一种生态保护红线区典型地理国情要素提取系统及方法与流程

本发明涉及生态环境监测技术领域，特别涉及一种生态保护红线区典型地理国情要素提取系统及方法。

背景技术：

地理国情要素提取是地理国情普查与监测工作中的基础性工作，其中，耕地、林地、水体、居民地4类为地理国情要素中典型的地理国情要素。生态保护红线的实质是生态环境安全的底线，对生态保护红线的地表覆盖要素进行提取分析监测是国家生态安全的重要保障。现阶段，基于高分辨率遥感影像的生态保护红线区地理国情要素提取方法以人工目视解译为主，工作量大，自动化程度低，限制了地理国情要素提取效率的提高。为此，研究一种自动化的地理国情要素提取技术是生态保护红线区地理国情监测中亟待解决的难题。

技术实现要素：

本发明的目的在于提供一种生态保护红线区典型地理国情要素提取系统及方法，实现地理国情要素自动化提取。

为了实现上述目的，本发明提供以下技术方案：

一种生态保护红线区典型地理国情要素提取系统及方法，包括：

数据处理模块，用于处理卫星影像数据；

尺度集分割模块，用于建立尺度集模型，并基于建立的尺度集模型对所述卫星影像数据进行影像分割，得到影像尺度集；

信息提取模块，用于基于所述影像尺度集进行面向对象的信息提取，提取出生态保护红线区耕地、林地、水体、居民地这四类典型地理国情要素。

另一方面，本发明实施还提供了一种生态保护红线区典型地理国情要素提取系统及方法，包括以下步骤：

处理卫星影像数据；

建立尺度集模型，并基于建立的尺度集模型对所述卫星影像数据进行影像分割，得到影像尺度集；

基于所述影像尺度集进行面向对象的信息提取，提取出生态保护红线区耕地、林地、水体、居民地这四类典型地理国情要素。

与现有技术相比，本发明具有以下优势：

采用区域合并的影像分割方法，建立上下层次关系；通过区域合并代价准则，建立分割尺度索引；利用二叉树模型表达尺度集。通过尺度集能够快速的实现尺度变换，从而获得任意尺度下的影像分割结果。尺度集的提出能提升影像分割的效率，且通过一次分割，便能获得任意尺度下的分割结果，便于最优尺度的选择。

以影像尺度集为基础，对于不同的样本，通过尺度变换，在最优的尺度上选择训练样本，实现跨尺度的样本选择；在所有尺度下进行影像分类，叠加不同尺度下的影像分类结果，实现跨尺度的影像分类。跨尺度的面向对象影像分类方法可以避免单一尺度造成的区域表达不准确和解译精度不高，提高影像分类的精度。

尤其适用于生态保护红线区耕地、林地、水体、居民地4类典型地理国情要素的自动提取，也可以推广运用到其它区域或者面状地理国情要素的提取中。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简要介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关附图。

图1所示为本发明所述典型地理国情要素提取系统的组成模块图。

图2为合并过程示意图。

图3为尺度集组织结构示意图。

图4为图像分割流程示意图。

图5a、5b、5c分别为过分割、恰当分割、欠分割的示意图。

图6a、6b分别为林地实际国情数据、林地解译数据。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚完整的描述。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。基于本发明的实施例，本领域技术人员在没有创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

本实施例提供的生态保护红线区典型地理国情要素提取系统及方法，以高分辨率遥感影像数据为数据源，采用基于图论的快速分割方法对影像进行初始分割，利用区域合并的方法获取不同尺度的影像分割结果，采用二叉树结构表达尺度集模型；通过尺度变换方法，基于影像尺度集，快速获得任意尺度下的影像分割结果；采用面向对象的特征提取方法，提取像斑的光谱及纹理等特征；在不同尺度下选择训练样本，基于支持向量机算法获取最终的影像分类结果，在此基础上，提取出生态保护红线区耕地、林地、水体、居民地这4类地理国情要素。

