基于QuickBird遥感图像黑石顶森林景观格局分析.pdf(3)

自上而下算法从单个象元丌始，合并DN 值相似的、相邻的象元，直至产生的图像对象的整体异质性达到预先定义的闽值 为止，产生第一个等级的对象网络。而多尺度的具体实现是相邻的图像对象的合 并，直至新产生的对象的整体异质性达到某一个阈值为止。这样，在原来的尺度 的基础上，产生新的、更大的一个尺度。多尺度分割产生的图像对象形成一个对 象等级网络，使用对象关系模型把这个等级网络巾所有的对象组织起来。在这个 模型中，每一个对象都知道自己属于哪个尺度、它拥有哪些子对象、它自己属于 上一个尺度的哪一个对象(父对象)以及同一个尺度中的与自己相邻的对象。用 于判断合并是否继续进行的阈值在图像分割的范畴中，指的是局部异质性，用于 比较合并前的几个对象和与合并后产生的新对象的差异程度。异质性以对象的体 积为权重，既可以是对象的光谱异质性，也可以结合对象的形状异质性。显然， 这个在图像分割中的这个闽值，对应着景观中的尺度，通过选择合适的闽值，分． 割出具有真实意义的景观单位。不同闽值分割出来的多等级对象网络，对应于同 一个景观在不同尺度下的结构。中山大学2006届硕士学位论文：基于QuickBird遥感图像的黑石顶森林景观格局分析 图1-2多尺度分割产生的图像对象关系模型multiscaler Fig．1—2Objectrelationshiphierarchygeneratedby segmentation所以一般而言，基于对象的方法基本上应用于各种H．res、VHR数据，但这并 不排斥把基于对象的方法应用到M．res(medianresolution)的遥感数据上。

对于 图像分割算法来说，H．res和M．res没有任何区别，分割的依据仅是是图像局部区 域DN值的相似性，不涉及任何生态学的概念；而从景观的角度来说，H—res对应 着小尺度的景观，而M．res对应着大尺度的景观。这意味着，对于这个基于对象 的、多尺度景观分析方法来说，可以把不同分辨率、不同传感器的EO数据用于 同～个项目，具有相同空间范围的不同分辨率的EO数据对应着这个空间范围不 同尺度下的格局。分别对不同分辨率的图像进行图像分割，产生的多个对象等级 网络(一个分辨率生成一个等级网络)，然后再组织到同一个对象关系模型中。 这样，在一个景观分析任务中，能同时利用不同的数据源，在多个尺度、大尺度 跨度上进行景观分析，而且，还能充分利用不同传感器的性质，比?＆llQuickBird 的高空问分辨率和TM的高光谱性质。通过多尺度图像分割产生的对象关系模型将应用到后续的分类处理和景观 分析。在基于对象的、多尺度景观分析方法下，分类处理将采用操作性更好、精 度更高的面向对象分类方法，而不是传统的基于象元的分类方法。 1．4．2基于象元与基于对象的方法在分类上的区别在以象元为中心的方法中，分类的单位是象元，分类的依据是象元的光谱值。

常用的方法有迭代自组织(ISo，非监督分类)，均值法(Mean，非监督分类)， 些遥感软件(如Erdas8．6)中也存在专家分类(expertcla_ssify)，根据预先定义base)分类，进一步提高分类的结果，但决策的依据仅 好的知识库(knowledge 仅涉及到光谱信息、逻辑判断和简单的拓扑关系。在基于对象的方法中，分类的单位是图像对象，可用于分类的依据不仅仅是 图像对象的光谱值：(1)内在特征：图像对象的物理属性，包括颜色、亮度、形 状、纹理、边界等。这些属性由图像对象对应的地物性质、传感器类型、成像条 件等所决定；(2)拓扑特征：描述一个对象与相邻对象的几何关系，或者是在整中山大学2006届硕十学位论文：绪论 个景观中的位置，比如相邻对象的数目，在特定距离内的对象的类型，在整个景 观的相对位置等；(3)上下文特征：描述对象间语义关系的特征。比如公园这一 个类别，一定是存在于城市类别中。在传统的基于象元的分类方法中，分类后处理仅仪涉及类别合并、小斑块消 除这些处理，很少能够在分类的结果上．根据特定的需要和条件，调整分类的结 果，如：建筑物包围在草地中，而高大的建筑物总会产生大片的阴影，应该在分 类的结果上，把建筑物类别相邻的阴影合并到草地中。

