面向对象的GEO遥感影像分类与信息提取
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2011 年 6 月
Journal of Green Science and Technology
第6期
面向对象的 GEO 遥感影像分类与信息提取
彭 文, 石军南 ( 中南林业科技大学 遥感信息中心, 湖南 长沙 410004)
摘要: 对 G EO 卫星遥感数据的特性 进行了 评价, 并在 env i zoom 软件 中采用 边缘分 割算 法进行 影像 分
为 l 波段图像中第 i 行、j 列的像元亮度值, ul 为 l
波段的均值。
从表 3 中可以看出, 红外波段与波段蓝、绿、红 的相关系数均比较低。而波段蓝与绿波段的相关系
数最高。其次是绿波段和红波段。再次, 就是红波
段和蓝波段。就波段组合而言, 最佳波段组合应为
红外、红、蓝。
4. 2 影像处理
在进行分类处理之前对影像在 erdas 中进行预
有的遥感处理软件大都采用传统的基于像元与统计 分析的分类方法, 主要包括监督分类和非监督分类。
监督分类是一种常用的精度较高的统计判决分 类, 在已知类别的训练场地上提取各类训练样本, 通 过选择特征变量、确定判别函数或判别规则, 从而把 图像中的各个像元点划归到各 个给定类的分 类方 法[ 2] 。非监督分类是 在没有先验类 别知识的情 况 下, 根据图像本身的统计特征及自然点群的分布情 况来划分地物类别的分类处理。
任何一个影像对象的异质性值 f 是由 4 个变量 计算而得: wcolo r ( 光谱信息权重) 、w shape ( 形状 信息权重) 、hcolo r ( 光谱 异质性值) 、hshape ( 形状 异质性值) 。w 是用户定义的权重, 取值于 0~ 1 之 间: w color+ w shape= 1,
面向对象的信息提取方法, 针对的是对象而不 是传统意义上的像素, 可以充分利用了对象信息( 色 调、形状、纹理、层次) , 类间信息( 与邻近对象、子对 象、父对象的相关特征) 。目前关于面向对象的分类 平台应用较单一, 多基 于德国的 Ecog nit ion 软件, 本文基于 ENVIZOOM 软件平 台对面向对 象的分 类方法做了有益探索, 为更好的利用地球之眼卫星 图片提供参考。
本文所采用的数据是由 Geo Eye 提供的中国张 家界国家森林公园的遥感影像, 研究区域内地形多 以山地为主, 景观多为森林。影像数据包括全色和 多光谱, 其中全色分辨率为 0. 5m, 多光谱为 2m , 带 有各自的 rpc 参数。
3 理论基础与方法
3. 1 影像对象构建 影像对象构建主要用了影像分割技术, 常用分
割, 获取影像对象, 综合运用对象的光谱、空间特征和纹理特征 , 提取了张家界森林公园研 究区域内 土地
覆盖与土地利用信息, 对基于像素的 最大似 然法与 这种 基于 对象的 分类 方法进 行了 对比 分析, 结果 表
明: 基于对象分类方法, 能很好地利用高分辨率卫星图片 的纹理 和空间特 征信息, 分 类的总体 精度比 基
在 684km 高度上对 40 纬度目标的重访
周期
每天图像搜集 能力/ km 2
侧摆角
10
28
35
最大全色地面 采样距离 0. 42m 0. 50m 0. 59m
平均重访周期 8. 3d 2. 8d 2. 1d
每天全色模式成像总 面积可达 700 000( 相
当于得克萨斯州的面积)
每天多谱段模式( 用全 色图像锐 化) 成像总
一方面是我们获得的遥感图片分辨率 越来越 高, 另一方面是人们对遥感信息的认识和利用程度 远远落后于遥感信息获取的速度, 造成大量资源的 严重浪费, 但据统计, 人们用到的遥感信息仅占全部 获取信息的 5 % 左右, 而深层次的信息开发更少, 这 个事实极大地限制了遥感技术实际应用效果[ 1] 。现
于相元的分类方法高。
关键词: 地球之眼卫星; 遥感图像处理系统; 面向对象
中图分类号: T P391
文献标识码: A
文章编号: 1674 9944( 2011) 06 0203 04