具体地，请参阅图1，本实施例提供的生态保护红线区典型地理国情要素提取系统，包括：数据处理模块，尺度集分割模块，信息提取模块。

其中，数据收集模块用于处理高分(高分辨率)卫星影像数据、数字规划地图数据及数字高程模型数据；其中，现势性强的高分辨率1:50000dom(数字正射影像)成果资料，作为正射影像生产及地理国情要素提取的基础数据；1:10000dem(数字高程模型)数据，作为高分辨率影像正射纠正的高程控制资料使用。同时还可以收集要素提取区域内的像控成果(包括航空影像像控点和卫星影像像控点)及空三加密成果资料，作为影像正射纠正的主要控制资料和正射影像成果的精度检查资料。处理过程例如以卫星影像、控制成果、dlg数据以及dem数据为基本资料，对全色影像进行正射纠正，以纠正后的全色影像为参考资料，对多光谱影像进行配准纠正。将全色影像与多光谱影像进行融合，对融合影像按图幅进行镶嵌和裁切，并对分幅影像进行影像增强、色彩调整等处理，制作出dom成果(包括整景影像、分幅影像)。

其中，尺度集分割模块用于建立尺度集模型，并基于建立的尺度集进行影像分割，得到影像尺度集。具体的，利用层次区域合并的方法，综合利用影像的光谱、纹理和形状特征进行影像的尺度集建模。通过建立影像的尺度集模型，获得一个包含所有尺度影像分割结果的集合，并进行层次结构组织，进而方便后续的快速分割结果查询与应用。

令尺度集为s＝(h,λ⁺)，其中h记录多尺度分割算法所生成的所有区域的集合，λ⁺记录h中各区域的尺度信息。h中区域之间存在空间关联关系，可以建立不同区域间的层次组织关系；再通过区域的尺度特性，可以快速获得对应尺度下影像的表达结果。尺度集不是尺度参数的集合，是一系列具有尺度属性的区域的集合，且集合内部各区域具有相对特殊的层次关系，从而方便了获取任意尺度下影像的表达形式。本实施例中所述尺度集具有以下3种特征：

(1)尺度集结构是一个规则的二叉树，除叶子节点外所有的节点均有两个子节点，其中子节点的数目n对应于初始区域的个数；节点的总个数为2n-1个。

(2)所有节点均以其出现尺度作为索引，将其映射到一维的尺度轴。每个节点具有其特定的尺度参数：出现尺度和存续的尺度区间。其中出现尺度表现为节点在尺度轴的坐标，存续的尺度区间表现为其出现尺度和消失尺度(父节点出现尺度)的差值。

(3)节点表示区域实体，节点间的连线表示区域层次关系。其中，叶子节点代表所有初始区域，非叶子节点代表区域合并过程中生成的区域。

尺度集将基于对象的影像解译过程分解为影像多尺度表达—基于知识的影像解译。在第一阶段，通过将影像进行基于区域的多尺度表达，建立基于区域的影像多尺度结构，在应用中通过给定的参数选取出对应的分割结果。相比于传统的多尺度分割，尺度集最大的优势在于可以根据尺度索引，快速获取任意尺度的分割结果，实现分割结果的任意尺度转换。

其中，信息提取模块用于基于所述影像尺度集进行面向对象的信息提取，提取出耕地、林地、水体、居民地这四类生态保护红线区典型地理国情要素。具体地，信息提取模块在基于尺度集的影像分割结果基础上，采用面向对象的特征提取技术，提取像斑的光谱、纹理等特征；利用尺度集模型，在不同尺度的分割结果中快速切换，跨尺度选择训练样本；采用支持向量机算法，利用选取的训练样本和各像斑的特征向量，获取影像分类结果；在此基础上，提取出耕地、林地、水体、居民地4类地理国情要素。

