面向?qū)ο蟮腉EO遙感影像分類(lèi)與信息提取

彭 文,石軍南

(中南林業(yè)科技大學(xué)遙感信息中心,湖南 長(zhǎng)沙 410004)

1 引言

過(guò)去40年間遙感技術(shù)有了長(zhǎng)足的發(fā)展,具備了高光譜分辨率、高時(shí)間分辨率、高空間分辨率、多傳感器、多平臺(tái)、多角度對(duì)地觀測(cè)能力,已經(jīng)形成了三多和三高的發(fā)展局面。2008年9月6日,美國(guó)從范登堡空軍基地發(fā)射了“地球之眼”-1(GeoEye-1)多光譜成像衛(wèi)星。該衛(wèi)星由“地球之眼”商業(yè)成像衛(wèi)星公司研制,可提供分辨率為0.41m的黑白衛(wèi)星圖像和分辨率為1.65m的多光譜衛(wèi)星圖像,同時(shí)可提供被偵察目標(biāo)的誤差小于3m的定位信息。地球之眼-1是當(dāng)今世界上能力最強(qiáng)、分辨率和精確度最高的商業(yè)成像衛(wèi)星。

一方面是我們獲得的遙感圖片分辨率越來(lái)越高,另一方面是人們對(duì)遙感信息的認(rèn)識(shí)和利用程度遠(yuǎn)遠(yuǎn)落后于遙感信息獲取的速度,造成大量資源的嚴(yán)重浪費(fèi),但據(jù)統(tǒng)計(jì),人們用到的遙感信息僅占全部獲取信息的5%左右,而深層次的信息開(kāi)發(fā)更少,這個(gè)事實(shí)極大地限制了遙感技術(shù)實(shí)際應(yīng)用效果[1]。現(xiàn)有的遙感處理軟件大都采用傳統(tǒng)的基于像元與統(tǒng)計(jì)分析的分類(lèi)方法,主要包括監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)。

監(jiān)督分類(lèi)是一種常用的精度較高的統(tǒng)計(jì)判決分類(lèi),在已知類(lèi)別的訓(xùn)練場(chǎng)地上提取各類(lèi)訓(xùn)練樣本,通過(guò)選擇特征變量、確定判別函數(shù)或判別規(guī)則,從而把圖像中的各個(gè)像元點(diǎn)劃歸到各個(gè)給定類(lèi)的分類(lèi)方法[2]。非監(jiān)督分類(lèi)是在沒(méi)有先驗(yàn)類(lèi)別知識(shí)的情況下,根據(jù)圖像本身的統(tǒng)計(jì)特征及自然點(diǎn)群的分布情況來(lái)劃分地物類(lèi)別的分類(lèi)處理。

以上這些方法適合于多光譜和高光譜分辨率的遙感圖像,對(duì)于分析低分辨率遙感圖像中的大面積區(qū)域變化可能會(huì)取得較好的結(jié)果。然而,對(duì)于高分辨率的遙感圖像,目標(biāo)物的形狀清晰可見(jiàn),圖像上地物景觀的結(jié)構(gòu)、形狀、紋理和細(xì)節(jié)等信息都非常突出,而光譜分辨率并不高,因此,針對(duì)高空間分辨率圖像,在分類(lèi)時(shí)不能僅依靠其光譜特征,更多的是要利用其幾何信息和結(jié)構(gòu)信息。

面向?qū)ο蟮男畔⑻崛》椒?針對(duì)的是對(duì)象而不是傳統(tǒng)意義上的像素,可以充分利用了對(duì)象信息(色調(diào)、形狀、紋理、層次),類(lèi)間信息(與鄰近對(duì)象、子對(duì)象、父對(duì)象的相關(guān)特征)。目前關(guān)于面向?qū)ο蟮姆诸?lèi)平臺(tái)應(yīng)用較單一,多基于德國(guó)的Ecognition軟件,本文基于ENVIZOOM軟件平臺(tái)對(duì)面向?qū)ο蟮姆诸?lèi)方法做了有益探索,為更好的利用地球之眼衛(wèi)星圖片提供參考。

2 實(shí)驗(yàn)區(qū)及數(shù)據(jù)源

2.1 地球之眼-1衛(wèi)星的基本參數(shù)設(shè)置

地球之眼-1將運(yùn)行在684km高的太陽(yáng)同步極地軌道上,以大約7.5km/s的軌道速度飛行,每天繞地球12或13圈,每天都在當(dāng)?shù)貢r(shí)間上午10:30左右通過(guò)給定地區(qū)。它將能以0.41m全色分辨率和1.65m多譜段分辨率搜集圖像,而且同樣重要的是它還能以3m定位精度精確確定目標(biāo)的位置。