1 引言
过去 40 年间遥感技术有了长足的发展, 具备了 高光谱分辨率、高时间分辨率、高空间分辨率、多传 感器、多平台、多角度对地观测能力, 已经形成了三 多和三高的发展局面。2008 年 9 月 6 日, 美国从范 登堡空军基地发射了 地球之眼 - 1( GeoEye- 1) 多光谱成像卫星。该卫星由 地球之眼 商业成像卫 星公司研制, 可提供分辨率为 0. 41m 的黑白卫星图 像和分辨率为 1. 65m 的多光谱卫星图像, 同时可提 供被侦察目标的误差小于 3m 的定位信息。地球之 眼- 1是当今世界上能力最强、分辨率和精确度最高 的商业成像卫星。
从本次实验的效果看, 小波变换的融合效果最 好( 图 1) 。
2 实验区及数据源
2. 1 地球之眼- 1 卫星的基本参数设置 地球之眼 - 1 将运 行在 684km 高的太阳同步
极地轨道上, 以大约 7. 5km/ s 的轨 道速度飞行, 每 天绕地球 12 或 13 圈, 每天都在当地时间上午 10: 30 左右通过给定地区。它将能以 0. 41m 全色分辨 率和 1. 65m 多谱段分辨率搜集图像, 而且同样重要 的是它还能以 3m 定位精度精确确定目标的位置。 2. 2 实验区域
以上这些方法适合于多光谱和高光谱分辨率的 遥感图像, 对于分析低分辨率遥感图像中的大面积 区域变化可能会取得较好的结果。然而, 对于高分 辨率的遥感图像, 目标物的形状清晰可见, 图像上地 物景观的结构、形状、纹理和细 节等信息都非 常突
出, 而光谱分辨率并不高, 因此, 针对高空间分辨率 图像, 在分类时不能仅依靠其光谱特征, 更多的是要 利用其几何信息和结构信息。
1
红外 0. 386 838
0. 631 343 0. 428 924
1
在完成几何校正、噪声消除及图像配准后, 是信 息融合过程。通过信息融合, 将大大减少或抑制探 测对象或环境解释中可能存在的多义性、不完全性 或不确定性, 从而提高遥感图像分割、识别及解译的 能力。
数据融合技术一直是近几年国际遥感界研究的
关性正是遥感多光谱数据的重要特点之一。
对子图像进行各波段的相关性分析, 公式如下:
wk.baidu.com
Rkl =
mn
( x ij k - uk ) ( x ij 1 - u1 )
i = 1j = 1
。
mm
mm
( x ijk - uk ) 2
( x jil - u1) 2
i = 1j = 1
i= 1j = 1
其中 Rkl 为 k 波段与 l 波段间的相关系 数, V ijl
热点。将高分辨率遥感影像与多光谱影像进行融合 的主要目的是提高多光谱波段的空间分辨率, 增强 图像的清晰度和解译 能力[ 3, 4] 。本研 究中, 图像 融 合方法以 ERDAS9. 2 软件为平台, 对实验区范围内 GeoEye 全色影像和多光谱 影像进行融合处理, 分 别采用了主成分分析、乘积法变 换、Brovey 变换和 小波变换 4 种融合算法融合。
包括空间、纹理等信息。基于知识分类也是根据影
像对象的熟悉来设定规则进行分类。由于本文所采
取的辅助参考数据较少, 研究区域类别较少所以采
用监督分类的方法。
4 地球之眼卫星遥感影像分类与信息 提取
4. 1 地球之眼遥感数据特性评价
4. 1. 1 直方图评价 对各个波段图像进行灰度值统计, 可以得出如
下结论: 红外波段变动范围最大。按标准差由高到
面积可达 350 000( 相当于新墨西 哥州的面
积)
表 2 地球之眼- 1 卫星图片波段参数
波段 蓝色 绿色 红色 红外
波长/ n m 450~ 510 510~ 580 655~ 690 780~ 920
全色
450~ 800
多尺度分割是从一个像素的对象开始进行一个自下 至上的区域合并技术, 小的影像对象可以合并到稍 大的对象中去。在这个聚集过程中, 最优化技术可 最小化异质的权重。在每一步骤中相邻的影像对象 对, 只要符合定义的异质最小生长的标准就合并, 如 果这个最小的扩张超出尺度参数定义的阈值范围, 合并过程就停止。
