下载文档原格式
测绘技术中的遥感数据的获取与处理方法遥感技术在测绘领域的应用日益广泛，其能够获取大范围、高分辨率的地表信息，为地理空间数据的获取和处理提供了有力支持。
本文将探讨测绘技术中遥感数据的获取与处理方法。
一、遥感数据的获取遥感数据的获取主要通过卫星、飞机等载体，采集地球表面的电磁辐射信息。
卫星遥感数据具有广覆盖、周期性获取、持续监测等优势，而航空遥感数据则具有高分辨率、重复性强等特点。
1. 卫星遥感数据的获取卫星遥感数据的获取通常分为光学遥感和微波遥感两类。
光学遥感通过装载在卫星上的传感器，记录地表反射、发射和散射的光谱信息，推测出地表特征。
而微波遥感则利用微波辐射与地表物质的相互作用，获取地表的散射、吸收和反射等信息。
2. 航空遥感数据的获取航空遥感通过飞机搭载的传感器，采集地表的高分辨率影像数据。
航空遥感数据获取灵活，能够根据需要选取特定区域进行拍摄，获取更精确的地理信息。
二、遥感数据的处理方法遥感数据处理是对获取的原始遥感数据进行预处理、分类、提取等工作，以获得具有科学和实用价值的产品和信息。
1. 遥感数据的预处理遥感数据的预处理主要包括几何校正、辐射校正和大气校正等。
几何校正校正了数据获取过程中的几何变形，使其与地球表面实际对应；辐射校正消除了传感器自身的误差和对地球表面的辐射强度；大气校正则通过模型和反演方法消除大气对遥感数据的扰动。
2. 遥感数据的分类遥感数据的分类是将遥感图像中的像元分成不同的类别，常用的分类方法包括有监督分类和无监督分类。
有监督分类通过已知的训练样本进行分类器训练，然后将分类器应用于整个图像；无监督分类则不需要先验知识，通过聚类方法将图像像元自动分类。
3. 遥感数据的特征提取遥感数据的特征提取是从遥感图像中提取出地物的特征属性，如形状、纹理、光谱等。
特征提取可以利用像元级的单一特征或多特征组合进行，常用的方法有主成分分析、小波变换、纹理分析等。
4. 遥感数据的信息提取遥感数据的信息提取是根据特定的需求，通过应用特定的算法，提取出地物的相关信息。
如何利用遥感影像进行地形高程信息提取引言：随着科技的不断进步和遥感技术的发展，利用遥感影像进行地形高程信息提取已经成为地球科学研究中不可或缺的一部分。
通过遥感技术，我们可以获取到地球表面的影像数据，然后利用这些数据进行地形高程信息的提取和分析。
本文将介绍如何利用遥感影像进行地形高程信息提取，并探讨其中的原理和技术方法。
一、遥感影像的获取遥感影像是通过航空或卫星传感器对地球表面进行感知和测量，获取到的图像数据。
遥感影像可以提供大范围、连续性的地表信息，具有分辨率高、重访率高的优点。
常见的遥感影像包括卫星影像和航空影像。
卫星影像是由各种地球观测卫星收集的数据，具有广覆盖、频率高的特点。
常见的卫星有Landsat、MODIS等，它们可以提供高分辨率的多谱段影像数据。
航空影像则是通过航空器对地表进行拍摄而获得，一般具有较高的分辨率和空间分辨率。
卫星影像适合用于大面积地形高程信息提取，航空影像适合用于对个别区域进行高程信息提取。
二、地形高程信息提取的原理地形高程信息提取是指通过遥感影像数据获取到地表不同位置的高程信息。
地形高程信息提取的原理是利用遥感影像中的光谱、纹理和几何等信息，结合数学模型和算法来重建地形表面。
常用的地形高程信息提取方法包括数字高程模型(Digital Elevation Model，DEM)的生成。
DEM是以数值形式表示不同区域的地表高程信息的一种地理信息系统数据模型。
通过对遥感影像进行处理，可以获取到DEM数据，进而利用DEM数据进行地形高程的分析和提取。
DEM数据常通过插值算法进行生成，得到地表的高程信息。
三、地形高程信息提取的技术方法1. 影像预处理地形高程信息提取之前，首先需要对遥感影像进行预处理。
这包括影像校正、辐射定标和几何纠正等步骤。
影像校正是指根据传感器和大气条件对影像进行校正，消除辐射误差；辐射定标是指将影像数字值转化为反射率或辐射率；几何纠正是指将影像与地理坐标系统进行匹配，以确保影像与地面位置对应。
