高分辨率影像计算管理论文

导语：高分辨率影像计算管理论文一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

【摘要】计算城市的绿地覆盖率是一项繁琐的工作。高分辨率影像的出现，给这项工作提供了便捷的途径。本文以高分辨率影像为基础，结合道路和水系矢量数据，利用ecognition分类软件完成绿地的提取，并计算出绿地覆盖率。

【关键词】绿地覆盖率高分辨率影像影像分类

1、引言

绿化建设是一个城市建设的重要工作，城市绿地覆盖率是衡量一个城市绿化程度的最主要的指标，那么如何来计算一个城市的绿地覆盖率呢？从方法上看，只要能够知道城市范围以及该范围内的绿地面积，绿地覆盖率的结果就可以非常简单地计算出来，问题的关键就在于绿地面积的获取。一般的作法是通过调查人员在实地调绘出绿地的范围，然后在地图上量算出绿地面积。由于计算的范围一般都会非常大，如果所有的绿地都是通过调绘来确定范围，那就需要花费大量的人力和时间，实际的工作中，通常是将城市划分为不同的区域，每个区域再取不同的样点，利用样点数据计算的绿地面积来推算一个区域的绿地面积，最后再推算出整个城市的绿地面积。

目前，随着航空遥感技术的发展，高分辨率遥感影像在国内开始得到广泛的应用，而这些影像的出现，也给城市绿地覆盖率计算提供了更为有效而便捷的手段。

2、主要思路

采用高分辨率影像来确定绿地范围，这项工作完全可以在室内完成，无需进行室外的调绘。需要注意的是，绿地覆盖率是一个跟时间密切关联的指标，绿地覆盖率应当是代表某个时间的计算的结果。由于植被的生长周期一般都比较长，绿地覆盖率突变的情况比较小，而完全采用影像来确定绿地，最直接的优点就是提高了计算结果在时间定位上的精度。

从高分辨率影像上提取绿地一般是采用人工提取，也就是作业人员在计算机上，以影像为底图，手工勾绘绿地范围，这种方式的工作量依然很大。本文采用的作法是通过ecognition影像分类软件来完成绿地的提取。ecognition是2004年引入国内的一个影像分类软件，它采用面向对象的分类方法。该软件能方便地融入其他专题地影像信息作为分类知识，同时能够让用户灵活地建立基于知识的分类模型，简洁高效地完成分类工作。

只单纯采用高分辨率的影像，利用软件来自动提取绿地的效果并不理想，本文的作法还引入了城市的路网和水系数据作为专题信息，用来提高绿地提取的精度。

另外，考虑到城市的范围比较大，并且不同区域的地类分布会有所不同，因此需要将城市划分为不同的区域，每个区域分别进行绿地的提取，最后再汇总计算出总的绿地面积。整个计算的过程如图1所示。

图1计算过程

Fig.1CalculationProcess

3、过程及方法描述

3.1数据准备

3.1.1数据情况

本篇文章所处理的主要数据为高分辨率影像，同时还利用了矢量的GIS数据，具体如下：

广西南宁市QUICKBIRD影像，2002年10月份获取，真彩色产品，包括红、绿、兰三个波段，tiff格式，空间分辨率0.61米。

城市路网和水系的矢量文件，ArcInfo的shape格式文件（如图2）。

图2矢量数据

Fig.2VectorData

本文需要计算图1中所示的外环公路内绿地覆盖率。

3.1.2区域划分

城市区域的划分主要是根据路网、水系、地势等地理要素，在矢量地图上，通过手工来划分，实验区域的划分情况如图3，将外环公路内分为C1、C2、C3、C4、C5、C6、C7等7个区域。

图3工作区域

Fig.3WorkRegions

3.1.3影像配准及数据转换

由于混合了矢量数据和影像数据的处理，为正确和方便地使用这些数据，需要统一数据的地理坐标，为此，采取将影像数据配准到矢量数据的地理坐标下的作法，影像需要根据输入的控制点，进行移动、缩放、旋转等内容的变换，并且不要对影像进行重新的采样和保存。因为需要将整个范围划分为6个区域来处理，影像数据也相应地要分割为6个部分，但影像的分割，不需要用区域的边界来分割，只要用区域的最小外接矩形来分割就可以了，在分类的过程中，利用区域的专题信息，就可以避免数据处理过程中对影像重叠部分的重复计算。

Ecognition的专题图文件是由一个栅格数据文件和一个描述栅格属性的ASCⅡ文件来组成，描述文件的后缀一般为asc，也可以是txt后缀，下面是一个asc文件的样例。

ID列表示栅格文件中的灰度值，R、G、B表示该灰度值在ecognition软件中显示时所使用的RGB色彩的三个分量，Value、Field1都是扩展的属性字段，用来记录更多的特征。

矢量数据中，需要将划分的区域面以及道路和水系的面数据转换为ecognition软件的专题数据文件格式，这项工作，作者是通过编写专门的程序来实现（具体作法可参考矢量数据转换为栅格数据的相关资料和文献）。

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。

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。

“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RGB类别RGB

草地110~127121~133120~132街道1148~158160~174170~180

房屋1116~126102~116108~118街道2135~150136~148138~148

房屋2108~118100~112108~120阴影33~4556~7280~92

房屋3168~180160~174160~170

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）。

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2001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》，2004年全区遥感协会论文集

[3]北京视宝卫星图像有限公司