2887.基于ETM＋遥感影像的绿化动态监测方法研究【开题报告+毕业论文+分析代码】 .doc

《2887.基于ETM＋遥感影像的绿化动态监测方法研究【开题报告+毕业论文+分析代码】 .doc》由会员分享，可在线阅读，更多相关《2887.基于ETM＋遥感影像的绿化动态监测方法研究【开题报告+毕业论文+分析代码】 .doc（36页珍藏版）》请在三一文库上搜索。

1、详细源代码及数据库请联系本人开题报告毕业设计题目：基于ETM遥感影像的绿化动态监测方法研究学院： 遥感信息工程学院专业：遥感科学与技术班级学号： 姓名： 指导老师： 时间： 一 研究目的与意义由于人类对植被的破坏,导致了生态环境的恶化以及全球性的环境变化。如水土流失的加重，土壤的退化以至荒漠化等局部性的生态环境恶化、大气二氧化碳的增加、全球变暖以及生物多样性减少等，这些变化直接影响了人类的生存和繁衍。所以对于全球变化的研究越来越被人们所重视，特别是土地利用/土地覆盖等方面。绿色生态系统在全球的碳循环过程中起着积极的作用，并且城市绿地作为城市结构中的自然生产力主体，在城市系统中起着重要作用。因此

2、，研究绿色植被的动态变化对认识全球变化，具有至关重要的作用。把遥感技术作为一种综合性探测技术运用于绿化动态监测中，不仅能迅速获得大量丰富的第一手信息和数据，而且能科学、准确、及时地提供分析成果。不仅能提供细部地区的信息，而且能统观全局。遥感技术以其宏观性、多时相、多波段等特征为监测和了解植被变化提供了一种新型而有效的方法，为生态规划提供了科学依据和技术支持。二 国内外现状和发展趋势植被变化主要是地球内部作用（土壤母质，土壤类型等）以及外部作用（气温，降水等）的综合作用的结果1。植被光谱特征是植被遥感的基础。植被反射光谱是植被，土壤，大气，地形，地带性，水分含量等多种因素影响而成的综合反映。利用

3、遥感技术对植被变化的监测的优势主要有：（1）卫星遥感图像具有周期性，宏观性，现势性，经济性的特点，可以用于大范围区域的植被覆盖监测2 ；（2）利用多时相卫星影像进行变化分析,是遥感数据应用的重要领域3；（3）高光谱遥感数据具有波段多、信息量丰富的特点可以提供连续、精细的光谱信息，用于植被遥感的定量研究中4 ； （4）多源遥感信息（多时相、多光谱、多传感器、多平台和多分辨率）提供的信息具有互补性、合作性，可以使对植被覆盖度的定量估算更加精确、完全和可靠5。因此用遥感数据来进行植被变化监测已经成为动态检测植被变化的主要手段。 由于变化检测问题的复杂性，遥感图像变化检测目前仍处于探索阶段，还没有统一

4、的解决方法。但是大家比较一致的认为：变化检测的方法的选择依赖于遥感数据源的类型和待检测目标的类型。因此，在绿化动态检测方面，研究者们试图通过各种方法对植被变化检测方法进行探索，在变化信息发现方面有光谱特征变异法、差值法、差异主成分法、多波段主成分变换、主成份差异法等等，在变化信息提取方面比较有效的有阈值法、分类法、人机交互解译法等等。变化信息发现方面：(1) 光谱特征变异法 是运用多源数据的融合技术，将来自不同传感器的遥感数据进行融合，使变化区域呈现特殊的影像特征的一种方法。同一地物反映在不同影像上的光谱信息一一对应的。因此对不同时相影像融合时，才能如实地显示出地物的正确光谱属性。但如果两者信

5、息表现为不一致时，那么融合后影像的光谱就表现得与正常地物有所差别，此时就称地物发生了光谱特征变异。 这部分影像在整个的影像范围内是不正常和不协调的，可以通过目视的方法将它们选择出来。这种变化信息提取的方法具有物理意义明显，简洁的特点。(2) 差值法 就是将两个时相的遥感图像相减。其原理是：图像中未发生变化的地类在两个时相的遥感图像上一般具有相等或相近的灰度值，而当地类发生变化时，对应位置的灰度值将有较大差别。因此在差值图像上发生地类变化部分灰度值会与背景值有较大差别，从而使变化信息从背景影像中显现出来。(3) 差异主成份法 两时相的影像经纠正、配准融合及精确的空间叠置之后，先做差值运算并取绝对