2.2 實(shí)驗(yàn)區(qū)域

本文所采用的數(shù)據(jù)是由Geo Eye提供的中國(guó)張家界國(guó)家森林公園的遙感影像,研究區(qū)域內(nèi)地形多以山地為主,景觀多為森林。影像數(shù)據(jù)包括全色和多光譜,其中全色分辨率為0.5m,多光譜為2m,帶有各自的rpc參數(shù)。

3 理論基礎(chǔ)與方法

3.1 影像對(duì)象構(gòu)建

影像對(duì)象構(gòu)建主要用了影像分割技術(shù),常用分割方法包括基于多尺度的、基于灰度的、紋理的、基于知識(shí)的及基于分水嶺的等分割算法。比較常用的就是多尺度分割算法,這種方法綜合遙感圖像的光譜特征和形狀特征,計(jì)算圖像中每個(gè)波段的光譜異質(zhì)性與形狀異質(zhì)性的綜合特征值,然后根據(jù)各個(gè)波段所占的權(quán)重,計(jì)算圖像所有波段的加權(quán)值,當(dāng)分割出對(duì)象或基元的光譜和形狀綜合加權(quán)值小于某個(gè)指定的閾值時(shí),進(jìn)行重復(fù)迭代運(yùn)算,直到所有分割對(duì)象的綜合加權(quán)值大于指定閾值即完成圖像的多尺度分割操作。多尺度分割是從一個(gè)像素的對(duì)象開(kāi)始進(jìn)行一個(gè)自下至上的區(qū)域合并技術(shù),小的影像對(duì)象可以合并到稍大的對(duì)象中去。在這個(gè)聚集過(guò)程中,最優(yōu)化技術(shù)可最小化異質(zhì)的權(quán)重。在每一步驟中相鄰的影像對(duì)象對(duì),只要符合定義的異質(zhì)最小生長(zhǎng)的標(biāo)準(zhǔn)就合并,如果這個(gè)最小的擴(kuò)張超出尺度參數(shù)定義的閾值范圍,合并過(guò)程就停止。

表1 地球之眼-1衛(wèi)星的成像和搜集技術(shù)指標(biāo)

表2 地球之眼-1衛(wèi)星圖片波段參數(shù)

任何一個(gè)影像對(duì)象的異質(zhì)性值f是由4個(gè)變量計(jì)算而得:wcolor(光譜信息權(quán)重)、w shape(形狀信息權(quán)重)、hcolor(光譜異質(zhì)性值)、hshape(形狀異質(zhì)性值)。w是用戶定義的權(quán)重,取值于0～1之間:w color+w shape=1,

形狀異質(zhì)性值由兩部分組成:緊密度hcmpct和光滑度hsmooth:

3.2 影像對(duì)象的分類(lèi)

面向?qū)ο蠓诸?lèi)技術(shù)提供了豐富了對(duì)象特征,在分類(lèi)的時(shí)候,可以利用豐富的影像特征:影像的對(duì)象信息,如光譜、形狀、紋理、層次等;影像對(duì)象的上下文信息,如與鄰近對(duì)象、子對(duì)象、父對(duì)象之間的關(guān)系等;同時(shí)還可以導(dǎo)入、導(dǎo)出專(zhuān)題數(shù)據(jù)等。

目前常用的方法是“監(jiān)督分類(lèi)”和“基于知識(shí)分類(lèi)”。這里的監(jiān)督分類(lèi)和監(jiān)督分類(lèi)是有區(qū)別的,它分類(lèi)時(shí)和樣本的對(duì)比參數(shù)更多,不僅僅是光譜信息,還包括空間、紋理等信息?；谥R(shí)分類(lèi)也是根據(jù)影像對(duì)象的熟悉來(lái)設(shè)定規(guī)則進(jìn)行分類(lèi)。由于本文所采取的輔助參考數(shù)據(jù)較少,研究區(qū)域類(lèi)別較少所以采用監(jiān)督分類(lèi)的方法。

4 地球之眼衛(wèi)星遙感影像分類(lèi)與信息提取

4.1 地球之眼遙感數(shù)據(jù)特性評(píng)價(jià)

4.1.1 直方圖評(píng)價(jià)

