北京揽宇方圆信息技术有限公司、遥感卫星影像数据信息提取北京揽宇方圆信息技术有限公司中科院企业,卫星影像数据服务全国领先。
业务包括遥感数据获取与分发、遥感数据产品深加工与处理。
按照遥感卫星数据一星多用、多星组网、多网协同的发展思路,根据观测任务的技术特征和用户需求特征,重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列,构建由 26个星座及三类专题卫星组成的遥感卫星系统,逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。
(1光学卫星影像系列。
面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求,提供 worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、 ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm、 landsat(etm、 rapideye、alos、Kompsat 卫星、北京二号、资源三号、高分一号、高分二号等高分辨率光学观测星座。
围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求,发展极轨高分辨率光学卫星星座,实现全球范围内精细化观测的数据获取能力。
像国产的中分辨率光学观测星座。
围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求,建设高、低轨道合理配置的中分辨率光学卫星星座,实现全球范围天级快速动态观测以及全国范围小时级观测。
(2雷达卫星影像系列合成孔径雷达(SAR观测星座。
errasar-x、radarsat-2、alos、高分三号卫星围绕行业及市场应用对自然灾害监测、资源监测、环境监测、农情监测、桥隧形变监测、地面沉降、基础地理信息、全球变化信息获取等全天候、全天时、多尺度观测,以及高精度形变观测业务需求,发挥 SAR 卫星在复杂气象条件下的观测优势,与光学观测手段相互配合,建设高低轨道合理配置、多种观测频段相结合的卫星星座,形成多频段、多模式综合观测能力(3历史卫星影像系例锁眼卫星影像 1960年至 1980年代的影像,高分辨率 0.6米,已在中国各个行业得到广泛应用。
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、雷达卫星变形监测、虚拟现实三维建模、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。
近年来,参与并完成了国土变更调查、第二次全国湿地资源调查、矿区变化信息提取等多个遥感数据工程项目。
1引言水体信息的提取对于环境监测、水资源调查以及合理的规划利用等起着十分重要的作用。
利用遥感影像提取水体的研究已有许多成果。
如,徐涵秋对 Mcfeeters 的归一化差异水体指数(NormalizedDifference Water Index , NDWI [1]进行改进得到的改进归一化差异水体指数 (ModifiedNDWI , MNDWI, 该方法能有效地避免水体与阴影的混淆 [2];杨树文等针对细小水体的提取提出了多波段谱间关系的改进方法,也得到了很好的效果 [3]。
但这些研究多针对中低分辨率的遥感影像,且都需要影像具有较高的光谱分辨率。
近年来,由于高分辨率卫星影像应用越来越广泛,相对于中低分辨率影像,这类影像的空间信息更加丰富、地物的几何和纹理信息更为清晰。
采用传统基于像素的方法处理这类影像时,会因为粒度过小、过多地关注地物的局部细节而难以提取地物的整体信息。
许多研究从分类精度、准确度等方面比较了基于像素与面向对象的影像分析方法。
其中, Thomas 等比较了监督分类、非监督分类和面向对象分类三种方法的分类精度 [4]。
Yu 等 [5]和苏伟 [6]等研究结果表明:OBIA 不仅可以有效克服传统基于像素方法中的“椒盐”噪声,且能有效提高分类的精度。
针对不同的研究对象和数据集特点,应该使用不同的影像分析方法。
本文的研究对象是区域内的详细水体信息,包含大水体 (湖泊、干流以及细小水体 (坑塘、细小支流 ,同时数据源为分辨率为 0.712米的高分辨率遥感影像。
因此,采用 OBIA 较为适宜。
本文使用 OBIA 对 QuickBird 高分辨率遥感影像进行水体信息提取与分类。
在对影像进行多尺度分割的基础上,利用影像对象的光谱、纹理、颜色和对象间关系等特征建立规则,实现了水体信息的提取;并与基于像素的提取结果进行了对比,分析了 OBIA 提取结果的精度。
2研究区域与数据源本文所用数据为采集于 2004年 5月 5日 10时 28分 18秒上海地区的QuickBird 影像 (即图 1中较大的黑色边框区域 ,包括空间分辨率为 0.717m 的全色数据和 2.87m 的多光谱数据,其中多光谱影像包含 4个波段 (红、绿、蓝和近红外信息。