更具体地，其中，尺度集分割模块包括初始分割子模块、区域合并子模块、尺度索引子模块。

其中，初始分割子模块用于基于图论的快速分割算法对影像进行初始分割，并将初始分割的区域插入尺度集区域集合。基于图论的影像分割算法将图像用加权图抽象化表示，其中图像由顶点集v和边集e组成，g＝(v,e)，顶点v∈v，在本方案中即为单个的像元，连接一对顶点的边(vi,vj)∈e具有权重w(vi,vj)，表示顶点之间的不相似度。初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域。合并的依据是两点之间的距离。

其中，区域合并子模块，用于进行层次区域合并，并将合并过程产生的中间区域组成尺度集的区域集合。

在传统基于像素的影像分析中，像素是最基本的分析单元，常以像素的各波段的灰度值表示像元的基本特征。这些灰度值所表达的光谱特征也是进行影像的分类、目标识别、特征提取、定量反演等应用的基础。在基于对象的影像分析中，区域是最基本的分析单元，每个区域包含多个独立的像素，且区域内各像素光谱特征并不完全相同，因此采用单一的灰度均值进行表达区域时，往往丢失了区域内像素的统计信息。由于不同的区域表现出不同的光谱、纹理和统计信息等，单独采用某一类特征进行区域描述时，会造成区域之间可区分性的降低，造成区域表达不准确，甚至是错误的表达。因此，需要从光谱、纹理、空间等多方面对区域进行建模，形成多特征结合的区域合并代价准则。

利用层次区域合并创建尺度集的过程中，区域的合并代价决定了区域合并的顺序，并最终决定着影像的分割质量。本方案中采用异质性的改变来度量合并的代价，其从光谱和形状特征两方面度量了区域合并带来的异质性的增加量：

ci,j＝wcolor×δhcolor+wshape×δhshape(4-1)

wcolor和wshape分别是调整光谱和形状特征权重的系数，且wcolor+wshape＝1。δhcolor表示由于区域合并造成的光谱异质性的增加量，其定义为：

其中i和j表示两个区域，i∪j表示i和j合并后的区域，n表示区域的面积，wc表示c波段的权重，σ^c表示c波段的标准差。

δhshape表示由于区域合并引起的形状异质性的增加量，由区域的形状平滑度和形状紧凑性两方面组成，计算公式如下:

δhshape＝wcompt×δhcompt+wsmooth×δhsmooth(4-3)

wcompt和wsmooth分别是调整形状紧凑性和形状平滑度权重的系数，且wcompt+wsmooth＝1。δhcompt表示紧凑度的增加值，δhsmooth表示光滑度的增加值，其定义如下：

其中l表示周长，n表示面积，b表示最小外接矩形的面积。

尺度索引子模块，用于将区域合并过程中的合并顺序进行组织，构建区域层次关系，建立区域的尺度索引，实现影像的尺度集表达。

尺度集结构区别于普通规则层次树的特性在于：对于每一个节点，其均有对应的尺度参数，将其映射到尺度轴。该尺度参数表示的是节点所代表的区域出现的尺度。在生成尺度集的过程中，每次区域合并都会生成一个新的区域，对应尺度集中的一个节点，此时，可利用区域合并的相关状态作为尺度参数进行索引。因此，理论上尺度应该是逐渐递增的，具体而言就是父区域的尺度一定比子区域的尺度大。尺度递增也使得较大尺度的截面对图像的表示较为粗糙，而较低尺度的截面对图像的表示较为细腻。为了保证尺度的单调递增，本方案在区域合并过程中采用总表达误差作为尺度集节点的尺度索引。对于第k次合并所获得的尺度集节点其尺度索引计算如下公式所示：

其中ci表示第i次合并的区域合并代价，+1是为了使表达误差值小于1时尺度参数大于0。对于初始分割时获得的区域节点，其在进行区域合并之前已经存在，因此设置其初始分割的所有区域的尺度索引均为0。