遥感影像处理中的特征提取方法和应用遥感影像是通过无人机、卫星等载体获取的地球表面的影像数据。
特征提取是遥感影像处理中的一项重要任务，旨在从遥感影像中提取出地物的特定特征，以实现对地物的分类、识别和监测等应用。
本文将介绍遥感影像处理中常用的特征提取方法及其应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是从单个像素点的信息中提取特征。
常用的方法包括：（1）颜色特征提取：利用遥感影像中的颜色信息进行特征提取。
常用的方法包括二值化、RGB分量、HSV、归一化差异植被指数（NDVI）等。
（2）纹理特征提取：利用遥感影像中的纹理信息进行特征提取。
常用的方法包括灰度共生矩阵（GLCM）、灰度值标准差、平均灰度值等。
（3）形状特征提取：利用遥感影像中的形状信息进行特征提取。
常用的方法包括链码、Hu不变矩、区域面积等。
2. 基于目标的特征提取方法基于目标的特征提取方法是在已知地物目标的前提下，根据地物目标的特定特征进行特征提取。
常用的方法包括：（1）形状特征提取：利用地物目标的形状信息进行特征提取。
常用的方法包括面积、周长、伸长率等。
（2）纹理特征提取：利用地物目标的纹理信息进行特征提取。
常用的方法包括纹理能量、纹理熵、纹理对比度等。
（3）上下文特征提取：利用地物目标的上下文信息进行特征提取。
常用的方法包括边界连接、邻居分析、局部空间关系等。
二、特征提取应用1. 地物分类特征提取在地物分类中起到了关键作用。
通过提取不同地物的特定特征，可以将遥感影像中的地物进行分类，如水体、森林、建筑等。
特征提取方法可以通过训练分类器来实现自动分类。
2. 土地利用监测特征提取可以应用于土地利用监测。
通过提取遥感影像中地物的特定特征，可以实现对土地的类型和变化进行监测，如农田的扩张、森林的退化等，为土地规划和资源管理提供支持。
3. 城市规划特征提取在城市规划中具有重要意义。
通过提取遥感影像中的建筑、道路等特定特征，可以分析城市的发展趋势和扩张方向，为城市规划和交通规划提供数据支持。
如何利用遥感影像进行测绘数据提取遥感技术是一种通过无人机或卫星获取地球表面信息的方法，通过对遥感影像进行分析和解译，可以提取出大量的地理信息数据，并应用于地质学、土地利用规划、城市建设等领域。
本文将探讨如何利用遥感影像进行测绘数据的提取，以及其在实践中的应用。
1. 遥感影像的获取与处理遥感影像的获取可以通过无人机或卫星来进行。
无人机可以实现低空高分辨率的影像获取，而卫星则能够实现广域和全球尺度的遥感影像获取。
在选择遥感影像时，除了要考虑空间分辨率和时间分辨率外，还需要根据实际需求选择多光谱、高光谱或合成孔径雷达等传感器。
在获取到遥感影像后，需要进行一系列的处理。
首先是影像预处理，包括大气校正、辐射校正和几何校正等步骤，以保证影像数据的准确性和一致性。
然后是遥感影像的分类与解译，可以使用基于像元或目标的分类方法，识别出不同地物类型。
2. 测绘数据的提取方法遥感影像提供了丰富的地理信息，其中包括地物边界、地物类型、地表高度等数据。
在进行测绘数据提取时，可以采用以下几种方法：(1) 物体提取：通过遥感影像的边界检测和分割算法，提取出不同地物的轮廓信息。
这可以应用于道路、河流、建筑物等地物的提取与识别。
(2) 高程数据提取：通过遥感影像的立体像对或多光谱图像，可以进行地表高程的提取与测量。
其中，基于立体像对的视差匹配方法可以得到地表高程数据，而多光谱数据则可以进行数字高程模型(Digital Elevation Model, DEM)的生成。
(3) 地物分类与变化检测：遥感影像中的地物可以通过基于像元的分类方法进行提取。
利用不同波段的光谱信息，可以将遥感影像中的像素根据其光谱特征归类为不同物体类型。
