輔以波譜分析的高分辨率影像面向?qū)ο蠓诸愌芯?/h1>
2012-09-25 02:59:08蘇曉玉甘甫平萬里飛劉少峰
圖學學報 2012年1期
蘇曉玉， 甘甫平， 萬里飛， 劉少峰
（1. 中國地質(zhì)大學（北京），北京 100083；2. 中國國土資源航空物探遙感中心對地觀測技術工程實驗室，北京 100083）
輔以波譜分析的高分辨率影像面向?qū)ο蠓诸愌芯?/p>
蘇曉玉1,2， 甘甫平2， 萬里飛1， 劉少峰1
（1. 中國地質(zhì)大學（北京），北京 100083；2. 中國國土資源航空物探遙感中心對地觀測技術工程實驗室，北京 100083）
隨著遙感影像空間分辨率的提高，地物的空間信息更加豐富，地物尺寸、形狀以及相鄰地物的關系得到更好的反映，因此目前高分辨率影像分類方法更側(cè)重于利用地物的空間信息，分類過程中參與較多的人為主觀因素，在地物類型未知的地區(qū)很難進行解譯工作。另外，分割過于細碎導致操作數(shù)據(jù)量太大也是高分辨率影像分類的難題之一。論文提出了輔以波普分析的高分辨率影像面向?qū)ο蠓诸惙椒?，即在傳統(tǒng)面向?qū)ο蠓诸惙椒ǖ幕A上結(jié)合影像波譜分析，先對影像光譜角制圖粗分類、掩膜操作，再面向?qū)ο缶诸?，較好解決了以往面向?qū)ο蠓诸惙椒ǖ匚镱愋偷牟淮_定性和分割細碎等問題。試驗以空間分辨率為0.5米的八波段WorldView2影像為研究數(shù)據(jù)提取西部那曲地區(qū)道路和河流，精度達到96.36%。
WorldView2遙感影像；光譜分析；面向?qū)ο?；光譜角制圖
隨著航空航天傳感器技術的不斷進步，高分辨率遙感影像數(shù)據(jù)日益豐富并被廣泛應用到實際應用中。目前于2009年10月9號在加利福尼亞州范登堡空軍基地發(fā)射成功的WorldView2衛(wèi)星不僅能夠提供0.5m分辨率的全色影像和1.8m分辨率的多光譜影像，而且光譜分辨率也有所提高，是獨有8波段的高清晰衛(wèi)星影像數(shù)據(jù)。除了同快鳥一樣提供傳統(tǒng)的4個多光譜波段(藍(480nm)，綠(545nm)，紅(660nm)和近紅外(832.5nm)之外，還額外提供了海岸帶波段(425nm)、黃波段(605nm)、紅邊緣波段(725nm)、近紅外遠端波段(950nm)。在城市環(huán)境、精準農(nóng)業(yè)、交通及道路設施、林業(yè)、軍事等領域中有著廣泛的應用前景。
高分辨率影像為地物觀測提供更豐富的空間信息和細節(jié)，地物尺寸、形狀、紋理以及相鄰地物的關系等在影像上都得到更好的反應。然而地物的光譜分布更具變化，不同的地物光譜相互重疊，數(shù)據(jù)量大幅度增加，傳統(tǒng)的光譜方法無法有效解譯高分辨率遙感數(shù)據(jù)。因此，目前分類方法更多的是利用地物的空間信息，其中面向?qū)ο蟮姆诸惙椒ú捎昧讼确指詈蠓诸惖募夹g路線，前人研究[1-9]已證明了該方法是高分辨率影像分類的有效方法，其分類精度依賴于分割結(jié)果。單純的面向?qū)ο蠓椒ㄍ豢紤]地物的形狀、顏色及與相鄰地物關系，分類過程中參與大量的人為主觀因素，并且在研究區(qū)地物類型未知的情況下，很難給地物下定義；隨著影像分辨率的提高，分割過于細碎造成分類操作數(shù)據(jù)量太大，這是基于對象分類方法的弊端。目前高分辨率影像不僅分辨率不斷提高，光譜波段也有所增加。波譜特征是各種地物各自所具有的電磁波特性，利用波譜區(qū)分地物類型更讓人對以信服。本文在面向?qū)ο蠓诸惙椒ǖ幕A上輔以光譜分析，首先提取影像地物的反射率波普曲線確定地物類型，在光譜角制圖粗分類基礎上面向?qū)ο缶诸?，為后續(xù)分類節(jié)省很多操作步驟，進一步改善了以往面向?qū)ο蠓诸愺w系。將傳統(tǒng)基于象元的與基于對象的分類方法相結(jié)合，充分彌補單純運用一種方法的不足。隨著高分辨率影像波段的增加，各種光譜分析也將對高分辨率影像信息提取起到越來越大的作用。
1 研究方法與試驗應用
1.1 流程設計
本文實驗流程主要包括圖像處理、端元選擇、SAM分類、掩膜處理、面向?qū)ο蠓诸惡徒Y(jié)果分析（見圖1）。
圖1 實驗技術流程
1.2 研究區(qū)與數(shù)據(jù)預處理
研究區(qū)地處西藏北部，位于青藏高原腹地，平均海拔4500米以上，這里海拔較高，熱量不足，氣候嚴寒干旱。尤其每年11月至次年3月，是藏北的干旱刮風期，一旦下雪又很容易成為雪災，這期間氣候干燥，溫度低下，缺氧風沙大。此環(huán)境下，給地物解譯增加一定的難度。
數(shù)據(jù)預處理首先對WordView2多光譜影像和全色影像進行裁剪、融合處理，融合過程中保留8波段波譜信息，處理結(jié)果的假彩色合成影像如圖2所示。本研究WordView2數(shù)據(jù)成像時間是2010年2月22日，產(chǎn)品等級為L2A，與QuickBird數(shù)據(jù)類似，通常是以相對輻射率形式分布的，因此要對原數(shù)據(jù)產(chǎn)品（這里指融合后的影像）進行輻射定標，將輻射亮度轉(zhuǎn)化為絕對輻射亮度，然后通過FLAASH模塊對輻射率圖像大氣校正與光譜重建，從而得到反射率影像，用于光譜分析。
1.3 光譜分析
1） 圖像端元提取
最小噪聲分離變換(Minimum Noise Fraction,MNF)技術是對高光譜遙感圖像進行降維的有效方法，目的是將噪音與有用信息分離。利用MNF變換對WordView2圖像進行去噪處理；對圖像經(jīng)MNF變換后生成的二維散點圖3(a)進行分析，確定最終要選擇的端元。選取散點圖犄角處的點，經(jīng)過光譜分析，獲得WordView2的8個波段圖像上公路和河流的均值反射曲線（這里只考慮公路和河流）。