层次区域合并以初始分割为起点，有时候甚至以单独的像素为起点进行区域合并。当影像非常大的时候，初始区域的个数非常多，计算量非常大。此外，层次区域合并是一个全局最优化过程，对其本身进行并行加速非常困难，因此在处理大幅面遥感影像时，可以采用双层尺度集模型实现影像的快速分割。

具体的，在处理大幅面遥感影像时，首先将影像划分为一系列的小块，并分别建立尺度集，然后选择一适中的尺度参数，检索、拼接得到一个对应全图的影像分割结果，并以此为基础，构建一个覆盖全图的尺度集。当需要的分割尺度较小时，从各块对应的尺度集中获取对应的分割结果，并进行分割结果的拼接；当需要的分割尺度较大时，从第二层尺度集中获取对应的分割结果。

第二层尺度集的初始截面是由底层尺度集的结果拼接而成，起着连接上下两层结构的作用，被称为连接截面。为了适应不同异质性准则，避免影像的灰度值范围、波段数等造成的影响，本方案并不直接设置连接截面对应的尺度参数，而以设定的区域平均面积来推算具体的尺度参数。首先将设定的区域面积转换为区域的数目，公式如下。

wi和hi表示影像的宽度和高度，ns表示区域的数目，savr表示区域面积。将底层尺度集中所有的节点按照尺度大小进行排序。对于含有ns个区域的初始截面，利用其构建的尺度集将含有2ns-1个节点。估算并保留节点序列中尺度较大的2ns-1个节点，找出此时对应的尺度参数slink，并以此为尺度阈值，从各个分块中检索出对应的分割结果，进行拼接得到连接截面。

将当前处理影像的尺度集信息以特定格式压缩存储为二进制流数据，便于后续影像分割的快速读取及解析。在尺度集的数据存储格式中，分别记录初始分割的结果(游程码压缩格式)和合并过程的节点数据。该文件中合并过程的节点记录了当次合并的两个区域，新生成的区域编号，以及该次合并所在的尺度。

依次解析尺度集的合并节点，每个节点都可以拆解为一个二叉树，其中被合并的两个区域作为分支，合并得到的区域作为根，合并的尺度作为索引。当所有的合并节点处理完毕之后，得到一个完整的尺度集结构。

给定尺度参数λ，依次判断所有合并节点的尺度值是否小于λ，并进行标记；建立一个初始分割区域标号的列表(图4-5中的原始标记)，然后根据合并的节点，修改标记的映射表得到新的映射表(图4-5中映射表)；最后，将新的映射表进行排序，将顺序理顺，得到新的映射表(图4-5中新映射表)；最后，将初始分割的区域标号按照新的映射表进行映射处理，得到该尺度下对应的分割结果。

在实际分割中，通常需要确定一个最优的分割尺度。针对每个尺度的分割结果，分别从区域内同质性、区域间异质性两个角度对分割的质量进行定量度量；在此基础上，利用同质性与异质性构建衡量影像分割优劣的目标函数。目标函数的最大值对应着最优的分割尺度。

某一尺度下分割结果的同质性是该分割结果下所有区域同质性的加权和。利用标准差来度量区域的同质性。区域同质性越好，则区域内部像元灰度分布越集中，标准差越小；同质性越差，则区域内部像元灰度分布越分散，标准差越大。

尺度sλ对应同质性的计算公式如下：

其中v(sλ)表示尺度sλ下的区域同质性；m表示影像的像素个数，n表示该截面区域的个数；ni表示尺度sλ下区域ri的面积；δi表示尺度sλ下区域ri各波段标准差的加权和。在计算尺度sλ对应的标准差时，对每一个区域采用其面积作为权重，这样可以使得面积较大的区域所占的比重增加，避免较小区域的合并对整个结构引起的不稳定。v(sλ)越小，说明整个截面的同质性越好，异质性越小。