此外，通过对多期遥感影像进行比较，还可以检测出地物的变化信息，如城市扩张、森林变化等。
3. 遥感数据在实践中的应用测绘数据的提取是遥感技术的一个重要应用领域。
遥感影像提供了大量的地理信息数据，可以用于土地利用规划、环境监测、城市建设等方面。
遥感影像的解译与测绘数据提取方法遥感技术是一种通过航空器或卫星获取地表信息的技术手段。
遥感影像可以提供大范围、高分辨率的地表信息，因此在测绘与地理信息系统领域有着广泛的应用。
而解译遥感影像和提取测绘数据是遥感技术的重要组成部分。
解译遥感影像是将影像中的物体和地貌进行分类并提取出有用信息的过程。
这是一项复杂而繁琐的工作，需要深入理解遥感影像的特点和不同对象的影像表现。
首先，解译遥感影像需要熟悉不同光谱波段的反射特性。
遥感影像包含红外、可见光等波段的信息，这些波段对不同物体有不同的反射率。
因此，在解译过程中，需要根据不同波段的反射率以及物体的光谱特征来判断影像中的物体类型。
其次，解译遥感影像还需要考虑地表物体的空间分布特征。
地表物体的大小、形状和空间分布都会对遥感影像的解译产生影响。
因此，解译遥感影像需要将影像上的物体与实地观测进行对比，并结合地形、植被等因素进行分析。
此外，数据源的呈现方式也是解译遥感影像的关键。
遥感影像可以以栅格或矢量的形式呈现。
栅格影像以像元为单位，每个像元代表一定的空间范围，而矢量数据以点、线、面的形式表示地物。
对于栅格影像，可以通过像元间的空间关系进行解译；而对于矢量数据，可以通过矢量对象的属性进行分类和解译。
在提取测绘数据方面，遥感影像可以提供大范围地物信息。
常见的测绘数据提取方法包括：1. 目视解译法：通过人眼观察遥感影像，根据直觉判断地物类型。
这种方法简单直观，但受到主观因素的影响较大，准确性有限。
2. 物体识别法：通过建立物体特征库，利用计算机自动提取遥感影像中与库中特征相匹配的物体。
这种方法可以提高提取的自动化程度，但需要精确的物体特征库和准确的算法。
3. 分割法：将遥感影像划分为多个区域，通过划定不同区域的边界来提取地物。
这种方法能够考虑到地物的形状和大小，并且可以通过像元间的灰度差异来提取。
4. 监督分类法：通过样本训练和监督来提取地物。
首先选择一定数量的样本并进行分类，然后使用机器学习算法将这些样本推广到整个遥感影像中，从而提取地物信息。
基于遥感大数据的信息提取技术综述一、本文概述随着遥感技术的迅猛发展和大数据时代的到来，遥感大数据已经成为了地理信息科学领域的重要研究内容。
遥感大数据的信息提取技术，不仅对于提升遥感数据的利用率、挖掘遥感信息的深层次价值具有重要意义，同时也是实现地球科学定量化、精准化研究的关键手段。
本文旨在综述遥感大数据信息提取技术的最新研究进展，包括遥感大数据的特点、信息提取的主要方法、应用领域以及面临的挑战与未来发展趋势。
通过对遥感大数据信息提取技术的全面梳理和评价，旨在为相关领域的研究人员和实践者提供有益的参考和启示，推动遥感大数据信息提取技术的持续创新和发展。
二、遥感大数据概述遥感大数据，指的是通过遥感卫星、无人机、地面传感器等多元化遥感平台获取的海量数据。
这些数据不仅包括传统的光学影像，还涉及雷达、激光扫描、红外等多源、多时相、多分辨率的数据类型。
遥感大数据的特点主要体现在数据量庞大、数据结构复杂、数据动态性强以及价值密度高但价值发现难等方面。
随着遥感技术的发展，特别是高分辨率对地观测技术的广泛应用，遥感大数据已经成为地理信息科学、地球科学、环境科学等领域研究的重要数据源。
遥感大数据的获取不仅提高了我们对地球表面及其环境的认知深度，也为资源监测、城市规划、灾害预警、环境保护等实际应用提供了强有力的数据支持。
在遥感大数据的处理与分析方面，传统的数据处理方法已经难以应对如此庞大和复杂的数据量。
发展基于云计算、大数据挖掘、机器学习等先进技术的遥感大数据处理框架和算法，成为遥感大数据领域的研究热点。
这些新技术和方法的应用，不仅可以提高遥感大数据的处理效率，还能发现隐藏在数据中的深层次信息和价值，推动遥感大数据在各领域的应用和发展。