并以上海市浦东新区作为研究区域 (图 1中较小的黑色边框区域。
该区域内河流、湖泊纵横交错,且有大小坑塘零星分布。
土地利用类型以农田、水体以及居民地为主。
研究区域对应的全色影像大小为 13900像素×13900像素,多光谱影像为 3475像素×3475像素,其代表地面大小约为 10KM ×10KM 。
图 4Level1中 NDWI 阈值分析图图 5Level2中 NDWI 阈值分析图本文中初步分类还利用了对象间的关系特征,具体过程如下:第一步:在父对象层 (Level1中,按 NDWI 分类阈值 0.33提取水体对象;第二步:将 Level1的提取结果利用父对象与子对象间的隶属关系传递到 Level2中;第三步:在子对象层(Level2中也利用 NDWI 提取水体对象。
经过以上三步 (图 6 就完成了水体对象的初步提取。
与仅从某一层次提取结果相比,该方法可以将所有水体对象完整地提取出来。
如图 7(a是仅在 Level1中提取的结果,虽然可以防止大水体对象支离破碎 (如图 7(a 中 A 、 B 区域 ,但是会遗漏小水体对象 (如图 7(a中 C 区域 ;图 7(b是仅在 Level2中提取的结果,虽然可以防止遗漏小水体对象 (如图 8(b中 C 区域 ,但是会使大水体对象支离破碎 (如图 8(b中 A 、 B 区域 ;而使用本文中介绍的方法既不会因为尺度过大而遗漏小水体对象 (如图 8(c中 A 、 B 区域 ;也不会因为尺度过小,而使大水体对象支离破碎 (如图 8(c中 C 区域 ,而且保证了提取水体的全面性和完整性。
(a第一步 (b第二步 (c第三步图 6利用 NDWI 进行水体提取的过程(a在 Level1中仅利用光谱特征提取水体结果图 (b在 Level2中仅利用光谱特征提取水体结果图(c利用光谱及对象间关系特征多层次提取水体结果图图 7多种水体提取过程对比图然而仅仅利用光谱特征进行水体提取,会将部分与水体光谱特征相似的建筑物及其阴影包含进来(如图8,虽被分类为水体,而实际上是建筑物及其阴影,产生误判,即常见的“同谱异物”现象。
因此,需要利用影像对象的其它特征将干扰排除。
3.2.2纹理特征分类由于遥感影像中“同物异谱”和“异物同谱”的现象经常出现,仅依靠光谱特征常不足以准确提取目标对象。
QuickBird 影像分辨率高,地物的细微结构能够得到清晰的反映,纹理及颜色信息丰富。
因此,为了排除建筑物及其阴影的干扰,首先在光谱特征提取的基础上,利用建筑物与水体的纹理差异,排除一部分建筑物及其阴影的干扰;然后将影像转变到 HIS 颜色空间,利用阴影区域亮度值低而饱和度高的特征 [20]将剩余阴影的干扰排除。
图 8因为建筑物及其阴影与水体光谱特征相似而被误判为水体如上图 7、 8所示,在 QuickBird 影像中水体和纯阴影对象的纹理,均比较细致均一;而建筑物及其与阴影混合对象的纹理,在多光谱波段中呈明暗交错的条带状,不规则且相对比较粗糙,易于区分。
本文使用灰度共生矩阵 (GrayLevel Co-occurrence Matrix , GLCM[21]来描述影像各像元灰度的空间分布和结构特征,即对象的纹理特征。
设为一幅二维数字图象,其大小为 ,灰度级别为 ,则满足一定空间关系的灰度共生矩阵为:(2其中为阶的矩阵, 表示集合中的元素个数。
若与距离为 ,两者与坐标横轴的夹角为 ,则可以得到各种间距及角度的灰度共生矩阵。
它不仅反映亮度的分布特性,也反映具有同样亮度或相近亮度的像素之间的位置分布特性,是有关图像亮度变化的二阶统计特征,是定义一组纹理特征的基础。
为了能更直观地描述纹理状况, Haralick 等人在灰度共生矩阵的基础上,定义了若干较为常用的纹理量,如:能量、对比度、熵、相关性、均质性等等 [22]。
为了确定使用哪个纹理量分类,从初步分类为水体的对象中选取一系列对象 (水体、阴影、建筑物与阴影混合三类作为样本。
查看、分析与比较了不同类别对象在不同纹理特征上的表现,选取能量与熵进行进一步的水体分类提取,这两者均与对象纹理的均匀程度有关。
为了扩大表现水体与其它类型对象在纹理均匀性方面的差异,本文提出采用归一化差异纹理均匀性指数(NormalizedDifference Textural Uniformity Index , NDTUI 计算对象纹理的均匀性。
(3(a能量 (b对比度 (c熵(d相关性(e均质性 (f归一化差异纹理均匀度指数图 9不同类别对象的各种纹理特征图如图 9中的子图 (f所示。
并取阈值 -0.35二次分类结果如图 10所示, A 处将水体误判为建筑物或及阴影是由于处于水陆的交界处,除了地物光谱的复杂性外还有遥感影像的分辨率的限制形成了一些混合对象。
我们将在后续的分类后处理中,利用平滑与规则化处理将其正确分类;而 B 处仍有少量阴影对象的干扰。
因此,仍需要利用阴影的其它特征将其排除。
3.2.3颜色特征分类剩余少量阴影对象的排除是通过影像上阴影的颜色特征来实现的。