遥感特征提取物具体步骤

1遥感影像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。目前影像都是基于数字，影像信息的提取方法的发展历程可分为如图1所示，目前这四类方法共存。

图1 影像信息提取发展阶段

非监督分类步骤监督分类步骤

2三大分类方法的对比

利用传统的遥感影像分类方法, 如监督分类或非监督分类, 易造成分类精度降低, 空间数据大量冗余以及资源的浪费,面向对象的分类方法正是为了处理这些问题而出现, 面向对象的分类方法是一种智能化的自

动影像分析方法，它的分析单元不再是单个像素，而是由若干个像素组成的像素群，即目标对象。面向对象的方法利用遥感影像结构信息和光谱信息, 并建立这些特征之间的层次关系的基础上, 对影像进行分类。面向对象分类方法的关键在于图像分割, 而图像分割方法多种多样, 如何选择科学合理的图像分割方法十分重要，实验证明多尺度图像分割方法综合了图像的光谱!形状!结构!纹理!相关布局等信息, 是目前较为理想的图像分割方法。（采用面向对象分类的方法，可使用专业遥感图像分类软件eCognition4.0）

3面向对象的分类方法

面向对象的技术流程图

3Envi_ENVI FX简介

全名叫“面向对象空间特征提取模块—Feature Extraction”，基于影像空间以及影像光谱特征，即面向对象，从高分辨率全色或者多光谱数据中提取信息，该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。该模块可以在操作过程中随时预览影像分割效果。该项技术对于高光谱数据有很好的处理效果，对全色数据一样适用。对于高分辨率全色数据，这种基于目标的提取方法能更好的提取各种具有特征类型的地物。一个目标物体是一个关于大小、光谱以及纹理（亮度、颜色等）的感兴趣区域。

应用于：1】从影像中尤其是大幅影像中查找和提取特征

2】添加新的矢量层到地理数据库

3】输出用于分析的分类影像

4】替代手工数字化过程

ENVI FX的操作可分为两个部分：发现对象（Find Object）和特征提取（Extract features），如图所示

FX操作流程示意图（红色字体为可选项）

具体实现步骤：1）准备工作：有选择的对数据做一些预处理工作

空间分辨率的调整-如果您的数据空间分辨率非常高，覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等）。可以降低分辨率，提供精度和运算速度。可利用ENVI主界面->Basic Tool->Resize Data工具实现。

光谱分辨率的调整-如果您处理的是高光谱数据，可以将不用的波段除去。可利用ENVI主界面->Basic Tool->layer stacking工具实现。

多源数据组合-当您有其他辅助数据时候，可以将这些数据和待处理数据组合成新的多波段数据文件，这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。当计算对象属性时候，会生成这些辅助数据的属性信息，可以提高信息提取精度。可利用ENVI主界面->Basic Tool->layer stacking

工具实现。

空间滤波-如果您的数据包含一些噪声，可以选择ENVI的滤波功能做一些预处理2）发现对象：(一)打开数据：在ENVI Zoom中打开Processing > Feature Extraction。如下图所示，Base Image 必须要选择，辅助数据（Ancillary Data）和掩膜文件（Mask File）是可选。这里选择ENVI自带数据envidata\feature_extraction \ qb_colorado,它是0.6米的快鸟数据

(二)影像分割：FX根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割。选择高尺度影像分割将会分出很少的图斑，选择一个低尺度影像分割将会分割出更多的图斑，分割效果的好坏一定程度决定了分类效果的精确度，我们可以通过预览分割效果，选择一个理想的分割阀值，尽可能好地分割出边缘特征。

图影像分割阈值设定

调整滑块阀值对影像进行分割，这里设定阈值为30，点击Next按钮，这时候FX生成一个Region Means 影像自动加载图层列表中，并在窗口中显示，它是分割后的结果，每一块被填充上该块影像的平均光谱值。接着进行下一步操作。注：按钮是用来选择分割波段的，默认为Base Image所有波段

(三)合并分块：影像分割时，由于阈值过低，一些特征会被错分，一个特征也有可能被分成很多部分。我们可以通过合并来解决这些问题。FX利用了 Full Lambda-Schedule算法。这一步是可选项，如果不需要可以直接跳过。

