吳學(xué)松畢業(yè)答辯

面向?qū)ο蟮慕楆柨h遙感影像水體信息提取方案設(shè)計學(xué)院：礦業(yè)學(xué)院學(xué)號：1008010211學(xué)生姓名：吳學(xué)松指導(dǎo)老師：張俊設(shè)計的基本框架及主要內(nèi)容

設(shè)計的目的及意義工程概況及影像預(yù)處理面向?qū)ο蟮乃w信息提取方法提取結(jié)果精度分析及最終方案確定結(jié)論設(shè)計的目的及意義目的本次畢業(yè)設(shè)計是在地里國情普查的背景下進行的，在本次國情普查中，遙感技術(shù)發(fā)揮了很大的作用，我們有幸參與了這個項目，并且結(jié)合社會生產(chǎn)實踐來完成我們的畢業(yè)設(shè)計，結(jié)合生產(chǎn)中出現(xiàn)的問題，通過本次畢業(yè)設(shè)計尋找一個好的解決問題的方案。意義

我們將通過本次設(shè)計，一方面可以學(xué)到很多來自其他學(xué)者很好的方法，同時通過對面向?qū)ο蠼楆柨h遙感影像水體信息的分析，提取水體信息并解譯，以實現(xiàn)高空間分辨率影像水體信息提取，提高遙感影像數(shù)據(jù)中的水體提取的精度、加快提取速度、減少工作量，降低遙感影像分類費用。另一方面可以通過此次設(shè)計學(xué)習(xí)了解更多關(guān)于遙感方面的知識，這對即將畢業(yè)的我們是一筆巨大的財富。工程概況及影像預(yù)處理研究區(qū)概況

綏陽縣位于貴州省北部，大婁山脈中段，屬于遵義市管轄，東經(jīng)106°57′22″—107°31′31″，北緯27°49′22″—28°29′34″，全縣南北長70多公里，東西大約56公里，國土面積2566多平方公里，占貴州省總面積的1.45%。2010年末總?cè)丝?3.5萬人，下轄12個鎮(zhèn)和3個鄉(xiāng)，117個村居，是一個正在遵義中部率先崛起的新型城市。綏陽縣平均海拔866米。年平均氣溫15.1℃，年降雨量1160毫米，全年無霜期283天，年日照時數(shù)1114.2小時。綏陽獨特的自然地理環(huán)境，有28座中小型水庫，65條河流，水能蘊藏量8萬千瓦，森林覆蓋率28.7%，荒山草坡300萬畝。遙感數(shù)據(jù)源

SPOT衛(wèi)星家族后續(xù)衛(wèi)星命名為Pleiades，由Pleiades-1和Pleiades-2組成。首顆Pleiades-1衛(wèi)星已于2011年12月17日成功發(fā)射。分辨率為50cm的超高空間分辨率并且幅寬達到了20kmx20km，又增加了一顆0.5米高分辨率商業(yè)衛(wèi)星。Pleiades1之后將有Spot6，Pleiades2和Spot7于2012年到2014年之間相繼發(fā)射。具有相同的架構(gòu)設(shè)計以及在同一個的軌道上運行，這個4顆衛(wèi)星的星座將保證至少到2023年，我們都能提供響應(yīng)速度更快，獲取能力更強的0.5米到1.5米影像產(chǎn)品。本設(shè)計選用的數(shù)據(jù)由貴州省第二測繪院提供的，為貴州省綏陽縣Pleiades影像數(shù)據(jù)，包括一個全色波段、四個多光譜波段，影像獲取時間為2012年3月24日07:09:49(UTCTIME)。2.3遙感圖像與數(shù)據(jù)預(yù)處理

圖像預(yù)處理是是遙感影像處理中很重要的一個環(huán)節(jié),包括圖像幾何校正、圖像融合、圖像鑲嵌和圖像裁剪等過程。處理順序一般如圖所示圖像幾何糾正圖像融合圖像鑲嵌圖像裁剪圖1為圖像預(yù)處理流程圖面向?qū)ο蟮乃w信息提取方法水體信息提取方法介紹

水體信息提取的主要步驟為:基于邊緣的分割算法對影像進行尺度分割;分析對比不同分割尺度下水體的空間特征，確立最優(yōu)分割尺度；結(jié)合光譜、形狀、紋理等特征構(gòu)建水體信息提取模型。提取水體信息基本流程：

遙感影像影像融合尺度一尺度二尺度三...最適尺度確定紋理特征光譜特征形狀特征面向?qū)ο蟮姆诸惢跇颖净谝?guī)則精度評定確定水體提取方案幾何糾正輻射校正影像預(yù)處理影像分割圖2為提取水體信息基本流程面向?qū)ο蟮倪b感影像解譯

面向?qū)ο蠓诸惣夹g(shù)集合臨近像元為對象用來識別感興趣的光譜要素，充分利用高分辨率的全色和多光譜數(shù)據(jù)的空間，紋理，和光譜信息來分割和分類的特點，以高精度的分類結(jié)果或者矢量輸出。它主要分成兩部分過程：影像對象構(gòu)建和對象的分類。

