ERDAS Objective模块下基于GeoEye-l影像的二维特征信息提取技术研究
基于二维局部鉴别高斯的特征提取方法
基于二维局部鉴别高斯的特征提取方法张智斌;朱俊勇;郑伟诗;王倩;赖剑煌【期刊名称】《计算机科学》【年(卷),期】2014(041)006【摘要】特征提取是人脸识别的关键.特征提取方法一般需要预先把二维图像转化成一维图像向量.然而高维的图像向量会导致不能快速、精确地计算所需的协方差矩阵及其特征向量.针对该问题,提出了一种基于二维局部鉴别高斯的特征提取方法(2D-LDG).该方法继承一维局部鉴别高斯降维方法的优点,其目标函数是留一交叉验证误差的光滑逼近,并且只考虑训练样本的局部分布,对训练样本的全局分布不做任何假设.同时,2D-LDG直接对二维图像做特征提取,不需要事先把图像转化为维数巨大的图像向量,能快速、精确地计算协方差矩阵及其特征向量.在ORL、YaleB人脸数据库上的实验结果表明,2D-LDG特征提取方法有良好的识别效果.【总页数】3页(P275-277)【作者】张智斌;朱俊勇;郑伟诗;王倩;赖剑煌【作者单位】中山大学数学与计算科学学院广州510275;华南理工大学数学系广州510641;中山大学数学与计算科学学院广州510275;中山大学信息科学与技术学院广州510275;中山大学数学与计算科学学院广州510275;中山大学信息科学与技术学院广州510275【正文语种】中文【中图分类】TP391.41【相关文献】1.基于二维局部保持鉴别分析的特征提取算法 [J], 卢官明;左加阔2.基于全局局部鉴别分析的高斯回归模型的间歇过程质量预测 [J], 卢春红;顾晓峰3.局部特征自适应的DM二维码结构提取方法 [J], 黄翀;郑河荣;潘翔4.基于支持向量回归和高斯过程回归的水文时间序列特征提取方法 [J], 王瑞;万定生5.基于局部条纹频率估计的二维高斯滤波方法 [J], 汪沛;王岩飞;张冰尘;麻丽香因版权原因，仅展示原文概要，查看原文内容请购买。
ERDAS Objective
ERDAS Objective模块下基于GeoEye-1影像的二维特征信息提取技术研究作者：杨弘军张晓明来源：《科技创新导报》2011年第01期摘要:ERDAS Objective模块是ERDAS 9.3版开始推出的面向对象的信息提取模块。
为了应用Objective模块实现GeoEye-1影像的二维特征信息自动提取,本文首先介绍了Objective模块的设计理念、原理和功能;分析了应用Objective模块进行二维特征信息提取的关键技术和步骤;然后针对GeoEye-1影像的性能,分别研究设计了道路、建筑物和城市树冠信息的自动提取方案,最后分别针对GeoEye-1影像的多光谱影像、全色影像和融合影像进行信息提取试验和精度评价。
试验表明:在Objective模块下,应用本文设计的信息提取方案对GeoEye1影像进行二维特征信息提取是可行的,特别是基于多光谱和全色波段的融合影像进行二维特征信息提取时能够达到较高的精度,结合一定的编辑工作,自动提取的信息能够应用于大中等比例尺的数字线划图生产。
关键词:ERDAS Objective面向对象信息提取高分辨率遥感GeoEye-1卫星二维特征信息中图分类号:TP3 文献标识码:A 文章编号:1674-098X(2011)01(a)-0008-021 引言高分辨率遥感影像与中、低分辨率的影像相比具有更加丰富的结构信息和纹理信息,随着IKONOS、Qucikbird、GeoEye-1等高分辨率卫星的陆续发射,人们迫切地希望能从影像数据快速地提取更多有用的信息,然而传统上手工数字化耗费周期长,并且非常地昂贵。
高分辨率卫星遥感信息的实用化也对高分辨率遥感影像的处理和信息自动提取提出了新的更高的要求,如何利用计算机从高分辨遥感影像中快速高效地提取人工地物信息已成为人们多年的愿望,这不仅是遥感领域的难题,也是计算机视觉与图像理解研究的重点之一。
20世纪90年代以来,为了突破这些传统的分类方法,改善高分辨率遥感影像分类精度,在传统方法的基础上,面向对象的遥感影像分类方法应运而生。
erdas遥感数据图像处理介绍论文5000字
erdas遥感数据图像处理介绍论文5000字篇一：ERDAS遥感图像处理实验报告西北农林科技大学ERDAS实验报告专业班级：地信111姓名：杨登贤学号：20210115062021/12/20ERDAS实验报告一．设置一张三维图。
