随着影像空间分辨率的提高，细节特征也愈加显著，但类内光谱变异性增强、同物异谱现象明显。因此由于地形起伏、高大建筑物和树冠产生的阴影，严重干扰了阴影区域下垫面的光谱。而被阴影覆盖的地区可能包含破碎的草地和道路等多种地物类别，也使得地物识别更加困难(邵振峰等，2018)。本节从基于像元的不透水面提取和面向对象的分类方法等方面介绍当前不透水面提取的常用方法。
图16-3 武汉市2018年Landsat影像
图16-4 中低分辨率遥感影像不透水面提取流程(以混合像元方法为例)
面向对象的方法模拟人类在特征提取时的思考过程，更适用于高分影像，在处理过程中也能很好地利用空间信息。一些商业软件，如易康(eConginition)作为在面向对象分类方法基础上开发的第一款软件，已应用于越来越多的研究。面向对象分类技术中最重要的一步就是确定合适的目标大小。成功地分割结果能够得到具有最优信息的有利于进一步分类的目标。影像分割是根据像元的特征，将影像分割成具有意义的区域。而分类是指依据分割所得到的对象的特征，如光谱、形状和纹理特征等，赋予其语义信息，即判别该对象属于哪一类地物。分割将图像细分成一个个对象，细分的程度则取决于对象的大小。
图16-5 武汉市不透水面提取效果
基于像元的不透水面提取相当于对地物进行二值分类，即分类结果以0代表不透水面和1代表透水面。不透水面作为一种覆盖城区的主要地物类型，也可用传统的分类算法进行分类。传统的算法主要包括最大似然分类等算法。这些分类器都是基于正态分布假设的参数分类器，而在高分辨率遥感影像中，正态分布往往是不成立的。对于城郊交界的区域而言，破碎的草地、裸土和狭小的道路等复杂多变的地物类型，使用以上参数分类器难以引入其他辅助数据作为分类依据，不能获得较高的分类精度。为此，许多学者引入新的算法，如非参数分类器来提高不透水面的提取精度。常用的非参数分类器算法有人工神经网络、分类回归树和支持向量机等方法(邵振峰等，2016)。
基于卷积神经网络的不透水面提取相当于对遥感影像进行分类，以后向传播算法为例，该算法包含以下两步:一是选取样本数据进行训练。将训练数据输入网络拓扑进行正向计算，经过隐含层处理，传向输出层。二是，将这一轮的样本误差求和后求取其平均值。若输出层无法得到期望输出，则反向传播，将误差信号沿路返回，通过逐层修改各个处理单元的权值，最终使得输出结果误差达到某一标准。
记网络输入的遥感影像为I，深度卷积网络F可以表示为一系列线性变换和非线性激活操作。对于包含2L＋M层的深度卷积网络F，其前L层为卷积＋池化层，中间M层为空洞卷积层，而后L层为反池化＋反卷积层，得到最后的输出特征为
其中，⊗表示反卷积操作，第l层的隐含节点可以表示为(www.xing528.com)
式中，*为卷积运算；⊗sl为sl步长的空洞卷积；H0＝I；Wl和bl分别表示卷积核和偏置项；pooling(·)，unpooling(·)分别为池化和反池化函数；Relu·()＝max(·，0)为网络的非线性激活函数。
具体流程见图16-6。以广西壮族自治区梧州市海绵城市试点为例(图16-7)，图16-8为梧州市海绵城市示范区提取结果，提取精度如表16-2所示。
图16-6 提取流程(以CNN方法为例)
图16-7 梧州市2017年资源三号影像
图16-8 梧州市海绵城市示范区不透水面提取结果
表16-2 提取精度(二)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
