面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類

鄧媛媛，巫兆聰，易俐娜，胡忠文，龔正娟

(武漢大學(xué)遙感信息工程學(xué)院，武漢 430079)

面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類

鄧媛媛，巫兆聰，易俐娜，胡忠文，龔正娟

(武漢大學(xué)遙感信息工程學(xué)院，武漢 430079)

采用面向?qū)ο蟮挠跋穹诸惙椒?，結(jié)合多尺度分割技術(shù)，以QuickBird影像為實驗數(shù)據(jù)，進(jìn)行農(nóng)用地的精細(xì)自動分類。首先，根據(jù)地物大小，選擇最優(yōu)分割尺度，構(gòu)建多尺度分割等級網(wǎng);然后，綜合利用高分辨率影像的光譜信息、紋理和形狀特征，建立各個對象的特征集;最后，通過目視解譯建立隸屬度函數(shù)，實現(xiàn)地物的分層提取。實驗表明，該方法能有效區(qū)分農(nóng)作物種類，相對于傳統(tǒng)的像素級分類方法，該方法明顯提高了高分辨率影像的分類精度，且避免了“椒鹽”噪聲的產(chǎn)生。

面向?qū)ο?高分辨率影像;多尺度分割;農(nóng)用地分類

0 引言

在農(nóng)業(yè)遙感應(yīng)用中，利用遙感影像準(zhǔn)確提取農(nóng)用地信息對農(nóng)業(yè)資源調(diào)查、遙感估產(chǎn)以及災(zāi)害監(jiān)測等具有重要意義。傳統(tǒng)基于像素的分類方法僅依靠光譜特征提取地物，容易造成地物的錯分和漏分，難以滿足實際應(yīng)用的需要［1］。面向?qū)ο蟮姆诸惙椒ㄒ远喑叨确指顬榛A(chǔ)，根據(jù)生成的多邊形對象的屬性信息，采用模糊邏輯分類方法，實現(xiàn)類別信息的自動提?。?］。其明顯優(yōu)勢是充分挖掘高分辨率影像的信息，除利用常用的地物光譜特征之外，結(jié)合對象的紋理、形狀和拓?fù)潢P(guān)系，有效地改善了分類的細(xì)化程度，提高了分類精度［3］。王海君等利用基于紋理的分割方法，對南京市水田信息進(jìn)行模糊分類，提高了圖像的分類精度［4］;Yu Qian等采用面向?qū)ο蟮姆诸惙椒ǎ治隽思y理、灰度、幾何和位置等52個特征在植被精細(xì)分類中重要性，選擇最有效特征用最鄰近分類器，將植被分為林地、灌木和草地等，顯著提高了分類精度［5］;Carleer等用 Bhattacharyya距離法選擇不同對象的最相關(guān)特征，結(jié)合專題圖和DEM等輔助信息，對甚高分辨率遙感影像進(jìn)行城市用地分類，改善了分類效果［6］。然而，國內(nèi)還較少有人采用面向?qū)ο蟮姆椒ㄟM(jìn)行農(nóng)用地精細(xì)分類。

本文采用面向?qū)ο蟮姆诸惙椒ǎy(tǒng)計地物的光譜信息和紋理信息，建立各對象的特征集，綜合使用最鄰近距離分類器和基于規(guī)則的模糊分類器，實現(xiàn)了武漢江夏區(qū)的農(nóng)用地自動分類，并用野外采樣數(shù)據(jù)進(jìn)行精度驗證，分析評價面向?qū)ο蠓椒ㄔ谵r(nóng)用地分類中的效果。

1 研究區(qū)概況和數(shù)據(jù)

以武漢江夏區(qū)為研究區(qū)域，該區(qū)位于東經(jīng)114°14'42″～114°15'35″，北緯 30°20'49″～ 30°21'22″之間，耕地占總面積的65%，其余主要為山林、果園以及少量的水體、建筑物和道路。實驗數(shù)據(jù)源為2007年11月27日獲取的QuickBird影像，具有4個多光譜波段和1個全色波段，空間分辨率分別為2．44 m和0．61 m。影像成像質(zhì)量較好，實驗區(qū)晴朗無云，可假設(shè)影像各部分的大氣狀況基本一致，不對影像進(jìn)行大氣校正。選取農(nóng)作物多樣且典型的588像元×423像元大小的子區(qū)為實驗區(qū)(如圖1所示)。

圖1 研究區(qū)QuickBird假彩色影像Fig．1 Pseudo color QuickBird image of study area

2 研究方法

對耕地、水體、建筑物等光譜特征明顯且差異較大的地物，主要以光譜統(tǒng)計信息為基礎(chǔ)，輔以紋理特征和形狀特征，構(gòu)建成員函數(shù)進(jìn)行提取;各種林地和果園的光譜特征尤為相似，故利用紋理信息進(jìn)行區(qū)分。選擇最鄰近分類方法進(jìn)行自動分類，具體技術(shù)流程如圖2所示。