................................................................ . (3)1.底图与三维图 .................................................................. (3)2.参数设置 .................................................................. .. (5)（1）三维显示参数 .................................................................. (5)（2）三维视窗信息参数 .................................................................. . (6)（3）太阳光源参数 .................................................................. (6)（4）显示详细程度 .................................................................. (6)（5）观测位置参数 .................................................................. (7)二．（几何纠正几何畸变图像处理）：几何纠正结果图。
(7)（2）选择合适的坐标变换函数（即几何校正数学模型） (8)（3）数据控制点采集表 .................................................................. (9)（4）多项式模型参数 .................................................................. . (9)（5）图像重采样参数 .................................................................. .. (10)（6）结果图 .................................................................. (10)三.(数据输入\ 输出)：镶嵌图（根据不同条件做出不同的几张）。
Erdas遥感图像处理
图像增强不是以图像保真度为原则，而是
通过处理抑制一些无用的信息，增强人或
机器对某些信息的辨别能力。
整理课件
3
ERDAS 遥感图像处理
4.1 图像增强
空间增强处理 辐射增强处理 光谱增强处理 高光谱工具 傅里叶变换
整理课件
4
ERDAS 遥感图像处理
4.1 图像增强
空间增强处理 辐射增强处理 光谱增强处理 高光谱工具 傅里叶变换
整理课件
22
ERDAS 遥感图像处理
4.1 图像增强
空间增强处理 辐射增强处理 光谱增强处理 高光谱工具 傅里叶变换
整理课件
23
ERDAS 遥感图像处理
图像辐射增强处理
辐射增强（Radiometric Enhance-ment）技 术是对单个像元的灰度值进行变换达到图 像增强的目的。
图像空间增强处理——卷积处理
将整个像元分块进行平均处理，用于改变图像的空间频域率特征
整理课件
7
ERDAS 遥感图像处理
图像空间增强处理——卷积处理
卷积运算可看作是加权求和的过程，使用 到的图像区域中的每个像素分别于卷积核 (权矩阵)的每个元素对应相乘，所有乘积之 和作为区域中心像素的新值。
R5 = R1G1 + R2G2 + R3G3 + R4G4 + R5G5
整理课件
37
ERDAS 遥感图像处理
图像光谱增强处理——指数运算
整理课件
38
ERDAS 遥感图像处理
图像光谱增强处理——自然色变换
模拟自然色彩对多波段数据进行变换，输出自然色彩图像。 变换过程中关键是三个输入波段光谱范围的确定，三个波 段依次是近红外，红，绿。
基于ERDAS IMAGE软件的土地利用变化信息的提取
基于ERDAS IMAGE软件的土地利用变化信息的提取
于智强
【期刊名称】《科技广场》
【年(卷),期】2009(000)005
【摘要】本文介绍了ERDAS IMAGINE软件的基本功能和特点.利用软件分析了遥感数据的处理过程,发现了土地利用变化的热点区域.