设定一定阈值，点Next进入下一步。

(四)分块精炼：FX提供了一种阈值法（Thresholding）进一步精炼分块的方法。对于具有高对比度背景的特征非常有效（例如，明亮的飞机对黑暗的停机坪）。可以将精炼结果生成掩膜图层（Mask），按钮可以修改基于哪个波段。

这里我们就直接选择No Thresholding（default），点击Next进入下一步操作。

(五)计算对象属性：计算4个类别的属性：光谱、空间、纹理、自定义（颜色空间和波段比）。其中“颜色空间”选择三个RGB波段转换为HSI颜色空间，“波段比”选择两个波段用于计算波段比（常用红色和近红外波段）。各个属性的详细描述参考ENVI/IDL提供的Feature_Extraction_Module.pdf文档。

这里我们按照默认全选择，Color Space 选择RGB，Band Ratio选择红色和近红外波段，点击Next按钮进行下一步操作。目前，已经完成了发现对象的操作过程，接下来是特征的提取。

3）特征提取：有三种特征提取方法供选择，分别是监督分类、规则分类和直接矢量输出。

图a特征提取方法选择

（一）输出矢量：选择Export Vectors，进入下图界面，选择保存路径，属性信息也可选择输出。

输出完成会出来一个报表。不关闭FX浮动面板，在ENVI Zoom中将得到的矢量特征加载显示。点击Previous 按钮，回到图a界面。

（二）监督分类: 在图a界面中选择Classify by selection examples，

图b

选择样本:在ENVI Zoom中，切换到Select方式，双击Feature_1，打开一个类别的属性，如下图所示，修改显示颜色、名称等信息。

在分割图上选择一些样本，为了方便样本的选择，可以在ENVI Zoom的图层管理中将原图移到最上层，选择一定数量的样本，如果错选样本，可以在这个样本上点击左键删除。一个类别的样本选择完成之后，新增类别，用同样的方法修改类别属性和选择样本。在选择样本的过程中，可以随时预览结果。可以把样本保存为xml文件以备下次使用。设置样本属性：在图b中，切换到Attributes选项。默认是所有的属性都被选择，可以根据提取的实际地物特性选择一定的属性。

这里我们按照默认全部选择。选择分类方法:在图b中，切换到Algorithm选项。FX提供了两种分类方法：K邻近法（K Nearest Neighbor）和支持向量机（Support Vector Machine ，SVM），如下图所示

这里我们选择K邻近法，K参数设置为5，点击下一步，输出结果。输出结果：特征提取结果可以以两种格式输出，矢量和图像。矢量可以是所有分类以单个文件输出或者每一个类别分别输出；图像可以把分类结果和规则结果分布输出。

这里我们选择单个文件以及属性数据一块输出，分类图像和规则图像一块输出。点击Next按钮完成输出，同时可以看到整个操作的参数和结果统计报表。

分类结果和统计报表

(三)规则分类：在图a界面中选择Classify by creating rules，点击Next，到图c规则分类界面。每一个分类有若干个规则（Rule）组成，每一个规则有若干个属性表达式来描述。规则与规则直接是与的关系，属性表达式之间是并的关系。同一类地物可以由不同规则来描述，比如水体，水体可以是人工池塘、湖泊、河流，也可以是自然湖泊、河流等，描述规则就不一样，需要多条规则来描述。每条规则又有若干个属性来描述，如下是对水的一个描述：面积大于500像素延长线小于0.5 NDVI小于0.3

对道路的描述：延长线大于0.9 紧密度小于0.3 标准差小于20

图c

这里以提取居住房屋为例来说明规则分类的操作过程。首先分析影像中容易跟居住房屋错分的地物有：道路、森林、草地以及房屋旁边的水泥地。双击Feature_1图标，修改好类别的相应属性。 1)第一条属性描述，划分植被覆盖和非覆盖区,双击rule ，打开对象属性选择面板，如图所示。

选择Customized->bandratio。FX会根据选择的波段情况技术波段比值，比如这里在属性计算步骤中选择的Ratio Band是红色和近红外波段，所以此时计算的是NDVI。把Show Attribute Image勾上，可以看到计算的结果，通过ENVI Zoom工具查看各个分割块对应的值。点击Next按钮，或者双击bandratio，进入bandratio属性设置对话框，如图所示