主成分变换, 其算法是将输入波段中共有的信 息编制到第一主成分, 再把全色数据拉伸使其和主 成分第一分量有着相同的均值和方差, 并把全色数 据代替 PCT 的第一分量进行主成分逆变换完成影 像融合。乘积法是一种简单的代数运算, 即将高分 辨率波段与 多光谱 两个灰 度矩 阵进 行矩 阵乘积。
Bro vey 变换法是通过归一化后的多光谱波 段与高 分辨率影像乘积来增强影像的信息[ 5] 。小波变换在 空间域上和频率域上同时具有良好的局部化性质, 利用小波变换法可以 聚焦 到对象的任意细节, 从 而被誉为 数学显微镜 [ 6] 。影像经小波分解后其频 率特性得到了有效分离, 低频部分反映的是影像的 整体视觉信息, 各高频成份反映的是影像的细节特 征[ 7] 。小波变换的优点是保留了高分辨率影像的高 频特性, 使整体融合效果较好, 提高了多光谱影像的 空间分辨率, 同时又 保持 了多 光谱影 像的 光谱 信 息[ 8] 。
割方法包括基于多尺度的、基于灰度的、纹理的、基 于知识的及基于分水岭的等分割算法。比较常用的
收稿日期: 2011 05 14 作者简介: 彭 文( 1985 ) , 男, 湖南人, 硕士, 助教, 主要从事森林资源遥感信息应用研究。
203
彭文等: 面向对象的 GEO 遥感影像分类与信息提取
就是多尺度分割算法, 这种方法综合遥感图像的光 谱特征和形状特征, 计算图像中每个波段的光谱异
20 4
工程技术
F= w hcolor + ( 1- w ) hshape。
形状异质 性值由 两部分 组成: 紧 密度 hcmpct 和光滑度 hsmo ot h:
H = shape w cmpc th cmpct + ( 1- w cmpct ) 3. 2 影像对象的分类
h smooth 。
面向对象分类技术提供了丰富了对象特征, 在
分类的时候, 可以利用丰富的影像特征: 影像的对象 信息, 如光谱、形状、纹理、层次等; 影像对象的上下
文信息, 如与邻近对象、子对象、父对象之间的关系
等; 同时还可以导入、导出专题数据等。 目前常用的方法是 监督分类 和 基于知识分
类 。这里的监督分类和监督分类是有区别的, 它分
类时和样本的对比参数更多, 不仅仅是光谱信息, 还
低, 各波段的排序为波段红外、红、蓝、绿。按其动态
范围由高到低, 各波段 的排序为波段红外、红、蓝、 绿。其信息量由高到低的排序为波段红外、红、蓝、
绿。
4. 1. 2 波段的相关性评价
在大量的遥感图像数据处理中发现, 遥感图像 的波段之间具有较强的线性相关性, 尤其相邻波段
的线性相关性非常强。波段数据之间这种强线性相
参数数值 全色和多谱段 同时成 像( 用全 色对 多谱段
相机成像模式
进行锐化) 仅全色成像
分辨率/ m 地理定位精度/ m
成像带宽/ km
典型成像面积/ km 2
成像角度
仅多谱段成像 全色 0. 41( 天底点处, 标称)
多谱段 1. 65( 天底点处, 标称) 立体像对圆误差: 2 立体像对线误差: 3 单幅图像圆误差: 2. 5 天底点处 15. 2( 标称) 单点场景: 225( 15 15) 邻接大片区域: 15 000( 300 50) 邻接 1 单元区域: 10 000( 100 100) 邻接立体成像区域: 6270( 224 28) ( 上述面积是 假定 以最 高线 速度 和全 色模 式成像) 能够向任何方向成像
质性与形状异质性的综合特征值, 然后根据各个波
段所占的权重, 计算图像所有波段的加权值, 当分割 出对象或基元的光谱和形状综合加权值小于某个指
定的阈值时, 进行重复迭代运算, 直到所有分割对象 的综合加权值大于指定阈值即完成图像的多尺度分
割操作。
表 1 地球之眼- 1 卫星的成像和搜集技术指标
基本参数
处理, 比如影像的校正、图像光谱增强、影像融合、直
2011 年 6 月
绿色科技
第6期
方图均衡化等处理, 预处理的主要目的是根据资料
及所需要的专题信息设法提高遥感图像的可分性,
使其更利于图像分割及信息提取。
表 3 各波段间的相关系数
波段
蓝
绿
红
红外
