ERDAS Objective模塊下基于GeoEye-1影像的二維特征信息提取技術研究

摘 要:ERDAS Objective模塊是ERDAS 9.3版開始推出的面向對象的信息提取模塊。為了應用Objective模塊實現(xiàn)GeoEye-1影像的二維特征信息自動提取，本文首先介紹了Objective模塊的設計理念、原理和功能;分析了應用Objective模塊進行二維特征信息提取的關鍵技術和步驟;然后針對GeoEye-1影像的性能，分別研究設計了道路、建筑物和城市樹冠信息的自動提取方案，最后分別針對GeoEye-1影像的多光譜影像、全色影像和融合影像進行信息提取試驗和精度評價。試驗表明:在Objective模塊下，應用本文設計的信息提取方案對GeoEye1影像進行二維特征信息提取是可行的，特別是基于多光譜和全色波段的融合影像進行二維特征信息提取時能夠達到較高的精度，結合一定的編輯工作，自動提取的信息能夠應用于大中等比例尺的數字線劃圖生產。

關鍵詞:ERDAS Objective面向對象信息提取高分辨率遙感GeoEye-1衛(wèi)星二維特征信息

中圖分類號:TP3文獻標識碼:A文章編號:1674-098X(2011)01(a)-0008-02

1 引言

高分辨率遙感影像與中、低分辨率的影像相比具有更加豐富的結構信息和紋理信息，隨著IKONOS、Qucikbird、GeoEye-1等高分辨率衛(wèi)星的陸續(xù)發(fā)射，人們迫切地希望能從影像數據快速地提取更多有用的信息，然而傳統(tǒng)上手工數字化耗費周期長，并且非常地昂貴。高分辨率衛(wèi)星遙感信息的實用化也對高分辨率遙感影像的處理和信息自動提取提出了新的更高的要求，如何利用計算機從高分辨遙感影像中快速高效地提取人工地物信息已成為人們多年的愿望，這不僅是遙感領域的難題，也是計算機視覺與圖像理解研究的重點之一。20世紀90年代以來，為了突破這些傳統(tǒng)的分類方法，改善高分辨率遙感影像分類精度，在傳統(tǒng)方法的基礎上，面向對象的遙感影像分類方法應運而生。該方法分類的最小單元是由影像分割得到的同質影像對象，而不再是單個像元，從較高層次對遙感影像進行分類，以減少傳統(tǒng)的基于像元層次分類方法語義信息的損失率，使分類結果含有更豐富的語義信息。ERDAS 9.3版開始提供了Objective模塊，在一個真實的面向對象的特征提取環(huán)境中，結合專家知識的推理學習，通過模擬人類圖像解譯的視覺系統(tǒng)的處理過程來實現(xiàn)高分辨率影像的特征信息自動提取。

2 基于ERDAS Objective的地物信息提取流程

Objective模塊包括一系列創(chuàng)新的工具集，封裝了矢量處理操作來生產已有GIS數據，從而減少后處理的過程，確保使用遙感影像進行地理數據圖層的創(chuàng)建和維護。Objective模塊代表著特征提取、影像分類和地圖變化監(jiān)測的未來，在Objective中，可以通過設計不同的提取流程能夠自動地提取道路、住宅區(qū)、建筑物、水體、森林、農田和草地等感興趣的特征信息，將原始影像數據轉換為有用的信息，提升整個影像的價值。Objective二維特征信息自動提取的流程如圖1所示。

3 關鍵技術探討

3.1 訓練和篩選像素

像素的訓練和篩選是通過像素分類器來實現(xiàn)，像素分類器主要是進行機器學習，像素分類器的輸出結果是一個像素概率圖層，這個連續(xù)的圖層為每個像素返回一個特征值，其值代表了這個像素是某個感興趣特征的概率，這個圖層變成了后續(xù)柵格域中處理的起點，并轉換為矢量域，進而在矢量域中進行一些更深入的操作。機器學習首先要進行像素先驗知識的量化，然后訓練及機器學習這些先驗知識，最后應用學習的先驗知識來處理影像。根據影像解譯學的知識可知，人類目視解譯的先驗知識有:顏色、色調、大小、形態(tài)、陰影、場景、模式和關聯(lián)等，也允許使用視覺上無法檢測的超越人類視覺能力的處理信息作為先驗知識，如植被指數，光譜轉換等，這些先驗知識和機器學習的算法均采用DLL插件的形式執(zhí)行，以便能夠不僅僅局限于那些安裝時自帶的方法。