6、值，从而得到一个差值影像。显然，这个差值影像集中了原两时相影像中绝大部分的变化信息，而滤除了影像中相同的背景部分，在此基础上，再对差值影像作PC变换。由PC变换的特性知道，变换结果的第一分量集中影像的主要信息，而在其它分量则反映了波段的差异信息。因此，差值影像作PC变换之后的第一分量应该集中了该影像的主要信息。(4) 多波段主成份变换 地物属性发生变化，必将导致其影像特征的变化，表现为某几个波段上的灰度值发生变化，所以只要找出两时相影像中对应波段上灰度值的差别并确定这些差别的范围，便可发现土地利用变化信息。首先将两时相的影像各波段进行组合形成一个两倍于原影像波段数的新影像，然后对该影像作PC变

7、换。由于变换结果前几个分量上集中了两个影像的主要信息，而后几个分量则反映出了两影像的差别信息，因此可以试着抽取后几个分量进行波段组合来提取变化信息。 (5) 主成份差异法 本方法和差异主成份法所不同之处在于影像作PC变换与差值处理的顺序不一样。要求先对两时相的影像作PC变换，然后对变换结果作差值，取差值的绝对值为处理结果。由于在对两影像分别作PC变换时前面的分量集中了影像里的主要信息，因此，在作影像差值时，前面分量对应之差也就反映了原始影像中对应的变化信息。利用这几个差值分量作波段组合也能发现不同时相影像的变化。研究表明，两时相影像作PC变换后相差的第一分量已经涵盖了几乎所有的变化信息。 变化

8、信息提取方面：a. 阈值法 遥感图像中，每类地物都对应特定的灰度域。在变化信息特征增强的图像上，变化区域的灰度值与其它区域的灰度值一般是明显不同的。因此可以根据直方图和影像特征，交互确定变化存在区灰度域的上下限阈值。然后利用阈值将变化发生的区域从图像中提取出来。b. 分类法 由于变化信息往往呈多态分布，单纯用阈值法很难准确地将变化区域从背景影像中分离开来，这时可以采用分类法。分类方法有多种，通常采用监督分类。利用监督分类提取变化信息时，训练样区的选择最为关键。首先要分析变化信息特征增强的图像的特点，如果各类变化信息的影像特征差别明显，就将每类的变化信息都选出一个样区进行分类。但是当图像中不同类

9、型变化信息影像特征差别不明显时，须将变化类型做适当的合并，以保证分类精度。 c. 人机交互解译法 即通过人机交互解译，从变化信息特征增强的图像中手工描绘出变化区域，并结合土地利用现状图和实地调查确定变化类型。解译的基本要素包括色调、颜色、大小、形状、纹理、结构、高度、阴影、组合构型和所处的地理位置等。人机交互解译最大优点是灵活，并且由于加入了解译者思维和判断，信息提取精度相对较高。在目前计算机自动分类精度尚不能完全满足工作需要时，人机交互解译仍是一种非常重要 6 。 由于以上方法都有一定的适用范围，存在局限性，我们在实际运用时，必须将几种方法进行融合，或者根据自己的需要对某种方法进行改进，使其

10、最大程度的满足我们的要求。三 研究内容和方法本次毕业设计利用2002年和2005 年的TM影像,通过分别计算亮度指数和绿度指数,建立“亮度绿度指数”(BIGVI) 平面, 进而计算在这个平面上两种不同时相的图像产生的变化向量，再根据变化向量的方向和大小，对变化类型进行分类，进而得到绿地的变化分类信息。为了获得对比信息我们也建立了“亮度垂直植被指数”(BIPVI)平面，同样通过变化向量分析法获取变化信息。植被的动态变化，在遥感影像上主要表现为亮度的不同和植被指数变化。用TM数据为例来说，基本原理如下：1 计算绿度指数（GVI）1984年，Crist和Cicone对TM数据的6个波段（除TM6外）

