|
3.2 绿地提取
绿地的提取，主要是在ecognition软件中来完成。
3.2.1 建立工程
首先，需要建立一个新的影像分类工程。一个工程包括需要处理的多个影像数据和专题数据，以及分类的描述信息。这项工作需要注意一点，ecognition软件主要是基于栅格数据的分析和处理，所有的影像文件和专题文件都应当具有相同的大小，这样才能够有效地共同完成分类的推理工作。
本文实验中的数据包括quickbird影像三个波段数据，分割区域、道路和水系专题图数据。
3.2.2 影像分割
这步工作，是根据影像的光谱和几何特征，将影像划分为不同的对象（imageobject），ecognition支持多尺度的分割，“粗”的尺度下，可以分割获得比较“大”的对象，“细”的尺度是在上一个“粗”尺度的基础上分割出的“小”对象，因此，在ecognition中，可以建立对象的层次关系，并且可以针对不同的层来进行分类。
实验中建立3个层次的分割面对象，如图。
图4 影像分割
Fig.4 Image Segmentation
最“粗”的是划分的工作区域范围（level3），然后是以道路和水系的范围做约束的分割面（level2），最后是根据光谱和专题图的“精细”分割（level1）。
3.2.3 分类体系的建立及特征分析
分类的目标是提取绿地，绿地的范围和信息主要是从level3上来获取，但是专题数据中包含的一些信息对绿地提取非常有用，比如，在level2中，已经明确为道路和水系的部分，就不需要进行分类的判别了，所有在level3上，先划分为：主干水体、道路、非水体和主干道路三种类别。在“非主要道路和水体”的类别当中再细分为房屋、树木、草地、阴影、街道等，如图。
图5 影像分类
Fig.5 Image Classes
“草地”在红色波段，灰度值主要集中在绿色波段。对于同物异谱的情况，可以通过增加更细致的分类来处理，例如房屋类别可以用房屋1、房屋2等类别来替代，每个类别的光谱特性分别描述。实验中各种类别的光谱特征描述如表。
|
类别 |
R |
G |
B |
类别 |
R |
G |
B |
|
草地 |
110~127 |
121~133 |
120~132 |
街道1 |
148~158 |
160~174 |
170~180 |
|
房屋1 |
116~126 |
102~116 |
108~118 |
街道2 |
135~150 |
136~148 |
138~148 |
|
房屋2 |
108~118 |
100~112 |
108~120 |
阴影 |
33~45 |
56~72 |
80~92 |
|
房屋3 |
168~180 |
160~174 |
160~170 |
|
|
|
|
3.2.4 获取分类结果
Ecognition采用模糊分类的机制，通过对特征的描述，计算不同对象隶属各个分类的隶属度，最后完成分类的过程。实验的结果如图6所示（局部）。
图6 分类结果
Fig.6 Classification Result
其中绿地的面积包括“树木”和“绿地”这两种类别的面积。
3.3 成果计算
计算采用象素数量来反映分类的面积。在分类完成后，通过各个区域分类面积的汇总，可以获得主干道路面积 、草地面积 、树木面积 、房屋面积 、街道面积 、阴影面积 。
其中树木面积和房屋面积可以算做绿地面积，而阴影面积，可以认为它包含了其他分类的面积。设绿地面积为 ，则有
 城市计算范围的面积，设 为绿地覆盖率，于是有
4、小结
计算城市绿地覆盖率的工作，从方法上看并不复杂，但是作为一项具体的工作却并不简单。传统的作法需要花费大量的人力和时间，本篇文章采用高分辨率影像作为数据基础，通过分类软件来进行绿地提取，可以大量减少人工劳动，极大提高工作效率。但是在目前，利用软件对高分辨率影像进行分类，要获得好的分类效果还比较困难，本篇文章所要计算的绿地覆盖率，对精度的要求并不高，同时，通过引进GIS数据参与分类，提高了分类的精度，另外，在执行完分类的过程后，还可以通过人工的检查，手工修正一些不正确的分类结果，但这些劳动，相比较过去的作法，已经变得相当轻松。总之，采用高分辨率影像作为数据，利用影像分类软件作为绿地提取的工具，给绿地覆盖率的计算提供了便捷的方法，而随着影像数据获取的质量提高以及分类软件性能的不断完善，这样的方法将会显得愈发的简洁和优越。
参 考 文 献
[1] 梅安心、彭望录等，《遥感导论》，高等教育出版社今年7月第一版
[2] 钟仕全、石剑龙，《高分辨率卫星图像数据处理方法及其应用》，今年全区遥感协会论文集
[3] //www.spotimage.com.cn/.北京视宝卫星图像有限公司 上一页 [1] [2] |