3.2 像素概率圖層到柵格的轉換

將像素概率圖層轉換為柵格對象圖層，輸出層由組成柵格對象的像素組成。一個柵格對象是相鄰(4或8鄰域)像素的集合，且與其他柵格對象不連續(xù)。柵格對象中的像素分享一個公共的類號和一個公共的屬性表。為了使得這個系統(tǒng)適合不同的特征類型，這些操作采用DLL的形式執(zhí)行，除了系統(tǒng)自帶的DLL外，我們還可以根據需要制作DLL添加到系統(tǒng)中。這一處理過程的輸出柵格文件是一個重新聚類形成一個新的柵格對象，其實質是圖像的聚類或者分割。

所謂圖像分割是指根據灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個互不相交的區(qū)域，使得這些特征在同一區(qū)域內，表現(xiàn)出一致性或相似性，而在不同區(qū)域間表現(xiàn)出明顯的不同。簡單地講，就是在一幅圖像中，把目標從背景中分離出來，以便于進一步處理。Objective中使用最多的是基于閾值分割和基于聚類算法分割，基本思想都是根據圖像數據的特征將圖像空間劃分為不同的區(qū)域。

3.3 柵格對象的處理

該處理過程是基于前面操作得到的柵格對象圖層，在柵格域對柵格對象執(zhí)行數學拓撲，輸出結果是一個新的柵格對象圖層，即經過分組的柵格對象的像素集，這些柵格對象是通過概率指標相關聯(lián)的。為了使得這個系統(tǒng)適合不同的特征類型，這些處理方法都是采用DLL插件的形式執(zhí)行，大都屬于形態(tài)變換，即基于數學形態(tài)學建立起來的方法。

數學形態(tài)學是一種基于集合論的非線性理論，它以圖像的形態(tài)特征為研究對象，主要內容是設計一整套概念、變換和算法，用來描述圖像的基本特征和基本結構，也就是描述圖像中元素與元素、部分與部分間的關系，通過使用具有一定形態(tài)的結構元素來度量和提取圖像中的對應形狀，從而達到對圖像進行分析和識別的目的。這一理論一種強有力的圖像處理方法，其基本運算有四種:膨脹、腐蝕、開運算和閉運算，基于這些基本運算還可以推導和組合成各種數學形態(tài)運算方法，也可以自行擴展引入條件形態(tài)變換、序貫形態(tài)變換、條件序貫形態(tài)變換、動態(tài)條件系貫形態(tài)變換等等。OBJECTIVE中自帶方法主要有:(1)腐蝕(Dilate)——從對象的邊緣去除8個相連接的像素;(2)膨脹(Erode)——在對象的邊緣增加8個相連的像素;(3)開操作(Open)——線腐蝕然后膨脹;(4)閉操作(Close)—— 先膨脹后腐蝕;(5)骨骼(Skeleton)——減少到一個多邊形;(6)細化(Thin)——將對象轉變成一個8個像素相連接的線性化像素;(7)拆分(Split)——將一個對象拆分成兩個腐蝕對象。

3.4 柵格到矢量的轉換

一旦最終的柵格對象圖層被創(chuàng)建，接下來就是實現(xiàn)柵格域到矢量域的轉換。這個處理過程每個柵格對象都要參與，并且將每個柵格對象都轉換成一條折線或者一個多邊形。這類處理方法的的作用是從柵格域轉換到矢量域。需要使用前一步處理得到的柵格對象圖層，將每個柵格對象轉換成一個矢量對象，正常化為折線或多邊形，然后產生一個矢量對象圖層，這是柵格對象到矢量對象的操作的結果，包括一個圖層中的矢量對象，例如shapefile。根據提取特征的特性，這些矢量對象要么是多邊形要么是折線，并且它們也有與柵格對象有關的概率屬性。點柵格數據向矢量數據轉換，就是將柵格點的中心轉換為矢量坐標的過程;弧段的柵格數據向矢量數據的轉換，就是提取弧段柵格序列點中心的矢量坐標的過程;面域多邊形的柵格數據向矢量數據的轉換，則是提取具有相同屬性編碼的柵格幾何的矢量邊界及邊界與邊界之間拓撲關系的過程。

為了使得系統(tǒng)適合不同特征類型，這類處理方法也采用DLL的形式執(zhí)行。系統(tǒng)自帶的DLL有:(1)多邊形跟蹤——將柵格對象的輪廓轉換成矢量多邊形;(2)線性跟蹤——將線性特征的專題柵格對象轉換成線性矢量。以柵格多邊形的矢量化轉換為例，其一般處理過程為:(1)多邊形邊界提取;(2)邊界線搜索;(3)拓撲關系生成;(4)去除多余點并曲線圓滑。

