1、基于eCognition的地表覆盖自动解译方法与操作流程四川省测绘地理信息局eCognition简要介绍地理国情地表覆盖解译方案目录目录解译操作流程介绍操作演示目前国内外主要自动解译软件介绍Feature Analyst 面向对象自动解译软件独立软件应用:医学、地理学领域eCognition 面向对象自动解译软件基于ArcGIS、Erdas平台应用:NGA、USDAFeatureStation 测绘科学研究院自主研发独立软件是针对地理国情普查研制的地表覆盖分类数据和地理国情要素数据生产系统目前国内外主要自动解译软件介绍eCognition关键技术一:数据合成eCognition关键技术二:面向
2、对象的影像分析技术 面向对象分析技术面向对象分析技术p 采用人的感知方式p 从不同尺度分析eCognition关键技术三:动态影像分析栅格矢量高程信息辅助理解分割分类输入栅格矢量点云输出报告融合提取由规则集控制n手 段:分割/分类、迭代n依 据:操作者自身的知识水平(规则库),是难点也是优点。eCognition分割、分类技术方法n图像分割是将图像划分成若干个互不相交的小区域的过程,小区域是某种意义下具有共同属性的像素的连通集合。n图像分割算法有上千种,目前最常见的分割方法:阈值分割、区域增长算法、纹理分割算法、基于知识的分割算法、分水岭算法、分形网络演化法(FNEA,fractal net
3、evolution approach)、分水岭法;图像分割棋盘分割棋盘分割:分割整景影像或者感兴趣的区域为较小的相同尺相同尺度的方形度的方形。分割速度最快。四叉树分割四叉树分割:和棋盘分割比较像似,但创建的正方形大小是在不同的尺寸。同质的区域生成典型的较大的正方形,而异质的区域则生成较小的正方形,四叉树分割占用较少的系统资源。多尺度分割多尺度分割:对影像对象本身的同质异质度标准进行测量,同时考虑原始对象和将进行合并对象的颜色颜色和形状形状属性,连续的合并像素或者已有的影像对象。a 对象等级结构b 对象层次采用不同的尺度,进行多次分割,形成网络层次结构,每一个分割都利用低一层的影像对象作为原料,
4、这些原料随之在新分割中进行合并。空间异质度空间异质度关键关键多尺度分割参数设置多尺度分割参数设置分类分类是把具有相近关系的影像对象归为一类的过程,而一一个类个类所描述的是在层次结构中具有相同语义的影像对象,所有类都是来自隶属层次结构层中的影像对象,它们所构成的关系结构就称为类层次结构类层次结构。分类.对象:颜色形状大小纹理上下文遥感图像中含有丰富的地物信息,如地物的色调或色彩、形状、大小、阴影、纹理、图案、位置和布局等众多遥感图像特征,将这些特征用金字塔的形式表现出来。遥感图像中的特征分类中用到了什么?特征特征自定义特征自定义特征光谱特征光谱特征几何特征几何特征纹理特征纹理特征类相关特征类相关
5、特征全局统计特征全局统计特征 监督分类算法监督分类算法(Bayes、KNN、SVM、Decision Tree)基于特征的分类基于特征的分类eCognition简要介绍地理国情地表覆盖解译方案目录目录解译操作流程介绍操作演示地理国情信息普查是在基础地理信息数据的基础上,收集多方专业资料,充分利用高分辨率的遥感影像,开展以下工作:高分辨率影像处理高分辨率影像处理 DEM数据精细化处理数据精细化处理 地理国情普查信息采集地理国情普查信息采集 地表覆盖分类地表覆盖分类 地理要素信息提取地理要素信息提取 地表覆盖分类地表覆盖分类p针对的是高分辨率影像针对的是高分辨率影像p区域地形地貌特点不同,造区域地
6、形地貌特点不同,造成解译知识的无法重复利用成解译知识的无法重复利用如西南地区局部地区地表破碎自动解译针对地理国情分类体系,自动化难度大针对工程化应用难度大人工解译耗时较长地物边界由人确定,容易综合,不精确分类结果受作业人员自身主观判断影响较大自动解译+人工解译基于最新基于最新遥感正射影像遥感正射影像,首先利,首先利用道路(缓冲区)和房屋数据参与易康用道路(缓冲区)和房屋数据参与易康软件自动软件自动分割分割,再结合国情要素中的道,再结合国情要素中的道路(缓冲区)、水体和房屋区(群)参路(缓冲区)、水体和房屋区(群)参与影像与影像分类分类,经过,经过人工判读和干预人工判读和干预得到得到地表覆盖(地
