基于eCognition分类的森林蓄积量估测的研究.pdf(3)

北京揽宇方圆的影像数据贯穿中国1960年－2015年的实时影像数据，提供多尺度、多分辨率、全覆盖的遥感影像数据服务，zui大限度的保证了遥感影像数据获取的及时性和完整性。与国内高分一号高分二号高分三号资源三号卫星建立长期的战略合作机制,专业给中国用户提供所有遥感卫星影像数据资料、卫星遥感影像数据处理和卫星遥感影像数据综合应用服务。北京揽宇方圆信息技术有限公司公司为北京市创新企业，通过了严格国际质量体系认证，产品和服务质量均有着优良的保证，曾独立提供国家重大遥感图像工程项目和遥感图像处理项目，经过多年在遥感行业的积累，在遥感影像数据供应方面形成了一整套解决方案，公司还拥有一支利用专业遥感信息处理软件进行航空、航天遥感数据处理的队伍，熟练进行遥感影像dom生产、dem提取、遥感动态监测、专题图制作、雷达卫xing变形监测、xu拟现实三维建模、地形图矢量化等处理工作，开展遥感处理技术培训与咨询服务，可解决各种行业针对空间遥感信息数据处理的业务化需求。

通常宜布设于林区或分场的场 部，方便将来差分定位测量应用。82 森林蓄积量定量估测原理(2) 林区GPS 控制网的建立目的主要是满足林业经营管理的需要，所以无需符合国 家控制网的等级要求，但定位精度应满足 0.5m 以内的要求，从而满足林区定位精度及 高分辨率遥感影像几何纠正的需要。(3) 在建立林区GPS 控制网的过程中，至少选择两个已知点进行观测和解算，而且 最好是国家测设的GPS 控制点，以确保定位精度。GPS 采用的是WGS84 坐标系，而实际应用中一般都采用平面坐标系统，因此还必 须进行坐标转换，将WGS84 坐标转换为平面坐标。 2.3 本章小结森林蓄积量是森林资源调查和监测的基本内容，也是最为重要的内容。本章介绍了 用以遥感为主的“3S”技术进行森林蓄积量定量估测的基本思想、方法以及技术路线， 并对估测所需要的数据源进行了简单地阐述。9西安科技大学硕士学位论文3 数据的预处理 3.1 遥感影像的几何纠正 3.1.1 几何位置变换[1]几何位置的变换包括多项式变换、相似变换以及三角形变换 。而在实际应用中较 多采用多项式变换。  设原始影像空间中像元的坐标为 x , y，纠正后影像像元的坐标为 u , v，若取二次 多项式，则纠正模型可以表示为： 22x F u,v a a u a v a u a uv a v x00 10 10 11200222(3.1) y F u,v b b u b v b u b uv b v y00 10 10 1120 02多项式中的待定系数可利用若干个 GPS 控制点的坐标和遥感影像上所对应的行列 号求解，可以先列出误差方程： AX L x1(3.2) AY L y2根据最小二乘原理，可得多项式变换中的待定参数的估值为：1TT X A A A L11(3.3)TT Y A A A L2可以根据上式求解待定参数，但是参与计算的 GPS 控制点数不得少于求解参数所 需要的数量，可以有多余观测值参与平差计算，多项式的阶数越高，纠正的精度就越高， 但要保证点位分布的均匀性。

纠正结束后，可以根据下式进行纠正精度的评价：' 2' 2 (3.4)RMS error x x  y y纠正后总的点位精度应满足误差小于一个像元的基本要求。 3.1.2 灰度值重采样[1]灰度重采样包括最邻近点法、双线性内插法以及三次卷积内插法 。这三种方法的 特点如下：(1) 最邻近点法算法简便，能够维持原有的光谱信息，但是几何位置精度低，纠正103 数据的预处理 后的影像会出现不连续性，原本光滑的边界会呈现锯齿状。(2) 双线性内插法计算简便，能保证一定的灰度采样精度，位置上较为精确，能够 使影像灰度值具有连续性。但是由于灰度值内插，使原有的光谱信息发生畸变，此方法 还拥有低通滤波的特性，会使影像中的高频信息丢失，致使影像变得模糊。(3) 三次卷积内插法不仅可以保证遥感影像灰度值的连续性、几何位置的精确性， 而且可以较好的保留影像中的高频信息，使影像清晰。 3.2 底图的数字化及对象信息的提取准备 3.2.1 底图的数字化所谓底图数字化过程，就是将底图由栅格形式转化为矢量形式的过程。在实际工作 中，可将底图所包含的信息分为不同的类，放在不同的层中进行存储和管理。