遥感大数据作为信息提取的重要基础，其处理和分析技术的持续创新将为后续的信息提取提供更为准确、快速和全面的数据支持。
对遥感大数据的深入研究和探索，对于推动遥感技术的发展和应用，具有非常重要的意义。
面向对象的遥感影像信息提取摘要：随着遥感技术的不断发展，遥感影像的分辨率不断的提高，如何对遥感影像中的地物信息进行高效、快速的提取，是当前研究的热点问题。
面向对象的方法先对影像进行多尺度分割得到同质区域对象，充分利用遥感影像中丰富的光谱、形状、纹理等特征对分割后的对象进行分类。
面向对象的遥感信息提取的方法克服了传统的基于像元的分类方法只依靠光谱信息的缺点，更高效的获取地物信息，得到更高精度的分类结果。
关键词：多尺度分割、分类、遥感影像、面向对象Abstract：With the continuous development of remote sensing technology, the resolution of remote sensing image is constantly improving. How to efficiently and quickly extract the ground object information in remote sensing image is a hot issue in current research. The object oriented method firstly segmented the image to obtain the homogeneous region object, and made full use of the rich spectral, shape, texture and other features of remote sensing image to classify the segmented object. The object-oriented remote sensing information extraction method overcomes the shortcoming of the traditional classification method based on pixel which only relies on spectral information, and obtains the ground object information moreefficiently and gets the classification result with higher precision.Key word：Multi-scale segmentation、classification、remote sensing image、object oriented.1引言利用面向对象的信息提取技术，可以更好掌握实际生产生活中地物变化情况，以及土地利用等情况，能够为国土空间规划、土地利用调查、资源普查、交通规划、生态旅游发展等工作提供有力的数据支撑。
浅谈遥感卫星影像数据信息提取摘要：在应用航天遥感时用到的数据一般分为两种形式，即遥感影像和数据图像，这两种数据形式无论使用哪种，影像都是记录在感光的胶片和相纸上的，数据影像是通过数字磁带进行记录的，记录的图像的颜色是离散变化的，而遥感影像是通过对地表进行拍摄和扫瞄来记录数据，遥感影像获得的影像数据有黑白和彩色两种，一般比较常使用的是彩色。
获取遥感影像的方式有很多种，这篇文章就是对影响遥感影像的数据信息提取方式进行了简要的分析。
关键词：遥感卫星；信息提取；影像数据一、遥感影像简介所谓的遥感反映的就是接收所要探测的目标物的电磁辐射信息的强弱程度，接收方式一般分为主动接受和被动接收，把这种接收到的信息转化成图像的形式，然后再通过相片或者是数字图像的形式表现出来，遥感影像有单波段影像、多波段影像、彩色合成影像等。
