面向?qū)ο蟮耐恋馗采w信息提取方法研究及應(yīng)用

牟鳳云，羅 丹，官冬杰，吳曉春

(1.重慶交通大學 河海學院，重慶 400074；2.國家測繪地理信息局陜西基礎(chǔ)地理信息中心，陜西 西安 710054)

土地利用和土地覆蓋變化是全球變化研究的重要方面之一[1]。遙感技術(shù)以其數(shù)據(jù)獲取快、范圍廣、空間信息豐富、時效性和經(jīng)濟性等優(yōu)點,成為當代土地利用/土地覆蓋數(shù)據(jù)獲取的主要手段[2]。但是隨著遙感技術(shù)的不斷提升，尤其是小衛(wèi)星技術(shù)的發(fā)展和高空間分辨率的遙感影像的大量產(chǎn)出，使得傳統(tǒng)遙感分類技術(shù)不斷受到挑戰(zhàn)?；谙裨倪b感影像信息提取方法已經(jīng)難以滿足當前應(yīng)用的需要。而充分利用影像對象的顏色、形狀、紋理等幾何特征和結(jié)構(gòu)信息進行分類的面向?qū)ο筮b感影像分類技術(shù)脫穎而出。筆者主要研究了面向?qū)ο蟮膱D像分類方法在土地覆被信息提取中的應(yīng)用。以遼寧省沈陽市TM影像為數(shù)據(jù)源，使用ERDAS軟件對實驗區(qū)進行基于像元的監(jiān)督分類，利用eCognition軟件對實驗區(qū)進行面向?qū)ο蠓诸悾ㄟ^對比實驗，闡述面向?qū)ο蠓诸愒谕恋馗脖恍畔⑻崛≈械木唧w應(yīng)用，揭示其優(yōu)點與不足。

1 研究區(qū)域與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)數(shù)據(jù)源

沈陽市是遼寧省行政中心，位于中國東北地區(qū)南部，遼寧省中部，環(huán)渤海經(jīng)濟圈之內(nèi)，是環(huán)渤海地區(qū)與東北地區(qū)的重要結(jié)合部，以平原為主，山地、丘陵集中在東南部，遼河、渾河、秀水河等途經(jīng)境內(nèi)。

文中的數(shù)據(jù)源是以沈陽市為中心的 Landsat-5 TM 影像。獲取時間為2010年9月29日凌晨2點18分。平均云量0.04；太陽方位角：152.892 179 92°；太陽高度：42.440 563 99；中心緯度：41.771 22°；中心經(jīng)度：123.294 75°。

1.2 數(shù)據(jù)預(yù)處理

首先進行TM 影像最優(yōu)波段選擇，在 TM 影像中，各個波段都有不同的針對性，對不同地物有著不同的靈敏度[3]，筆者選擇TM1，2，3波段標準真彩色合成。其次在ERDAS中進行了降噪處理(Noise Reduction)、圖像裁剪處理，選取以沈陽市為中心的一塊區(qū)域作為實驗區(qū)。具體實驗流程如圖1。

圖1 實驗流程Fig.1 Experiment flowchart

2 實驗區(qū)監(jiān)督分類和面向?qū)ο蠓诸?/h2>

2.1 確定分類標準

筆者選用的分類標準取自文獻[4]：基于陸地生態(tài)系統(tǒng)特點的遙感土地覆蓋分類系統(tǒng)，它是基于國際LCCS土地覆蓋分類體系和中國現(xiàn)有分類體系，針對中國的土地覆蓋實際情況，建立的一種土地覆蓋遙感分類系統(tǒng)，包括6個一級分類(森林；草地；農(nóng)田；聚落；濕地、水體；荒漠)和25個二級分類。

2.2 監(jiān)督分類

監(jiān)督分類也稱訓練區(qū)分類，即用被確定類別的訓練樣本像元去識別其他未知類別的像元的過程。首先選擇目視判別或者借助其他信息可判定其類型的像元作為訓練樣本，其次計算機系統(tǒng)基于模板自動識別具有相同特性的像元。最后評價分類結(jié)果，修改分類模板，多次反復(fù)后建立一個比較準確的模板，然后在此基礎(chǔ)上得出最終分類成果。應(yīng)用ERDAS軟件進行以下步驟：定義分類模板、評價分類模板、執(zhí)行監(jiān)督分類、分類結(jié)果評價。針對分類標準，筆者采用一級類型分類，即選用森林、草地、農(nóng)田、聚落、水體等5類建立分類模板。監(jiān)督分類成果如圖2。