【总页数】2页(P114-115)
【作者】于智强
【作者单位】东华理工大学地球科学与测绘工程学院,江西,抚州,344000
【正文语种】中文
【中图分类】TP751
【相关文献】
1.一种基于ERDAS软件在TM影像中提取较小水体的方法 [J], 章重
2.基于Erdas软件对立体SAR数据提取DEM的方法 [J], 马琳
3.基于VirtuoZo和ERDAS的地形三维信息的提取与可视化 [J], 吴乐文
4.基于Erdas软件对InSAR数据提取DEM的方法 [J], 刘新;尤畅
5.基于ERDAS IMAGING软件的TM影像几何精校正方法初探——以塔里木河流域为例 [J], 刘志丽;陈曦
因版权原因，仅展示原文概要，查看原文内容请购买。
利用ERDASIMAGINE从遥感影像中提取植被指数
Abstracting Vegetati on Index From Remote Sensing Images Using ERDAS IMEGINE
总第 109 期 2005 年第 6 期
西部探 矿工程 W EST - CH IN A EXPL OR AT ION EN GIN EERIN G
ser ies No . 109 Jun. 2005
文章编号 : 1004
5716( 2005) 06
0210
03
中图分类号 : P237 文献标识码 : A
IM A GIN E 遥感图像处理软件对遥感影像进行植被指数提取 。 对植被 指数提取 的关键 部分进 行分析 , 并给 出植被 指数 提取的技术关键 。 关键词 : 植被指数 ; ERDA S; 遥感 ; ND VI 1 概述 植被指数是遥感监测地面 植物生 长和分布 的一种 方法。由 于不同绿色植被对不 同波 长光 的吸 收率 不同 , 光 线照 射在 植物 上时 , 近红外波段的光大部分 被植物 反射 , 而可见 光波段 的光则 大部分被植物吸收 , 通过 对近 红外 和红 波段 反射 率的 线性 或非 线性组合 , 可以消除地物光谱 产生的 影响 , 得到的 特征指 数称为 植被指数。 植被指数经过近 20 年的发展 , 目前有几十种 , 但常用的植被 指数有 : 归一化植 被指数 N DV I( N or malized Differ ence Veg eta t ion Index) 、 比值 植被指数 RV I( R atio Veg etation Index ) 、 差值植 被指数 DV I ( Differ ence V eg etatio n I ndex ) 、 土壤 调 节 植 被指 数 SAV I( the Soil Adjusted V egetation Index) 、 修正型土壤植被指数 M SAV I( M odified Soil A djusted V eg etatio n I ndex) [ 1] 等。 在遥感应用领域 , 植 被指 数已 广泛 用来 定性 和定 量评 价植 被覆盖及其生长活力。植被指数有助于增强遥感影像的解译力 , 并已作为一种遥感手 段广 泛应 用于 土地 利用 覆盖 探测、 植 被覆 盖密度评价、 作物识别和作物预报等方面 [ 2] 。 2 植被指数提取 植被指数提取的 方法 很多 , 最 为常 用的 一种 方法 是通 过遥 感影像处理软件对遥 感影 像不 同波 段进 行处 理 , 从而 得到 各类 植被指数。 目前常见的 Landsat T M 遥感影像 , 共有 7 个波段 , 其中 T M 3 ( 波长 0. 63~ 0. 69 m) 为红 外波 谱段 , 为 叶绿 素主 要吸 收 波段 ; T M4( 波长 0. 76~ 0. 90 m) 为近红外波谱段 , 对绿色植被的差异敏 感, 为植被通用波 段。 M odis 遥感 影像共 有 36 个 光谱通 道, 其第 一波段 ( 0. 62~ 0. 67 m) 、 第二波段 ( 0. 841~ 0. 876 m) 分别是红色 和近红外波段 , 可以用第一和第二波段计算植被指数。 