但是即使是神经网络这一在传统的基于像素的分类方法中比较成熟的方法,在遥感影像计算机分类中,对于两种空间分辨率的卫星影像的信息提取,由于基于像素的方法对高分辨率影像的细节信息利用不足,在分类精度上反而达不到低空间分辨率影像的效果,因为在对高分辨率影像进行分类时,容易出现“椒盐现象”,降低了分类精度。ecognition可以进行基于样本的监督分类或基于知识的模糊分类、二者结合分类及人工分类，影像对象和分类结果易于导出成常用gis数据格式，可以用于集成或gis数据库更新。ecognition可以进行基于样本的监督分类或基于知识的模糊分类，二者结合分类以及人工分类，影像对象和分类结果易于导出常用gis数据格式，可用于集成或更新gis数据库。

另外，在图像的生成过程中，传感器的测量值转化为影像数 据，为了减少存储空间和数据传输量，往往要对影像数据进行数据压缩，这个过 程在最终生成图像影像中增加了随机性和不确定性；(2)景观作为一个连续体而 出现，同时土地覆盖／土地类型也是连续变化的。比如，在高密度植被覆盖和低 密度植被覆盖、高人口密度和低人口密度之间没有清晰的界限，任何人为制定的 阈值都不是完全正确的，土地覆盖／土地类型自身就具有模糊性和不确定性。综上所述，从遥感影像中提取信息，很大程度上需要依赖模糊知识(vague knowledge)，例如：在水体在红外波段的反射率接近0、植被的NDVI值一般大4中山大学2006届硕：卜学位论文：基于QuickBird遥感图像的黑石顶森林景观格局分析 于O．36、阔叶树种基本上都有大致圆形的树冠。而且在很多时候，从影像数据中 并不能得到足够的信息，这可能是辐射分辨率或空间分辨率不足，信噪比太低， 或者感兴趣的地物在传感器上并没有产生不同的信号，如果不把这些不确定性因 素加以考虑，信息提取、分类的将不具有健壮性和可转移性。把不确定性加以考 虑的分类方法，称为软分类器(softclassifier)。

1．4．4软分类器与模糊分类 (assigning)到一个特定的类别。一个类别的描述通常是这个类别的典型属性或 这个类别必须拥有的条件。对象是否被分配，分类，取决于是否满足这些属性或 条件。根据数据库的术语，一个特征空间被分割为多个区域，这些区域建立起对 象和类别的多对一的关系。分类的结果是每一个对象属于某～个确定的类别，或 者保持未分类的状态。在遥感领域，经典的分类器有最大似然法、最小距离法和 平行六面体法，这些分类器为每一个对象确定一个0或1的隶属度(membership)，classifier)， 表明这个对象是否属于这个类别。这些分类器称为硬分类器(hard 因为它们使用二值(binary)的方式表示对象关于某个类别的隶属度。相反地， 软分类器使用一个范围的可能性来表达对象分配到一个类别可能程度。隶属度的 范围一般为从0到1，0表示对象完全不属于这个类别，而1表示对象完全属于 这个类别。因此，一个对象关于某个类别的隶属度表示这个对象满足这个类别的 属性／条件的程度。这些软方法的一个优点是允许表达对象关于一个类别的不确 定性，而且还能同时表达出同一个对象关于不同类别隶属度，根据不同的类别描 述，这个对象关于不同类别的不同隶属度表示出这个对象分配为不同类别的可能 性。

从图像理解这个角度来说，软分类的结果更能够表达人类知识关于现实世界 的不确定性，更接近人类的语言j思维和想法；用另一句话来说，软分类器比起 硬分类器来说更加“诚实”。基于模糊系统(fuzzysystem)的软分类器是目前最好的软分类器之一(Kl'use， 想法是使用【0，1】这个连续范围内来代替“是”和“否”这两个确切的逻辑表述， 0和1之间的所有值都或多或少地表示“是”和“否”这两个状态。因此，模糊 逻辑能够模仿人类思维，并能把语言上的规则加以考虑。模糊分类更适用于处理中山大学2006届硕士学位论文：绪论 遥感中信息提取的不确定性。参数和模型的不确定性通过模糊集定义的模糊函数 变范围取代了二值的“true”和“false”。classification)，其中每一个类别模糊分类系统产生的是一个模糊分类(fuzzy 的隶属度分配到每一个对象中。模糊分类允许进行后续步骤的详细分析，并能了 解每一个图像对象的类别混合情况或类别可分离性。最简单的情况是，一个对象 将分类为它当中的最大隶属度的那个类别。 1．4．5模糊分类系统rule模糊系统分由三部分由构成：模糊化(fuzzification)，模糊规则库(fuzzy模糊化(fuzzification)表示了从二值系统(booleansystem)向模糊系统(fuzzy system)的转化。

