土壤反射變化對植被指數(shù)的影響。L根據實際應用取值，當L值 為0時，SAVI指數(shù)和NDVI指數(shù)等價，表示地表沒有植被覆蓋，當L等以1時，表示地表全部 由植被覆蓋。因子（1+L)保證SAVI的取值范圍為[_1，1]。為了減少土壤噪聲對指數(shù)的干 擾，提出了改進型土壤調節(jié)植被指數(shù)（MSAVI)，公式為：
[0050] 公式中用自動調節(jié)因子代替植被冠層調節(jié)因子，更能區(qū)分出植被與非植被的界 限，進一步降低了不同土壤反射變化對植被指數(shù)的影像。
[0051] (4)大氣阻抗植被指數(shù) ARVI (Atmospherically Resistant Vegetation Index)
[0052] 大氣阻抗植被指數(shù)引入藍色光來減少大氣的影響，表達式為
[0054] 其中NIR表示近紅外波譜，B表示可見光藍色波譜，R表示可見光紅色波譜，γ表 示藍色影響因子，通?？扇?。ARVI指數(shù)是NDVI指數(shù)的改進，范圍為[-1，1]，用藍色波譜修 正大氣散射對植被的影響，主要用來消除氣溶膠產生的誤差。所以它適用于大氣氣溶膠濃 度較高的地區(qū)，可用于霾天氣下的植被指數(shù)提取。
[0055] 森林：使用大氣阻抗植被指數(shù)提取高光區(qū)域，提取出森林和部分工廠，由于工廠面 積相對較小，可使用鏈碼技術去掉面積小于設定值的區(qū)域，得到森林區(qū)域。
[0056] 田地：使用除了大氣阻抗植被指數(shù)外的其他方法提取全部植被區(qū)域，去除森林部 分之后得到田地和城區(qū)部分植被，由于城區(qū)植被面積相對較小，可去除面積小于設定值的 區(qū)域后得到田地區(qū)域。
[0057] 水域對不同波長具有特殊反射和吸收特性，即可見光到中紅外波段反射能力逐漸 減弱、在近紅外和中紅外波長內吸收能力最強。
[0058] 歸一化差異水體指數(shù) NDWI (Normalized Difference Water Index)
[0059] 由可見光綠色波段和近紅外波段的反差構成的歸一化差異水體指數(shù)，其公式為：
[0061] 其中，G表示可見光綠色波譜，NIR表示近紅外波譜。歸一化差異水體指數(shù)的取值 范圍在[-1，1]，可以增強水體信息，同時抑制背景地物信息的干擾。
[0062] 使用水體指數(shù)提水域后，可通過提取這些水域的幾何特征屬性，如面積、周長、長 寬比等，來分析水域的類別。
[0063] (1)面積 S
[0064] 直接用區(qū)域的像素之和作為區(qū)域的面積。
[0065] (2)周長 C
[0067] 式中系數(shù)&1根據相鄰像素之間的方向判斷，水平和垂直方向的系數(shù)為1，其他方向 為為。
[0068] (3)長寬比 R
[0070] 采用旋轉法求輪廓的最小外接矩形，Wmer為最小外接矩形的寬，Lmer為最小外接矩 形的長。長寬比反映了區(qū)域的胖瘦形狀。
[0071] (4)矩形度 F
[0073] 其中Smer為最小外接矩形的面積。矩形度是輪廓區(qū)域的面積同其最小外接矩形的 比值，其比值越接近1，說明區(qū)域與規(guī)則矩形越接近。
[0074] (5)圓形度 G
[0076] 其中Smec為最小外接圓的面積。圓形度是輪廓區(qū)域的面積同其最小外接圓的比值， 其比值越接近1，說明區(qū)域與規(guī)則圓越接近。
[0077] 水域的幾何特征約束
[0079] 湖：使用水體指數(shù)提取，長寬比較小、圓形度較大者為湖。
[0080] 河流：使用水體指數(shù)提取，長寬比較大、圓形度較小者為河流。
[0081] 步驟2、根據地物的灰度特點，采用灰度一致性技術將提取出植被和水域區(qū)域的衛(wèi) 星遙感全色影像分割為不同的區(qū)域，再根據區(qū)域的幾何特征提取出工廠區(qū)域。
[0082] 本發(fā)明實施例中，由于前述步驟1已經提取出植被和水域區(qū)域，因此，可以將植被 和水域區(qū)域從衛(wèi)星遙感全色影像中去除，后續(xù)處理也不涉及植被和水域區(qū)域，本步驟中的 衛(wèi)星遙感全色影像即為去除植被和水域區(qū)域的衛(wèi)星遙感全色影像。