11、做了缨帽变化。通过这个变换获得的6个分量中前3个分量与地物有着明确的关系，分别定义亮度（Brightness）、绿度（Greenness）和湿度（Wetness），而本次设计就选用第二分量作为绿度指数。采用下列公式做缨帽变化，从而获得绿度指数图像。 GVI=-0.2728TM1-0.2174TM2-0.5508TM3+0.7221TM4 +0.0733TM5-0.1648TM7 -0.7310 2 计算亮度指数(BI)和垂直植被指数（PVI）本文采用了戴昌达等人提出的方法,该方法的核心思想是在采用了“垂直植被指数(PVI) ”概念的基础上,建立“亮度垂直植被指数”平面。亮度指数公式如下：BI

12、=1/3* ( TM3) 2 + ( TM4) 2 + ( TM5) 2 1/2其中，BI为图像的亮度指数，TM3、TM4、TM5分别为TM影像第3，4，5波段的亮度值。为了计算垂直植被指数，首先在影像中分别对土地利用可以肯定的非植被区（湖泊、长江、建筑物、道路）,进行采样拟合“非植被线”。为了能够实现植被的分离,在TM3TM4 平面中计算每一个像元到“非植被线”的距离D , D 被作为垂直植被指数PVI ,D 越大,说明是植被的可能性就越大; D 越小,就说明可能性越小。3 计算变化向量用以上的任意的一套分量建立一平面,不同时相的影像上的像元点都可以在这一平面内找到一个与之对应的点。对于不同

13、影像上的同名地物点,我们可以求出“变化向量”A 。A = ( P2XP1X , P2YP1Y) ,通过变化向量模的大小就可以描述变化的多少，而变化向量的方向可以反映变化区域的类别。4变化分类及输出分类图引起地面植物和亮度变化的因素很多，最主要的有作物种类、长势、土壤类别、耕地变成非耕地或非耕地变成耕地等等。为了检测植被的变化，首先将变化向量大小拉伸到0，255,然后确定二值化的阈值来发现植被变化部分。在变化向量的方向上，把360度划分为4个区间，可以得到4个变化类别，最后得到植被变化分类图。四 进度安排本毕业设计将分为四个主要阶段进行，其进度安排如下：第一阶段：2006年3月1日3月31日，相

14、关资料收集，文献阅读，制定毕业设计方案；第二阶段：2006年4月1日4月30日，算法实现阶段，主要是将理论算法用VC程序实现；第三阶段：2006年5月1日5月20日，对毕业设计进行理论和实验两方面的总结，整理实验结果，撰写毕业论文；第四阶段：2006年5月20日6月2日，论文答辩。五 主要文献和资料1遥感原理与应用 武汉大学出版社 孙家炳2Visual C+数字图像处理 人民邮电出版社 何斌，马天予，王运坚，朱红莲3遥感图像的应用处理与分析 清华大学出版社 戴昌达，姜小光，唐伶俐4植被变化监测方法研究毕业论文 余卉，20055基于ETM遥感影像的南京市城市绿地的动态监测 郑光，田庆久，李明诗6

15、厦门市植被变化的遥感动态分析 徐涵秋，陈本清 参考文献1 孙红雨，王长耀，牛钲，布和敖斯尔。中国地表植被覆盖变化及其与气候因子关系基于OAA 时间序列数据分析。遥感学报，1998，2（3）：204-2092 Zhou L, Tucker C, Kaufmann R, et al. Variations in northern vegetation activity inferred from satellite data of vegetation index during 1981 to 1999 J. Journal of Geophysical Research, 2001, 106,

16、20069-200833 马明国，王雪梅，角媛梅, 陈贤章。基于RS与GIS的干旱区绿洲景观格局变化研究以金塔绿洲为例。中国沙漠，2003，23（1），53-584 陈述彭，童庆禧，郭华东，等。遥感信息机理研究。北京，科学出版社，目 录内容摘要第1章 绪 论111 研究目的与意义112 国内外现状和发展趋势113 本文的内容安排4第2章 基于ETM+遥感影像的变化向量分析法621 遥感数据预处理622 变化向量分析法7第3章 试验及结果分析1331 基于“BI-PVI”平面的变化向量分析法1332 基于“GVI-PVI”平面的变化向量分析法1733 试验结果比较21第4章 结论和展望2341