圖2 整個研究區(qū)WorldView2融合影像
圖3 圖像端元光譜曲線
2） 光譜角制圖
光譜角制圖(spectral angle mapping, SAM)是遙感信息分類的主要方法之一，采用光譜角作為衡量光譜向量相似性的指標，已得到了廣泛應用。光譜角分類技術是一種基于自身波譜特征的分類方法，這種方法將測試波譜（像元光譜）與參照波譜（端元波譜）在N維空間進行匹配。通過計算具有同樣波長范圍的測試光譜與參照光譜向量在光譜空間上形成的夾角余弦來估算兩者之間的相似度，即
式中，N為波段數(shù)；A= (A1, …AN)和B=(B1,…BN)分別表示兩個光譜向量在N個波段上的屬性值（一般取光譜反射率）；α為光譜角。同類像元之間所夾的光譜角很小，接近0，因此其余弦值較大，接近1；不同類像元之間的光譜角則比較大，相應的其余余弦值接近于0。其中光譜單元之間廣義夾角閾值的選擇靠人為確定[12]。本研究為下一步在此分類基礎上面向?qū)ο筇崛?故閾值取相對較大的值，包含所有的目標地物，避免漏分。研究過程中試驗各種閾值（0.04、0.05、0.01、0.02、0.023、0.03、0.05等），分別得到水和道路的分類結(jié)果，參考真彩色圖件，最后確定本研究光譜角閾值填圖河流閾值為0.23、公路為0.05。填圖結(jié)果如圖4所示，初步確定了河流和公路的范圍。
圖4 光譜角制圖粗分類結(jié)果
1.4 面向?qū)ο缶崛?/h3>
上文根據(jù)地物光譜特征與形態(tài)特征已初步確定河流與公路的范圍，圖4分類結(jié)果可以看出右側(cè)近于干枯的支流與公路光譜特征十分相近，而周圍也有很多星星點點的錯分現(xiàn)象，下面針對這些問題做基于對象的精分類。在面向?qū)ο缶诸愔皩AM填圖結(jié)果做掩膜操作，首先提取目標地物作為感興趣區(qū)，利用感興趣區(qū)創(chuàng)建掩膜圖像（圖5）。應用掩膜后的圖像只有感興趣區(qū)域的象元值不變其他區(qū)域全部為0，這樣使目標范圍更明確，大大減少了操作的數(shù)據(jù)量，提高分類精度。確定了影像中感興趣地物的類別與范圍，下面進行面向?qū)ο缶崛?。面向?qū)ο蟮姆诸惙椒ㄗ钪匾奶攸c就是分類的最小單元是由圖像分割得到的“同質(zhì)”對象（圖斑），而不再是單個像素，不僅可以獲得地物光譜信息，更能獲得包括紋理、形狀、大小、上下文等豐富的空間信息，這樣就充分利用了高分辨率遙感影像的特點，使分類結(jié)果更接近于目視判讀的效果，大大提高了分類精度[7]。
1） 多尺度圖像分割原理
多尺度分割是給高分辨率遙感圖像中的不同影像對象分別予以一個特定的尺度，根據(jù)指定的光譜和形狀異質(zhì)性最小準則，使整幅高分辨率遙感圖像的同質(zhì)分割達到高度優(yōu)化的程度。它采用自底向上的區(qū)域增長方法，具體策略為：從單像素的影像區(qū)域（對象）開始，在全圖范圍內(nèi)，把相鄰的影像區(qū)域逐步合并為更大的影像區(qū)域。當新生成的更大影像區(qū)域的異質(zhì)性大于尺度參數(shù)定義的閾值時，合并過程將終止，程序完成影像分割。通常根據(jù)影像信息紋理特征及所提取專題信息要求確定光譜異質(zhì)性和形狀異質(zhì)性的權重。而尺度參數(shù)可根據(jù)所要提取的感興趣地物目標的大小范圍在影像上所占的像元數(shù)來確定。尺度參數(shù)越小，程序合并過程執(zhí)行的次數(shù)就越少，程序分割最終生成的影像對象區(qū)域面積也越小，即生成的影像對象尺寸大小將隨著設定的“尺度參數(shù)”增大而增大[10]。
圖5 應用掩膜的圖像
多尺度分割算法的關鍵是圖像區(qū)域異質(zhì)性的計算，包含光譜異質(zhì)性和形狀異質(zhì)性兩方面，其計算式為
式中，f為圖像區(qū)域異質(zhì)性，x，y分別為合并新生成的更大影像區(qū)域的光譜異質(zhì)性和形狀異質(zhì)性;ω1為權值，01ω1≤≤。
式中iρ為第i影像層的權；N，iσ分別為合并新生成的更大影像區(qū)域的像元總數(shù)和其所在i影像層光譜值的標準差；1N，1iσ分別為合并前相鄰影像區(qū)域1的像元總數(shù)和其所在i影像層光譜值的標準差；2N，2iσ分別為合并前相鄰影像區(qū)域2的像元總數(shù)和其所在i影像層光譜值的標準差；ω2為權值，0≤ ω2≤ 1。μ和v的計算分別為
式中，E、L分別為合并新生成的更大影像區(qū)域的實際邊界長度和包含該新生成影像區(qū)域范圍的矩形邊界總長度；1E、1L分別為合并前的相鄰影像區(qū)域1的實際邊界長度和包含該影像區(qū)域范圍的矩形邊界總長度；2E,2L分別為合并前的相鄰影像區(qū)域2的實際邊界長度和包含該影像區(qū)域范圍的矩形邊界總長度。
以上分割程序可以簡單理解為是一個使生成的影像區(qū)域（對象）的加權異質(zhì)性最小化的局部最優(yōu)化過程[11]。
2） 影像對象分類過程
本實驗區(qū)是西藏那曲地區(qū)，此地風沙大，氣候干旱，河流和公路都表現(xiàn)異常的高反射率。從圖2上我們可以明顯看到大部分水體光譜特征比較純凈，而右側(cè)支流圖斑較小且破碎，時有時無；道路寬度較窄，與周圍地物光譜相近。本文首先嘗試幾種分割參數(shù)，分割尺度不同，分割對象的細碎程度便不同。分析對比范圍大小特點確定本次試驗分兩大步，先選用分割尺度參數(shù)10（即對象停止合并的閾值）提取道路和右側(cè)支流，既保留了地物的完整性又不至于分割過于細碎。剩下的河流光譜特征較明顯，面積范圍大，沒必要分割如此細碎，分割尺度參數(shù)50下河流界限依然清晰分明，因此此次閾值為50對未提取的對象再次運行分割程序合并，提取大面積河流。