将扫描底 图载入 ArcGIS ，使用鼠标进行屏幕数字化，将图形对象分别进行数字化，并且按要求 分层保存，就可得到各层的矢量数据。一般为保存为Shapefile 文件，例如：(1) 点状数据层，储存各地类注记、小班注记以及各级政府驻地等点状信息；(2) 线状数据层，主要包括：①河流层，储存信息包括河流、小溪、沟渠等线状数 据；②道路层，储存信息主要包括各种公路；③小班边界层，主要储存小班区划信息； ④林班边界层，主要储存林班区划信息；⑤边界层，主要储存行政村界、乡镇界、县界 以及地州界信息等；⑥其他边界层，主要储存国有林界、自然保护区界信息等；⑦等高 线层，储存等高线信息；(3) 面状数据层，即为小班区划层，可根据需要添加水域和田地。森林蓄积量估测中所使用的底图一般是林相图，对林相图进行数字化，不仅可以建 立地理空间信息和小班信息的联系，而且林相图只有经过数字化，才可以实现其与遥感 影像的无遮盖叠加显示，从而进行对象信息的提取。 3.2.2 对象信息的提取准备底图数字化的目的是为了实现底图和几何纠正后的遥感影像无遮盖叠加，从而进行 样地对象信息的提取。因此在提取前应该明确所要提取样地对象信息的数量和内容，从 而为随后建立以样地为单位的蓄积量估测方程做好准备。

样地对象信息的提取应该按以 下计划进行：首先应明确遥感信息的提取方法，即将数字化后的底图与将来经过几何纠 正并且分类好的遥感影像叠加在一起，按样地对象在遥感影像上的相应位置，提取所对 应的样地对象的像元信息，主要包括每个样地对象中所包含的像元数目、各波段中不同 灰度值的像元个数、最大灰度值、最小灰度值以及灰度的绝对平均值和加权平均值等， 而且如果实际需要，还应该计算不同波段间的灰度比值。其次，还应该明确如何将DEM11西安科技大学硕士学位论文 模型转化为以样地对象大小为单位的模型，从而实现遥感影像和DEM 模型的无遮盖叠 加，便于实现每一个样地对象GIS 信息的提取，即用将来遥感影像的分类层作为专题层 输出，采用eCognition 软件对DEM 进行强制分割并转化为以样地对象大小为单位的模 型。以上两项内容是建立以样地为单位的蓄积量估测方程的基础和必要准备，在具体工 作前应制定好计划并且明确具体的实现方法，这对于达成本文的预定目标具有非常重要 的意义。 3.3 本章小结数据预处理是用以遥感为主的“3S”技术进行森林蓄积量定量估测的基础，其主要 包括遥感影像的几何纠正以及底图的数字化，其中底图一般是指林相图。

１遥感分类中的样本数量问题 在遥感影像中，地面任意模式的光谱反射特性 可以用一个ｉｔ／维的向量代替，该向量的每一维代表 着该类模式对相应波段光谱的反应。 遥感影像导入、几何纠正、信息查询。为了提高高分辨率遥感影像的分类精度，研究人员通常采用面向对象的影像分 割，以对象为基础提取遥感影像的光谱、纹理、形状等特征进行地物分类［１１Ｊ。

⊙ 多尺度分割 原始像元图像用来将任何类型的全色或多光谱数据以选定尺度（粗、中、细）分割为均匀影像对象，形成影像对象层次网络。产生上述问题的主要原因在于面向像元方法仅以独立像元的光谱特征作为分类的唯一输入，而不考虑像元及其邻域构造出的纹理特征、以及某一区域具有的几何及其他特征。为了提高高分辨率遥感影像的分类精度，研究人员通常采用面向对象的影像分 割，以对象为基础提取遥感影像的光谱、纹理、形状等特征进行地物分类［１１Ｊ。