圖2 監(jiān)督分類成果Fig.2 Supervised classification result

2.3 面向?qū)ο蠓诸?/h3>

2.3.1 理論及軟件概述

面向?qū)ο筮b感影像分類就是將面向?qū)ο笏枷胍氲竭b感影像分類中，改變傳統(tǒng)的遙感影像分類思想。面向?qū)ο蠓诸惖哪繕瞬皇菃蝹€像元而是影像對象；面向?qū)ο蟮姆诸惒粌H考慮了地物的光譜信息，還綜合考慮了紋理信息、幾何信息以及其他對象信息；此外，面向?qū)ο蟮姆诸惙椒ǜ嗟慕Y(jié)合了最為先進的算法，例如神經(jīng)網(wǎng)絡(luò)算法、模糊數(shù)學算法、最鄰近算法等。

進行高分辨率影像分類時，面向?qū)ο筮b感影像分類方法相對于傳統(tǒng)分類方法主要有以下優(yōu)點：①面向?qū)ο蟮挠跋裥畔⑻崛〉幕咎幚韱卧怯跋駥ο蠛蛯ο箝g相互關(guān)系，不是單個像元[5]，使得分類過程可充分利用影像的多種特征，并減少不必要的冗余；②面向?qū)ο蠓椒▽儆谶b感影像的高層次理解；更適合處理空間分析、空間尺度等問題；③面向?qū)ο蠓椒芨鶕?jù)地物類別特點提取不同尺度層上的信息。不同地物目標都有與之相適應(yīng)的最佳分割尺度，不同尺度層上影像對不同地物類別的概括最適合，因而對該類地物具有較好的識別效果。

eCognition是目前商用遙感軟件市場上第一款基于面向?qū)ο蠓诸惙椒ǖ倪b感圖像信息提取軟件。它在面向?qū)ο蟮姆诸愡^程中主要包括兩個關(guān)鍵性的技術(shù)——遙感影像的多尺度分割和面向?qū)ο蠓诸怺6]。影像分割是一種從像元開始由下至上，逐級區(qū)域合并的過程[7]。eCognition軟件里自帶了一些分割算法，其中多尺度分割 (Multiresolution segmentation)是最重要、最常用的。它是一種在給定對象分辨率的情況下，局部最小化對象異質(zhì)性的算法。異質(zhì)性是由對象的形狀( shape) 差異和光譜( spectral)確定的，形狀的異質(zhì)性由光滑度和緊湊度來衡量[8]。

2.3.2 實驗過程

1)影像多尺度分割

① 分割尺度。分割尺度是對分割效果影響最大的參數(shù)之一，其大小直接影響影像對象的大小。綜合考慮，分別設(shè)置10，20，30，40這4個尺度參數(shù)進行分割試驗。形狀指數(shù)、緊湊度指數(shù)分別采用0.1和0.9。分割結(jié)果如圖3。

圖3 不同分割尺度結(jié)果Fig.3 Result of different segmentation scale

從圖3中可看出：分割尺度為10時，影像對象過于細小和破碎，甚至出現(xiàn)了一些像素大小的對象，地物提取很難利用其幾何信息；分割尺度為20時，比較零碎，但是土地覆被對象已基本上生成；分割尺度為30時，地物提取較完整，區(qū)分較明顯，提取效果比之前兩個尺度好得多；分割尺度為40時，地物提取雖比較完整，但是這個尺度下森林、草地和農(nóng)田有些被混合分割到一個板塊，單一性不強，不利于地物的提取。如果分割尺度繼續(xù)增大，此現(xiàn)象越來越明顯。綜上，研究認為分割尺度為30比較合適。在這個尺度下，提取的地物信息對象最完整，不破碎亦不模糊。