17、主要结论2342 目前存在的问题及研究方向24参考文献25致 谢26基于ETM+遥感影像的绿化动态监测方法研究摘 要绿地在改善生态环境、人和自然和谐相处的过程中，起着积极的作用。因此，对绿地消长的动态检测方法研究有着其深远的意义。本文对利用ETM+遥感影像数据的绿化动态检测方法进行了研究。本文首先介绍了国内外了变化检测技术的发展现状，并简单讨论了几种常用的变化检测方法；其次，介绍了基于“绿度垂直植被指数”和“亮度垂直植被指数”平面的变化向量分析法。这两种方法主要是利用武汉市2002年和2005年TM影像数据，计算绿度指数、亮度指数和垂直植被指数构造“GVIPVI”平面和“BIPVI”进而得到变

18、化向量；然后利用最大类间方差法自动搜索阈值，根据最终的变化阈值和变化向量的方向获取植被的变化情况；最后，利用武汉市2002年和2005年TM数据对本文提出的两种监测方法进行试验，并对试验结果进行了比较分析。关键词：亮度指数 绿度指数 垂直植被指数 变化向量 动态监测 Study on Greenbelt Dynamic Monitoring Based on ETM Remote Sensing Image AbstractThe greenbelt plays a positive role in improving the ecology and harmonious interactin

19、g between human being and nature.So study on greenbelt dynamic monitoring is highly significant.In this paper,two greenbelt dynamic monitoring means are advanced.Firstly, this paper introduces actuality of change detection techniques and some common techniques simply;Secondly, analytical methods of

20、variational vector based on the”GVI-PVI”plane and the “BI-PVI”plane are discussed.Two methods use the TM images of the city of Wuhan in 2002 and in 2005 to calculate the greenness vegetation index(GVI) , brightness index (BI) and perpendicular vegetation index(PVI) to build the “GVI-PVI”plane and th

21、e “BI-PVI”plane,and then get the variational vector.After the variational magnitude threshold is determined by a method called OTSU,and the variational classes can be obtained by the threshold and the variatonal vectors direction;Finally, the TM images of the city of Wuhan in 2002 and in 2005 are us

22、ed to validate all the methods introduced in this paper,and the results are analyzed.Keywords: brightness index greenness vegetation index variational vectorperpendicular vegetation index dynamic monitoring第1章 绪 论11 研究目的与意义由于人类对植被的破坏,导致了生态环境的恶化以及全球性的环境变化。如水土流失的加重，土壤的退化以至荒漠化等局部性的生态环境恶化、大气二氧化碳的增加、全球变暖

23、以及生物多样性减少等，这些变化直接影响了人类的生存和繁衍。所以对于全球变化的研究越来越被人们所重视，特别是土地利用/土地覆盖等方面。绿色生态系统在全球的碳循环过程中起着积极的作用，并且城市绿地作为城市结构中的自然生产力主体，在城市系统中起着重要作用1。因此，研究绿色植被的动态变化对认识全球变化，具有至关重要的作用。把遥感技术作为一种综合性探测技术运用于绿化动态监测中，不仅能迅速获得大量丰富的第一手信息和数据，而且能科学、准确、及时地提供分析成果。不仅能提供细部地区的信息，而且能统观全局。遥感技术以其宏观性、多时相、多波段等特征为监测和了解植被变化提供了一种新型而有效的方法，为生态规划提供了科学

24、依据和技术支持。 在我们大力倡导可持续发展的今天，土地又是人类生存必不可少的基本资源，合理利用每寸土地对我们来说是至关重要的。而土地利用检测是我们对土地的管理的手段，而绿地的检测和管理是土地管理的重中之重，它直接关系到我们以及我们子孙后代的生活环境。所以植被动态变化研究是关系到人类未来的发展。12 国内外现状和发展趋势 学术界公认的变化检测定义是：“所谓的变化检测就是根据不同时间的多次观测来确定一个物体的状态变化或确定某现象的变化的过程”。具体到遥感领域，上述定义中的“多次观测”指在多个时相获取的覆盖同一区域的遥感影像。遥感图像变化检测目前仍出于探索阶段，由于变化检测问题的复杂性，现在还没有统