（1） 第1次分割。分割尺度設為10，即對象停止合并的閾值為10。同質(zhì)性標準中顏色和形狀的比重分別占0.9和0.1，形狀的緊湊度和光滑度均為0.5。按照自底向上的區(qū)域合并算法先將相鄰象元為合并為較小對象，比較異質(zhì)性f與閾值10的大小，若f＜v，再將較小對象合并為較大的多邊形對象，直到異質(zhì)性f＞10，則停止合并。
（2） 提取道路和右側(cè)支流，賦予屬性。觀察目標地物的物理特性得到以下結(jié)論：
① 道路和右側(cè)支流有較相近的光譜特征值，藍色波段灰度均值范圍在56以上，綠色波段灰度均值范圍在85以下。
② 道路和水體之間不相交、不相連且各自連續(xù)。
③ 道路方向變化平緩，局部曲率小，而右側(cè)水體方向不規(guī)則，河道帶狀彎曲走向。
④ 道路內(nèi)部灰度變化小，色調(diào)統(tǒng)一。
⑤ 道路有較明顯的平行邊緣和一定的長度，寬度變化較小。
根據(jù)特性①先利用像元的灰度均值進行初步提取，本文先把綠色通道灰度均值大于85的對象歸到輔助類中，再把藍色通道灰度均值大于56的對象劃分到road中。這時大部分的道路和右側(cè)支流就都在road類里了，接下來利用特性②、③、④把分到road類中的水體歸到river類中，最后修改少量錯分的現(xiàn)象。在這一環(huán)節(jié)中不僅運用了對象的光譜特征，還有形狀特征、拓撲特征，包括對象面積、邊界長度、形狀指數(shù)、最長邊長度、與其他類對象的距離等。另外臨時輔助類的用法給整個過程添加了很多便利，尤其針對小面積且破碎的目標提取更是不可缺少。目標都提取完整后刪除輔助圖層，以免影響下面的分類提取。分類結(jié)果如圖6所示。
圖6 第1次分割與歸類結(jié)果
（3） 再一次分割圖層。前提是在原圖層的基礎上，過濾掉已提取的目標，也就是對未分類的對象進行合并。此次分割尺度設為50，重復分割算法流程直到異質(zhì)性f＞50。從圖7中可以明顯看出除了已提取的道路與部分右側(cè)支流其他對象面積遠大于圖6。
（4） 大面積河流提取。河流的物理特性是：河流具有很明顯的高反射率，呈條帶分布，支流和主流是彼此相交或相連的且有一定的長度。利用綠色波段灰度均值大于85的光譜特征就能把大范圍的河流提取出來，然后將少量其他光譜特征和形狀特征相結(jié)合手動歸屬為某種類型來糾正錯分或漏分的地方即可。本研究地物提取最終結(jié)果如圖7所示。
圖7 第2次分割與歸類結(jié)果
2 分類結(jié)果與精度評價
對比評價圖8三種分類結(jié)果。圖8(a)錯分現(xiàn)象較多；圖8(b)地物輪廓分明，畫面干凈整潔，已沒有明顯的錯分，路中心有斷開現(xiàn)象，連通性不好；圖8(c)右側(cè)河流出現(xiàn)斷流，整體分類效果較好。從下面3個表格也能夠看出除了在光譜角制圖分類中為避免漏分取較大閾值使得道路制圖精度達到 100%，其他都是本研究的分類精度最高，總精度達到96.36%。
圖8 3種分類方法對比
表1 光譜角制圖（SAM）分類方法的精度評價
表2 面向?qū)ο蠓诸惙椒ǖ木仍u價
表3 輔以波譜分析的面向?qū)ο蠓诸惙椒ǖ木仍u價
3 結(jié) 論
本文針對傳統(tǒng)基于像素分類方法和單純面向?qū)ο蠓诸惙椒ǖ膬?yōu)勢和不足，將兩種方法相結(jié)合，提出輔以波譜分析的面向?qū)ο蠓诸惣夹g。即先用光譜角制圖初步確定目標地物類型和分布范圍，通過掩膜操作去掉影像中不相關的地區(qū)，大大減小下步分類操作的數(shù)據(jù)量，最后面向?qū)ο缶诸?，避免高分辨率?shù)據(jù)分割過于細碎給分類造成難題。波譜特征是各種地物各自所具有的電磁波特性，利用光譜特征區(qū)分地物類型更具說服性。單純的面向?qū)ο蠓诸惙椒ǜ嗟目紤]地物的空間信息，分類過程中參與了更多的人為主觀因素，存在一定不確定性。本文研究方法即繼承了傳統(tǒng)象元分類方法的優(yōu)勢，又彌補了單純面向?qū)ο蠓诸惙椒ǖ娜毕荨Ｃ嫦驅(qū)ο蠓诸愡^程中針對不同的地物采取不同的分割尺度采用兩次分割與歸類，每一級分類后就過濾掉已提取的地物，再對同一個圖層上對象合并進行下一級提取，使得分類過程更具人性化，更方便，節(jié)省很多繁瑣的操作。本文嘗試用高光譜影像光譜分析方法處理高分辨率影像數(shù)據(jù)，充分發(fā)揮新高分辨率影像數(shù)據(jù)波段增加的優(yōu)勢，精度達到96.36%。本研究采取實驗對比法來對光譜角粗分類的閾值和面向?qū)ο缶诸惙指畛叨冗M行確定。所選地區(qū)地物較單一，所有閾值和參數(shù)的設置都依賴分類目標地物光譜的純凈度和范圍大小，因此不完全適用于所有類似的圖像。另外研究過程中仍參與了部分人工干預，自動化程度欠缺，更智能的分類方法也有待進一步的研究。
[1] Lobo A, Chic O, Casterad A. Classification of mediterranean crops with multisensory data：per-pixel versus per-object statistics and image segmentation [J].International Journal of Remote Sensing, 1996, (17)：2358-2400.