通过拖动滑条或者手动输入确定阈值。Fuzzy Tolerance是设置模糊分类阈值，值越大，其他分割块归属这一类的可能性就越大。归类函数有线性和S-type两种。这里设置模糊分类阈值为默认的5，归属类别为S-type，值的范围为0~0.3，勾选Show Rule Confidence Image可以预览规则图像。点击Ok完成此条属性描述。2)第二条属性描述，去除道路影响,居住房屋和道路的最大区别是房屋是近似矩形，我们可以设置Rect_fit属性。点击按钮或者双击rule ，选择Spatial->rect_fit。设置值的范围是0.5~1，其他参数为默认值。同样的方法设置 Spatial->Area: Fuzzy Tolerance=0, 90elongation(延长): elongation<3。3)第三条属性描述，去除水泥地影响，水泥地反射率比较高，居住房屋反射率较低，所以我们可以设置波段的象元值。Spectral->avgband_2: avgband_2<50。最终的rule1规则和预览图如图所示

居住房屋规则与效果图

类似的思路可以提取道路、林地、草地等分类，这里就不一一例举。最终结果的输出方式和监督分类一样。4）批处理操作：ENVI提供了ENVI_FX 函数，具体语法如下：

ENVI_DOIT, ’ENVI_FX_DOIT’ [, A_FID=array] [, A_POS=array] [, BR_BANDS=array][, CENTERLINE_OPTIONS=array] [, CONF_THRESHOLD=floating point] [, CS_BANDS=array], DIMS=array, FID=file ID [, /EXPORT_ATTRIBUTES] [, /EXPORT_RASTER] [, /INVERSE_MASK][, KERNEL_SIZE=long integer] [, M_FID=file ID] [, MERGE_LEVEL=floating point], POS=array[, R_FID=variable] [, RASTER_FILENAME=string or string array] [, /RAW_ATTRIBUTES][, RAW_FILENAME=string] [, REFINE_BAND=integer] [, /REFINE_INVERSE] [, /REFINE_MASK][, RULESET_FILENAME=string], SCALE_LEVEL=floating point [, SEGMENT_BANDS=array][, SMOOTHING_THRESHOLD=floating point] [, TD_FILENAME=string][, THRESHOLD_LOWER=floating point] [, THRESHOLD_UPPER=floating point][, VECTOR_FILENAME=string] [, VECTOR_OPTIONS=string array]

详细的变量说明请参考ENVI/IDL提供的Feature_Extraction_Module.pdf。利用此函数可以对根据分割参数和分类参数编写批处理，或者将此功能应用到别的系统上。

从以上的实际操作可以看到，ENVI FX扩展模块操作具有易于操作（向导操作流程），随时预览效果和修改参数；功能比较强大，具有多种特征提取方法，包括监督分类和知识规则分类，等等。

4对比检测（一个地区在不同年份的变化）

4-1用土地利用类型转换（变化）混淆矩阵

定义：不同时间段内同一区域内土地利用类型的相互转换关系，一般用二维表来表达，从二维表中可以快速查看各个地类间相互转化的具体情况。比如某一类别的土地有百分之多少（或者面积）分别转化成了其他的土地类型，现在某类型的土地分别是由过去的哪些类别转化而来的等等。还可以生成变化统计栅格图（掩膜图像），它描述了前后两幅土地分类图之间的地类发生转变的位置和类别。土地利用类型转换矩阵可以从两幅栅格图中计算得到，也可以从两个矢量文件中计算获得。下面介绍在ENVI下从两幅分类结果的栅格图中计算土地利用类型转换矩阵。

步骤：1、准备数据

两个时相的土地利用分类结果，它是单波段、专题类型的伪彩色图像（ENVI Classification）

2、计算转换矩阵

打开两个土地利用分类结果。

（1）在主菜单中，选择Basic Tools → Change Detection → Change Detection Statistics。

（2）分别在Initial State对话框和final state对话框中选择前一时相和后一时相的土地利用结果。

（3）在Define Equivalent Classes对话框中（图1），如果两个土地利用分类名称一致，系统自动将Initial State Class和Final State Class对应，否则手动选择，单击Add Pair按钮选择。

（4）选择对应的地物类型之后，单击OK按钮，出现图2对话框。选择生成图表表示单位（Report Type）：像素（Pixels）、百分比（Percent）和面积（Area）。选择Output Classification Mask Images?为YES，输出掩膜图像，选择输入路径及文件名。