蓝
1
绿
0. 926 860
1
红
0. 917 068
0. 925 353
Journal of Green Science and Technology
第6期
面向对象的 GEO 遥感影像分类与信息提取
彭 文, 石军南 ( 中南林业科技大学 遥感信息中心, 湖南 长沙 410004)
摘要: 对 G EO 卫星遥感数据的特性 进行了 评价, 并在 env i zoom 软件 中采用 边缘分 割算 法进行 影像 分
为 l 波段图像中第 i 行、j 列的像元亮度值, ul 为 l
波段的均值。
从表 3 中可以看出, 红外波段与波段蓝、绿、红 的相关系数均比较低。而波段蓝与绿波段的相关系
数最高。其次是绿波段和红波段。再次, 就是红波
段和蓝波段。就波段组合而言, 最佳波段组合应为
红外、红、蓝。
4. 2 影像处理
在进行分类处理之前对影像在 erdas 中进行预
有的遥感处理软件大都采用传统的基于像元与统计 分析的分类方法, 主要包括监督分类和非监督分类。
监督分类是一种常用的精度较高的统计判决分 类, 在已知类别的训练场地上提取各类训练样本, 通 过选择特征变量、确定判别函数或判别规则, 从而把 图像中的各个像元点划归到各 个给定类的分 类方 法[ 2] 。非监督分类是 在没有先验类 别知识的情 况 下, 根据图像本身的统计特征及自然点群的分布情 况来划分地物类别的分类处理。
任何一个影像对象的异质性值 f 是由 4 个变量 计算而得: wcolo r ( 光谱信息权重) 、w shape ( 形状 信息权重) 、hcolo r ( 光谱 异质性值) 、hshape ( 形状 异质性值) 。w 是用户定义的权重, 取值于 0~ 1 之 间: w color+ w shape= 1,
面向对象的信息提取方法, 针对的是对象而不 是传统意义上的像素, 可以充分利用了对象信息( 色 调、形状、纹理、层次) , 类间信息( 与邻近对象、子对 象、父对象的相关特征) 。目前关于面向对象的分类 平台应用较单一, 多基 于德国的 Ecog nit ion 软件, 本文基于 ENVIZOOM 软件平 台对面向对 象的分 类方法做了有益探索, 为更好的利用地球之眼卫星 图片提供参考。
本文所采用的数据是由 Geo Eye 提供的中国张 家界国家森林公园的遥感影像, 研究区域内地形多 以山地为主, 景观多为森林。影像数据包括全色和 多光谱, 其中全色分辨率为 0. 5m, 多光谱为 2m , 带 有各自的 rpc 参数。
3 理论基础与方法
3. 1 影像对象构建 影像对象构建主要用了影像分割技术, 常用分
割, 获取影像对象, 综合运用对象的光谱、空间特征和纹理特征 , 提取了张家界森林公园研 究区域内 土地
覆盖与土地利用信息, 对基于像素的 最大似 然法与 这种 基于 对象的 分类 方法进 行了 对比 分析, 结果 表
明: 基于对象分类方法, 能很好地利用高分辨率卫星图片 的纹理 和空间特 征信息, 分 类的总体 精度比 基
在 684km 高度上对 40 纬度目标的重访
周期
每天图像搜集 能力/ km 2
侧摆角
10
28
35
最大全色地面 采样距离 0. 42m 0. 50m 0. 59m
平均重访周期 8. 3d 2. 8d 2. 1d
每天全色模式成像总 面积可达 700 000( 相
当于得克萨斯州的面积)
每天多谱段模式( 用全 色图像锐 化) 成像总
一方面是我们获得的遥感图片分辨率 越来越 高, 另一方面是人们对遥感信息的认识和利用程度 远远落后于遥感信息获取的速度, 造成大量资源的 严重浪费, 但据统计, 人们用到的遥感信息仅占全部 获取信息的 5 % 左右, 而深层次的信息开发更少, 这 个事实极大地限制了遥感技术实际应用效果[ 1] 。现
于相元的分类方法高。
关键词: 地球之眼卫星; 遥感图像处理系统; 面向对象
中图分类号: T P391
文献标识码: A
文章编号: 1674 9944( 2011) 06 0203 04
1 引言
