使用面向對象的方法在積雪遙感影像上提取城市道路——以長春市爲例
目錄
一、引言
相信好多同學小時候都做過這樣一個遊戲，就是拿一個硬幣、一根鉛筆和一張白紙，將硬幣放在白紙下面用鉛筆進行簡單的塗寫，這樣硬幣的輪廓就慢慢若隱若現的呈現在白紙之上。
我國的東北地區有長達四個月部分地區甚至五個月的冰凍期，一般來說大家選取遙感影像要求色彩豐富、清晰無雲、最好是生長季節的，這樣才能夠提取到更多的地物，除非是專門研究冰雪遙感，一般來說積雪影像是很少有人使用的。
凡事都具有兩面性，積雪會掩蓋住一部分地物，但是同時也會顯露出一部分地物，假如我們想提取城市道路，在常規的遙感影像上很難實現或者需要很複雜的算法，但是遭遇暴雪之後，爲了保證城市暢通城市道路會首先被清掃，這樣在積雪圖像上首先被顯露出來的便是城市路網。
2020年11月18-19日，我國東北地區遭遇暴風雪，尤其是長春，凍雨+暴雪導致一夜之間城市被冰封。下圖分別是歐空局Sentinel-2衛星2020年11月24日和2020年11月14日拍攝的影像，暴雪之後的影像城市骨架路網非常清晰：
二、準備工作
提到積雪，可能大家首先會想到Normalized Difference Snow Index （NDSI）歸一化雪蓋指數：
NDSI確實可以凸顯路網，可能有人會想直接用NDSI做個分割不就行了，仔細看一下NDSI其實和MNDWI是一樣的，MNDWI也是使用可見光（一般是綠波段）和短波紅外進行運算。但是大家將積雪圖像的NDSI（上圖）和非積雪圖像的MNDWI（下圖）進行對比會發現，積雪圖像NDSI上的雪爲高亮顯示，這毋庸置疑，但是積雪圖像NDSI的水體發黑，這與非積雪圖像的MNDWI的水體高亮顯示完全相反，這或許是由於水面結冰的原因導致，博主只是猜測哈，有了解的圖像可以在文章裏留言。
對比積雪期和非積雪期道路的光譜曲線，會發現道路在積雪圖像上在B9（水汽波段）會有一個特殊的峯值，或許是因爲大量拋灑融雪劑加上車輛反覆通行導致路面溫度較高，水汽蒸發比較明顯。
由於哨兵2的B9分辨率爲60米，受制於空間分辨率比較低的原因，很少有人使用，好在ESA的SNAP軟件提供了一個超分辨率的工具，我們使用這個工具對2020年11月24日的數據進行處理，波段是可選的，大家想節省時間的話可以只選需要的波段。
超分辨率處理後的圖像光譜多少會有損失，但是很好的保留了B9波峯這一特徵：
三、提取道路
3.1 閾值
提取道路之前需要先對閾值進行估算，先進行Bandmath歸一化運算，使用B2（藍）和B9（水汽），由於博主才疏學淺沒有搜到關於水汽波段相關的歸一化指數名稱，有了解的同學可以留言。
上圖左邊是原始圖像，右邊是B2（藍）和B9（水汽）歸一化運算的結果，從結果可以看到水體、道路還有右下角的針葉林呈現高亮顯示，針葉林水汽敏感性可能和植物的蒸騰左右有關。接下來簡單的做個分割，閾值的選取可以通過ROI的方法計算，在0.2-0.7閾值區間，道路、水體、針葉林基本都被選出來了，因此接下來進行面向對象提取的時候要想辦法剔除水體和針葉林的干擾。
3.2 水體掩膜
水體比較好剔除，我們可以先用非積雪期的圖像使用MNDWI提取出來水體，然後做一個非水體的掩膜文件：
3.3 面向對象
接下來進行重點工作，面向對象的提取，在面向對象提取之前需要先構建多源數據，因爲針葉林的NDVI水平比較高，爲了方便後面的剔除，構建一個包含NDVI的多源數據：
接下來打開ENVI裏面基於規則的面向對象工具，輸入多源數據文件後選擇上一部做好的掩膜文件，這樣後續運算就直接水體剔除了：
歸一化指數選B2和B9（因爲有B8A，所以B9對應Band10）：
本次實驗分割和融合尺度選38和18效果比較好：
分割後的圖像：
A.NDVI規則
建立規則。首先建立NDVI規則，即將針葉林剔除，只保留非植被區域，這次選NDVI小於0.18的爲非植被區，對於權重那裏可先不設定，後面規則建立完成後統一設定：
B.道路規則
新建道路規則爲光譜均值，選我們使用藍光和水汽構建的歸一化指數，這次選0.2-0.7
新建道路規則爲空間幾何MajorLenth，這個和對象的長軸有關，因爲道路一般是長的形狀：
新建道路規則爲空間幾何延伸性Elongation，
最後本次實驗一共建立了4個規則，後面設置權重係數，下圖爲不同權重比例係數下的提取效果預覽圖：
3.4 分類後處理
選其中一個權重係數的效果進行輸出，然後使用分類後處理的工具進行小斑塊去除：
SHP格式的結果可以導入GIS進行復雜麪的消除，單獨導出道路分類結果（因爲分類結果中還包含一個水體MASK的字段）：
也可以使用已有的長春道路矢量對圖斑進行一個反選，剔除分類中混雜的裸地休耕地的干擾：
最後的提取結果如下，很多規則和權重的設置需要反覆研究才能達到最優的結果，本次就不再做深入研究了。
好了今天的介紹就到這裏了，歡迎大家訪問博客：