随着区域合并的不断进行，性质相近的区域不断被合并，区域内的同质性不断降低，v(sλ)不断增大，最后达到最大值。

异质性用来衡量分割所得区域之间的差异性。分割结果越好，则异质性越大，否则异质性越小。采用莫兰指数(moran’si,mi)作为区域间异质性的统计方法。

其中n表示对象的个数；wi,j表示区域ri和rj的相邻关系，如果相邻则wi,j＝1,否则wi,j＝0；xi表示ri的均值,表示全图的光谱均值.当mi值较高时，说明区域之间相似性较高，可区分度差，异质性较差；反之mi值较低时，可区分度好，异质性好。

在区域合并的过程中，每合并一对相邻区域，便可得到当前截面的区域间异质性。随着区域合并的不断进行，性质相近的区域被合并，引起区域间异质性不断增加，空间自相关性不断降低。且从总体上看，莫兰指数呈现递减趋势，随着区域合并不断增加，自相关性减小的速率明显增加，总体趋势呈现凸曲线的特性。在区域合并的后期莫兰指数值出现了一定的波动，这是由于在区域合并的后期，由于区域数目较少，使得统计特性并不稳定。

在本方案中，采用全局最优指标(overallgoodnessf-measure)作为衡量分割结果好坏的目标函数，其计算方法为：

其中minorm和lvnorm分别为分割结果归一化后的异质性和同质性指标。参数α为输入的调节参数，调节模型输出的倾向性，当α>1时，倾向于过分割，反之倾向于欠分割。在一系列的影像分割结果中，使得ogf值最大的结果被认为是最优尺度。该模型可以克服传统尺度参数对影像的动态范围、地物类别的敏感度。通过调节参数α获得针对不同地物的最优尺度，且具有较好的鲁棒性。本方案中，α取值为1。

具体地，信息提取模块包括：样本选择子模块，特征提取子模块，要素提取子模块。

其中，样本选择子模块用于选取每类地物的训练样本像斑。

在传统的基于像素的影像分析方法中，由于影像分辨率较低，在这种情况下，对于训练样本的选择只需要选择具有代表性的区域，将其中的像素全部作为训练样本即可。然而，在基于尺度集的影像分析中，尺度集包含了不同尺度影像分割的区域，而不同尺度的区域之间存在层次关系，因而用于尺度集分类的样本不同于传统基于对象的影像分析方法的样本。

在本方案中，将影像尺度集二叉树所有节点分类，涉及不同尺度的节点，因此样本选择需要通过调整尺度，从节点中挑选适当的样本。对于面向对象的影像多尺度分类，如当对应的目标被完整的分割为一个完整区域时，对其提取的特征能够较好的反映地物的特性；当地物被分割得比较破碎时，其在一定程度能够反映部分区域的光谱特征，其破碎的分类结果可以在后续的处理中予以消除；当地物被欠分割时，多类不同的地物被划分到一个区域中，必然造成无法修正的分类错误，因此样本选择的基本原则是可以选择过分割的区域，但不能选择欠分割区域。

在基于机器学习的影像分析中，样本准确、数量充足是保证其准确率的关键之一。通过以上挑选原则，可以获得部分较为准确的样本，然而对于样本的数量却难以保证。当样本过少时，利用其训练的分类器并不稳定，难以获得较好的性能。为了能在较少输入样本的情况下，获得更为稳定的分类，典型地理国情要素提取系统利用区域在尺度集中的上下层关系和所选择的分类特征，设计了分类样本的递推规则。

尺度集中随着尺度的由小变大，区域总是从过分割向欠分割发展。因而，对于任意选定的样本，通过尺度集中的层次关系向下递推或向上。当选用的分类特征仅包含光谱、纹理等特征时，所选择的样本的特征是其子节点的特征之间线性加权得来，此时特征之间具有可以线性可递推关系。此时，可以将所选择的样本在尺度集中的所有子节点扩展为训练样本。当选用的分类特征包含形状特征时，所选样本的特征与子节点的特征之间关系复杂，并无线性加权的关系。此时，所选择的样本无法向上或者向下递推。