[2]Serp ico S Rol F. Classification of multisensor remote sensing images by structured neural networks [J].IEEE Transactionson Geoscience and Remote Sensing,1995, 33(3)：562-577.
[3]Manro C, Eufemia T. Accuracy assessment of per-field classification integrating very fine spatial resolution satellite imagery with topographic data [J]. Joumal of Geospatial Engineering, 2001, 3(2)：127-134.
[4]黃 昕, 張良培, 李平湘. 基于多尺度特征融合和支持向量機的高分辨率遙感影像分類[J]. 遙感學報,2007, 11(1)：48-54.
[5]Christodoulos I, Silas C, Constantinos S. Multifeature texture analysis for the classification of clouds in satellite imagery [J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(11)：2662-2668.
[6]蔡銀橋, 毛鄭元. 基于多特征的高分辨率遙感影像分類方法及其應用[J]. 國土資源遙感, 2007, (1)：77-81.
[7]曹 雪, 柯長青. 基于對象級的高分辯率遙感影像分類研究[J]. 應用技術, 2006, (5)：27-30.
[8]王建芳, 包世泰. 面向?qū)ο蠼庾g方法在遙感影像地物分類中的應用[J]. 熱帶地理, 2006, 26(3)：234-238.
[9]鮑海英, 李 艷, 趙 萍. 輔以紋理特征的面向?qū)ο蟮倪b感影像分類方法研究——以陜西省楊陵縣為例[J]. 遙感應用, 2009, (8)：33-37.
[10]譚衢霖, 劉正軍, 沈 偉. 一種面向?qū)ο蟮倪b感影像多尺度分割方法[J]. 北京交通大學學報, 2007,31(4)：111-114.
[11]劉衍宏, 劉少峰, 張 川. 基于Hyperion數(shù)據(jù)的粘土礦物權重信息提取研究——以江西省贛州地區(qū)為例[J]. 國土資源遙感, 2010, (3)：26-30.
The object-oriented classification of high resolution images with spectrum analysis
Su Xiaoyu1,2, Gan Fuping2, Wan Lifei1, Liu Shaofeng1
( 1. China University of Geosciences (Beijing), Beijing 100083, China; 2. Laboratory of the Earth Observation Technology of China Aero Geophysical Survey and Remote Sensing Center for Land and Resources, Beijing 100083, China )
With the improvement of remote sensing image spatial resolution, the spatial information of ground objects is more abundant, the ground objects’ size, shape and the relationships between adjacent ground objects are reflected better. As a result, high resolution image classification methods are currently more emphasized on using spatial information and many artificial subjective factors are participated in the classification process. In the abandoned area it is difficult to interpret. Too much fine segmentation causing plenty of operations is another difficult problem of high resolution images classification. The object-oriented classification of high resolution images with spectrum analysis is put forward as follows：SAM is firstly classified roughly with mask operation, and then fine object-oriented classification is conducted. That solves better the problems of type uncertainty of ground objects and too much fine segmentation in object-oriented classification. The river and road of the Tibet naqu area are extracted with eight bands WorldView2 data of 0.5 meters spatial resolution and accuracy reaches 96.6%.