多波段影像是利用多波段的遥感器对于同一个地区进行同步的拍摄获得的若干幅波段不同的影像，相比于单波段的影像，这种多波段影响的蕴含的信息量更大，光谱的分辨率也比较高，还能够通过影响的增强技术，得到彩色的合成影像，可以很大程度上提高对地面上物体的识别能力。
那么很明显，彩色合成影像就是通过多个波段的黑白影像合成的，这种彩色的合成影像被广泛的使用在地学研究、环境监测或者是资源调查上。
遥感卫星影像在对遥感影像的信息进行处理时，主要是利用影像中的一些特征，比如光谱特征、空间特征或者是时间特性。
在这些影像的特征之外，色调是与物体的波谱特征有关系的，其他的一些要素特征都和物体的空间特征有关系。
物体的大小是与物体的影像比例有非常大的关系的，每一个物体影像的形状都是这个物体固有的特征，而影像上的纹理则是因为在一组影像上色调的变化造成的，给人视觉上留下的印象是不同的，可以帮助观察者来区分物体或者是不同的现象。
在对影像进行提取时方式有很多种，下边对于影像信息的提取进行详细分析。
二、遥感信息提取方式对于遥感信息的提取方式有很多种，最常用的提取方式主要包括目视翻译和计算机的信息提取。
遥感卫星数据处理与分析的常用方法与技巧引言：遥感技术是一种通过获取地球表面信息的非接触式手段，被广泛应用于农业、资源环境管理、城市规划等领域。
而遥感卫星数据处理和分析是利用遥感数据来提取和分析有用信息的重要环节。
本文将探讨遥感卫星数据处理与分析的常用方法与技巧，以帮助读者更好地应用和理解这一科技。
一、遥感卫星数据处理1. 数据获取首先要获取到遥感卫星数据，常见的途径有：从遥感卫星数据网站下载、购买有关数据、利用遥感卫星数据开放接口等。
在选择数据源时，应根据研究目标和需求来确定，同时要了解数据的时间、分辨率、波段等信息。
2. 数据预处理遥感卫星数据由于各种因素的影响可能存在噪声、云状物等问题，需要进行预处理。
常见的预处理步骤包括：辐射校正、大气校正、几何校正、云检测等。
这些步骤的目的是减少数据中的干扰因素，保证后续分析的准确性。
3. 数据融合数据融合是指将来自不同源的遥感数据融合成一幅图像，以便更好地获取信息。
数据融合可以通过图像融合算法来实现，如：像元级融合、特征级融合等。
数据融合后的图像能够同时具备多种波段和分辨率的信息，有助于更全面地分析研究对象。
二、遥感卫星数据分析1. 监测地表变化遥感卫星数据可以帮助我们监测和分析地表的变化情况。
通过对同一地区不同时期的遥感影像进行对比，可以观察到土地利用、植被覆盖、水域变化等的变化趋势。
这对于环境保护、土地利用规划等具有重要意义。
2. 提取地表信息利用遥感卫星数据，可以提取出许多有用的地表信息。
例如，通过光谱分析技术，可以提取出植被指数，进而评估植被的生长状态；通过纹理分析技术，可以提取出地表纹理以进行地貌分析。
这些信息对于农作物监测、资源调查等方面非常有用。
3. 航迹识别通过遥感卫星数据，我们可以进行航迹识别，即追踪某一对象在地表的活动轨迹。
利用目标识别算法和时序遥感数据，可以对航迹进行提取和分析。
这对于交通管理、物流追踪等应用具有重要意义。
结论：遥感卫星数据的处理与分析是利用遥感数据进行科学研究和实际应用的关键环节。
如何进行遥感图像的影像处理与信息提取遥感技术在许多领域中发挥着重要作用，包括农业、环境研究、资源管理等。
遥感图像的影像处理和信息提取是实现遥感应用的关键步骤之一。
本文将探讨如何进行遥感图像的影像处理与信息提取，帮助读者更好地理解和应用这一技术。
一、遥感图像的基本概念和分类在深入讨论遥感图像的影像处理和信息提取之前，我们先来了解一下遥感图像的基本概念和分类。
遥感图像是通过卫星、飞机等遥感平台获取的地球表面的图像，它包含了丰富的地物信息。
根据不同传感器的工作原理和波段范围，遥感图像可以分为光学图像、雷达图像等不同类型。
二、遥感图像的预处理遥感图像在获取后需要进行一系列的预处理，以消除噪声、增强图像质量，为后续的影像处理和信息提取做准备。