例如归一化植被指数 N DV I 的定义是 : ND VI= N IR- Red ( 其 中 N IR 代表近 红外波 段 , R ed 代表红 N IR+ Red 波段 ) 要计 算 NDV I, 就是 在遥感 处理软 件中 , 计算近 红外波 段与 红波段之差 , 再除以两个波段之和。 利用遥感影像处理 软件提取植 被指数流 程一般 为 : ( 1) 使用 遥感处理软件 打开遥感图像。 ( 2) 依据 植被指 数公式 , 对图 像不 同波段进行波 段计算。( 3) 生成植被指数影像文件。 3 植被指数提取中存在的问题 在计算归 一化植被指数 ND VI 时 , 此时若采用 N DV I 公式直 接进行波段计 算 , 如果 N IR+ R ED ( 近红外 波段 + 红波段 ) 的值 为零时 ( 见图 2) , 对这些点的计算就会产生 结果溢出的 现象。此 类情况在干旱 区植被覆盖度较低的遥感影像处理中较为常见。 生成 ND VI 植被指数影像图时 , 如 果不进 行适当 处理 , 在对 生成的植被指 数影像 文件分 析判 读时 , 就 会 与实 测数 据产 生很 大的误差。特别要注意 的是 , 在计算植被覆盖面积、 生物量估算、 图像分类等过 程中 , 卫星影像中 的这些 点就有 可能被 忽略 , 计算 结果的精度就 无法保证。 图 1 是 新疆 天山北 坡 M odis 2003 年 10 月 15 日影 像 , 图 2 是图 1 经过分析处理后 N ir+ R ed 值为零的像元图像。从图 2 中 可以看到 , 在影像的下方有一条明显的轮廓 , 在实测中发现 , 此轮 廓正是位于 新 疆古 尔班 通 古特 沙漠 与 新疆 阜 康 绿洲 之 间的 绿 洲 4 荒漠交 错带。 在 ERDAS 中提取植被指数 ERD AS IM AG IN E 中的 M odeler 是一个面向 目标的图 形模 型语言 , 用户可据此设计出高级 的空间 分析模 型 , 实现复杂 的分 析和处理功能 , 整个 过程 只需用 其提 供的 工 具栏 在窗 口中 绘出 模型的流程图 、 指定流程图的意义、 所用参数等 , 即可完成模型的 设计 , 无需进行 具体 而复杂 的编 程过 程。 ERDA S IM AG IN E 为 用户提供了高 层次的 设计工 具和 手段 , 同 时 可使 用户 将更 多的 精力集中在专 业领域的研究 [ 3] ( 图 3 就是利用 ERDA S 的 M o del
erdas介绍
ERDAS IMAGINE遥感图像处理软件ERDAS IMAGINE是ERDAS公司开发的面向企业级的遥感图像处理系统。
它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的3S（遥感图像处理，地理信息系统和全球定位系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具，代表了遥感图像处理系统未来的发展趋势。
ERDAS IMAGINE是容易使用的、以遥感影像处理为主要目标的软件系列工具。
不管您处理影像的经验或是专业背景如何，通过它，您能像老练的专家一样从影像中提取重要的信息。
ERDAS IMAGINE提供大量的工具，支持对各种遥感数据源，包括航空、航天；全色、多光谱、高光谱；雷达、激光雷达等影像的处理。
呈现方式从打印地图到3D模型，ERDAS IMAGINE针对遥感影像及影像处理需求，为您提供一个全面的解决方案。
它简化了操作，工作流化您的生产线，在保证精度的前提下，为您节省了大量的时间、金钱和资源。
ERDAS IMAGINE是业界唯一一个3S 集成的企业级遥感图像处理系统，主要应用方向侧重于遥感图像处理，同时与地理信息系统的紧密结合，并且具有与全球定位系统集成的功能。
ERDAS IMAGINE通过将遥感、遥感应用、图象处理、摄影测量、雷达数据处理、地理信息系统和三维可视化等技术结合在一个系统中，实现地学工程一体化结合；无需做任何格式和系统的转换就可以建立和实现整个地学相关工程。
呈现完整的工业流程，为用户提供计算速度更快，精度更高，数据处理量更大，面向工程化的新一代遥感图像处理与摄影测量解决方案。
