導(dǎo)語(yǔ)：高分辨率影像計(jì)算管理論文一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

【摘要】計(jì)算城市的綠地覆蓋率是一項(xiàng)繁瑣的工作。高分辨率影像的出現(xiàn)，給這項(xiàng)工作提供了便捷的途徑。本文以高分辨率影像為基礎(chǔ)，結(jié)合道路和水系矢量數(shù)據(jù)，利用ecognition分類軟件完成綠地的提取，并計(jì)算出綠地覆蓋率。

【關(guān)鍵詞】綠地覆蓋率高分辨率影像影像分類

1、引言

綠化建設(shè)是一個(gè)城市建設(shè)的重要工作，城市綠地覆蓋率是衡量一個(gè)城市綠化程度的最主要的指標(biāo)，那么如何來(lái)計(jì)算一個(gè)城市的綠地覆蓋率呢？從方法上看，只要能夠知道城市范圍以及該范圍內(nèi)的綠地面積，綠地覆蓋率的結(jié)果就可以非常簡(jiǎn)單地計(jì)算出來(lái)，問題的關(guān)鍵就在于綠地面積的獲取。一般的作法是通過調(diào)查人員在實(shí)地調(diào)繪出綠地的范圍，然后在地圖上量算出綠地面積。由于計(jì)算的范圍一般都會(huì)非常大，如果所有的綠地都是通過調(diào)繪來(lái)確定范圍，那就需要花費(fèi)大量的人力和時(shí)間，實(shí)際的工作中，通常是將城市劃分為不同的區(qū)域，每個(gè)區(qū)域再取不同的樣點(diǎn)，利用樣點(diǎn)數(shù)據(jù)計(jì)算的綠地面積來(lái)推算一個(gè)區(qū)域的綠地面積，最后再推算出整個(gè)城市的綠地面積。

目前，隨著航空遙感技術(shù)的發(fā)展，高分辨率遙感影像在國(guó)內(nèi)開始得到廣泛的應(yīng)用，而這些影像的出現(xiàn)，也給城市綠地覆蓋率計(jì)算提供了更為有效而便捷的手段。

2、主要思路

采用高分辨率影像來(lái)確定綠地范圍，這項(xiàng)工作完全可以在室內(nèi)完成，無(wú)需進(jìn)行室外的調(diào)繪。需要注意的是，綠地覆蓋率是一個(gè)跟時(shí)間密切關(guān)聯(lián)的指標(biāo)，綠地覆蓋率應(yīng)當(dāng)是代表某個(gè)時(shí)間的計(jì)算的結(jié)果。由于植被的生長(zhǎng)周期一般都比較長(zhǎng)，綠地覆蓋率突變的情況比較小，而完全采用影像來(lái)確定綠地，最直接的優(yōu)點(diǎn)就是提高了計(jì)算結(jié)果在時(shí)間定位上的精度。

從高分辨率影像上提取綠地一般是采用人工提取，也就是作業(yè)人員在計(jì)算機(jī)上，以影像為底圖，手工勾繪綠地范圍，這種方式的工作量依然很大。本文采用的作法是通過ecognition影像分類軟件來(lái)完成綠地的提取。ecognition是2004年引入國(guó)內(nèi)的一個(gè)影像分類軟件，它采用面向?qū)ο蟮姆诸惙椒āＴ撥浖芊奖愕厝谌肫渌麑ｎ}地影像信息作為分類知識(shí)，同時(shí)能夠讓用戶靈活地建立基于知識(shí)的分類模型，簡(jiǎn)潔高效地完成分類工作。

只單純采用高分辨率的影像，利用軟件來(lái)自動(dòng)提取綠地的效果并不理想，本文的作法還引入了城市的路網(wǎng)和水系數(shù)據(jù)作為專題信息，用來(lái)提高綠地提取的精度。

另外，考慮到城市的范圍比較大，并且不同區(qū)域的地類分布會(huì)有所不同，因此需要將城市劃分為不同的區(qū)域，每個(gè)區(qū)域分別進(jìn)行綠地的提取，最后再匯總計(jì)算出總的綠地面積。整個(gè)計(jì)算的過程如圖1所示。

