利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法

摘要

利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法，涉及一种面向对象的遥感图像分类方法。为了解决以往的遥感图像分类方法无法区分“异物同谱”的土地覆盖类型，不适用于在中低分辨率的遥感影像上应用的问题。应用SG滤波器进行滤波处理；确定待分类的遥感影像中典型植被的MODIS-NDVI时序曲线；对TM影像进行分割，每个分割单元作为一个对象；提取每个对象的特征信息；提取所有的非植被对象；去除非植被对象将所得到的植被对象作为面状矢量来分割MODIS-NDVI时序数据，从而获得每个植被对象获得相应的物候信息；判定每个对象所属的植被类型；完成土地覆盖分类。用于土地覆盖类型的区分。

说明书

技术领域

本发明涉及利用面向对象遥感图像分类方法融合高空间分辨率数据(Landsat)和高 时间分辨率数据(MODIS-NDVI)进行快速准确的遥感图像土地覆盖分类方法。

背景技术

面向对象的遥感图像解译方法是相对于传统遥感影像处理软件主要针对单个像元的 解译算法而言的。该方法在分类时不仅考虑地物的光谱特征，还主要利用其几何特征和结 构特征，图像中的最小单元不再是单个的像元，而是一个个对象。该方法是基于认知模型 的遥感信息提取方法，更贴近人类的认知过程，已成为遥感信息提取领域主要的研究方向 之一。陆地资源卫星(Landsat)数据空间分辨率高，已被证实非常适合土地覆盖分类研 究。中分辨率成像光谱仪归一化植被指数(MODIS-NDVI)时序数据空间分辨率较低，但时 间分辨率高，能够反应植被物候信息。由于植被物候信息反应植被季节性变化规律，因此 在遥感图像中拥有相同或相似的NDVI时序谱的对象将被识别为同一土地覆盖类型。

目前国内外对于面向对象分类技术的应用主要集中于单一时相高分辨率遥感图像的 分类。将具有相同光谱、纹理和空间组合关系等特征“同质均一”的像元合并成一个对象， 以对象为单位进行后续分类工作。这种方法一般对遥感图像的获取时间有一定要求，并且 无法区分“异物同谱”的土地覆盖类型，很难在单一时相的遥感影像上应用。利用NDVI 时序数据进行土地覆盖分类的研究目前主要集中于中低分辨率的遥感影像分类中，这种方 法是传统的基于像元的分类，结果往往较细碎不具有明确的地理学意义，不能满足地理信 息系统对多边形的要求。

本发明使用的MODIS的全称为中分辨率成像光谱仪(moderate-resolution imaging  spectroradiometer)。MODIS是搭载在terra和aqua卫星上的一个重要的传感器，是卫 星上唯一将实时观测数据通过x波段向全世界直接广播，并可以免费接收数据并无偿使用 的星载仪器，全球许多国家和地区都在接收和使用MODIS数据。MODIS用于对陆表、生物 圈、固态地球、大气和海洋进行长期全球观测。

LANDSAT是美国陆地探测卫星系统，TM是LANDSAT卫星上安装的成像设备，也就是用 LANDSAT上的TM可以对地球表面来成像。

发明内容

本发明针对以往的遥感图像分类方法无法区分“异物同谱”的土地覆盖类型，不适 用于在中低分辨率的遥感影像上应用的问题，提出了利用面向对象技术融合高空间和高时 间分辨率数据的遥感图像分类方法。

利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法，该方法包括 以下步骤：

步骤一：应用Savitzky-Golay(SG)滤波器，对MODIS-NDVI时序数据进行滤波处理， 去除错误信息，消除传感器以及获取过程中生成的噪音，得到稳定的物候信息源；

步骤二：从步骤一中所得到的稳定的物候信息源中，确定待分类的遥感影像中典型植 被的MODIS-NDVI时序曲线，即，典型植被的物候特征；

步骤三：利用MODIS-NDVI时序数据获取待分类TM影像中植被物候信息，并对TM影 像进行多层多尺度分割，得到一系列分割单元，每个分割单元由空间上相邻、同质性达到 70％以上的像元组成，将每个分割单元作为一个对象；

步骤四：提取步骤三所得到的每个对象的光谱特征、纹理特征、形状特征和结构特征 信息；

步骤五：利用步骤四得到的所有特征信息，在TM影像中提取非植被对象；步骤六： 在TM影像中去除步骤五所提取的非植被对象后得到所需的植被对象，将所得到的植被对 象作为面状矢量来分割滤波之后的MODIS-NDVI时序数据，从而获得每个对象相应的 MODIS-NDVI时序曲线，即，每个植被对象获得相应的物候信息；