ERDAS IMAGINE产品架构ERDAS IMAGINE面向不同需求的用户，对于系统的扩展功能采用开放的体系结构以IMAGINE Essentials、IMAGINE Advantage、IMAGINE Professional的形式为用户提供了基本、高级、专业三档产品架构，并有丰富的功能扩展模块供用户选择，使产品模块的组合具有极大的灵活性，遥感研究和应用的用户可以根据自己的要求、资金情况选择不同的软件级别，最大程度上满足需求。
应用ERDAS进行卫星影像数据预处理
何 纠 正 的 一般 方 程 式 为 ：
Ｘ— Ｆ１ ， ） （ １
Ｙ ２ ／ ＝Ｆ （ ） ，
式 中的 、 为像元在原始图像上 的坐标 ， ｙ为像元在 Ｘ、
■ 信息 化建设 与管 理
福建建设科技 ２１． ｏ ３ ００Ｎ ．
６ ７
纠正后 的图像 （ 目的图像 ， 即参 考图像 ） 的坐 标 。得 到函数 上
高差起伏 比较大辅 以物理模型等其它方法纠正 。根据控制点
与 ＤＥ 数据构建纠 正模型 ， Ｍ 对影像 进行 纠正 。为保证 成果 质量 ， 残差控 制应 在 限差 范围 内。如果残 差超 限 ， 适 当调 应 整、 更换 或增加 控制点 ； 数据控 制点残差 限制在 １个像元 以
内 ， 区不 超 过 １ ５ 像 元 。 山 ．个 影 像 纠 正 的 流 程 图 如下 ：
Ａｂ ｔａ ｔ ｓｒ ｃ ：Ｔｈ ｓ ｐ ｐ ｒｄ ｓ ｒｂ ｓ ｔ ｅ ａ ｐ ｉ ｔ ｎ ｏ ＲＤＡＳ Ｉ ＡＧＩ ｏ ａ ｅ ｌ ｅ ｉ ｇ ａ ａ ｐ ｅ ｐ ｏ ｅ ｓｎ ． Ｍ ａｎ ｙ ｔ ｒ ｕ ｈ ｔ ｅ ｉ ａ ｅ ｅ ｃ ｉ ｅ ｈ ｐ ｌ ａ ｉ ｆＥ ｃ ｏ Ｍ ＮＥ ｆ ｒ ｓ ｔ ｌ ｔ ｉ ｍａ ｅ ｄ ｔ ｒ － ｒ ｃ ｓ ｉｇ ｉ ｌ ｈ ｏ ｇ ｈ ｃ ｎ ｒ ｌｐ ｉ ｔｓ ｌｃ ｉｎ，ｃ ｒ ｅ ｔ ｎ ｅ ｉｔａ ｉｎ，ｉ ｇ ｕ ｉｎ，ｉ ｇ ｓ ｉ ａ ｄ ｅ ｇ ｎ ｎ Ｏ ｏ ，ｔ ｅ ｓ ｔ ｌ ｔ ｇ ｒ ｃ ｓ ｅ ｏ ｔｏ ｏ ｎ ｅｅ ｔ ｏ ｏ ｒ ｃ ｉ ，ｒ ｇ ｓ ｒ ｔ ｏ ｏ ｍａ ｅｆ ｓｏ ｍａ ｅｍｏ ａｃ ｎ ｄ ｉ ｇ ａ ｄ Ｓ ｎ ｈ ａ ｅｌ ｅｉ ｉ ｍａ ｅ ｉ ｐ ｏ ｅ ｓ ｄ， ｓ ｗｈ ｃ ａ ｒｅ ｕ ｔ ｏ ｉ ｇ ＤＯＭ ） ｒ ｄ ｃｉ ｎ ｉｈ ｃ ｒ ｉｄ ｏ ｔ０ｒ ｈ — ｍａ ｅ（ ｐｏ ｕｔ ． ｏ
二维图象特征点快速提取算法
二维图象特征点快速提取算法
管业鹏;童林夙
【期刊名称】《中国图象图形学报》
【年(卷),期】2002(007)012
【摘要】三维立体重建中的主要难题之一就是如何有效选择兴趣点.虽在文献[2]～[5]中提出了各种算法,但这些方法计算量大,且不能有效抑制干扰噪声,对光照条件的要求也十分苛刻.基于此,提出了一种二维图象特征点快速提取方法.通过与文献[2]、[4]中方法就特征点识别与提取结果的实验对比,证实了该算法具有抗干扰能力强,对外界光照条件适应性强及算法简单、运行速度快等显著特点.通过对一具有已知三维坐标的标准件的三维重建,证实了该算法的有效性,采用该算法所提取的特征点具有较高的准确性.
【总页数】6页(P1296-1301)
【作者】管业鹏;童林夙
【作者单位】东南大学电子工程系博士后流动站,南京,210096;东南大学电子工程系博士后流动站,南京,210096
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.二维图像特征点自主提取算法研究 [J], 管业鹏;顾伟康
2.一种快速的图象边缘提取算法 [J], 黄继风
3.基于二值图像的指纹特征点快速提取算法 [J], 胡海威;公绪成;孙立民
4.基于具有明显测量误差的辐射图象的二维炉膛温度分布重建和快速特征识别研究[J], 韩曙东;周怀春;盛锋;黄勇理;孙学信
5.二维轴对称图象高阶胡氏不变矩快速算法的改进 [J], 丘江;周津慧;杨静;郑伟;胡岩峰
因版权原因，仅展示原文概要，查看原文内容请购买。
ERDAS遥感影像大气校正及高分辨率影像
后处理：整合
剔出小图斑，孤岛现象
设定一定的阈值来剔除小图斑，孤岛，如这里给定的阈值为350.