對(duì)各個(gè)波段圖像進(jìn)行灰度值統(tǒng)計(jì),可以得出如下結(jié)論:紅外波段變動(dòng)范圍最大。按標(biāo)準(zhǔn)差由高到低,各波段的排序?yàn)椴ǘ渭t外、紅、藍(lán)、綠。按其動(dòng)態(tài)范圍由高到低,各波段的排序?yàn)椴ǘ渭t外、紅、藍(lán)、綠。其信息量由高到低的排序?yàn)椴ǘ渭t外、紅、藍(lán)、綠。

4.1.2 波段的相關(guān)性評(píng)價(jià)

在大量的遙感圖像數(shù)據(jù)處理中發(fā)現(xiàn),遙感圖像的波段之間具有較強(qiáng)的線性相關(guān)性,尤其相鄰波段的線性相關(guān)性非常強(qiáng)。波段數(shù)據(jù)之間這種強(qiáng)線性相關(guān)性正是遙感多光譜數(shù)據(jù)的重要特點(diǎn)之一。

對(duì)子圖像進(jìn)行各波段的相關(guān)性分析,公式如下:

其中Rkl為k波段與l波段間的相關(guān)系數(shù),Vijl為l波段圖像中第i行、j列的像元亮度值,ul為l波段的均值。

從表3中可以看出,紅外波段與波段藍(lán)、綠、紅的相關(guān)系數(shù)均比較低。而波段藍(lán)與綠波段的相關(guān)系數(shù)最高。其次是綠波段和紅波段。再次,就是紅波段和藍(lán)波段。就波段組合而言,最佳波段組合應(yīng)為紅外 、紅 、藍(lán) 。

4.2 影像處理

在進(jìn)行分類(lèi)處理之前對(duì)影像在erdas中進(jìn)行預(yù)處理,比如影像的校正、圖像光譜增強(qiáng)、影像融合、直方圖均衡化等處理,預(yù)處理的主要目的是根據(jù)資料及所需要的專(zhuān)題信息設(shè)法提高遙感圖像的可分性,使其更利于圖像分割及信息提取。

表3 各波段間的相關(guān)系數(shù)

在完成幾何校正、噪聲消除及圖像配準(zhǔn)后,是信息融合過(guò)程。通過(guò)信息融合,將大大減少或抑制探測(cè)對(duì)象或環(huán)境解釋中可能存在的多義性、不完全性或不確定性,從而提高遙感圖像分割、識(shí)別及解譯的能力。

數(shù)據(jù)融合技術(shù)一直是近幾年國(guó)際遙感界研究的熱點(diǎn)。將高分辨率遙感影像與多光譜影像進(jìn)行融合的主要目的是提高多光譜波段的空間分辨率,增強(qiáng)圖像的清晰度和解譯能力[3,4]。本研究中,圖像融合方法以ERDAS9.2軟件為平臺(tái),對(duì)實(shí)驗(yàn)區(qū)范圍內(nèi)GeoEye全色影像和多光譜影像進(jìn)行融合處理,分別采用了主成分分析、乘積法變換、Brovey變換和小波變換4種融合算法融合。

主成分變換,其算法是將輸入波段中共有的信息編制到第一主成分,再把全色數(shù)據(jù)拉伸使其和主成分第一分量有著相同的均值和方差,并把全色數(shù)據(jù)代替PCT的第一分量進(jìn)行主成分逆變換完成影像融合。乘積法是一種簡(jiǎn)單的代數(shù)運(yùn)算,即將高分辨率波段與多光譜兩個(gè)灰度矩陣進(jìn)行矩陣乘積。Brovey變換法是通過(guò)歸一化后的多光譜波段與高分辨率影像乘積來(lái)增強(qiáng)影像的信息[5]。小波變換在空間域上和頻率域上同時(shí)具有良好的局部化性質(zhì),利用小波變換法可以“聚焦”到對(duì)象的任意細(xì)節(jié),從而被譽(yù)為“數(shù)學(xué)顯微鏡”[6]。影像經(jīng)小波分解后其頻率特性得到了有效分離,低頻部分反映的是影像的整體視覺(jué)信息,各高頻成份反映的是影像的細(xì)節(jié)特征[7]。小波變換的優(yōu)點(diǎn)是保留了高分辨率影像的高頻特性,使整體融合效果較好,提高了多光譜影像的空間分辨率,同時(shí)又保持了多光譜影像的光譜信息[8]。