② 形狀指數(shù)和緊湊度指數(shù)。形狀指數(shù)和緊湊度指數(shù)也會影響分割的效果。形狀指數(shù)與顏色指數(shù)和為1。形狀指數(shù)值越大，相對的顏色指數(shù)值越低，即影像分割過程中受到顏色的影響越小。緊湊度指數(shù)與平滑指數(shù)和為1，緊湊度指數(shù)越大，對應(yīng)的平滑指數(shù)越小，對象之間越緊湊。筆者設(shè)置4組形狀指數(shù)和緊湊度指數(shù)來進行分割實驗，分割結(jié)果如圖4。

圖4 不同形狀指數(shù)和緊湊度結(jié)果Fig.4 Result of different shape and compactness

從圖4中可以看出，分割的結(jié)果區(qū)別明顯。當形狀指數(shù)和緊湊度指數(shù)均為0.9時，雖然分割對象基本按照顏色進行劃分，但過于破碎，對象的板塊化比較嚴重；當形狀指數(shù)為0.9，緊湊度指數(shù)為0.1時，所有對象呈現(xiàn)出類似龜裂土地的板塊化形狀，地物邊界不明顯，分割效果差；當形狀指數(shù)為0.1，緊湊度指數(shù)為0.9時，分割效果較好，不同地物邊界被清晰的分割出來；當形狀指數(shù)和緊湊度指數(shù)均為0.5時，地物對象基本能分割出來，相對于前一個分割結(jié)果來說，緊湊度指數(shù)減少使地物更加的平滑，但形狀指數(shù)的增加使顏色指數(shù)降低，使得光譜信息相似的森林、草地、農(nóng)田3者地物的分割變得模糊。

因此多組實驗結(jié)果對比后，研究決定采用分割尺度30，形狀指數(shù)0.1，緊湊度指數(shù)0.9為多尺度分割的參數(shù)。

2)通過分類體系創(chuàng)建知識庫

在類層次窗口中建立5個類別。鄉(xiāng)村地帶農(nóng)田占地面積較大、城鎮(zhèn)用地在中心區(qū)域較為集中，分割尺度可以選大一些；但鄉(xiāng)村居住用地零散分布在四周、城區(qū)植被較為破碎，尺度不宜過大；水體類型不同，分割尺度也不同，如適宜水庫的分割尺度不一定適宜進行河流的分割。不同的地物類型，提取包含在其中的信息，如每個地物目標的平均值、標準差、形狀特征等，所選用的分割參數(shù)、分類規(guī)則均不同。

3)插入分類器

eCognition提供兩種不同的分類器：最鄰近和成員函數(shù)。本實驗選擇最鄰近分類法。其優(yōu)點是分類操作較簡單直觀，易于處理多維特征空間的重疊，能快速處理類層次關(guān)系，但會限制在分類中所用的對象信息，如果類描述過多，會降低分類速度，使信息冗余增多。

4)定義樣本對象

eCognition中最鄰近分類方法類似于傳統(tǒng)圖像分析軟件中監(jiān)督分類方法，必須首先定義訓練區(qū)，它是一個類的典型代表。在樣本訓練區(qū)內(nèi)選擇典型樣本。

5)對影像對象分類

第一次分類后，各類地物基本被分類，尤其是聚落、水體信息分類較好，但農(nóng)田、森林、綠地類型中還存在錯分的情況。分類結(jié)果依賴選擇樣本，錯分的影像對象通常位于該類總體區(qū)域的邊緣附近，因此在此基礎(chǔ)上，需進行重分類，把未分類對象作為樣本，把錯分類對象糾正到正確分類中，再次分類檢查結(jié)果，重復(fù)循環(huán)此過程，直到得到滿意的分類結(jié)果，如圖5?？梢钥闯?，一個成功的最鄰近分類通常需要進行多次的樣本選擇與分類的循環(huán)。

圖5 最鄰近分類結(jié)果Fig.5 Nearest neighbor classification results

3 精度評定

3.1 監(jiān)督分類結(jié)果精度評價

此處筆者采用基本混淆矩陣法即Congalton提出的誤差矩陣法(Error Matrix)對信息提取精度進行評價。計算生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)等評價指標。計算結(jié)果如表1。