第二次提取的结果
所有孤岛都被剔除了。接下来考虑的就是要 Nhomakorabea换成线了。
转换成线状图
转换成连续型的线状道路
•设置一定的跳跃距离， 剔除一些节点来对道路 进行平滑
转换结果
通过Feature Analyst 我们只需要很少的时间就很快完成对线状 道路的提取。尽管提取的数据已经很精确了，但我们仍然可 以通过某些参数的调整来达到更理想的效果。
大大气气++地地形形的的纠纠正正
输输出出:: 就就有有反反射射值值 的的影影像像
增增值值产产品品 ((ee..gg.. 植植被被 指指数数,, 能能量量流流））
输输出出::增增值值产产品品
ATCOR 光谱模型
ATCOR -薄云薄雾去除，大气及地形的纠正
ATCOR 菜单:
ATCOR 主菜单
ATCOR -薄云薄雾去除，大气及地形的纠正
????????????为国防领域获取感兴趣地物要素道?建筑物和汇水系流域的要素提取植被和土地覆盖制图政府localgovernment?业forestry农业agriculture常事务危机管?与规划洪水管?水边界的识别渗透或?渗透地表提取交通通道分析栖息地评估featureanalyst在要素提取中的优势
ATCOR Example:
IKONOS, non-corrected raw data
Data are courtesy of European Space Imaging © European Space Imaging GmbH
ATCOR -薄云薄雾去除，大气及地形的纠正
- 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)。
ERDAS Objective模块下基于GeoEye-l影像的二维特征信息提取技术研究摘要:ERDAS Objective模块是ERDAS 9.3版开始推出的面向对象的信息提取模块。
为了应用Objective模块实现GeoEye-1影像的二维特征信息自动提取,本文首先介绍了Objective模块的设计理念、原理和功能;分析了应用Objective模块进行二维特征信息提取的关键技术和步骤;然后针对GeoEye-1影像的性能,分别研究设计了道路、建筑物和城市树冠信息的自动提取方案,最后分别针对GeoEye-1影像的多光谱影像、全色影像和融合影像进行信息提取试验和精度评价。
试验表明:在Objective模块下,应用本文设计的信息提取方案对GeoEye1影像进行二维特征信息提取是可行的,特别是基于多光谱和全色波段的融合影像进行二维特征信息提取时能够达到较高的精度,结合一定的编辑工作,自动提取的信息能够应用于大中等比例尺的数字线划图生产。
关键词:ERDAS Objective 面向对象信息提取高分辨率遥感GeoEye-1卫星二维特征信息1 引言高分辨率遥感影像与中、低分辨率的影像相比具有更加丰富的结构信息和纹理信息,随着IKONOS、Qucikbird、GeoEye-1等高分辨率卫星的陆续发射,人们迫切地希望能从影像数据快速地提取更多有用的信息,然而传统上手工数字化耗费周期长,并且非常地昂贵。
高分辨率卫星遥感信息的实用化也对高分辨率遥感影像的处理和信息自动提取提出了新的更高的要求,如何利用计算机从高分辨遥感影像中快速高效地提取人工地物信息已成为人们多年的愿望,这不仅是遥感领域的难题,也是计算机视觉与图像理解研究的重点之一。
20世纪90年代以来,为了突破这些传统的分类方法,改善高分辨率遥感影像分类精度,在传统方法的基础上,面向对象的遥感影像分类方法应运而生。
该方法分类的最小单元是由影像分割得到的同质影像对象,而不再是单个像元,从较高层次对遥感影像进行分类,以减少传统的基于像元层次分类方法语义信息的损失率,使分类结果含有更丰富的语义信息。
ERDAS 9.3版开始提供了Objective模块,在一个真实的面向对象的特征提取环境中,结合专家知识的推理学习,通过模拟人类图像解译的视觉系统的处理过程来实现高分辨率影像的特征信息自动提取。