此函数接口用于控制变形体的边界运动, position就是运动边界上某网格节点的位置值,用户可以通过对其赋值达到控制效果,position [0]对应边界节点的x坐标, position [1]对应y 坐标, position [2]对应z坐标。此函数接口用于控制变形体的边界运动, position就是运动边界上某网格节点的位置值,用户可以通过对其赋值达到控制效果,position [0]对应边界节点的x坐标, position [1]对应y坐标, position [2]对应z坐标。到的一次函数的图像、二次函数的图像、正比例函数5的图像、反比例的图像等都是用图像法表示函数关系的.如果用n达朗贝尔和欧拉的方法来表达函数关系,0各自有它b们的优点,但是c如果作为函数的定义,还有欠缺.因为这两种方法都还停留在表面现2象上,而没有提示出函数的本质来.函数就是在某变化过程中有两个变量x和y,变量y随着变量x一起变化,而且依赖于x.如果变量x取某个特定的值,y依确定的关系取24相应的值,那么称y是xx的函数.这一要领是由法国数学家黎曼在19世纪提出来的,但是最早产生于德国的数学家菜布尼茨.他和牛顿是微积分hjn的发明者.17世纪末,在他的文章中,首先使用了“function"一词.翻译成汉语的意d思就是“函数.不过,它和我们今天使用的函数一词的内涵并不一样,它表示”幂”、“坐标”、“切线长”等概念.。

以及 类别判别部，其采用与所述第i特征量空间中的所述块图像的特征量的大小对应的坐标位置以及所述分离平面，判别所述块图像是否被分类为所述类别， 所述特征量计算部采用根据该块图像的图像信息算出的局部特征量以及根据所述对象图像整体的图像信息算出的整体特征量，作为所述块图像的特征量，并且， 在以所述块图像的多个特征为坐标轴的第2特征量空间中，采用组合所述块图像的多个所述局部特征量而成的特征量矢量的坐标位置和所述第2特征量空间的一个或多个任意区域，按照每个区域对具有属于所述区域的所述特征量矢量的所述块图像进行计数，将按照每个区域计得的所述块图像的数量包含在所述整体特征量中。以及 类别判别步骤，采用与所述第i特征量空间中的所述块图像的特征量的大小对应的坐标位置以及所述分离平面，判别所述块图像是否被分类为所述类别， 在所述特征量计算步骤中， 采用根据该块图像的图像信息算出的局部特征量以及根据所述对象图像整体的图像信息算出的整体特征量，作为所述块图像的特征量，并且 在以所述块图像的多个特征为坐标轴的第2特征量空间中，采用组合所述块图像的多个所述局部特征量而成的特征量矢量的坐标位置和所述第2特征量空间的一个或多个任意区域，按照每个区域对具有属于所述区域的所述特征量矢量的所述块图像进行计数，将按照每个区域计得的所述块图像的数量包含在所述整体特征量中。第二的分类环节，将上述影像对象对应的特征作为输入，以监督或非监督的方式执行分类，或是以用户设定规则集作为类别过滤条件，实现针对各个影像对象的类别判别和属性赋予。

一个对象的模糊分类中，类别的隶属值 越高，表示分类的可靠性越高。图像对象的最终分类结果将根据这个对象的模糊 分类，以及所有对象的模糊分类的统计值做决定。 A：一个图像对藩的模期系绕，类别的隶璃 B；这个对象关于每一个类剐的隶属度分别为0，2、0．4年口0．3。所奢类别的隶属发的 分别为0．6、0．8和o．3。遮个对象的类别值都很小，表示这个对象的分樊不具有可靠 }恕☆程度不离．隶属度最大的擞别为Water， 辨其育很好的埘熊性。性。 图1—4两个图像对象的模糊系统The classificationfortow Fig．1-4fuzzyimageobjects．!些查堂!!些旦堕圭兰垡堡兰!堕堡 用中，需要把模糊系统转回二值系统，所有的对象都被分配到一个类别或者保持 未分类状态。最简单的去模糊化是根据分类系统中的最大值确定对象属于那个类 别：如果最大值低于这个类别的阂值，则这个对象不分配到任何类别中(如图 1-4B，如果类别Water规定最小隶属度为0．5，则这个对象不会分配到任何类别)。 但是，这种去模糊化的方法会造成分类系统中丰富的信息丢失．得不到充分利用。 1．6本文的研究内容、目的与技术路线本论文应用多尺度的景观分析的理论，使用高分辨率的QuickBird遥感影像和 面向对象的分析软件eCognition，对黑石顶的景观格局进行分析，为更好地管理 和规划保护区提供必要信息与决策依据。