圖1計(jì)算過程

Fig.1CalculationProcess

3、過程及方法描述

3.1數(shù)據(jù)準(zhǔn)備

3.1.1數(shù)據(jù)情況

本篇文章所處理的主要數(shù)據(jù)為高分辨率影像，同時(shí)還利用了矢量的GIS數(shù)據(jù)，具體如下：

廣西南寧市QUICKBIRD影像，2002年10月份獲取，真彩色產(chǎn)品，包括紅、綠、蘭三個(gè)波段，tiff格式，空間分辨率0.61米。

城市路網(wǎng)和水系的矢量文件，ArcInfo的shape格式文件（如圖2）。

圖2矢量數(shù)據(jù)

Fig.2VectorData

本文需要計(jì)算圖1中所示的外環(huán)公路內(nèi)綠地覆蓋率。

3.1.2區(qū)域劃分

城市區(qū)域的劃分主要是根據(jù)路網(wǎng)、水系、地勢(shì)等地理要素，在矢量地圖上，通過手工來(lái)劃分，實(shí)驗(yàn)區(qū)域的劃分情況如圖3，將外環(huán)公路內(nèi)分為C1、C2、C3、C4、C5、C6、C7等7個(gè)區(qū)域。

圖3工作區(qū)域

Fig.3WorkRegions

3.1.3影像配準(zhǔn)及數(shù)據(jù)轉(zhuǎn)換

由于混合了矢量數(shù)據(jù)和影像數(shù)據(jù)的處理，為正確和方便地使用這些數(shù)據(jù)，需要統(tǒng)一數(shù)據(jù)的地理坐標(biāo)，為此，采取將影像數(shù)據(jù)配準(zhǔn)到矢量數(shù)據(jù)的地理坐標(biāo)下的作法，影像需要根據(jù)輸入的控制點(diǎn)，進(jìn)行移動(dòng)、縮放、旋轉(zhuǎn)等內(nèi)容的變換，并且不要對(duì)影像進(jìn)行重新的采樣和保存。因?yàn)樾枰獙⒄麄€(gè)范圍劃分為6個(gè)區(qū)域來(lái)處理，影像數(shù)據(jù)也相應(yīng)地要分割為6個(gè)部分，但影像的分割，不需要用區(qū)域的邊界來(lái)分割，只要用區(qū)域的最小外接矩形來(lái)分割就可以了，在分類的過程中，利用區(qū)域的專題信息，就可以避免數(shù)據(jù)處理過程中對(duì)影像重疊部分的重復(fù)計(jì)算。

Ecognition的專題圖文件是由一個(gè)柵格數(shù)據(jù)文件和一個(gè)描述柵格屬性的ASCⅡ文件來(lái)組成，描述文件的后綴一般為asc，也可以是txt后綴，下面是一個(gè)asc文件的樣例。

ID列表示柵格文件中的灰度值，R、G、B表示該灰度值在ecognition軟件中顯示時(shí)所使用的RGB色彩的三個(gè)分量，Value、Field1都是擴(kuò)展的屬性字段，用來(lái)記錄更多的特征。

矢量數(shù)據(jù)中，需要將劃分的區(qū)域面以及道路和水系的面數(shù)據(jù)轉(zhuǎn)換為ecognition軟件的專題數(shù)據(jù)文件格式，這項(xiàng)工作，作者是通過編寫專門的程序來(lái)實(shí)現(xiàn)（具體作法可參考矢量數(shù)據(jù)轉(zhuǎn)換為柵格數(shù)據(jù)的相關(guān)資料和文獻(xiàn)）。

3.2綠地提取

綠地的提取，主要是在ecognition軟件中來(lái)完成。

3.2.1建立工程

首先，需要建立一個(gè)新的影像分類工程。一個(gè)工程包括需要處理的多個(gè)影像數(shù)據(jù)和專題數(shù)據(jù)，以及分類的描述信息。這項(xiàng)工作需要注意一點(diǎn)，ecognition軟件主要是基于柵格數(shù)據(jù)的分析和處理，所有的影像文件和專題文件都應(yīng)當(dāng)具有相同的大小，這樣才能夠有效地共同完成分類的推理工作。

本文實(shí)驗(yàn)中的數(shù)據(jù)包括quickbird影像三個(gè)波段數(shù)據(jù)，分割區(qū)域、道路和水系專題圖數(shù)據(jù)。

3.2.2影像分割

這步工作，是根據(jù)影像的光譜和幾何特征，將影像劃分為不同的對(duì)象（imageobject），ecognition支持多尺度的分割，“粗”的尺度下，可以分割獲得比較“大”的對(duì)象，“細(xì)”的尺度是在上一個(gè)“粗”尺度的基礎(chǔ)上分割出的“小”對(duì)象，因此，在ecognition中，可以建立對(duì)象的層次關(guān)系，并且可以針對(duì)不同的層來(lái)進(jìn)行分類。