其中，特征提取子模块用于提取像斑的光谱特征、纹理特征、几何特征和指数特征。

利用基于机器学习的方法对尺度集中的所有节点进行分类，选用的区域特征描述算子主要包括以下几种：

光谱特征：分别采用了光谱直方图和均值、标准差。直方图可以记录不同成分在其中的分布情况，被广泛应用于图像识别应用中。直方图的描述能力依赖于直方图的量化数，在本方案中将每一通道的光谱量化为32个值，以求光谱量化能力和计算复杂度之间的平衡。光谱的均值和标准差以较小维度的特征记录了区域内光谱的总体平均情况以及细节的差异。

纹理特征：对于区域的纹理，可以从纹理的模式和纹理的强度两个方面进行描述。在本项目中，采用局部二进制模式和局部反差分别对以上两个方面进行描述。局部二进制模式通过局部区域像素的空间关系与强度差别描述纹理的结构和强度，并以统计分析的方法建立纹理描述的模型。主要包括均质性(homogeneity)、对比度(contrast)、熵(entropy)三类。

均质性特征表现影像局部的均质性，取值范围为[0,1]，当纹理比较规律或表面比较平滑的时候值比较大。

对比度特征能有效检测图像反差，提取物体边缘信息，增强线性构造等信息，取值范围为[0,∞]。在粗纹理内部相邻灰度变化很小，在实际应用时由于灰度级别的压缩，原始图像中灰度差别较小的像元在压缩后变成同一灰度级别，此时的对比度值接近于0。而在粗纹理边缘处的像元灰度存在一定差值，即使此像元对出现的概率较小，但经放大后对比度值也能使之与粗纹理内部的区域有效的区分开来。

熵特征是图像不一致性的度量，取值范围为[0,∞]。当图像的纹理极不一致时，灰度共生矩阵中各元素的值将偏小，则图像具有较大的熵值。若图像没有任何纹理，则灰度共生矩阵几乎为零阵，则熵值接近为零。若图像充满着细纹理，则像元对的数值近似相等，则该图像的熵值最大。若图像中分布着较少的纹理，像元对的数值差别较大，则该图像的熵值较小。

形状特征：包括面积、长度、形状指数、密度、不对称性。

面积特征即地物要素的平面面积阈值，取值范围为[0，图幅的大小]。对于没有地理参考的数据，单个像素的面积为1。其结果是一个影像对象的面积就是构成它的像素的数量。如果影像数据是有地理参考的，一个影像对象的面积就是一个像素覆盖的真实面积乘以构成这一影像对象的像素数量。

长度特征即影像对象的长度/宽度比率，通过边界框近似获取。

形状指数指影像对象的边界长度除上它的面积的平方根的4倍，用以描述影像对象边界的光滑度。影像对象越破碎，则它的形状指数越大。

密度特征即影像对象面积除上它的半径，用以描述影像对象的紧致程度。在像素栅格的图形中理想的紧致形状是一个正方形。一个影像对象的形状越接近正方形，它的密度就越高。

一个影像对象越长，它的不对称性越高。对于一个影像对象来说，可近似于一个椭圆。不对称性特征即表示为椭圆的短轴和长轴的长度比。

层特征：包括归一化植被指数(ndvi)和归一化水体指数(ndwi)。

归一化植被指数即近红外波段的反射值与红光波段的反射值之差比上两者之和。该指数取值范围为[-1,1]，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等；正值，表示有植被覆盖，且随覆盖度增大而增大。

归一化水体指数即用遥感影像的特定波段进行归一化差值处理，以凸显影像中的水体信息，是基于绿波段与近红外波段的归一化比值指数。

其中，要素提取子模块用于基于影像样本集和选定特征方法(如支持向量机、k最近邻分类、分类与回归树和随机森林)实现影像的自动分类，并导出耕地、林地、水体、居民地。

选用支持向量机作为分类方法。支持向量机是一种基于机器学习的分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。利用跨尺度选择的训练样本，基于像斑的特征向量，采用支持向量机法获得影像分类结果。