圖2 技術(shù)流程Fig．2 Technical flowchart

2．1 農(nóng)用地分類體系

以第二次全國土地利用調(diào)查土地利用現(xiàn)狀分類體系為參考標(biāo)準(zhǔn)，根據(jù)本文選用的QuickBird影像的季相特點，擴展第三級分類對象，選用如表1所示的分類體系。

表1 農(nóng)用地分類Tab．1 Agricultural land classification table

2．2 多尺度影像分割

多尺度分割是在不同的尺度下，根據(jù)顏色相似度和形狀因子對影像進(jìn)行自底向上的聚類，形成該尺度范圍內(nèi)同性質(zhì)的影像對象［7，8］。聚類的準(zhǔn)則是異質(zhì)性指標(biāo)，反映對象合并前后光譜信息和形狀信息的變化量，即

式中，f為異質(zhì)性大小;w為光譜權(quán)值(0＜w＜1);hcolor和hshape分別為對象合并產(chǎn)生的光譜異質(zhì)性值和形狀異質(zhì)性值;hshape由對象的光滑度和緊湊度組成。

影像分割的目的是將影像劃分為有意義的多邊形，形成初級的影像對象，為下一步分類提供信息載體，因此，分割的好壞直接決定著后續(xù)分類的精度。最佳分割尺度應(yīng)使影像對象的平均異質(zhì)性最小化，使分割后的多邊形能清楚區(qū)分地物邊界。對面積較小、空間特征復(fù)雜的類別，適宜選擇較小尺度分割;對于面積較大、紋理均勻的類別，易用大尺度進(jìn)行分割。實驗區(qū)既有林地和果園等大型地物，又有道路、房屋和耕地等相對較小的地物，因而對實驗區(qū)進(jìn)行不同尺度的分割。在分割尺度為30～100的區(qū)間內(nèi)，設(shè)置增長步長為5，進(jìn)行重復(fù)實驗，對分割結(jié)果進(jìn)行分析比較，得出不同地物最適宜的分割參數(shù)，在此基礎(chǔ)上構(gòu)建了具有3個層次的多尺度影像分割等級網(wǎng)，如表2所示。

表2 多尺度分割參數(shù)設(shè)置Tab．2 Parameter settings of multi－ scale segmentation

2．3 特征選擇

分割后的多邊形對象已具有光譜信息、紋理結(jié)構(gòu)、形狀等各種屬性。因材質(zhì)、空間分布方式的差異，每一地物類別都具有獨立于其他地物的專屬特征，如何從眾多的特征中篩選出最具代表性的特征集合提取出該地物，是整個分類過程的核心。

2．3．1 光譜特征

抽取試驗區(qū)一些典型并具有代表性的樣本數(shù)據(jù)，統(tǒng)計其在各波段的灰度均值，得出主要地物的光譜特征曲線，如圖3所示。典型地物的NDVI區(qū)間如圖4所示。圖中僅列出容易混淆的各種耕地和林地等類別，對光譜迥異的水體、道路和建筑物，因易于區(qū)分不做列舉。

圖3 典型地物光譜特征曲線Fig．3 Spectral reflectance curves of typical objects

圖4 典型地物的NDVI區(qū)間Fig．4 NDVI variation of typical objects

水體與其他地物的光譜特征相差較大，多成深黑色，且色調(diào)均一，僅利用NDVI即可提取。影像中公路有瀝青和水泥表面兩種，光譜差異較大，需分別提取;進(jìn)一步分析可知，瀝青路綠波段均值較大，水泥路亮度值明顯高于周圍地物，可結(jié)合長寬比和形狀指數(shù)提取出。房屋頂部多為灰白色，亮度和紅波段比率較高，矩形擬合度較高，據(jù)此可被區(qū)分。

分析原始影像和圖3、圖4可發(fā)現(xiàn)，一般菜地呈均勻的深紅色，在近紅外波段的均值明顯高于其他地物，NDVI值最大;種菜水田因含水量較大，呈暗淡的淺紅色，近紅外波段均值稍低于一般菜地，且?guī)\綠色斑點，色調(diào)不均一;翻耕過的水稻田多被水浸泡，呈均一的淺綠色，綠波段均值在所有耕地中最大，NDVI值較小;未翻耕過的水稻田因稻茬的存在，呈較深的墨綠色，近紅外均值遠(yuǎn)小于翻耕過水稻田，據(jù)此可予以區(qū)分;未利用菜地為翻耕過的旱地，尚未種植農(nóng)作物，基本呈裸土的顏色，NDVI值很小，紅波段均值與其他地物差異較大。果園和各種林地的光譜特征曲線基本一致，各波段均值和NDVI值都極相近，僅用光譜特征是難以區(qū)分的，更不能保證分類的精度。因而，為更有效地進(jìn)行農(nóng)用地的分類，有必要引入紋理特征進(jìn)行多角度分析。