25、一的解决方法，比较一致的观点是：变化检测的方法的选择依赖于遥感数据源的类型和待检测目标的类型。研究者们试图通过各种方法对变化检测方法进行探索，然而，目前还不能确定那种变化检测方法最有效、最准确。不过，现在常用有辅助发现变化的方法、影像算术运算法、变化向量分析法、植被指数差法、主成分分析法、分类比较法、基于图斑单元的变化检测方法等等，这些方法介绍如下。121 辅助发现变化的方法 辅助发现变化的方法一般是通过两个时相的影像通过某种方式的迭合或融合，是变化信息突出，从而方便目视判读和发现变化。同一地物反映在不同影像上的光谱信息是一一对应的，因此对不同时相影像进行融合时，不变地物的光谱属性可以如实表现

26、；而变化地物在融合后影像中的光谱就与正常地物的光谱有所差别，称发生了光谱特征变异，可以根据发生变异的光谱特征确定变化。这种方法具有物理意义明显、操作简捷的特点，但发生光谱特征变异的地物在几何尺度上要足够大才能被人工目视发现。122 影像算术运算法影像算术运算法（Image Arithmetic）是对两时相的影像像元差值（Image Differencing）或比值（Image Ratioing）运算，构造差异影像，然后用适当阈值提取变化区域。这类方法操作简单，运行成本较低，因而得到了广泛的应用。采用算术运算法提取变化信息包括以下关键技术环节：运算波段的确定：根据研究区域的实际情况合特点，依靠人

27、为经验的定性分析判断选择符合变化信息提取要求的差值计算波段，仍是这一过程目前普遍采用的方法；变化阈值的确定：现阶段的研究普遍认为，差异影像变化阈值的确定是通过人机交互选择最佳经验性数值的过程，因而带有一定的主观性，往往需要反复试验，调整校正变化阈值，才能得到令人满意的检测结果。123 变化向量分析法变化向量分析法的基本思想是将两个时相的多光谱遥感影像中对应象元光谱值视为多维光谱空间中的一对点，用这对点所构成的向量来描述该象元在两时相间发生的变化，称这个向量为光谱变化向量，简称变化向量，变化向量的大小表示了变化的强度，而方向表示了所发生的变化的类型，如图1-1所示。 波段X波段YP1P2a 图1

28、.1光谱变化向量示意图 变化向量分析充分利用了同一象元不同波段的光谱信息，因此比算术运算法只用单一波段检测变化前进了一步，但是与算术运算法一样，变化向量分析法对输入影像的配准误差、辐射度差异以及混合象元的存在等因素的影响比较敏感，因此对影像数据的质量要求较高。同时，变化向量分析法也没有考虑到各波段通道之间和两时相之间的相关性，因此可能造成信息丢失。124 植被指数差法 植被指数差值法（Vegetation Index Differencing）与影像差值比较接近，差别在于用来计算差值的不是原始的象元光谱，而是两个时相的植被指数，因而它是一种主要应用与植被覆盖的变化检测方法。植被指数就是选用多光

29、谱遥感数据经分析运算的一些数值，用来表示植被长势、生物量等植被状态信息，以定性和定量地评价植被覆盖、生长活力及生物量等。植被指数通常选用可见光红波段和近红外波段作为组合波段，原因就在于这两个波段对于同一生物物理现象的光谱响应之间存在巨大反差，这种反差随着叶冠结构、植被覆盖度而变化，因此可以用它们的比值、差分、线性组合来增强或揭示隐含的植被信息。植被指数差值法虽然只是对不同波段的简单算术运算，但它对检测植被的变化情况非常有效。其问题与影像算术运算法一样，也难以确定变化阈值。此外，对于植被覆盖变化以外的其它地物类型变化，这种方法就不太适用了，因此这种方法并未得到广泛使用。125 主成分分析法主成分