7、表覆盖(1010大类)初步成果并赋地类大类)初步成果并赋地类代码,外业调绘核查、内业数据整理,代码,外业调绘核查、内业数据整理,质量检查得到地表覆盖数据。质量检查得到地表覆盖数据。技术路线技术路线影像融合处理易康软件自动分割多光谱影像全色影像利用多光谱和国情要素矢量数据软件处理导出人工判读解译外业调绘核查地表覆盖成果制作野外核查调绘工作底图或电子底图质量检查内业数据整理基础地理信息数据基于eCognition内业分类与识别方法介绍面向对象自动解译以基础地理信息数据为参考,在对影像进行多尺度分割基础上进行面向对象分类;充分利用DEM等辅助数据参与分类,提高自动分类的准确度。利用规则集把易分的先分
8、出来,然后利用基于样本的临近分类法对分类效果不好的地类进行再次分类,将其作为规则集分类的一个有效的补充。基于eCognition交互式解译流程图 封装成快速模式 规则集与动作模块的关联规则集与动作模块的关联建立规则集如基础地理信息数据现势性不好或内容不详细,可在影像分割的基础上,选择样本进行监督分类,使各地类的一级分类基本都能提取出来,二三级分类需要人机交互解译。监督分类基于eCognition内业分类与识别方法介绍eCognition简要介绍地理国情地表覆盖解译方案目录目录解译操作流程介绍操作演示准备工作u 确定分类体系编号一级类包含的二级类数量包含的三级类数量0100耕地220200园地7
9、90300林地8120400草地280500房屋建筑区5100600道路220700构筑物8160800人工堆掘地490900裸露地表551000水体34总计10类46类77类u 影像理解(解译样本学习)准备工作水田园地基于eCognition解译步骤建立工程导入影像及能够应用到的专题数据(DLG、DEM)建立分割规则采用2m分辨率的多光谱影像和0.5m全色影像边缘提取结果进行多尺度分割,注意形状和颜色、紧致度与平滑度的设置比例,由于边缘信息比重要,权重设为10。初次分割主要分大类,尺度设置可稍大,一般100以上,如120、150。分割算法较多,比较常用的有多尺度分割、棋盘分割,多种分割算法可
10、组合使用。建立分类规则a)删除黑边及基于DLG初分,删除影像周围的黑边,利用道路、房屋建筑的矢量数据首先提取道路、房屋建筑区等一级类数据,将园林、林地、耕地和草地暂统一为“植被”一大类。b)水体分类,基于NDWI指数提取水系,对DLG初分结果直接进行调整,无法确定为水系的,放到“未分类”,参与后期所有分类。c)植被分类,基于NDVI指数处理植被,对DLG初分结果进行适当调整,无法确定为植被的,放到“临时类”。一级分类d)人工交互(植被)对“临时类”进行人工核查,确定为植被类别的,人工归为“植被”;无法确定为植被的,放到“未分类”,参与后期所有分类。f)构筑物和荒漠与裸露地表提取 在DLG初分结
11、果基础上,对“未分类”进行归类;根据构筑物中部分硬化平地分布在房屋建筑区附近的特征,提取构筑物;根据荒漠与裸露地表(DLG中的岸滩等)与水系的位置关系特性提取荒漠与裸露地表。一级分类二、三级分类针对一级分类结果,利用影像和矢量数据各要素的属性,获得二、三级分类结果。如下图,将植被进一步分到耕地的二级类旱地、水田和人工草地。数据后处理p 通过规则集将分类效果较好类别的小斑块(例如:水体、道路等),进行合并处理。p 将分类结果导出SHP或GDB格式数据。p 基于ArcGIS10.0软件开发的生产辅助软件进行数据编辑eCognition简要介绍地理国情地表覆盖解译方案目录目录解译操作流程介绍操作演示