应用举例

选取某省的部分生态保护红线区作为应用示范区，使用典型地理国情要素提取系统及方法完成约2600多平方公里生态保护红线区范围内耕地、林地、水体、居民地的自动化解译。基于系统导出的地物提取结果，建立示范区实验数据库。数据库包含耕地(0100)、林地(0300)、居民地(0500)、水体(1000)四项地表覆盖一级类。

用于生态保护红线区示范区试生产的影像数据为2017年的高分卫星影像，共计12幅。其中高分一号卫星影像3景，高分二号卫星影像3景，资源三号影像6景。影像获取时间在2017年3月至5月。一景原始影像的大小在30000×30000像元以上，因此为了满足典型要素提取系统运行的软硬件要求，先将12景影像拼接，重采样为2米空间分辨率的影像。再按照1:5万分幅规则，将遥感影像裁剪成14幅分幅影像。

使用本生态保护红线区典型地理国情要素提取系统分别处理各幅影像，获得解译成果后，完成数据的融合接边，形成试生产成果数据库。将示范区全域遥感影像裁剪后，每幅影像覆盖范围内地形地物特征均有不同，主要分为城区和山区两个类型。城区以人工地物为主，包含房屋、道路、构筑物、人工堆掘地、草地、林地、水体等多种地物类别，且房屋等建筑物纹理特征复杂多样。

构建尺度集时，选取battz准则作为区域合并准则，设置初始影像分割方式为基于图论的影像分割，设定距离阈值为50，最小面积为30个像元，形状参数设置为0.3，边缘参数设定为0.5，紧凑度设定为0.5，0截面平均面积设定为100。

解译成果中，林地、水体解译效果最佳，成功识别率均达到了89％，耕地次之，达到了82％。系统解译成果与2017年国情更新成果对比如图6所示(林地)，图6a为2017年国情成果数据，图6b为本系统自动解译数据。

在尺度集中，尺度数是单调递增的，因此每个尺度数都对应唯一的一个尺度集截面，即一个影像的分割结果。每一个节点与其父节点在尺度轴上差值即为该子区域存在的尺度区间。此结构的优点在于，当给定尺度参数时，可以通过判断区域的尺度区间是否包含该尺度参数获知该区域在给定尺度参数时是否存在。从而获得任意尺度参数下的分割结果。从尺度集的数据结构上进行描述，可以表示为对于任意尺度的影像表达形式，都可以通过对尺度集空间的分割区域合集进行截断而快速获得。

通过在不同的尺度截取尺度集的截面，可以实现对基于区域的影像多尺度表达。若给定的尺度间隔足够小，可以实现近乎连续的多尺度表达。

在整个尺度集的区域合并面中，每个区域面都存在一个生成尺度和消失尺度，即每个区域面均存在于一个尺度区间中，其中所有初始分割面的生产尺度均为0。当需要获取某个尺度的影像分割结果时，首先通过尺度索引，获取当前尺度下存在的区域面序号；然后通过区域合并树结构，找到每个区域面的初始分割面子集；最后，分别合并每个初始分割面子集，即得到指定尺度的影像分割结果。

利用传统的目视解译方法对示范区进行耕地、林地、水体、居民地这4类要素提取大约需要100工日·人；使用本发明典型地理国情要素提取系统对示范区进行影像自动分类耗时约17小时·人，在此解译成果基础上编辑加工为地表覆盖成果数据，大约耗时80工日·人，提取效率提升约20％。即，通过本发明方法及系统可以明显提升工作效率。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员，在本发明揭露的技术范围内，可轻易想到变化或替换，都应该涵盖在本发明的保护范围内。