2．3．2 紋理特征

影像紋理指灰度值在空間上的變化，是一種獨立于顏色反映地物同質(zhì)性的特征。在各種紋理分析方法中，灰度共生矩陣是當(dāng)前公認(rèn)較成熟有效的統(tǒng)計方法之一，它反映了圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息［9］。

Haralick等人在灰度共生矩陣的基礎(chǔ)上，定義了若干紋理特征，本文選取較為常用4類特征。

局部一致性指數(shù)，即

能量(角二階矩)，即

上式中，N為灰度共生矩陣的階數(shù);P(i，j)為灰度共生矩陣中i行j列的數(shù)值。

由于植被在近紅外波段的強反射特性，能有效反映不同植被的紋理特征，通過比較分析，選取該波段用上述4類特征進(jìn)行紋理特征分析(表3)。

表3 紋理特征統(tǒng)計Tab．3 Texture characteristics statistics

由表3可知，苗圃是行列排序極為規(guī)則的林木幼苗，紋理結(jié)構(gòu)單一，fAsm大于其他林地，fCon值也是最小的;影像中闊葉林多為樟樹，呈小片分布，葉片間的縫隙清晰可見，溝紋明顯，fCon較大;針葉林呈明顯的顆粒狀紋理，細(xì)節(jié)豐富，fEnt僅次于闊葉林;桔園因種植不是特別規(guī)則，與灌木林有幾分相似，可綜合這4個參數(shù)進(jìn)行區(qū)分。

2．3．3 形狀特征

除上述最重要的兩類特征之外，形狀特征也有助于提取不同幾何形態(tài)的地物，提高分類精度。如公路為長條狀，其長寬比和形狀指數(shù)遠(yuǎn)大于其他地物;居民地建筑呈規(guī)則的方形，可利用矩形擬合度特征輔助分類。

3 分類方案

根據(jù)所建立的農(nóng)用地分類體系和特征集合，以面向?qū)ο蟮膱D像處理軟件eCognition為分類平臺，分層提取各類地物。針對農(nóng)用地信息提取中的不同情況，本文綜合使用兩種分類器:第一、二層分類采用基于規(guī)則的模糊分類器，第三層次的分類采用基于樣本的最鄰近分類器。

為提高各類耕地和林地的分類精度，首先在第一層和第二層上設(shè)置成員函數(shù)，分別提取出居民建筑物、水體和道路，并進(jìn)行掩模處理，從原圖中去除;然后在剩下的影像中，綜合利用光譜和紋理特征，在第一層上提取出各類水田和菜地;最后，在第三層上主要利用紋理信息提取出果園和各類林地。各層建立的分類規(guī)則如表4所示。

表4 農(nóng)用地各層分類方法Tab．4 Classification methods of agricultural land in each layer

4 分類結(jié)果和精度評價

利用上述分類規(guī)則對實驗區(qū)影像進(jìn)行分類，結(jié)果如圖5所示。

為比較影像分類的效果，將其與基于像素的最大似然法分類方法得到的結(jié)果對比，根據(jù)野外實地調(diào)繪數(shù)據(jù)選擇樣本，評價分類精度，兩種分類方法精度分析如表5所示。

圖5 分類結(jié)果Fig．5 Classification results

(續(xù)表)

表5 兩種分類方法精度分析Tab．5 Accuracy analysis of two classification methods

從目視判讀效果來看，面向?qū)ο蟮姆椒ǖ玫降姆诸惤Y(jié)果中不存在“椒鹽現(xiàn)象”，分類結(jié)果比較緊致，雖然在一些區(qū)域仍存在部分地類混淆的現(xiàn)象，但最終結(jié)果基本滿足要求;從分類混淆矩陣中可以看出，面向?qū)ο蟮姆诸惙椒ǖ玫浇Y(jié)果的用戶精度和生產(chǎn)者精度高于最大似然法，總體分類精度、Kappa系數(shù)分別高出16．74%和0．200 4。從單個類別來看，采用面向?qū)ο蟮姆诸惙椒?，一般菜地、未翻耕水田、水泥路、居民點以及各類林地的分類精度均有顯著提高。以水泥路和居民點為例，面向?qū)ο蠓诸惙椒ǖ木让黠@高于基于像素的最大似然法，這是因為水泥路和居民點具有相似的光譜特征，從而導(dǎo)致易被混分，而面向?qū)ο蠓诸惙椒ǔ浞掷昧斯庾V(亮度值)、空間特征(長寬比和矩形擬和度)和影像對象的等級隸屬關(guān)系。