2 基于ERDAS Objective的地物信息提取流程Objective模块包括一系列创新的工具集,封装了矢量处理操作来生产已有GIS数据,从而减少后处理的过程,确保使用遥感影像进行地理数据图层的创建和维护。
Objective模块代表着特征提取、影像分类和地图变化监测的未来,在Objective中,可以通过设计不同的提取流程能够自动地提取道路、住宅区、建筑物、水体、森林、农田和草地等感兴趣的特征信息,将原始影像数据转换为有用的信息,提升整个影像的价值。
Objective二维特征信息自动提取的流程如图1所示。
3 关键技术探讨3.1 训练和筛选像素像素的训练和筛选是通过像素分类器来实现,像素分类器主要是进行机器学习,像素分类器的输出结果是一个像素概率图层,这个连续的图层为每个像素返回一个特征值,其值代表了这个像素是某个感兴趣特征的概率,这个图层变成了后续栅格域中处理的起点,并转换为矢量域,进而在矢量域中进行一些更深入的操作。
机器学习首先要进行像素先验知识的量化,然后训练及机器学习这些先验知识,最后应用学习的先验知识来处理影像。
根据影像解译学的知识可知,人类目视解译的先验知识有:颜色、色调、大小、形态、阴影、场景、模式和关联等,也允许使用视觉上无法检测的超越人类视觉能力的处理信息作为先验知识,如植被指数,光谱转换等,这些先验知识和机器学习的算法均采用DLL插件的形式执行,以便能够不仅仅局限于那些安装时自带的方法。
3.2 像素概率图层到栅格的转换将像素概率图层转换为栅格对象图层,输出层由组成栅格对象的像素组成。
一个栅格对象是相邻(4或8邻域)像素的集合,且与其他栅格对象不连续。
栅格对象中的像素分享一个公共的类号和一个公共的属性表。
为了使得这个系统适合不同的特征类型,这些操作采用DLL 的形式执行,除了系统自带的DLL外,我们还可以根据需要制作DLL 添加到系统中。
这一处理过程的输出栅格文件是一个重新聚类形成一个新的栅格对象,其实质是图像的聚类或者分割。
所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显的不同。
简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理。
Objective中使用最多的是基于阈值分割和基于聚类算法分割,基本思想都是根据图像数据的特征将图像空间划分为不同的区域。
3.3 栅格对象的处理该处理过程是基于前面操作得到的栅格对象图层,在栅格域对栅格对象执行数学拓扑,输出结果是一个新的栅格对象图层,即经过分组的栅格对象的像素集,这些栅格对象是通过概率指标相关联的。
为了使得这个系统适合不同的特征类型,这些处理方法都是采用DLL插件的形式执行,大都属于形态变换,即基于数学形态学建立起来的方法。
数学形态学是一种基于集合论的非线性理论,它以图像的形态特征为研究对象,主要内容是设计一整套概念、变换和算法,用来描述图像的基本特征和基本结构,也就是描述图像中元素与元素、部分与部分间的关系,通过使用具有一定形态的结构元素来度量和提取图像中的对应形状,从而达到对图像进行分析和识别的目的。
这一理论一种强有力的图像处理方法,其基本运算有四种:膨胀、腐蚀、开运算和闭运算,基于这些基本运算还可以推导和组合成各种数学形态运算方法,也可以自行扩展引入条件形态变换、序贯形态变换、条件序贯形态变换、动态条件系贯形态变换等等。
OBJECTIVE中自带方法主要有:(1)腐蚀(Dilate)——从对象的边缘去除8个相连接的像素;(2)膨胀(Erode)——在对象的边缘增加8个相连的像素;(3)开操作(Open)——线腐蚀然后膨胀;(4)闭操作(Close)——先膨胀后腐蚀;(5)骨骼(Skeleton)——减少到一个多边形;(6)细化(Thin)——将对象转变成一个8个像素相连接的线性化像素;(7)拆分(Split)——将一个对象拆分成两个腐蚀对象。
3.4 栅格到矢量的转换一旦最终的栅格对象图层被创建,接下来就是实现栅格域到矢量域的转换。
这个处理过程每个栅格对象都要参与,并且将每个栅格对象都转换成一条折线或者一个多边形。
这类处理方法的的作用是从栅格域转换到矢量域。