步骤七：参考步骤二中典型植被的MODIS-NDVI时序曲线，判定步骤六中每个对象所 属的植被类型；

步骤八：综合步骤五中得到的非植被对象和步骤七中的植被对象，完成土地覆盖分类。

本发明的优点：本发明综合了面向对象分类技术与利用植被物候信息分类技术的优 点，利用面向对象技术的多尺度分割得到均质的多边形对象，然后提取对象的物候信息， 判定该对象的土地覆盖类型。本发明克服了单独利用面向对象分类技术对“异物同谱”土 地覆盖类型不能区分的困难，同时也解决了单独利用物候信息分类结果细碎、不具有明确 地理意义的问题。使得面向对象分类技术更好的适用于中低分辨率的遥感影像分类，不仅 提高了分类的精度和速度，而且明确了分类结果的地理意义。

附图说明

图1为2009年3月初到9月末试验区中林地和芦苇荡的NDVI变动曲线，图中代表林地、图中代表芦苇荡；

图2为2009年3月初到9月末试验区中水田和旱地的NDVI变动曲线，图中代表水田、图中代表旱地；

图3为利用尺度分割后的对象统计MODIS-NDVI时序数据的像元。

具体实施方式

具体实施方式一：下面结合图3说明本实施方式。本实施方式所述的利用面向对象技 术融合高空间和高时间分辨率数据的遥感图像分类方法包括以下步骤：

步骤一：应用Savitzky-Golay(SG)滤波器，对MODIS-NDVI时序数据进行滤波处理， 去除错误信息，消除传感器以及获取过程中生成的噪音，得到稳定的物候信息源；

步骤二：从步骤一中所得到的稳定的物候信息源中，确定待分类的遥感影像中典型植 被的MODIS-NDVI时序曲线，即，典型植被的物候特征；

步骤三：利用MODIS-NDVI时序数据获取待分类TM影像中植被物候信息，并对TM影 像进行多层多尺度分割，得到一系列分割单元，每个分割单元由空间上相邻、同质性达到 70％以上的像元组成，将每个分割单元作为一个对象；

步骤四：提取步骤三所得到的每个对象的光谱特征、纹理特征、形状特征和结构特征 信息；

步骤五：利用步骤四得到的所有特征信息，在TM影像中提取非植被对象；步骤六： 在TM影像中去除步骤五所提取的非植被对象后得到所需的植被对象，将所得到的植被对 象作为面状矢量来分割滤波之后的MODIS-NDVI时序数据，从而获得每个对象相应的 MODIS-NDVI时序曲线，即，每个植被对象获得相应的物候信息；

步骤七：参考步骤二中典型植被的MODIS-NDVI时序曲线，判定步骤六中每个对象所 属的植被类型；

步骤八：综合步骤五中得到的非植被对象和步骤七中的植被对象，完成土地覆盖分类。

具体实施方式二：下面结合图1说明本实施方式，本实施方式为对实施方式一的进一 步说明，实施方式一步骤五中所述的非植被对象是水体、裸地和人工建筑地。

具体实施例如下：

步骤一：获取试验区各种地物的物候信息作为训练样本，根据中分辨率成像光谱仪 MODIS的植被指数产品MOD13Q1，得到2009年3月初到9月末试验区中典型植被类型的 NDVI变动曲线。

步骤二：应用Savitzky-Golay(SG)滤波器，对MODIS-NDVI时序数据进行滤波，去除 噪音得到稳定的物候信息。

步骤三：对Landsat TM影像进行多尺度分割，得到一系列空间上相邻、同质性较好 的分割单元，将每个单元作为一个对象。表1显示在面向对象分类过程中多尺度分割的参 数设置。试验用的Landsat TM轨道号为P120R31，时间为2009年7月15日。

表1.

  分割尺度   彩色因子   形状因子   光滑度   紧致度   50   0.9   0.1   0.6   0.4

步骤四：特征提取，得到对象的光谱特征、纹理特征、形状特征、结构特征等多特征 信息。本实例中利用易康软件提取多尺度分割后各个对象的特征，这些特征包括亮度、形 状、紧致度等。

步骤五：基于步骤四得到的特征，提取水体，裸地及人工建筑地等单元，直至剩余对 象全部为植被。

提取水体参数为：brightness小于等于32；

提取裸地、建筑用地的参数为：brightness大于等于70；

由于地表的复杂性，很难用简单的表达式将相同(地物)完全提取出；水体与裸地按 照上述参数提取后仍有漏分和错分的现象，需要结合目视解译进行修正；

步骤六：将剩余对象作为面状矢量叠加到物候信息上，提取每个对象对应区域物候特 征的均值和最大值。

TM影像多尺度分割后的对象，该对象与MODIS-NDVI时序数据叠加后，利用ArcGIS 软件中的Zonal statistics模块，获取重叠区域内所有MODIS-NDVI像元的均值和最大值。 以时间为横轴在excel软件中获得3月初到9月末该对象物候信息的均值曲线和最大值曲 线。

如果均值曲线与最大值曲线一致，则认为该对象内部地类均一。如果最大值与均值不 一致，则认为该对象内部地类不一致，返回步骤三，调整多尺度分割的参数，再次执行步 骤三至六。

步骤七：根据物候曲线参考步骤一中的训练样本，判定每个对象所属的土地覆盖类型。

本发明技术方案不局限于以上所列举的具体遥感数据，还包括各种遥感影像与地表年 际变化参数的任意组合。