WorldView2 remote sensing image; spectrum analysis; object-oriented; SAM
TP 751.1
A
1003-0158(2012)01-0073-07
2011-07-15
國家863計劃資助項目（2006AA06A208）；中國地質(zhì)大調(diào)查局地質(zhì)大調(diào)查資助項目（1212011087113）
蘇曉玉（1986-），女，黑龍江克山人，碩士研究生，主要研究方向為資源與環(huán)境遙感、地質(zhì)遙感、地理信息系統(tǒng)。
猜你喜歡
基于可持續(xù)發(fā)展的異質(zhì)性債務治理與制度完善現(xiàn)代企業(yè)(2021年2期)2021-07-20 07:57:10 高分辨率合成孔徑雷達圖像解譯系統(tǒng)雷達學報(2020年3期)2020-07-13 02:27:16 面向?qū)ο蟮挠嬎銠C網(wǎng)絡設計軟件系統(tǒng)的開發(fā)電子測試(2018年15期)2018-09-26 06:01:34 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應用電測與儀表(2017年24期)2017-12-19 05:15:24 面向?qū)ο骔eb開發(fā)編程語言的的評估方法現(xiàn)代計算機(2016年12期)2016-02-28 18:35:25 現(xiàn)代社區(qū)異質(zhì)性的變遷與啟示邯鄲職業(yè)技術學院學報(2016年2期)2016-02-27 13:39:26 高分辨率對地觀測系統(tǒng)太空探索(2015年8期)2015-07-18 11:04:44 基于Curvelet-Wavelet變換高分辨率遙感圖像降噪浙江大學學報(工學版)(2015年1期)2015-03-01 01:17:19 高分辨率遙感相機CCD器件精密熱控制航天返回與遙感(2014年4期)2014-07-31 17:47:42 1949年前譯本的民族性和異質(zhì)性追考首都外語論壇(2014年1期)2014-03-20 15:21:36
蘇曉玉， 甘甫平， 萬里飛， 劉少峰
（1. 中國地質(zhì)大學（北京），北京 100083；2. 中國國土資源航空物探遙感中心對地觀測技術工程實驗室，北京 100083）
輔以波譜分析的高分辨率影像面向?qū)ο蠓诸愌芯?/p>
蘇曉玉1,2， 甘甫平2， 萬里飛1， 劉少峰1
（1. 中國地質(zhì)大學（北京），北京 100083；2. 中國國土資源航空物探遙感中心對地觀測技術工程實驗室，北京 100083）
隨著遙感影像空間分辨率的提高，地物的空間信息更加豐富，地物尺寸、形狀以及相鄰地物的關系得到更好的反映，因此目前高分辨率影像分類方法更側(cè)重于利用地物的空間信息，分類過程中參與較多的人為主觀因素，在地物類型未知的地區(qū)很難進行解譯工作。另外，分割過于細碎導致操作數(shù)據(jù)量太大也是高分辨率影像分類的難題之一。論文提出了輔以波普分析的高分辨率影像面向?qū)ο蠓诸惙椒?，即在傳統(tǒng)面向?qū)ο蠓诸惙椒ǖ幕A上結(jié)合影像波譜分析，先對影像光譜角制圖粗分類、掩膜操作，再面向?qū)ο缶诸?，較好解決了以往面向?qū)ο蠓诸惙椒ǖ匚镱愋偷牟淮_定性和分割細碎等問題。試驗以空間分辨率為0.5米的八波段WorldView2影像為研究數(shù)據(jù)提取西部那曲地區(qū)道路和河流，精度達到96.36%。
WorldView2遙感影像；光譜分析；面向?qū)ο?；光譜角制圖
隨著航空航天傳感器技術的不斷進步，高分辨率遙感影像數(shù)據(jù)日益豐富并被廣泛應用到實際應用中。目前于2009年10月9號在加利福尼亞州范登堡空軍基地發(fā)射成功的WorldView2衛(wèi)星不僅能夠提供0.5m分辨率的全色影像和1.8m分辨率的多光譜影像，而且光譜分辨率也有所提高，是獨有8波段的高清晰衛(wèi)星影像數(shù)據(jù)。除了同快鳥一樣提供傳統(tǒng)的4個多光譜波段(藍(480nm)，綠(545nm)，紅(660nm)和近紅外(832.5nm)之外，還額外提供了海岸帶波段(425nm)、黃波段(605nm)、紅邊緣波段(725nm)、近紅外遠端波段(950nm)。在城市環(huán)境、精準農(nóng)業(yè)、交通及道路設施、林業(yè)、軍事等領域中有著廣泛的應用前景。
高分辨率影像為地物觀測提供更豐富的空間信息和細節(jié)，地物尺寸、形狀、紋理以及相鄰地物的關系等在影像上都得到更好的反應。然而地物的光譜分布更具變化，不同的地物光譜相互重疊，數(shù)據(jù)量大幅度增加，傳統(tǒng)的光譜方法無法有效解譯高分辨率遙感數(shù)據(jù)。因此，目前分類方法更多的是利用地物的空間信息，其中面向?qū)ο蟮姆诸惙椒ú捎昧讼确指詈蠓诸惖募夹g路線，前人研究[1-9]已證明了該方法是高分辨率影像分類的有效方法，其分類精度依賴于分割結(jié)果。單純的面向?qū)ο蠓椒ㄍ豢紤]地物的形狀、顏色及與相鄰地物關系，分類過程中參與大量的人為主觀因素，并且在研究區(qū)地物類型未知的情況下，很難給地物下定義；隨著影像分辨率的提高，分割過于細碎造成分類操作數(shù)據(jù)量太大，這是基于對象分類方法的弊端。目前高分辨率影像不僅分辨率不斷提高，光譜波段也有所增加。波譜特征是各種地物各自所具有的電磁波特性，利用波譜區(qū)分地物類型更讓人對以信服。本文在面向?qū)ο蠓诸惙椒ǖ幕A上輔以光譜分析，首先提取影像地物的反射率波普曲線確定地物類型，在光譜角制圖粗分類基礎上面向?qū)ο缶诸?，為后續(xù)分類節(jié)省很多操作步驟，進一步改善了以往面向?qū)ο蠓诸愺w系。將傳統(tǒng)基于象元的與基于對象的分類方法相結(jié)合，充分彌補單純運用一種方法的不足。隨著高分辨率影像波段的增加，各種光譜分析也將對高分辨率影像信息提取起到越來越大的作用。
1 研究方法與試驗應用
1.1 流程設計
本文實驗流程主要包括圖像處理、端元選擇、SAM分類、掩膜處理、面向?qū)ο蠓诸惡徒Y(jié)果分析（見圖1）。
圖1 實驗技術流程
1.2 研究區(qū)與數(shù)據(jù)預處理