30、分析法是通过将影像各个波段进行主成分变换来发现变化的方法，主成分变换又称KL变换，其基本思想是通过构造一系列线性变换，将一组相关的多元随机变量所包含的信息集中到少数几个互不相关的变化结果分量中，从而达到冗余压缩和和信息集中的目的。主成分分析法应用于变化检测较之影像差值法前进了一步，它能够消除影像内部各信道间的相关性，但是仍然没有考虑对应于两个不同时相获取的观测值之间的相关性的影响。同时，由于主成分变换所得到的主成分分量往往失去了原有各波段的物理意义，有时还需参考差值或比值影像来分析地物变化的因果关系。在应用于遥感影像变化检测时，主成分变化只考虑了随机变量在特征空间的分布，而未考虑他们在地理空间

31、上的分布，这也限制了主成分分析的检测效果。126 分类比较法分类后比较法首先采用相同的分类体系分别对不同时相的遥感影像进行独立的分类，然后比较分类结果，从中提取变化信息。这是一种符合人们直观思维习惯、较为简单明晰的变化检测的方法，也是最早出现的变化检测方法之一。直到今天，分类后比较法依然是一种重要的变化检测方法，在许多领域得到了广泛应用。分类后比较法的缺陷主要是：对不同时相影像分别做分类，会导致工作量很大，而通常变化区域在研究区域中所占的比率相对较小，使得针对未变化区域的分类形成了大量的重复工作；无法检测出存在于某一种地物覆盖类型内部的细微变化； 两个时相分类结果进行比较后生成的变化图，其精度

32、大致相当于每个时相分类精度值的乘积。 由于以上方法都有一定的适用范围，存在局限性，我们在实际运用时，必须将几种方法进行融合，或者根据自己的需要对某种方法进行改进，使其最大程度的满足我们的要求。13 本文的内容安排本文主要内容安排如下：第一章绪论部分，主要介绍几种常用的变化检测方法。第二章基于ETM+遥感影像的绿化动态监测方法，主要阐述本文研究的变化检测方法。第三章试验及结果分析，主要是对本文提出的变化检测方法进行试验，并对试验结果进行分析。第四章结论和展望，对本次研究进行总结，并指出目前此研究方向存在的问题及发展方向。第2章 基于ETM+遥感影像的变化向量分析法绿地在改善生态环境、人与自然的和

33、谐相处过程中起着积极的作用。动态监测绿地的消长有利于科学、有效地管理城市,为绿地系统规划提供科学的依据和评价标准2。根据戴昌达等人提出的方法,在采用了“垂直植被指数(PVI) ”概念的基础上,建立“亮度垂直植被指数(BI-PVI)”平面，从而获得两种不同时相的图像产生的变化向量，再根据变化向量的方向和大小，对变化类型进行分类，进而得到绿地的变化分类信息。本文在此方法的基础上进行改进，用绿度指数（GVI）替代亮度指数（BI），建立”GVI-PVI”平面，再在此平面的基础上采用变化向量分析法进行植被变化的动态监测。21 遥感数据预处理211 波段选择1984年，Crist和Cicone对TM数据的

34、6个波段（除TM6外）做了缨帽变化（KT变换）。通过这个变换获得的6个分量中前3个分量与地物有着明确的关系，分别定义亮度（Brightness）、绿度（Greenness）和湿度（Wetness）3。亮度是6波段的加权平均，反映了总体的反射值；绿度指数反映了绿色生物量的特征；湿度反映了可见光和近红外与较长的红外的差值，它对土壤湿度和植物湿度最为敏感。我们所建立的“GVIPVI”平面，采用了绿度分量，所以我们所选波段是TM数据的除TM6除外的其它6个波段。国内外很多人研究了TM影像的波段组合，一般认为TM4/TM5/TM3含有丰富的植被信息。这是因为他们分别为植物叶内部结构反射区，水份吸收区及叶