需要使用前一步处理得到的栅格对象图层,将每个栅格对象转换成一个矢量对象,正常化为折线或多边形,然后产生一个矢量对象图层,这是栅格对象到矢量对象的操作的结果,包括一个图层中的矢量对象,例如shapefile。
根据提取特征的特性,这些矢量对象要么是多边形要么是折线,并且它们也有与栅格对象有关的概率属性。
点栅格数据向矢量数据转换,就是将栅格点的中心转换为矢量坐标的过程;弧段的栅格数据向矢量数据的转换,就是提取弧段栅格序列点中心的矢量坐标的过程;面域多边形的栅格数据向矢量数据的转换,则是提取具有相同属性编码的栅格几何的矢量边界及边界与边界之间拓扑关系的过程。
为了使得系统适合不同特征类型,这类处理方法也采用DLL的形式执行。
系统自带的DLL有:(1)多边形跟踪——将栅格对象的轮廓转换成矢量多边形;(2)线性跟踪——将线性特征的专题栅格对象转换成线性矢量。
以栅格多边形的矢量化转换为例,其一般处理过程为:(1)多边形边界提取;(2)边界线搜索;(3)拓扑关系生成;(4)去除多余点并曲线圆滑。
3.5 矢量对象的处理矢量数据处理主要是通过一些矢量处理方法改变矢量对象的形态,从而创建一个新的矢量图层,是一个可选的处理过程。
矢量数据需要基于第二套先验知识度量值,应用第二个机器学习部分来训练矢量图层。
在第二次对象训练中,如果样本的形态和预期提取的特征的形态和大小一致,那么原始训练样本能够被再次使用。
新的训练样本也许会被采集来模拟矢量对象形态,或者也许从一个模板库中提取一个模板。
矢量对象能够被清理成最后的输出结果。
此时的矢量对象是干净、结构化的对象,以shapefile的形式作为最终的提交的结果。
矢量数据处理的方法主要有:(1)Generalize——减少多边形或折线里的噪音和虚假像素;(2)LINE LINK——将折线连接起来;(3)Island Filter——去除孤岛多边形;(4)Ribbon Filter——将多边形分解成带状多边形;(4)Skeleton——从多边形中提取骨架折线。
3.6 二维特征信息编辑由于自动提取的地物信息存在一定的偏差,我们需要在ERDAS IMAGING的二维窗口或者ARCGIS 桌面平台下,参照正射影像图,对矢量图层进行编辑,为了便于管理将各不同矢量放于不同的矢量层,分别编辑。
在编辑过程中可以添加各矢量对象的属性特征,如建筑物的高度、道路的宽度等,还可以单独添加一个标注图层。
编辑后的矢量层,需要进行Build处理,以保证空间数据的拓扑关系及空间数据与属性数据一致性,Build处理可使没有属性表的矢量图层产生属性表,有属性表的图层更p4.2 试验结果及分析图6为道路提取的结果图,将自动提取矢量图套合于正射影像图之上,并进行统计分析,结果表明:(1)应用GeoEye-1影像的全色波段进行道路特征信息提取效果较好,但应用于建筑物信息提取时,其分类结果很混乱,无法达到实用要求。
(2)单独应用GeoEye-1影像的的多光谱影像进行地物特征信息提取的效果较差,这主要是由于其分辨率不高,存在“混合像元”的问题。
(3)用融合影像进行道路、建筑物和树冠的提取,能达到非常好的效果,统计结果显示,道路、建筑物和树冠信息提取的正确率分别达90%、78%和86%。
(4)对自动提取的二维特征信息进行一定的编辑处理后,得到的矢量数据满足大中比例尺数字线划图的要求。
此外,通过试验发现,样本的数量、样本的质量、影像的质量也对信息提取的结果有很大的影响。
5 结束语ERDAS Objective模块基于面向对象思想,从对高分辨率遥感影像进行像素合并和对象分割出发,减少待处理的单元数,同时综合考虑了光谱统计特征及形状、大小、纹理、相邻关系等一系列因素,结合人的思维,通过人机交互构建知识库,自动提取出符合真实世界的目标地物,同时输出带有属性的对象多边形,提高了分类精度,降低了数据转换难度。
总之,基于高分辨率影像,Objective模块在地物的识别、分类和信息提取方面具有很大的优势,有望促进解决当前高空间分辨率遥感影像分类面临的问题,将在数字线划地形图(DLG)的自动提取和更新方面发挥重要的作用。