從本次實(shí)驗(yàn)的效果看,小波變換的融合效果最好(圖1)。

圖1 小波變換的融合效果

4.3 面向?qū)ο蟮亩喑叨葓D像分割

定義地表覆蓋類(lèi)型是分類(lèi)建立的基礎(chǔ)。經(jīng)過(guò)野外調(diào)查和目視判讀,本文將研究區(qū)的土地利用和覆蓋類(lèi)型分為4類(lèi):植被、耕地、居民地和道路。確定地表覆蓋類(lèi)型之后,就可以對(duì)分割后的每個(gè)對(duì)象進(jìn)行特征計(jì)算,提取出對(duì)象的特征。

圖像分割是生成圖像對(duì)象的過(guò)程,產(chǎn)生一個(gè)圖像對(duì)象層體系,為后續(xù)的分類(lèi)或分割工作提供信息的載體和構(gòu)建的基礎(chǔ)。本研究采ENVI ZOOM軟件自帶的邊緣分割算法對(duì)影像進(jìn)行分割。ENVI ZOOM是envi4.5版本中推出的專(zhuān)業(yè)用于面向?qū)ο笥跋穹诸?lèi)的新模塊,其Feature Extr action模塊采用基于邊緣分割的算法,能夠快速、準(zhǔn)確地對(duì)影像進(jìn)行分割,并可以實(shí)時(shí)快速地在一個(gè)預(yù)覽窗口中查看結(jié)果以評(píng)估分割的準(zhǔn)確性。經(jīng)過(guò)多次試驗(yàn),設(shè)置分割尺度參數(shù)為30。

影像分割時(shí),由于閾值過(guò)低,一些特征會(huì)被錯(cuò)分,一個(gè)特征也有可能被分成很多部分。可以通過(guò)合并來(lái)解決這些問(wèn)題。FX利用了Full Lambda-Schedule算法。經(jīng)過(guò)反復(fù)實(shí)驗(yàn)我選擇的參數(shù)為95。

計(jì)算4個(gè)類(lèi)別的屬性:光譜、空間、紋理、自定義(顏色空間和波段比)。其中“顏色空間”選擇3個(gè)RGB波段轉(zhuǎn)換為HSI顏色空間,“波段比”選擇綠波段和紅綠藍(lán)3波段的和計(jì)算比值。監(jiān)督分類(lèi)選擇4類(lèi)地物的樣本用紅色表示耕地,藍(lán)色表示道路,紫色表示房屋,綠色表示林地。分類(lèi)結(jié)果如圖2。

圖2 基于對(duì)象的分類(lèi)

4.4 對(duì)比實(shí)驗(yàn)

為了與在ENVI ZOOM面向?qū)ο蠓诸?lèi)方法相比較,本文還在ENVI4.5平臺(tái)上進(jìn)行了使用最大似然法分類(lèi)器的基于像元的分類(lèi)。基于像元的監(jiān)督分類(lèi)方法通過(guò)比較待分類(lèi)像元與訓(xùn)練樣本中各類(lèi)別的n維灰度向量(n為參與分類(lèi)的波段數(shù)),將待分像元進(jìn)行分類(lèi)。常用的監(jiān)督分類(lèi)有平行六面體法、最大似然法、最小距離和馬氏距離等。最大似然分類(lèi)法是經(jīng)常使用的監(jiān)督分類(lèi)方法之一,它是通過(guò)求出每個(gè)像元對(duì)于各類(lèi)別歸屬概率(似然度),把該像元分到歸屬概率(似然度)最大的類(lèi)別中去的方法。最大似然法假定訓(xùn)練區(qū)地物的光譜特征和自然界大部分隨機(jī)現(xiàn)象一樣,近似服從正態(tài)分布,利用訓(xùn)練區(qū)可求出均值、方差以及協(xié)方差等特征參數(shù),從而可求出總體的先驗(yàn)概率密度函數(shù)。當(dāng)總體分布不符合正態(tài)分布時(shí),其分類(lèi)可靠性將下降,這時(shí)不宜采用最大似然分類(lèi)法。本文最大似然法分類(lèi)結(jié)果見(jiàn)圖3。

圖3 基于像素的分類(lèi)

4.5 精度評(píng)價(jià)