35、绿素吸收区的特殊波段。因此，在建立“BI-PVI”平面时，为了获得丰富的植被信息，我们选用了TM4/TM5/TM3的组合模式。212 辐射处理当电磁波在太阳- 大气- 地表- 大气- 传感器整个传输过程中,与大气中的水气、尘埃、气溶胶等微粒分子相互作用,使得到达传感器的信号不能够真实的反映地表的反射率。不同时相的影像由于过境时间不同,当时的大气条件也不同,并且缺乏卫星过境时的实时大气状况参数,所以我们必须对遥感影像进行辐射校正，消除辐射误差。2. 1. 3 几何处理由于我们从地面卫星站获得的遥感影像只是经过了辐射校正和几何粗校正，所以影像仍存有较大的残差，因此需要进行精纠正处理。遥感图像的精纠

36、正是指消除图像中的几何变形，产生一幅符合某种地图投影或图形要求的新图像的过程。它包括两个环节：一是像素坐标的变换，即将图像坐标转变为地图或地面坐标；二是对坐标变换后的像素亮度值进行重采样。213 空间配准随着遥感技术的发展，得到的遥感影像越来越多，形成了观测地球空间的影像金字塔。遥感传感器的分辨率包括空间分辨率、时间分辨率、辐射分辨率和光谱分辨率得到进一步的提高。在许多遥感图像处理中，需要对这些多源资料进行比较和分析，如进行图像的融合、变化检测、统计模式识别、三维重构和地图修正等，都要求多源图像间必须保证几何上是相互配准的。这些多源图像包括不同时间同一地区的图像，不同传感器同一地区的图像以及不

37、同时段的图像等，他们一般存在相对的几何差异和辐射差异4。 图像配准的实质是前述的遥感的几何纠正，根据图像的几何畸变特点，采用一种几何变换将图像归化到统一的坐标系中。本次试验中采用的是图像间的匹配来对影像进行空间配准的。即以高分辨率影像为参考影像，对低分辨率影像进行几何校正并重采样，使之与高分辨率影像的地面分辨率匹配，完成多源影像之间的空间配准。22 变化向量分析法根据戴昌达等人提出的方法,在采用了“垂直植被指数(PVI) ”概念的基础上,建立“亮度垂直植被指数(BI-PVI)”平面，从而获得两种不同时相的图像产生的变化向量，再根据变化向量的方向和大小，对变化类型进行分类，进而得到绿地的变化分类

38、信息。本文在此方法的基础上进行改进，用绿度指数（GVI）替代亮度指数（BI），建立”GVI-PVI”平面，再在此平面的基础上采用变化向量分析法进行植被变化的动态监测。221 计算亮度指数(BI)和垂直植被指数（PVI） 本文采用了戴昌达等人提出的方法,该方法的核心思想是在采用了“垂直植被指数(PVI) ”概念的基础上,建立“亮度垂直植被指数”平面。绿地的动态变化,在遥感影像上主要表现为亮度的不同和植被指数变化。因此,从这两方面考虑对绿地进行提取与监测9。一 亮度指数（BI）本文以02年TM3、4、5波段合成影像和05年TM3、4、5波段合成影像为试验数据，采用均方根法获得两个时相影像的亮度指数

39、BI，即对两时段的TM数据分别计算：TM1BI =1/3* ( TM13) 2 + ( TM14) 2 + ( TM15) 2 1/2 (2-1) TM2BI =1/3* ( TM23) 2 + ( TM24) 2 + ( TM25) 2 1/2 (2-2)其中，TM1BI为02年TM影像的亮度指数，TM2BI为05年TM影像的亮度指数，TM1i为02年TM影像第i 波段的亮度值，i =3，4，5；TM2i 为05年TM影像第i波段的亮度值，i3，4，5。二 垂直植被指数（PVI）为了计算垂直植被指数,首先在影像中分别对土地利用可以肯定的非植被区,进行采样拟合“非植被线”,在本次试验中,分别对

40、水域、房屋、道路、裸地进行了采样, 并且用最小二乘的方法进行拟合直线，采样与拟合方式如下：PD 图2.1非植被直线拟合2为了能够实现植被的分离,在 “TM3TM4” 平面中计算每一个像元到“非植被线”的距离D，则D为影像上各像素的垂直植被指数PVI。222 计算变化向量为了获取02年到05年的植被覆盖变化信息，我们先建立“BI-PVI”的平面，然后求解各像素在02年影像上的PVI和BI到05年影像上的PVI和BI的变化向量 A 。如图22所示，P2表示05年的影像，P1表示02年影像，则变化向量A = ( P2BIP1BI, P2PVIP1PVI) 。图上的R表示变化向量的大小，而表示变化向量