[0083] 本步驟對衛(wèi)星遙感全色影像進行粗略的分割，通過對衛(wèi)星遙感全色影像根據灰度 一致性進行影像分割，將衛(wèi)星影像內容劃分為灰度不同各個區(qū)域，從而將圖像的處理從像 元級提升到對象級別。其主要包括：影像濾波及地物分割兩部分。具體如下：
[0084] 1)采用雙邊濾波器對衛(wèi)星遙感全色影像進行去噪處理。
[0085] 采用雙邊濾波器對影像h (X，y)的像素點（X，y)，在像素點鄰域Sx，y內進行去噪濾 波，采用局部加權平均方法生成圖像片：
[0087] 對每一像素點h(i，j)的鄰域像素，其加權系數(shù)w(i，j)由空間鄰近因子％(1，j)和 亮度相似因子w r(i, j)的乘積組成：w(i, j) = wd(i, j)wr(i, j)
[0088] 其中：

[0091] 〇d為空域高斯函數(shù)的標準差，〇 1^為值域高斯函數(shù)的標準差，空間鄰近因子 wd(i，j)和亮度相似因子wji，j)的非線性組合構成了雙邊濾波器的加權系數(shù)。
[0092] 2)采用灰度一致性生長法對去噪處理后的影像進行分割，將灰度值相同的區(qū)域分 割出來，獲得若干灰度值相同的區(qū)域。
[0093] 其步驟為：初始點集合A為去噪處理后的影像中的一個點，灰度平均值Avg為當前 集合A所有點灰度值的平均值；點集合A周圍的點作為候選點，如果候選點的灰度值和Avg 之差小于設定的閾值，則該點加入點集合A中，并更新Avg值；重復該步驟，直到沒有新的點 加入，此時集合A即為具有灰度相似性的區(qū)域。
[0094] 上述步驟可采用下述方式實現(xiàn)：
[0095] (1)現(xiàn)有一個點集合{A}，將當前像素點p (X，y)放入點集{A}中，則{A}的平均值 Avg為該像素的灰度值，此{A}中點數(shù)Count = 1。
[0096] (2)將像素點p (x，y)的某個鄰域像素 p(Xl，yi)的灰度值G(Xl，yi)與Avg作差，記 作t。如果t<T。，則置標記f= 1 ;否則，置f = 0,（其中T。為閾值）。重復本次操作，直 到所有的鄰域像素標記結束。
[0097] (3)對于標記為1的像素點p(x，y)，存放在{A}中，累加 Count，并根據下式更新 Avg0
[0099] (4)重復2~3步驟，直到Count不再變化，此時{A}即為所求的具有灰度相似性 的區(qū)域，用幾何形態(tài)方法描述該區(qū)域。
[0100] (5)重新選擇新的像素點，重復1~4操作，直到圖像中所有的像素都被劃分到相 似性區(qū)域中。
[0101] 經過分析，工廠通常由非常大的廠房組成，根據工廠的特點，采用灰度相似性分割 手段，篩選出矩形的目標。道路仍然是優(yōu)先級最高的區(qū)域分割，如果道路圍成的區(qū)域中有大 量的矩形目標，則認為此區(qū)域可能是工廠。
[0102] 示例性的，幾何特征約束如下：
[0104] 步驟3、提取出工廠區(qū)域、植被與水域區(qū)域的剩余區(qū)域即為人工地物區(qū)域，采用紋 理特征的提取方法對人工地物區(qū)域進行分割處理，并根據分割后的各個人工地物區(qū)域紋理 特征進行SVM的分類識別過程，獲得各個人工地物區(qū)域的具體種類。
[0105] 前述步驟2中，灰度一致性圖像分割僅能夠將衛(wèi)星遙感影像中的大范圍地物進行 有效的分類，相對于大部分的區(qū)域，人工地物面積范圍較小，并且構成部分比較復雜，難以 使用灰度相似性進行人工地物種類的精確分割。
[0106] 本發(fā)明實施例中，由于前述步驟1~步驟2已經提取出植被與水域區(qū)域以及工廠 區(qū)域，因此，剩余區(qū)域即為人工地物區(qū)域，通過紋理特征的提取，可以得到人工地物區(qū)域的 準確分割。
[0107] 舉例來說，Gabor變換能夠很好的提取紋理的一個重要的原因是，Gabor基具有 高斯特性，同時它也繼承了小波的特點，在不同頻域尺度、不同方向上，不同的紋理特征被 Gabor濾波器轉換成不同的數(shù)值，從而完成紋理特征的提取。
[0108] Gabor濾波器提取紋理的步驟是：首先構建Gabor濾波器組，并在多方向和多尺度 上對人工地物區(qū)域的圖像進行Gabor濾波；然后對每個方向每個尺度的濾波圖像進行紋理 特征提取，獲得紋理圖像；最后對紋理圖像進行聚類與分類，從而完成對分割后區(qū)域的精確 分割。其處理流程如圖2所示。
[0109] 1)構建Gabor濾波器組，進行Gabor濾波。
[0110] 采用二維Ga