（5）单击OK，执行土地利用类型转换矩阵计算过程。

3、查看结果

（1）如图3为得到的土地利用类型转换矩阵结果。横字段表示前一时间段（Initial State）的土地利用类别，纵字段为后一时间段（Final State）的土地利用类别。横字段和纵字段交叉处表示变化值，如有2520900平方米林地用地变化为草地。

2）还可以为每一个地类生成一个变换掩膜图像，图4所示为其中一个地类的掩膜图像。掩膜图像的灰度值表示变化类型，如这里的2{草地}表示林地变化为草地的像元。

4-2利用面向对象的方法对不同年份的同一地区的遥感影像进行分类

地物提取->提取图对比

5-1,建筑物提取系统：国际上发展了一些自动半自动的提取方法, 一些航空影像理解系统中也提供了建筑物提取功能, 比如Nagao 等人研制的二维航空像片理解系统, 还有国内适普公司的VirtuoZo 系统等。。总结起来, 这些方法的主要技术思路有三种: ①以区域分割为基础的区域分析, 如Nago 的航空像片理解系统; 张煜采用几何约束与影像分割相结合的快速半自动房屋提取; 杨益军针对建筑物密度高, 且灰

度值大于背景值的航空影像提出了基于区域分割进行建筑物检测; 巩丹超针对顶部灰度和纹理均匀一致的建筑物也提出了基于分割区域进行边缘追踪的提取思路。②基于角点检测和匹配的方法, 徐芳基于角点检测和匹配的方法设计建筑物的半自动提取,但是没有充分利用房屋的直线边缘信息; 巩丹超针对建筑物边

缘清晰的影像提出了基于边界线检测的建筑物提取。③由于航空摄影测量像片具有优越的提供立体相对的能力, 极大促进了基于多片多视角分析技术的建筑物高度提取以及三维重建, 如著名的3DMOSAIC 系统;

此外

有研究中利用DSM(激光扫描数据或数字摄影测量产品) 或现有GIS 数据等来再辅助获得建筑物高度信息。5-2,道路提取系统：已有研究针对不同影像类型(航空/ 遥感影像) , 不同的比例尺、不同区域的影像(城区/ 乡村/ 郊区) 和不同道路类型(乡村路/ 街道/ 等级公路/ 高速公路) 发展了不同提取方法。但有学者将这些方法总结为四个主要的步骤: ①道路特征的增强, 如滤波和小波变换等。②道路“种子点”确定, 确定可能的道路点。人们提出了各种道路检测算子, 有基于像素分类、边缘检测和模板匹配等方法。

③将种子点扩散成段, 有基于规则的边缘点自动连接, 动态规划和卡尔曼滤波等方法。④道路段的判断与修复, 这一步骤顾及到上下文知识和连接假设生成和假设验证, 地物的语义关系表达, 多源数据的融合等高层次的影像解译方法。目前研究中最主要的难点是综合利用道路相关关联信息和拓扑特性解决道路的自动连接和道路网的提取。也有学者认为由于遥感影像和道路系统的复杂性,在“可预见的将来”完全全自动地提取道路是不太现实的,必须结合人工引导将人的模式认知能力与计算机的快速精确计算能力结合起来, 即所谓的道路半自动提取。

5-3,桥梁目标识别：（采用基于区域的分割）①采用一些预处理方法如增强和二值化等改善分割环境; ②将水域与非水域分割开来; ③利用线条检测的方法如Hough 变换或链码追踪等提取桥梁的边界线。如Jong2hyeok jeong 等利用Hough 变换, 结合水体环境知识, 从IKONOS 影像上提取桥梁目标[ 8 ] , 史册和姜骊黎等基于团块的图像处理思想, 在将桥梁影像二值化或直方图分割后采用BL 算法用链码表达线

特征来提取桥梁。

6,综观以上各种类型地物的提取, 可以总结出: ①大多研究中采用的数据都是一小块包含目标的影像, 即其研究进行的前提是已经存在目标, 而缺少在大尺度影像上搜索和查找可能存在目标的能力, 或者说缺少这样一种多尺度信息提取的策略。②以上研究基本是针对某一特定种类目标而设计和实施, 缺乏一个总体性的技术模型作为指导, 与具体任务联系太紧密, 造成技术的分散化、过度的参数依赖性与不确定性、处理目标的单一性, 因此造成方法普适性较差。当然不同目标其特征和可利用的知识不同, 其提取技术也不可能完全一致, 但对于遥感影像信息提取来说, 有一个统一综观全局的指导思想或策略(比