41、的方向，通过对变化向量进行分析，变化向量的强度可以反映出两幅影像的变化区域，而变化向量的方向可以反映变化区域的类别。 P1 P2 BIPVI P1 P2R 图2.2变化向量示意图223 变化阈值的选择在图像理解中, 阈值的研究一直是图像处理技术中的一个热点问题, 目前出现的确定阈值的方法有多种, 最具有代表性的有P - tile 法、双峰法、OTSU法、最小错误法、灰度直方图法与最大嫡法等等。在众多的算法中，其中Otsu 2 在1979 年提出的最大类间方差法7(也称为大津方法OTSU) 一直被认为是阈值自动选取方法中的最优方法。 最大类间方差法方法简单, 在一定条件下不受图像对比度与亮度变化

42、的影响,因而在一些实时图像处理系统中得到了很广泛的应用。最大类间方差法是一种全局阈值选取法，它是在判决分析最小二乘法原理的基础上推导得出的, 其基本思路是选取的最佳阈值应当使得不同类间分离性最好, 是一种具有客观评价标准的图像分割优化方法。在基本的OTSU算法的基础上，人们从不同角度对其进行了研究：如Kittler 指出OTSU法实际是一种聚类分析法；Brink指出OTSU法也可以从原图像灰度分布与分割后的灰度分布二者之间的概率相关角度来解释；Kurita用条件最大相关原则解释了OTSU 法；最近, 付忠良分别从不同的角度对OTSU 法进行了推广。最大类间方差法(OTSU) 的基本思路如下：如

43、果一幅图像由一物体和背景构成, 物体与背景有不同的灰度值, 将图像的直方图以某一灰度为阈值将图像分成目标和背景两组并计算两组间的方差, 当被分成的两组之间的方差最大时, 就以这个灰度值为阈值分割图像。OTSU法的具体分割原理如下：设一幅图像的灰度等级范围为1,2,L，对应灰度级i的像素为ni个，整幅图像的像素总个数N=n1+n2+nL，则对应灰度级i的像素出现的概率为： 0 1 (2-3)整幅图像总的均值为： (2-4)若整幅图像以灰度级K为阈值，且分为C0与C1两类。其中C0类灰度级范围为1,K，C1类为K+1,L。这两类的方差分别为： (2-5) (2-6)（5），（6）式中，Pr为在C0

44、（或C1）类中灰度级i的像素出现的概率，u0和u1分别为C0和C1类的均值。这样有w0u0+w1u1=ur成立，w0和w1分别为C0类和C1类的概率。在此OTSU定义类内方差： (2-7)类间方差： (2-8)总的方差： (2-9)OSTU准则即：最优的阈值灰级K*满足下式： () (2-10)对最大类间方差法可作如下理解：对图像Image，记t为前景与背景的分割阈值，前景点数占图像比例为w0， 平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。图像的总平均灰度为：u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t，当t使得类间方差值g=w0*(u0-u)2+w1*(u1-u)

45、2 最大时t即为分割的最佳阈值。因方差是灰度分布均匀性的一种度量，方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的分割意味着错分概率最小。 本文采用最大类间方差法获取变化阈值来分割变化强度图像，从而获取植被变化信息。224 变化类型分类及输出分类图变化向量是描述从时相1到时相2某像元光谱变化大小和方向的向量16。前面利用变化向量的模G 确定了变化检测的阈值，变化的类型则可由G的方向确定。由于我们所涉及的变化向量只是二维的，所以用最简单的余弦方式14，我们在变化向量的方向上把360划分成4个区间，分别代表不同的变化类别。我们对这四种不同的变化类型和变化强度小于阈值的未变化区域分别赋予了不同的灰度值，从而得到变化分类图。若将图像上所有像元的变化向量平移至平面的坐标原点，以选用的阈值为半径画一圆环，凡环内的向量都视为无变化部分，环外的向量为变化部分。示意图如下： 植被增加