到Level2分割层上,这样只需在剩下未分类的地物中提取道路和水田 ...

2011

0.0

0.603

... 3 精度分析评价分类精度是检验分类方法是否可行的首要指标^[10] ...