研究區(qū)地處西藏北部，位于青藏高原腹地，平均海拔4500米以上，這里海拔較高，熱量不足，氣候嚴寒干旱。尤其每年11月至次年3月，是藏北的干旱刮風期，一旦下雪又很容易成為雪災，這期間氣候干燥，溫度低下，缺氧風沙大。此環(huán)境下，給地物解譯增加一定的難度。
數(shù)據(jù)預處理首先對WordView2多光譜影像和全色影像進行裁剪、融合處理，融合過程中保留8波段波譜信息，處理結(jié)果的假彩色合成影像如圖2所示。本研究WordView2數(shù)據(jù)成像時間是2010年2月22日，產(chǎn)品等級為L2A，與QuickBird數(shù)據(jù)類似，通常是以相對輻射率形式分布的，因此要對原數(shù)據(jù)產(chǎn)品（這里指融合后的影像）進行輻射定標，將輻射亮度轉(zhuǎn)化為絕對輻射亮度，然后通過FLAASH模塊對輻射率圖像大氣校正與光譜重建，從而得到反射率影像，用于光譜分析。
1.3 光譜分析
1） 圖像端元提取
最小噪聲分離變換(Minimum Noise Fraction,MNF)技術是對高光譜遙感圖像進行降維的有效方法，目的是將噪音與有用信息分離。利用MNF變換對WordView2圖像進行去噪處理；對圖像經(jīng)MNF變換后生成的二維散點圖3(a)進行分析，確定最終要選擇的端元。選取散點圖犄角處的點，經(jīng)過光譜分析，獲得WordView2的8個波段圖像上公路和河流的均值反射曲線（這里只考慮公路和河流）。
圖2 整個研究區(qū)WorldView2融合影像
圖3 圖像端元光譜曲線
2） 光譜角制圖
光譜角制圖(spectral angle mapping, SAM)是遙感信息分類的主要方法之一，采用光譜角作為衡量光譜向量相似性的指標，已得到了廣泛應用。光譜角分類技術是一種基于自身波譜特征的分類方法，這種方法將測試波譜（像元光譜）與參照波譜（端元波譜）在N維空間進行匹配。通過計算具有同樣波長范圍的測試光譜與參照光譜向量在光譜空間上形成的夾角余弦來估算兩者之間的相似度，即
式中，N為波段數(shù)；A= (A1, …AN)和B=(B1,…BN)分別表示兩個光譜向量在N個波段上的屬性值（一般取光譜反射率）；α為光譜角。同類像元之間所夾的光譜角很小，接近0，因此其余弦值較大，接近1；不同類像元之間的光譜角則比較大，相應的其余余弦值接近于0。其中光譜單元之間廣義夾角閾值的選擇靠人為確定[12]。本研究為下一步在此分類基礎上面向?qū)ο筇崛?故閾值取相對較大的值，包含所有的目標地物，避免漏分。研究過程中試驗各種閾值（0.04、0.05、0.01、0.02、0.023、0.03、0.05等），分別得到水和道路的分類結(jié)果，參考真彩色圖件，最后確定本研究光譜角閾值填圖河流閾值為0.23、公路為0.05。填圖結(jié)果如圖4所示，初步確定了河流和公路的范圍。
圖4 光譜角制圖粗分類結(jié)果
1.4 面向?qū)ο缶崛?/h3>
上文根據(jù)地物光譜特征與形態(tài)特征已初步確定河流與公路的范圍，圖4分類結(jié)果可以看出右側(cè)近于干枯的支流與公路光譜特征十分相近，而周圍也有很多星星點點的錯分現(xiàn)象，下面針對這些問題做基于對象的精分類。在面向?qū)ο缶诸愔皩AM填圖結(jié)果做掩膜操作，首先提取目標地物作為感興趣區(qū)，利用感興趣區(qū)創(chuàng)建掩膜圖像（圖5）。應用掩膜后的圖像只有感興趣區(qū)域的象元值不變其他區(qū)域全部為0，這樣使目標范圍更明確，大大減少了操作的數(shù)據(jù)量，提高分類精度。確定了影像中感興趣地物的類別與范圍，下面進行面向?qū)ο缶崛?。面向?qū)ο蟮姆诸惙椒ㄗ钪匾奶攸c就是分類的最小單元是由圖像分割得到的“同質(zhì)”對象（圖斑），而不再是單個像素，不僅可以獲得地物光譜信息，更能獲得包括紋理、形狀、大小、上下文等豐富的空間信息，這樣就充分利用了高分辨率遙感影像的特點，使分類結(jié)果更接近于目視判讀的效果，大大提高了分類精度[7]。
1） 多尺度圖像分割原理
多尺度分割是給高分辨率遙感圖像中的不同影像對象分別予以一個特定的尺度，根據(jù)指定的光譜和形狀異質(zhì)性最小準則，使整幅高分辨率遙感圖像的同質(zhì)分割達到高度優(yōu)化的程度。它采用自底向上的區(qū)域增長方法，具體策略為：從單像素的影像區(qū)域（對象）開始，在全圖范圍內(nèi)，把相鄰的影像區(qū)域逐步合并為更大的影像區(qū)域。當新生成的更大影像區(qū)域的異質(zhì)性大于尺度參數(shù)定義的閾值時，合并過程將終止，程序完成影像分割。通常根據(jù)影像信息紋理特征及所提取專題信息要求確定光譜異質(zhì)性和形狀異質(zhì)性的權重。而尺度參數(shù)可根據(jù)所要提取的感興趣地物目標的大小范圍在影像上所占的像元數(shù)來確定。尺度參數(shù)越小，程序合并過程執(zhí)行的次數(shù)就越少，程序分割最終生成的影像對象區(qū)域面積也越小，即生成的影像對象尺寸大小將隨著設定的“尺度參數(shù)”增大而增大[10]。
圖5 應用掩膜的圖像
多尺度分割算法的關鍵是圖像區(qū)域異質(zhì)性的計算，包含光譜異質(zhì)性和形狀異質(zhì)性兩方面，其計算式為
式中，f為圖像區(qū)域異質(zhì)性，x，y分別為合并新生成的更大影像區(qū)域的光譜異質(zhì)性和形狀異質(zhì)性;ω1為權值，01ω1≤≤。
式中iρ為第i影像層的權；N，iσ分別為合并新生成的更大影像區(qū)域的像元總數(shù)和其所在i影像層光譜值的標準差；1N，1iσ分別為合并前相鄰影像區(qū)域1的像元總數(shù)和其所在i影像層光譜值的標準差；2N，2iσ分別為合并前相鄰影像區(qū)域2的像元總數(shù)和其所在i影像層光譜值的標準差；ω2為權值，0≤ ω2≤ 1。μ和v的計算分別為
式中，E、L分別為合并新生成的更大影像區(qū)域的實際邊界長度和包含該新生成影像區(qū)域范圍的矩形邊界總長度；1E、1L分別為合并前的相鄰影像區(qū)域1的實際邊界長度和包含該影像區(qū)域范圍的矩形邊界總長度；2E,2L分別為合并前的相鄰影像區(qū)域2的實際邊界長度和包含該影像區(qū)域范圍的矩形邊界總長度。