影像分割是将一幅影像分割为空间上连续的、互不重叠的并具有同质性的区域，称 为对象。在影像分类时，一幅影像可以被分为很多个影像对象，这些对象组成影像的对 象层，而对象层作为影像分类的内部工作区域。在影像分类中，一般采用多尺度分割方 法，产生多个影像对象层，这些层位于基础像元层之上，至少两个对象层可以构成一个 影像对象层。同一个影像对象层内的对象是水平相连的，并且，在影像对象层之间，对象垂直连 接。每个影像对象都明确其上下文关系，其相邻对象和其上层的上层对象和下层的下层13西安科技大学硕士学位论文[4] 对象构成网络形式 ：一个影像对象只能隶属于一个直接的上层父对象，但却可以有很 多个下层子对象。一个父对象是由多个子对象合并而成的，父对象的边界与其下层子对 象的边界是重合的，即下层子对象合并后，所得到的对象边界和上层父对象的边界完全 一致，这就是面向对象的遥感影像分类方法中所采用的多尺度分割。对象层之间的关系 如图4.1 所示：整幅对象对象层对象层相元图4.1 对象层之间的关系在多尺度分割中，所采用的尺度因子不同，分割所得到的对象数量不同，采用大的 尺度因子，所得到的对象比较少，而采用小的尺度因子，所得到的对象多。

理论上讲， 尺度因子越小，后期影像分类的精度就越高，但是，庞大的对象数量往往会影响计算的 速度，使分类工作变得繁杂，所以，并不是尺度因子越小越好，在实际工作中，应该在 保证分类精度的基础上，合理地选择分割尺度。这需要反复试验并且需要建立在一定的 分割经验的基础上，因此，尺度因子的选择非常重要。在具体选择分类方法的时候，不同的分类器，例如参数分类器（最大似然法）和非 参数分类器（神经网络、决策树等），都具有一定的分类优势和不足之处，对于特定的 遥感数据，不同的分类方法所得到的分类精度不相同，而且同一种分类方法对不同类别[2] 的分类精度也不相同 。例如，当具有足够的训练样本，并且在数据集中土地覆盖特性 呈现正态分布时，采用最邻近法可以得到准确的分类结果。本文对监测区域的森林样地 分类将会采用最邻近然法。 4.2 影像的分割影像的分割是面向对象的影像分类技术的基础。它可以将影像分割为空间上连续144 基于eCognition 的林区遥感影像分类[16] 的、互不重叠的并且具有同质性的区域，称为对象 。对象是面向对象的影像分类技术 的基本单元，具有丰富的光谱、纹理、几何等信息，它与像元相比，更有利于进行信息 的提取。

如果设一幅数字影像表达为如下形式：  FPQ f x ,y P Q(4.1)P Q Ff x ,y式子中的为影像的大小，为灰度值集合，图像的分割就是讲数据集 用 以下方法划归为同质性区域 ：SinSi Fwith Si  Sj ∅，i j(4.2)i 1区域的同质性是由一个同质性的指标控制的。对于每一个区域，这个指标为真，而 对于相邻的区域，该标准为假，以确保每个区域与其他区域有明显的差别。在实际中， 遥感影像的分割技术有很多种不同的软件和方法，各种分割方法都具有自己的优势和不 足。目前在林业中广泛使用的是eCognition 软件，也是目前最主要的影像分割和面向对[1] 象的分析软件 。eCognition 软件的多元分割技术是以区域融合和生长技术为基础，它起始于一个像[24] 元大小的区域，以光谱特性和空间特性合并相邻区域 。控制算法的主要参数包括“分 割尺度” （scale）和“同质性标准” （Homogeneity criteria ），分割尺度在同质性标准的帮 助下控制了可容忍的分割结果的异质性。同质性标准通过“形状” （Shape ）和“颜色” （Color ）两项参数来控制，其中形状表示图斑的空间特性，颜色表示光谱特性。

[形状] = [平滑度] + [紧致度]颜色影像对象结果的数值值[颜色]，[颜色] = 1 - [形状]注意：平滑度和紧致度与影像特征的平滑度和紧致度没有关系尺度参数定义影像对象结果的加权影像层的均一性准则的最大标准差，尺度参数值越大，影像对象结果越大。 （1） 紧致度参数对分割结果的影响 试验目的： 试验在相同尺度参数和形状参数情况下， 改变紧致度参数对多尺度分割的影响。ecognition 试验-多尺度分割形状紧致度参数设置_计算机软件及应用_it/计算机_专业...0.8 在尺度参数和形状参数一定的情况下,紧致度越小,所分割的结果得形状显得越...。