在影像上隨機(jī)選取參考點(diǎn),通過(guò)高分辨率影像圖進(jìn)行圖上判讀,精確確定每個(gè)參考點(diǎn)的地物類(lèi)別,對(duì)兩種分類(lèi)方法進(jìn)行精度評(píng)價(jià)。兩種種分類(lèi)方法的精度評(píng)價(jià)結(jié)果如表4?？偟膩?lái)說(shuō),基于分割,選取訓(xùn)練樣本對(duì)象,采用監(jiān)督分類(lèi)的面向?qū)ο蠓诸?lèi)方法總體精度從基于像素的分類(lèi)方法的84.23%提高到91.38%,面向?qū)ο蟮姆诸?lèi)方法有很大的優(yōu)勢(shì)。從表4中看出,由于道路有明顯的幾何形態(tài)特征,面向?qū)ο蟮姆椒ㄔ趯?duì)道路進(jìn)行分類(lèi)具有很高的精度,遠(yuǎn)遠(yuǎn)大于基于相元的關(guān)于道路的分類(lèi)。耕地的紋理特征也比較特殊,因此基于對(duì)象的分類(lèi),對(duì)耕地的分類(lèi)效果也比較滿意。本研究中房屋的分類(lèi)精度低于基于像素的分類(lèi),原因在于選取對(duì)象時(shí)分塊取值參數(shù)為30,對(duì)于林地而言參數(shù)過(guò)小,使部分小林斑歸入了房屋。

表4 分類(lèi)精度評(píng)價(jià)

5 結(jié)語(yǔ)

通過(guò)對(duì)實(shí)驗(yàn)區(qū)的地球之眼遙感衛(wèi)星圖片進(jìn)行基于相元與基于對(duì)象的分類(lèi)方法的對(duì)比試驗(yàn),結(jié)果如下。

(1)面向?qū)ο蟮男畔⑻崛》椒梢造`活運(yùn)用地物的形狀特征、光譜和紋理信息,能比基于像元的傳統(tǒng)分類(lèi)方法得到更多地物信息和更好的提取效果。

(2)通過(guò)影像分割,面向?qū)ο蟮男畔⑻崛》椒鼙３址诸?lèi)對(duì)象在空間上的連續(xù)性,避免了“椒鹽噪聲”現(xiàn)象。

(3)對(duì)象特征的長(zhǎng)寬比是道路信息提取最重要的影響因素。尋找對(duì)象的顯著特征對(duì)面向?qū)ο蟮男畔⑻崛≈陵P(guān)重要。

(4)影像分割尺度參數(shù)的獲取帶有人為的主觀性,未能進(jìn)行可靠分割精度評(píng)價(jià),這也是今后影像分割尺度研究的一個(gè)方向。

(5)ENV IZOOM只基于一個(gè)分割圖層的多尺度分割方法有很大的局限性,比如本研究區(qū)分割尺度設(shè)為30能滿足大部分地物的分割要求,但對(duì)于林地約顯過(guò)小,如果能基于多層進(jìn)行多尺度分割能很好的解決這一問(wèn)題。

[1]張 俊,于慶國(guó),侯家槐.面向?qū)ο蟮母叻直媛视跋穹诸?lèi)與信息提取[J].遙感技術(shù)與應(yīng)用,2010(1):112～117.

[2]李 爽,丁圣彥,許叔明.遙感影像分類(lèi)方法研究[J].河南大學(xué)學(xué)報(bào):自然科學(xué)版,2002,32(2):70～73.

[3]張炳智,張繼賢,張 麗.土地利用動(dòng)態(tài)遙感監(jiān)測(cè)中多源遙感影像融合方法比較研究[J].測(cè)繪科學(xué),2000,25(3):46～50.

[4]樓立明,劉衛(wèi)東,馮秀麗.基于高分辨率遙感影像的土地利用變化監(jiān)測(cè)[J].遙感技術(shù)與應(yīng)用,2004,19(1):30～33.

[5]孫丹峰.IKONOS全色與多光譜數(shù)據(jù)融合方法的比較研究[J].遙感技術(shù)與應(yīng)用,2002,1(17):41～44.

[6]王智均,李德仁,李清泉.利用小波變換對(duì)影像進(jìn)行融合的研究[J].武漢測(cè)繪科技大學(xué)學(xué)報(bào),2000,25(2):137～141.

[7]林 卉,景海濤,張連蓬.atrou小波變換與 PCA變換相結(jié)合的遙感影像融合分析[J].地球信息科學(xué),2008,10(2):269～272.

[8]李 軍,周月琴,李德仁.小波變換用于高分辨率全色影像與多光譜影像的融合研究[J].遙感學(xué)報(bào),1999,3(2):117～120.