以上分割程序可以簡單理解為是一個使生成的影像區(qū)域（對象）的加權異質(zhì)性最小化的局部最優(yōu)化過程[11]。
2） 影像對象分類過程
本實驗區(qū)是西藏那曲地區(qū)，此地風沙大，氣候干旱，河流和公路都表現(xiàn)異常的高反射率。從圖2上我們可以明顯看到大部分水體光譜特征比較純凈，而右側(cè)支流圖斑較小且破碎，時有時無；道路寬度較窄，與周圍地物光譜相近。本文首先嘗試幾種分割參數(shù)，分割尺度不同，分割對象的細碎程度便不同。分析對比范圍大小特點確定本次試驗分兩大步，先選用分割尺度參數(shù)10（即對象停止合并的閾值）提取道路和右側(cè)支流，既保留了地物的完整性又不至于分割過于細碎。剩下的河流光譜特征較明顯，面積范圍大，沒必要分割如此細碎，分割尺度參數(shù)50下河流界限依然清晰分明，因此此次閾值為50對未提取的對象再次運行分割程序合并，提取大面積河流。
（1） 第1次分割。分割尺度設為10，即對象停止合并的閾值為10。同質(zhì)性標準中顏色和形狀的比重分別占0.9和0.1，形狀的緊湊度和光滑度均為0.5。按照自底向上的區(qū)域合并算法先將相鄰象元為合并為較小對象，比較異質(zhì)性f與閾值10的大小，若f＜v，再將較小對象合并為較大的多邊形對象，直到異質(zhì)性f＞10，則停止合并。
（2） 提取道路和右側(cè)支流，賦予屬性。觀察目標地物的物理特性得到以下結(jié)論：
① 道路和右側(cè)支流有較相近的光譜特征值，藍色波段灰度均值范圍在56以上，綠色波段灰度均值范圍在85以下。
② 道路和水體之間不相交、不相連且各自連續(xù)。
③ 道路方向變化平緩，局部曲率小，而右側(cè)水體方向不規(guī)則，河道帶狀彎曲走向。
④ 道路內(nèi)部灰度變化小，色調(diào)統(tǒng)一。
⑤ 道路有較明顯的平行邊緣和一定的長度，寬度變化較小。
根據(jù)特性①先利用像元的灰度均值進行初步提取，本文先把綠色通道灰度均值大于85的對象歸到輔助類中，再把藍色通道灰度均值大于56的對象劃分到road中。這時大部分的道路和右側(cè)支流就都在road類里了，接下來利用特性②、③、④把分到road類中的水體歸到river類中，最后修改少量錯分的現(xiàn)象。在這一環(huán)節(jié)中不僅運用了對象的光譜特征，還有形狀特征、拓撲特征，包括對象面積、邊界長度、形狀指數(shù)、最長邊長度、與其他類對象的距離等。另外臨時輔助類的用法給整個過程添加了很多便利，尤其針對小面積且破碎的目標提取更是不可缺少。目標都提取完整后刪除輔助圖層，以免影響下面的分類提取。分類結(jié)果如圖6所示。
圖6 第1次分割與歸類結(jié)果
（3） 再一次分割圖層。前提是在原圖層的基礎上，過濾掉已提取的目標，也就是對未分類的對象進行合并。此次分割尺度設為50，重復分割算法流程直到異質(zhì)性f＞50。從圖7中可以明顯看出除了已提取的道路與部分右側(cè)支流其他對象面積遠大于圖6。
（4） 大面積河流提取。河流的物理特性是：河流具有很明顯的高反射率，呈條帶分布，支流和主流是彼此相交或相連的且有一定的長度。利用綠色波段灰度均值大于85的光譜特征就能把大范圍的河流提取出來，然后將少量其他光譜特征和形狀特征相結(jié)合手動歸屬為某種類型來糾正錯分或漏分的地方即可。本研究地物提取最終結(jié)果如圖7所示。
圖7 第2次分割與歸類結(jié)果
2 分類結(jié)果與精度評價
對比評價圖8三種分類結(jié)果。圖8(a)錯分現(xiàn)象較多；圖8(b)地物輪廓分明，畫面干凈整潔，已沒有明顯的錯分，路中心有斷開現(xiàn)象，連通性不好；圖8(c)右側(cè)河流出現(xiàn)斷流，整體分類效果較好。從下面3個表格也能夠看出除了在光譜角制圖分類中為避免漏分取較大閾值使得道路制圖精度達到 100%，其他都是本研究的分類精度最高，總精度達到96.36%。
圖8 3種分類方法對比
表1 光譜角制圖（SAM）分類方法的精度評價
表2 面向?qū)ο蠓诸惙椒ǖ木仍u價
表3 輔以波譜分析的面向?qū)ο蠓诸惙椒ǖ木仍u價
3 結(jié) 論
本文針對傳統(tǒng)基于像素分類方法和單純面向?qū)ο蠓诸惙椒ǖ膬?yōu)勢和不足，將兩種方法相結(jié)合，提出輔以波譜分析的面向?qū)ο蠓诸惣夹g。即先用光譜角制圖初步確定目標地物類型和分布范圍，通過掩膜操作去掉影像中不相關的地區(qū)，大大減小下步分類操作的數(shù)據(jù)量，最后面向?qū)ο缶诸?，避免高分辨率?shù)據(jù)分割過于細碎給分類造成難題。波譜特征是各種地物各自所具有的電磁波特性，利用光譜特征區(qū)分地物類型更具說服性。單純的面向?qū)ο蠓诸惙椒ǜ嗟目紤]地物的空間信息，分類過程中參與了更多的人為主觀因素，存在一定不確定性。本文研究方法即繼承了傳統(tǒng)象元分類方法的優(yōu)勢，又彌補了單純面向?qū)ο蠓诸惙椒ǖ娜毕荨Ｃ嫦驅(qū)ο蠓诸愡^程中針對不同的地物采取不同的分割尺度采用兩次分割與歸類，每一級分類后就過濾掉已提取的地物，再對同一個圖層上對象合并進行下一級提取，使得分類過程更具人性化，更方便，節(jié)省很多繁瑣的操作。本文嘗試用高光譜影像光譜分析方法處理高分辨率影像數(shù)據(jù)，充分發(fā)揮新高分辨率影像數(shù)據(jù)波段增加的優(yōu)勢，精度達到96.36%。本研究采取實驗對比法來對光譜角粗分類的閾值和面向?qū)ο缶诸惙指畛叨冗M行確定。所選地區(qū)地物較單一，所有閾值和參數(shù)的設置都依賴分類目標地物光譜的純凈度和范圍大小，因此不完全適用于所有類似的圖像。另外研究過程中仍參與了部分人工干預，自動化程度欠缺，更智能的分類方法也有待進一步的研究。
[1] Lobo A, Chic O, Casterad A. Classification of mediterranean crops with multisensory data：per-pixel versus per-object statistics and image segmentation [J].International Journal of Remote Sensing, 1996, (17)：2358-2400.