常见的预处理步骤包括辐射校正、大气校正、几何校正等。
辐射校正用于消除图像中的辐射噪声，保证图像的准确性和一致性。
大气校正则是为了消除大气对图像的影响，使得图像能够真实地反映地表特征。
几何校正则是校正图像的几何形状和位置，使其与现实地物保持一致。
三、遥感图像的影像处理影像处理是指对遥感图像进行一系列的处理操作，以增强图像的特征、提取信息或获得更高层次的图像产品。
常见的遥感图像影像处理方法包括图像增强、图像分类和图像融合等。
图像增强主要是通过增加图像的对比度、调整亮度等方式，使地物特征更加明显。
图像分类则是将遥感图像中的像素划分为不同的类别，用于分析地物类型和覆盖状况。
图像融合则是将多个遥感图像进行融合，以获取更全面和准确的地物信息。
四、遥感图像的信息提取信息提取是指从遥感图像中提取具有特定含义和应用价值的信息。
常见的信息提取任务包括地表覆盖分类、目标检测、变化检测等。
地表覆盖分类是将遥感图像中的地物按照不同的类别进行分类，如森林、湖泊、城市等。
目标检测则是在遥感图像中寻找特定目标，并进行识别和定位。
变化检测是对不同时间获取的遥感图像进行比较，找出地物变化的区域和变化趋势。
北京揽宇方圆信息技术有限公司、遥感卫星影像数据信息提取北京揽宇方圆信息技术有限公司中科院企业，卫星影像数据服务全国领先。
业务包括遥感数据获取与分发、遥感数据产品深加工与处理。
按照遥感卫星数据一星多用、多星组网、多网协同的发展思路，根据观测任务的技术特征和用户需求特征，重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列，构建由26个星座及三类专题卫星组成的遥感卫星系统，逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。
(1)光学卫星影像系列。
面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求，提供worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm)、landsat(etm)、rapideye、alos、Kompsat卫星、北京二号、资源三号、高分一号、高分二号等高分辨率光学观测星座。
围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求，发展极轨高分辨率光学卫星星座，实现全球范围内精细化观测的数据获取能力。
像国产的中分辨率光学观测星座。
围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求，建设高、低轨道合理配置的中分辨率光学卫星星座，实现全球范围天级快速动态观测以及全国范围小时级观测。
(2)雷达卫星影像系列合成孔径雷达(SAR)观测星座。
errasar-x、radarsat-2、alos、高分三号卫星围绕行业及市场应用对自然灾害监测、资源监测、环境监测、农情监测、桥隧形变监测、地面沉降、基础地理信息、全球变化信息获取等全天候、全天时、多尺度观测，以及高精度形变观测业务需求，发挥SAR卫星在复杂气象条件下的观测优势，与光学观测手段相互配合，建设高低轨道合理配置、多种观测频段相结合的卫星星座，形成多频段、多模式综合观测能力(3)历史卫星影像系例锁眼卫星影像1960年至1980年代的影像，高分辨率0.6米，已在中国各个行业得到广泛应用。
北京揽宇方圆信息技术有限公司公司为北京市创新企业，通过了严格国际质量体系认证，产品和服务质量均有着优良的保证，曾独立提供国家重大遥感图像工程项目和遥感图像处理项目，经过多年在遥感行业的积累，在遥感影像数据供应方面形成了一整套解决方案，公司还拥有一支利用专业遥感信息处理软件进行航空、航天遥感数据处理的队伍，熟练进行遥感影像DOM生产、DEM提取、遥感动态监测、专题图制作、雷达卫星变形监测、虚拟现实三维建模、地形图矢量化等处理工作，开展遥感处理技术培训与咨询服务，可解决各种行业针对空间遥感信息数据处理的业务化需求。