3.5 矢量對象的處理

矢量數據處理主要是通過一些矢量處理方法改變矢量對象的形態(tài)，從而創(chuàng)建一個新的矢量圖層，是一個可選的處理過程。矢量數據需要基于第二套先驗知識度量值，應用第二個機器學習部分來訓練矢量圖層。在第二次對象訓練中，如果樣本的形態(tài)和預期提取的特征的形態(tài)和大小一致，那么原始訓練樣本能夠被再次使用。新的訓練樣本也許會被采集來模擬矢量對象形態(tài)，或者也許從一個模板庫中提取一個模板。矢量對象能夠被清理成最后的輸出結果。此時的矢量對象是干凈、結構化的對象，以shapefile的形式作為最終的提交的結果。

矢量數據處理的方法主要有:(1)Generalize—— 減少多邊形或折線里的噪音和虛假像素;(2)LINE LINK—— 將折線連接起來;(3)Island Filter—— 去除孤島多邊形;(4)Ribbon Filter—— 將多邊形分解成帶狀多邊形;(4)Skeleton—— 從多邊形中提取骨架折線。

3.6 二維特征信息編輯

由于自動提取的地物信息存在一定的偏差，我們需要在ERDAS IMAGING的二維窗口或者ARCGIS 桌面平臺下，參照正射影像圖，對矢量圖層進行編輯，為了便于管理將各不同矢量放于不同的矢量層，分別編輯。在編輯過程中可以添加各矢量對象的屬性特征，如建筑物的高度、道路的寬度等，還可以單獨添加一個標注圖層。編輯后的矢量層，需要進行Build處理，以保證空間數據的拓撲關系及空間數據與屬性數據一致性，Build處理可使沒有屬性表的矢量圖層產生屬性表，有屬性表的圖層更新屬性表。

4 基于GeoEye-1影像的信息提取試驗

4.1 信息提取流程設計

為了探索在Objective模塊下，基于面向對象的思想進行高分辨率遙感影像信息自動提取，本文選取了GeoEye-1影像進行地物特征信息提取試驗，試驗中首先采用HIS色彩空間變換方法對正射糾正后的全色和多光譜GeoEye-1影像進行融合，融合結果如圖5所示，然后按照面向對象的思想，針對全色(圖3)、多光譜(圖4)和融合影像，分別設計道路、房屋和城市樹冠的自動提取方案，以道路為例，如圖2所示。

4.2 試驗結果及分析

圖6為道路提取的結果圖，將自動提取矢量圖套合于正射影像圖之上，并進行統(tǒng)計分析，結果表明:(1)應用GeoEye-1影像的全色波段進行道路特征信息提取效果較好，但應用于建筑物信息提取時，其分類結果很混亂，無法達到實用要求。(2)單獨應用GeoEye-1影像的的多光譜影像進行地物特征信息提取的效果較差，這主要是由于其分辨率不高，存在“混合像元”的問題。(3)用融合影像進行道路、建筑物和樹冠的提取，能達到非常好的效果，統(tǒng)計結果顯示，道路、建筑物和樹冠信息提取的正確率分別達90%、78%和86%。(4)對自動提取的二維特征信息進行一定的編輯處理后，得到的矢量數據滿足大中比例尺數字線劃圖的要求。此外，通過試驗發(fā)現(xiàn)，樣本的數量、樣本的質量、影像的質量也對信息提取的結果有很大的影響。

5 結束語

ERDAS Objective模塊基于面向對象思想，從對高分辨率遙感影像進行像素合并和對象分割出發(fā)，減少待處理的單元數，同時綜合考慮了光譜統(tǒng)計特征及形狀、大小、紋理、相鄰關系等一系列因素，結合人的思維，通過人機交互構建知識庫，自動提取出符合真實世界的目標地物，同時輸出帶有屬性的對象多邊形，提高了分類精度，降低了數據轉換難度。總之，基于高分辨率影像，Objective模塊在地物的識別、分類和信息提取方面具有很大的優(yōu)勢，有望促進解決當前高空間分辨率遙感影像分類面臨的問題，將在數字線劃地形圖(DLG)的自動提取和更新方面發(fā)揮重要的作用。

參考文獻

[1]張永生，鞏凡超.高分辨率遙感衛(wèi)星應用:成像模型、處理算法及應用技術[M].北京:科學出版社，2004:124-232.

[2]陳云浩，馮通，史培軍.基于面向對象和規(guī)則的遙感影像分類研究[J].武漢大學學報(信息科學版)，2006，31(4):316-320.