5 結(jié)論

本研究綜合利用高分辨率影像的光譜、紋理和形狀特征，結(jié)合基于規(guī)則的模糊分類法和基于樣本的最鄰近分類法，在不同分割尺度基礎(chǔ)上分層提取地物信息，能有效地對農(nóng)作物進(jìn)行分類和識別，分類精度較高。

面向?qū)ο蟮姆诸惙椒ㄏ鄬τ趥鹘y(tǒng)的基于像元的分類方法，總體分類精度和Kappa系數(shù)均有提高，被混分、錯分的對象明顯減少。且對不同數(shù)據(jù)源的植被分類具有一定的普適性，為實現(xiàn)農(nóng)用地的自動化提取提供了理論依據(jù)和方法途徑。尤其是紋理信息的綜合使用，對高分辨率影像分類精度的提高有重要的作用，這對于大比例尺尺度上研究農(nóng)作物種類，提取更加細(xì)致的信息進(jìn)行分析等方面有很好的應(yīng)用前景。

［1］Tansey K，Chambers L，Anstee A，etal．Object－oriented Classification of Very High Resolution Airborne Imagery for the Extraction of Hedgerows and Field Margin Cover in Agricultural Areas［J］．Applied Geography，2009，29:145 －157．

［2］錢巧靜，謝 瑞，張 磊，等．面向?qū)ο蟮耐恋馗采w信息提取方法研究［J］．遙感技術(shù)與應(yīng)用，2005，20(3):338－342．

［3］Weber MeCognition Drofessional User Guide 4［M］．Germany，2004．

［4］王海君，樂成峰．應(yīng)用基于紋理的面向?qū)ο蠓诸惸：椒ㄌ崛∷镄畔ⅲ跩］．地理與地理信息科學(xué)，2008，24(5):40－43．

［5］Yu Qian，Gong Peng．Object－ based Detailed Vegetation Classification with Airborne High Spatial Resolution Remote Sensing Imagery［J］．Photogrammetric Engineering ＆ Remote Sensing，2006，72(7):799－811．

［6］Carleer A P，Wolff E．Urban Land Cover Multi－level Regionbased Classification of VHR Data by Selecting Relevant Features［J］．International Journal of Remote Sensing，2006，27(6):1035－1051．

［7］Lucas R，Rowlands A，Brown A，et al．Rule－based Classification of Multi－temporal Satellite Imagery for Habitat and Agricultural Land Cover Mapping［J］．ISPRS Journal of Photogrammetry ＆ Remote Sensing，2007，62:165－185．

［8］Burnett C，Blaschke T．AMulti－scale Segmentation/object Relationship Modeling Method for Landscape Analysis［J］．Ecological Modelling，2003，168(3):233–249．

［9］Coburn C A，Roberts A C B．A Multi－scale Texture Analysis Procedure for Improved Forest Stand Classification［J］．International Journal of Remote Sensing，2004，25(20):4287－4308．

(責(zé)任編輯:李 瑜)

Research on Object－oriented Classification of Agricultural Land Based on High Resolution Images

DENG Yuan－yuan，WU Zhao－cong，YILi－na，HU Zhong－wen，GONG Zheng－juan
(School of Remote Sensing and Information Engineering，Wuhan University，Wuhan 430079，China)

This paper has explored the method and scheme for classifying different kinds of agricultural land from the high resolution remote sensing images by using multi－scale segmentation technology and rule－based image analysis approaches．Firstly，optimal segmentation scale was examined to construct a multi－ scale segmentation level network according to the size of objects．Secondly，on the basis of spectrum，shape，texture and topology characteristics of images，several features of NDVI，shape indices，brightness，mean spectral value of red band，and ratio of near－infrared band，the standard deviation of near－infrared band and homogeneity were selected to classify objects into four agricultural land categories．The results show that these characteristics are effective in identifying agricultural land type and that the precision is higher than that of the traditional maximum likelihood classification．

Object－oriented;High resolution images;Multi－scale segmentation;Agricultural land classification

鄧媛媛(1987－)，女，碩士研究生，研究方向為植被定量遙感。

TP 79

A

1001－070X(2010)04－0117－05

2009－12－07;

2010－02－09

國家自然科學(xué)基金項目(編號:40771157)、國家“863”計劃項目(編號:2007AA12Z143)、中央高?；究蒲袠I(yè)務(wù)費專項(編號:20102130201000134)以及武漢大學(xué)2008年博士研究生(含1+4)自主科研項目(編號:20082130201000048)共同資助。