过去 40 年间遥感技术有了长足的发展, 具备了 高光谱分辨率、高时间分辨率、高空间分辨率、多传 感器、多平台、多角度对地观测能力, 已经形成了三 多和三高的发展局面。2008 年 9 月 6 日, 美国从范 登堡空军基地发射了 地球之眼 - 1( GeoEye- 1) 多光谱成像卫星。该卫星由 地球之眼 商业成像卫 星公司研制, 可提供分辨率为 0. 41m 的黑白卫星图 像和分辨率为 1. 65m 的多光谱卫星图像, 同时可提 供被侦察目标的误差小于 3m 的定位信息。地球之 眼- 1是当今世界上能力最强、分辨率和精确度最高 的商业成像卫星。
从本次实验的效果看, 小波变换的融合效果最 好( 图 1) 。
2 实验区及数据源
2. 1 地球之眼- 1 卫星的基本参数设置 地球之眼 - 1 将运 行在 684km 高的太阳同步
极地轨道上, 以大约 7. 5km/ s 的轨 道速度飞行, 每 天绕地球 12 或 13 圈, 每天都在当地时间上午 10: 30 左右通过给定地区。它将能以 0. 41m 全色分辨 率和 1. 65m 多谱段分辨率搜集图像, 而且同样重要 的是它还能以 3m 定位精度精确确定目标的位置。 2. 2 实验区域
以上这些方法适合于多光谱和高光谱分辨率的 遥感图像, 对于分析低分辨率遥感图像中的大面积 区域变化可能会取得较好的结果。然而, 对于高分 辨率的遥感图像, 目标物的形状清晰可见, 图像上地 物景观的结构、形状、纹理和细 节等信息都非 常突
出, 而光谱分辨率并不高, 因此, 针对高空间分辨率 图像, 在分类时不能仅依靠其光谱特征, 更多的是要 利用其几何信息和结构信息。
1
红外 0. 386 838
0. 631 343 0. 428 924
1
在完成几何校正、噪声消除及图像配准后, 是信 息融合过程。通过信息融合, 将大大减少或抑制探 测对象或环境解释中可能存在的多义性、不完全性 或不确定性, 从而提高遥感图像分割、识别及解译的 能力。
数据融合技术一直是近几年国际遥感界研究的
关性正是遥感多光谱数据的重要特点之一。
对子图像进行各波段的相关性分析, 公式如下:
wk.baidu.com
Rkl =
mn
( x ij k - uk ) ( x ij 1 - u1 )
i = 1j = 1
。
mm
mm
( x ijk - uk ) 2
( x jil - u1) 2
i = 1j = 1
i= 1j = 1
其中 Rkl 为 k 波段与 l 波段间的相关系 数, V ijl
热点。将高分辨率遥感影像与多光谱影像进行融合 的主要目的是提高多光谱波段的空间分辨率, 增强 图像的清晰度和解译 能力[ 3, 4] 。本研 究中, 图像 融 合方法以 ERDAS9. 2 软件为平台, 对实验区范围内 GeoEye 全色影像和多光谱 影像进行融合处理, 分 别采用了主成分分析、乘积法变 换、Brovey 变换和 小波变换 4 种融合算法融合。
包括空间、纹理等信息。基于知识分类也是根据影
像对象的熟悉来设定规则进行分类。由于本文所采
取的辅助参考数据较少, 研究区域类别较少所以采
用监督分类的方法。
4 地球之眼卫星遥感影像分类与信息 提取
4. 1 地球之眼遥感数据特性评价
4. 1. 1 直方图评价 对各个波段图像进行灰度值统计, 可以得出如
下结论: 红外波段变动范围最大。按标准差由高到
面积可达 350 000( 相当于新墨西 哥州的面
积)
表 2 地球之眼- 1 卫星图片波段参数
波段 蓝色 绿色 红色 红外
波长/ n m 450~ 510 510~ 580 655~ 690 780~ 920
全色
450~ 800
多尺度分割是从一个像素的对象开始进行一个自下 至上的区域合并技术, 小的影像对象可以合并到稍 大的对象中去。在这个聚集过程中, 最优化技术可 最小化异质的权重。在每一步骤中相邻的影像对象 对, 只要符合定义的异质最小生长的标准就合并, 如 果这个最小的扩张超出尺度参数定义的阈值范围, 合并过程就停止。