影像對象構(gòu)建主要用了影像分割技術(shù)，常用分割方法包括基于多尺度的、基于灰度的、紋理的、基于知識，基于邊緣的及基于分水嶺的等分割算法，本次設(shè)計用的是基于邊緣的分割方法。

影像對象的分類，目前常用的方法是“基于樣本分類”和“基于規(guī)則分類”。其主要步驟為：影像分割，特征提?。ㄒ?guī)則分類，基于樣本的分類）精度評定，最佳方案選擇?；谶吘壍姆指钏惴?/p>

圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者結(jié)構(gòu)具有突變的地方，表明一個區(qū)域的終結(jié)，也是另一個區(qū)域開始的地方。這種不連續(xù)性稱為邊緣。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。本次設(shè)計所用的軟件是envi5.0,FX的操作可分為發(fā)現(xiàn)對象和特征提取通過控制不同尺度邊界的差異，來產(chǎn)生從細到粗的多尺度分割。同時在對影像分割后還須對影像進行合并，因此選擇分割尺度后還須確定一個合適的合并閥值，把分割后的一些小班進行合并。如下圖所示為不同合并閥值得到效果圖：圖3為合并閥值為20圖中小斑很多圖4為合并閥值為90圖中基本無小斑在這里我將分別選取分割尺度為10、20、30、40、對影像進行區(qū)域分割，然后得出最優(yōu)尺度為20、92，分割效果如下圖5分割尺度為10圖6分割尺度為20圖7分割尺度為30圖8分割尺度為403.4.1基于樣本分類

基于樣本分類（supervisedclassification）又稱訓(xùn)練場地法，是以建立統(tǒng)計識別函數(shù)為理論基礎(chǔ)，依據(jù)典型樣本訓(xùn)練方法進行分類的技術(shù)。即根據(jù)已知訓(xùn)練區(qū)提供的樣本，通過選擇特征參數(shù)，求出特征參數(shù)作為決策規(guī)則，建立判別函數(shù)以對各待分類影像進行的圖像分類，是模式識別的一種方法。要求訓(xùn)練區(qū)域具有典型性和代表性。判別準(zhǔn)則若滿足分類精度要求，則此準(zhǔn)則成立；反之，需重新建立分類的決策規(guī)則，直至滿足分類精度要求為止?；跇颖痉诸愑址譃镵鄰近法和支持向量機，其分類結(jié)果分別為圖9，圖10.

圖9K臨近法圖10為支持向量機法第三章面向?qū)ο蟮乃w信息提取方法3.1面向?qū)ο蟮挠跋窠庾g面向?qū)ο蟮倪b感影像分類技術(shù)是針對高分辨率影像應(yīng)用而興起的一種新的遙感分類技術(shù),可以實現(xiàn)對多源遙感數(shù)據(jù)或遙感數(shù)據(jù)和GIS矢量數(shù)據(jù)的整合分析其基本原理是根據(jù)像元的形狀、顏色、紋理等特征,把具有相同特征的象素組成一個對象,然后根據(jù)每一個對象的特征進行分類，它不同于傳統(tǒng)遙感影像分析軟件基于像元光譜值的分類方法,而采用決策支持的模糊分類算法,建立不同尺度的分類層次,在每一層次上分別定義對象的光譜特征(均值、方差、灰度比值等)、形狀特征(面積、長度、寬度、邊界長度、長寬比、形狀因子、位置等)、紋理特征(對象方差、對稱性、灰度共生矩陣特征等)、上下文關(guān)系特征和相鄰關(guān)系特征,通過對影像對象定義多種特征并指定模糊化函數(shù),給出每個對象隸屬于某一類的概率,建立分類標(biāo)準(zhǔn),最終按照最大概率產(chǎn)生確定分類結(jié)果。它主要分成兩部分過程：影像對象構(gòu)建和對象的分類。影像對象構(gòu)建主要用了影像分割技術(shù)，常用分割方法包括基于多尺度的、基于灰度的、紋理的、基于知識的及基于分水嶺的等分割算法。比較常用的就是多尺度分割算法，這種方法綜合遙感圖像的光譜特征和形狀特征，計算圖像中每個波段的光譜異質(zhì)性與形狀異質(zhì)性的綜合特征值，然后根據(jù)各個波段所占的權(quán)重，計算圖像所有波段的加權(quán)值，當(dāng)分割出對象或基元的光譜和形狀綜合加權(quán)值小于某個指定的閾值時，進行重復(fù)迭代運算，直到所有分割對象的綜合加權(quán)值大于指定閾值即完成圖像的多尺度分割操作。分割分兩步驟:首先確定分割范圍，對影像進行初始化分割，后確定歸并尺度。在保證定分割精細程度及具有較小破碎性的情況下，選擇合適的歸并尺寸對圖像進行歸并。分割尺度范圍為0%～100%，值越大分割越細，分割后影像破碎化程