近年来，参与并完成了国土变更调查、第二次全国湿地资源调查、矿区变化信息提取等多个遥感数据工程项目。
1引言水体信息的提取对于环境监测、水资源调查以及合理的规划利用等起着十分重要的作用。
利用遥感影像提取水体的研究已有许多成果。
如，徐涵秋对Mcfeeters的归一化差异水体指数(Normalized Difference Water Index，NDWI)[1]进行改进得到的改进归一化差异水体指数(Modified NDWI，MNDWI),该方法能有效地避免水体与阴影的混淆[2]；杨树文等针对细小水体的提取提出了多波段谱间关系的改进方法，也得到了很好的效果[3]。
但这些研究多针对中低分辨率的遥感影像，且都需要影像具有较高的光谱分辨率。
近年来，由于高分辨率卫星影像应用越来越广泛，相对于中低分辨率影像，这类影像的空间信息更加丰富、地物的几何和纹理信息更为清晰。
采用传统基于像素的方法处理这类影像时，会因为粒度过小、过多地关注地物的局部细节而难以提取地物的整体信息。
许多研究从分类精度、准确度等方面比较了基于像素与面向对象的影像分析方法。
其中，Thomas 等比较了监督分类、非监督分类和面向对象分类三种方法的分类精度[4]。
Yu等[5]和苏伟[6]等研究结果表明：OBIA不仅可以有效克服传统基于像素方法中的“椒盐”噪声，且能有效提高分类的精度。
针对不同的研究对象和数据集特点，应该使用不同的影像分析方法。
本文的研究对象是区域内的详细水体信息，包含大水体(湖泊、干流)以及细小水体(坑塘、细小支流)，同时数据源为分辨率为0.712米的高分辨率遥感影像。
因此，采用OBIA较为适宜。
本文使用OBIA对QuickBird高分辨率遥感影像进行水体信息提取与分类。
在对影像进行多尺度分割的基础上，利用影像对象的光谱、纹理、颜色和对象间关系等特征建立规则，实现了水体信息的提取；并与基于像素的提取结果进行了对比，分析了OBIA提取结果的精度。
2研究区域与数据源本文所用数据为采集于2004年5月5日10时28分18秒上海地区的QuickBird影像(即图1中较大的黑色边框区域)，包括空间分辨率为0.717m的全色数据和2.87m的多光谱数据，其中多光谱影像包含4个波段(红、绿、蓝和近红外)信息。
并以上海市浦东新区作为研究区域(图1中较小的黑色边框区域)。
该区域内河流、湖泊纵横交错，且有大小坑塘零星分布。
土地利用类型以农田、水体以及居民地为主。
研究区域对应的全色影像大小为13900像素×13900像素，多光谱影像为3475像素×3475像素，其代表地面大小约为10KM×10KM。
取出水体信息。
式中，为绿光波段；为近红外波段图4Level1中NDWI阈值分析图图5Level2中NDWI阈值分析图本文中初步分类还利用了对象间的关系特征，具体过程如下：第一步：在父对象层(Level1)中，按NDWI分类阈值0.33提取水体对象；第二步：将Level1的提取结果利用父对象与子对象间的隶属关系传递到Level2中；第三步：在子对象层(Level2)中也利用NDWI提取水体对象。
经过以上三步(图6)就完成了水体对象的初步提取。
与仅从某一层次提取结果相比，该方法可以将所有水体对象完整地提取出来。
如图7(a)是仅在Level1中提取的结果，虽然可以防止大水体对象支离破碎(如图7(a)中A、B区域)，但是会遗漏小水体对象(如图7(a)中C区域)；图7(b)是仅在Level2中提取的结果，虽然可以防止遗漏小水体对象(如图8(b)中C区域)，但是会使大水体对象支离破碎(如图8(b)中A、B区域)；而使用本文中介绍的方法既不会因为尺度过大而遗漏小水体对象(如图8(c)中A、B区域)；也不会因为尺度过小，而使大水体对象支离破碎(如图8(c)中C区域)，而且保证了提取水体的全面性和完整性。