如说专门针对面状地物或线状地物) 也是很必要的, 更便于这些技术的集成与统一。③许多研究在特征提取后即认为实现了目标的提取, 缺少高层的匹配和推理过程, 不可避免地具有一定的人为性和主观性。④在知识的处理与运用上, 关于地物空间语义关系知识的运用程度还不够, 此外, 目前的推理技术大多采用简单的符号规则推理, 而对于带有不确定性的模糊推理和证据理论推理等的研究和利用还不深入, 这些问题也正是遥感影像高层处理与分析所应首要解决的问题。

7,基于特征基元的高分辨率遥感影像多尺度信息提取技术体系框架首先根据影像光谱或纹理等特征在大尺度上进行粗分割(分类) , 得到目标大区域, 进而在此基础上对可能存在目标的区域或感兴趣的区域(AOI)根据光谱、形状、大小和空间关系等特征进行精细分割, 获得特征基元并进行特征表达,最终实现遥感影像的信息提取和目标识别。

基于特征的高分辨率遥感影像信息提取技术框架

低层处理主要是针对数据而进行的一些基本的影像处理工作, 包括图像的几何校正、恢复、信息增强、信息融合、粗分割等处理。这方面的工作都是基于影像的像元级别进行的。

中层处理的核心目的是基于多特征描述的基元表达, 即基元特征提取。其处理先是是通过图像分割后进行边缘追踪提取基元, 然后对每一个单元对象进行特征提取计算, 从而形成基于特征描述的基元对象集, 在这里用于基元描述的特征不再只限于光谱特征, 还可以包括文理特征、形状特征、邻接特征等视觉特征, 以及其它一些统计特征。

高层处理是遥感信息提取与目标识别技术体系的核心层次。在这里, 主要是在特征基元的基础上, 将不同类型的知识层次化的加入到高层的影像分析理解和目标匹配过程。首先, 通过地物特征描述库中的视觉知识对基于特征描述的空间单元对象进行浅层理解, 得到单个基元所属的地物类型, 在这里, 视觉知识主要包括各种地物对象的空间视觉特征(包括形状、大小、位置、光谱特征和纹理特征等等) 。在基于浅层视觉理解的基础上, 利用环境知识, 比如根据GIS 辅助数据(如高程、坡度等) , 以基于规则推理的方式对各种单个地物信息提取的结果的正确性进行判断, 以得到更加准确的理解结果。并在此基础上, 实现复杂地物信息的提取。首先, 通过对感兴趣的区域进行设定, 通过对区域内进行搜索, 得到可能的地物群。其次, 在地物群内部自动建立拓扑关系, 并通过对单个地物的特征分析建立起彼此间相互的语义关系。通过存储在知识库中的推理过程控制知识控制推理机, 实现对复杂地物的信息提取。

9面向对象的遥感影像处理方法和软件应运而生，主要有美国VLS 公司的Feature Analyst 模块，德国Definiens 公司的eCognition 软件。两个软件都提供了针对高分辨率影像的分类和提取，但前者更侧重于基于机器学习的特征提取，后者更侧重于面向对象的影像分类。从设计原理、软件体系结构、分类算法等方面既存在相似点又存在不同点， Feature Analyst 是一种基于象元的信息提取软件，支持变化检测、三维特征提取、多元数据融合等，但依赖于ERDAS Imagine 或ArcGIS 等运行环境，要求用户同时购买ERDAS Imagine 等软件。eCognition 软件是一种面向对象的信息提取独立软件，不支持变化检测、三维特征提取，操作复杂。在中国巨大的市场需求拉动下， Feature Analyst 和eCognition 已占领了中国的遥感应用市场[1]。国内面向对象的影像分析处于起步阶段，虽然已经成功开发了类似eCognition 的面向对象的软件系统，如上海交通大学的ELU 遥感影像智能解译平台软件，武汉中地数码科技有限公司开发的MAPGIS-RSP 遥感信息提取系统，但这些系统尚处于研究试用阶段，实用化、应用化程度不高，核心技术有待于进一步深入研究[2]。因此，进行面向对象的高分辨率遥感影像分析技术的研究，并开发相应的处理软件已经迫在眉睫。

10