[2]Serp ico S Rol F. Classification of multisensor remote sensing images by structured neural networks [J].IEEE Transactionson Geoscience and Remote Sensing,1995, 33(3)：562-577.
[3]Manro C, Eufemia T. Accuracy assessment of per-field classification integrating very fine spatial resolution satellite imagery with topographic data [J]. Joumal of Geospatial Engineering, 2001, 3(2)：127-134.
[4]黃 昕, 張良培, 李平湘. 基于多尺度特征融合和支持向量機的高分辨率遙感影像分類[J]. 遙感學報,2007, 11(1)：48-54.
[5]Christodoulos I, Silas C, Constantinos S. Multifeature texture analysis for the classification of clouds in satellite imagery [J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(11)：2662-2668.
[6]蔡銀橋, 毛鄭元. 基于多特征的高分辨率遙感影像分類方法及其應用[J]. 國土資源遙感, 2007, (1)：77-81.
[7]曹 雪, 柯長青. 基于對象級的高分辯率遙感影像分類研究[J]. 應用技術, 2006, (5)：27-30.
[8]王建芳, 包世泰. 面向?qū)ο蠼庾g方法在遙感影像地物分類中的應用[J]. 熱帶地理, 2006, 26(3)：234-238.
[9]鮑海英, 李 艷, 趙 萍. 輔以紋理特征的面向?qū)ο蟮倪b感影像分類方法研究——以陜西省楊陵縣為例[J]. 遙感應用, 2009, (8)：33-37.
[10]譚衢霖, 劉正軍, 沈 偉. 一種面向?qū)ο蟮倪b感影像多尺度分割方法[J]. 北京交通大學學報, 2007,31(4)：111-114.
[11]劉衍宏, 劉少峰, 張 川. 基于Hyperion數(shù)據(jù)的粘土礦物權重信息提取研究——以江西省贛州地區(qū)為例[J]. 國土資源遙感, 2010, (3)：26-30.
The object-oriented classification of high resolution images with spectrum analysis
Su Xiaoyu1,2, Gan Fuping2, Wan Lifei1, Liu Shaofeng1
( 1. China University of Geosciences (Beijing), Beijing 100083, China; 2. Laboratory of the Earth Observation Technology of China Aero Geophysical Survey and Remote Sensing Center for Land and Resources, Beijing 100083, China )
With the improvement of remote sensing image spatial resolution, the spatial information of ground objects is more abundant, the ground objects’ size, shape and the relationships between adjacent ground objects are reflected better. As a result, high resolution image classification methods are currently more emphasized on using spatial information and many artificial subjective factors are participated in the classification process. In the abandoned area it is difficult to interpret. Too much fine segmentation causing plenty of operations is another difficult problem of high resolution images classification. The object-oriented classification of high resolution images with spectrum analysis is put forward as follows：SAM is firstly classified roughly with mask operation, and then fine object-oriented classification is conducted. That solves better the problems of type uncertainty of ground objects and too much fine segmentation in object-oriented classification. The river and road of the Tibet naqu area are extracted with eight bands WorldView2 data of 0.5 meters spatial resolution and accuracy reaches 96.6%.
WorldView2 remote sensing image; spectrum analysis; object-oriented; SAM
TP 751.1
A
1003-0158(2012)01-0073-07
2011-07-15
國家863計劃資助項目（2006AA06A208）；中國地質(zhì)大調(diào)查局地質(zhì)大調(diào)查資助項目（1212011087113）
蘇曉玉（1986-），女，黑龍江克山人，碩士研究生，主要研究方向為資源與環(huán)境遙感、地質(zhì)遙感、地理信息系統(tǒng)。
猜你喜歡
現(xiàn)代企業(yè)(2021年2期)2021-07-20 07:57:10
雷達學報(2020年3期)2020-07-13 02:27:16
電子測試(2018年15期)2018-09-26 06:01:34
電測與儀表(2017年24期)2017-12-19 05:15:24
現(xiàn)代計算機(2016年12期)2016-02-28 18:35:25
邯鄲職業(yè)技術學院學報(2016年2期)2016-02-27 13:39:26
太空探索(2015年8期)2015-07-18 11:04:44
浙江大學學報(工學版)(2015年1期)2015-03-01 01:17:19
航天返回與遙感(2014年4期)2014-07-31 17:47:42
首都外語論壇(2014年1期)2014-03-20 15:21:36