(a)第一步(b)第二步(c)第三步图6利用NDWI进行水体提取的过程(a)在Level1中仅利用光谱特征提取水体结果图(b)在Level2中仅利用光谱特征提取水体结果图(c)利用光谱及对象间关系特征多层次提取水体结果图图7多种水体提取过程对比图然而仅仅利用光谱特征进行水体提取，会将部分与水体光谱特征相似的建筑物及其阴影包含进来(如图8，虽被分类为水体，而实际上是建筑物及其阴影)，产生误判，即常见的“同谱异物”现象。
因此，需要利用影像对象的其它特征将干扰排除。
3.2.2纹理特征分类由于遥感影像中“同物异谱”和“异物同谱”的现象经常出现，仅依靠光谱特征常不足以准确提取目标对象。
QuickBird影像分辨率高，地物的细微结构能够得到清晰的反映，纹理及颜色信息丰富。
因此，为了排除建筑物及其阴影的干扰，首先在光谱特征提取的基础上，利用建筑物与水体的纹理差异，排除一部分建筑物及其阴影的干扰；然后将影像转变到HIS颜色空间，利用阴影区域亮度值低而饱和度高的特征[20]将剩余阴影的干扰排除。
图8因为建筑物及其阴影与水体光谱特征相似而被误判为水体如上图7、8所示，在QuickBird影像中水体和纯阴影对象的纹理，均比较细致均一；而建筑物及其与阴影混合对象的纹理，在多光谱波段中呈明暗交错的条带状，不规则且相对比较粗糙，易于区分。
本文使用灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)[21]来描述影像各像元灰度的空间分布和结构特征，即对象的纹理特征。
设为一幅二维数字图象，其大小为，灰度级别为，则满足一定空间关系的灰度共生矩阵为：(2)其中为阶的矩阵，表示集合中的元素个数。
若与距离为，两者与坐标横轴的夹角为，则可以得到各种间距及角度的灰度共生矩阵。
它不仅反映亮度的分布特性，也反映具有同样亮度或相近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征，是定义一组纹理特征的基础。
为了能更直观地描述纹理状况，Haralick等人在灰度共生矩阵的基础上，定义了若干较为常用的纹理量，如：能量、对比度、熵、相关性、均质性等等[22]。
为了确定使用哪个纹理量分类，从初步分类为水体的对象中选取一系列对象(水体、阴影、建筑物与阴影混合三类)作为样本。
查看、分析与比较了不同类别对象在不同纹理特征上的表现，选取能量与熵进行进一步的水体分类提取，这两者均与对象纹理的均匀程度有关。
为了扩大表现水体与其它类型对象在纹理均匀性方面的差异，本文提出采用归一化差异纹理均匀性指数(Normalized Difference Textural Uniformity Index，NDTUI)计算对象纹理的均匀性。
(3)(a)能量(b)对比度(c)熵(d)相关性(e)均质性(f)归一化差异纹理均匀度指数图9不同类别对象的各种纹理特征图如图9中的子图(f)所示。
并取阈值-0.35二次分类结果如图10所示，A处将水体误判为建筑物或及阴影是由于处于水陆的交界处，除了地物光谱的复杂性外还有遥感影像的分辨率的限制形成了一些混合对象。
我们将在后续的分类后处理中，利用平滑与规则化处理将其正确分类；而B处仍有少量阴影对象的干扰。
因此，仍需要利用阴影的其它特征将其排除。
3.2.3颜色特征分类剩余少量阴影对象的排除是通过影像上阴影的颜色特征来实现的。
先将遥感影像由RGB颜色空间转换到HIS颜色空间[23]。
相对于遥感影像中的其他区域(水体对象)，阴影区域在HIS颜色空间具有亮度值低、饱和度高的特点[20]。
在HIS颜色空间中，对S分量和I分量作归一化比值运算：r=(S—I)／(S+I)(4)图10利用纹理特征的水体提取结果图图11利用颜色特征的水体提取结果图三次颜色分类结果图如图11所示，还存在一些面积很小的阴影误判的对象，可在后续的分类后处理中将这些小对象统一去除掉，得到纯度较高的水体对象。