實(shí)驗(yàn)中建立3個(gè)層次的分割面對(duì)象，如圖。

最“粗”的是劃分的工作區(qū)域范圍（level3），然后是以道路和水系的范圍做約束的分割面（level2），最后是根據(jù)光譜和專題圖的“精細(xì)”分割（level1）。

3.2.3分類體系的建立及特征分析

分類的目標(biāo)是提取綠地，綠地的范圍和信息主要是從level3上來(lái)獲取，但是專題數(shù)據(jù)中包含的一些信息對(duì)綠地提取非常有用，比如，在level2中，已經(jīng)明確為道路和水系的部分，就不需要進(jìn)行分類的判別了，所有在level3上，先劃分為：主干水體、道路、非水體和主干道路三種類別。在“非主要道路和水體”的類別當(dāng)中再細(xì)分為房屋、樹木、草地、陰影、街道等，如圖。

“草地”在紅色波段，灰度值主要集中在綠色波段。對(duì)于同物異譜的情況，可以通過增加更細(xì)致的分類來(lái)處理，例如房屋類別可以用房屋1、房屋2等類別來(lái)替代，每個(gè)類別的光譜特性分別描述。實(shí)驗(yàn)中各種類別的光譜特征描述如表。

類別RGB類別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陰影33~4556~7280~92

房屋3168~180160~174160~170

3.2.4獲取分類結(jié)果

Ecognition采用模糊分類的機(jī)制，通過對(duì)特征的描述，計(jì)算不同對(duì)象隸屬各個(gè)分類的隸屬度，最后完成分類的過程。實(shí)驗(yàn)的結(jié)果如圖6所示（局部）。

其中綠地的面積包括“樹木”和“綠地”這兩種類別的面積。

3.3成果計(jì)算

計(jì)算采用象素?cái)?shù)量來(lái)反映分類的面積。在分類完成后，通過各個(gè)區(qū)域分類面積的匯總，可以獲得主干道路面積、草地面積、樹木面積、房屋面積、街道面積、陰影面積。

其中樹木面積和房屋面積可以算做綠地面積，而陰影面積，可以認(rèn)為它包含了其他分類的面積。設(shè)綠地面積為，則有

城市計(jì)算范圍的面積，設(shè)為綠地覆蓋率，于是有

4、小結(jié)

計(jì)算城市綠地覆蓋率的工作，從方法上看并不復(fù)雜，但是作為一項(xiàng)具體的工作卻并不簡(jiǎn)單。傳統(tǒng)的作法需要花費(fèi)大量的人力和時(shí)間，本篇文章采用高分辨率影像作為數(shù)據(jù)基礎(chǔ)，通過分類軟件來(lái)進(jìn)行綠地提取，可以大量減少人工勞動(dòng)，極大提高工作效率。但是在目前，利用軟件對(duì)高分辨率影像進(jìn)行分類，要獲得好的分類效果還比較困難，本篇文章所要計(jì)算的綠地覆蓋率，對(duì)精度的要求并不高，同時(shí)，通過引進(jìn)GIS數(shù)據(jù)參與分類，提高了分類的精度，另外，在執(zhí)行完分類的過程后，還可以通過人工的檢查，手工修正一些不正確的分類結(jié)果，但這些勞動(dòng)，相比較過去的作法，已經(jīng)變得相當(dāng)輕松?？傊?，采用高分辨率影像作為數(shù)據(jù)，利用影像分類軟件作為綠地提取的工具，給綠地覆蓋率的計(jì)算提供了便捷的方法，而隨著影像數(shù)據(jù)獲取的質(zhì)量提高以及分類軟件性能的不斷完善，這樣的方法將會(huì)顯得愈發(fā)的簡(jiǎn)潔和優(yōu)越。

參考文獻(xiàn)

[1]梅安心、彭望錄等，《遙感導(dǎo)論》，高等教育出版社2001年7月第一版

[2]鐘仕全、石劍龍，《高分辨率衛(wèi)星圖像數(shù)據(jù)處理方法及其應(yīng)用》，2004年全區(qū)遙感協(xié)會(huì)論文集

[3]北京視寶衛(wèi)星圖像有限公司