主成分变换, 其算法是将输入波段中共有的信 息编制到第一主成分, 再把全色数据拉伸使其和主 成分第一分量有着相同的均值和方差, 并把全色数 据代替 PCT 的第一分量进行主成分逆变换完成影 像融合。乘积法是一种简单的代数运算, 即将高分 辨率波段与 多光谱 两个灰 度矩 阵进 行矩 阵乘积。
Bro vey 变换法是通过归一化后的多光谱波 段与高 分辨率影像乘积来增强影像的信息[ 5] 。小波变换在 空间域上和频率域上同时具有良好的局部化性质, 利用小波变换法可以 聚焦 到对象的任意细节, 从 而被誉为 数学显微镜 [ 6] 。影像经小波分解后其频 率特性得到了有效分离, 低频部分反映的是影像的 整体视觉信息, 各高频成份反映的是影像的细节特 征[ 7] 。小波变换的优点是保留了高分辨率影像的高 频特性, 使整体融合效果较好, 提高了多光谱影像的 空间分辨率, 同时又 保持 了多 光谱影 像的 光谱 信 息[ 8] 。
割方法包括基于多尺度的、基于灰度的、纹理的、基 于知识的及基于分水岭的等分割算法。比较常用的
收稿日期: 2011 05 14 作者简介: 彭 文( 1985 ) , 男, 湖南人, 硕士, 助教, 主要从事森林资源遥感信息应用研究。
203
彭文等: 面向对象的 GEO 遥感影像分类与信息提取
就是多尺度分割算法, 这种方法综合遥感图像的光 谱特征和形状特征, 计算图像中每个波段的光谱异
20 4
工程技术
F= w hcolor + ( 1- w ) hshape。
形状异质 性值由 两部分 组成: 紧 密度 hcmpct 和光滑度 hsmo ot h:
H = shape w cmpc th cmpct + ( 1- w cmpct ) 3. 2 影像对象的分类
h smooth 。
面向对象分类技术提供了丰富了对象特征, 在
分类的时候, 可以利用丰富的影像特征: 影像的对象 信息, 如光谱、形状、纹理、层次等; 影像对象的上下
文信息, 如与邻近对象、子对象、父对象之间的关系
等; 同时还可以导入、导出专题数据等。 目前常用的方法是 监督分类 和 基于知识分
类 。这里的监督分类和监督分类是有区别的, 它分
类时和样本的对比参数更多, 不仅仅是光谱信息, 还
低, 各波段的排序为波段红外、红、蓝、绿。按其动态
范围由高到低, 各波段 的排序为波段红外、红、蓝、 绿。其信息量由高到低的排序为波段红外、红、蓝、
绿。
4. 1. 2 波段的相关性评价
在大量的遥感图像数据处理中发现, 遥感图像 的波段之间具有较强的线性相关性, 尤其相邻波段
的线性相关性非常强。波段数据之间这种强线性相
参数数值 全色和多谱段 同时成 像( 用全 色对 多谱段
相机成像模式
进行锐化) 仅全色成像
分辨率/ m 地理定位精度/ m
成像带宽/ km
典型成像面积/ km 2
成像角度
仅多谱段成像 全色 0. 41( 天底点处, 标称)
多谱段 1. 65( 天底点处, 标称) 立体像对圆误差: 2 立体像对线误差: 3 单幅图像圆误差: 2. 5 天底点处 15. 2( 标称) 单点场景: 225( 15 15) 邻接大片区域: 15 000( 300 50) 邻接 1 单元区域: 10 000( 100 100) 邻接立体成像区域: 6270( 224 28) ( 上述面积是 假定 以最 高线 速度 和全 色模 式成像) 能够向任何方向成像
质性与形状异质性的综合特征值, 然后根据各个波
段所占的权重, 计算图像所有波段的加权值, 当分割 出对象或基元的光谱和形状综合加权值小于某个指
定的阈值时, 进行重复迭代运算, 直到所有分割对象 的综合加权值大于指定阈值即完成图像的多尺度分
割操作。
表 1 地球之眼- 1 卫星的成像和搜集技术指标
基本参数
处理, 比如影像的校正、图像光谱增强、影像融合、直
2011 年 6 月
绿色科技
第6期
方图均衡化等处理, 预处理的主要目的是根据资料
及所需要的专题信息设法提高遥感图像的可分性,
使其更利于图像分割及信息提取。
表 3 各波段间的相关系数
波段
蓝
绿
红
红外
蓝
1
绿
0. 926 860
1
红
0. 917 068
0. 925 353