表1 沈陽市TM 影像傳統(tǒng)監(jiān)督分類方法精度評價Table 1 Accuracy evaluation of Shenyang TM images’ traditional supervised classification

3.2 面向?qū)ο蠓诸惤Y(jié)果精度評價

eCognition提供的精度評價工具簡單易用，由于它是基于模糊邏輯的軟分類，精度評價包括分類穩(wěn)定性和最佳分類結(jié)果概率值指標，且精度評價的結(jié)果能在圖中直觀顯示：①分類穩(wěn)定性最大值為1，最為穩(wěn)定；最小值為0，最不穩(wěn)定。穩(wěn)定性在圖中直觀顯示，從黑色到白色的圖斑，表示穩(wěn)定性從高到底；②最佳分類結(jié)果概率值。也可以在圖中由黑色(高值)到白色(低值)過渡色顯示。筆者選用成員函數(shù)值及分類穩(wěn)定性進行評價，結(jié)果如圖6～圖9。

圖6 最佳分類結(jié)果精度評價Fig.6 Accuracy evaluation of the best classification results

圖7 圖像顯示最佳分類結(jié)果——由黑(高值)至白(低值)Fig.7 Imageof the best classification results

圖8 分類穩(wěn)定性Fig.8 Classification stability

圖9 圖像顯示分類穩(wěn)定性——由黑(高)到白(低)Fig.9 Image of classification stability

3.3 實驗結(jié)果對比分析

監(jiān)督分類精度結(jié)果如表2。其中總體精度為90.65%，Kappa系數(shù)為0.847 8。

表2 精度結(jié)果對比Table 2 Contrast of accuracy results /%

從表2中可以看出，面向?qū)ο蠓诸惙椒ǖ贸龅木冉Y(jié)果總體要比監(jiān)督分類高，水體是個反例，因為水體對象特征明顯，對象數(shù)目不多，采樣容易，所以兩種方法得出精度結(jié)果相差不大。圖7可以看出面向?qū)ο笞罴逊诸惤Y(jié)果顯示黑色和深灰(高值)面積占大部分區(qū)域，說明分類精度較高，在圖9中可以看出分類穩(wěn)定性聚落、水體、森林、草地都比較好，但是農(nóng)田穩(wěn)定性并不高。在eCognition中，已分類的對象不是簡單的屬于某一類，可以得到Class Hierarchy中每個類的隸屬度函數(shù)值的詳細清單。一類對象如果具有最高的隸屬度函數(shù)值，且不低于最低隸屬度函數(shù)值，就把它分為此類。增加最鄰近函數(shù)的方法可能會使分類精度提高，但是，這種過程可能會降低分類的穩(wěn)定性。對于面向?qū)ο蠓诸悂碚f，影響分類的精度的因素應(yīng)該是多方面的，主要有以下兩個方面。

3.3.1 分割精度的影響

影像分割包含尺度選擇與分割，尺度的選擇有賴于操作人員的經(jīng)驗，對于不同星種、不同分辨率的影像，其分割尺度均有差別的，難以制定統(tǒng)一標準。

3.3.2 對象分類算法的影響

不同分類算法，對象分類規(guī)則有所差別，對象特征所占權(quán)重也有所不同，例如最近鄰算法是位置占優(yōu)的對象分類方法，其他的各種對象特征相對來說考慮較少，特別是在通過計算機進行對象分類的時候，往往會出現(xiàn)錯分的情況。因此，對象分類是面向?qū)ο蠓诸惖淖詈笠徊?，提高分類算法的科學性，也就控制了分類精度。

總的來說，面向?qū)ο蟮挠跋穹诸愃惴ㄟ€是在很大程度上提高了分類精度，只要用科學的方法進行影像分割及對象分類，它的精度會比傳統(tǒng)的分類方法高。

4 結(jié)論與展望

筆者以遼寧省沈陽市 TM 影像為數(shù)據(jù)源，對面向?qū)ο蠓诸惙ㄔ谕恋馗脖恍畔⑻崛≈械膽?yīng)用進行了理論研究和實驗分析。

1)本實驗中選取多組數(shù)據(jù)進行對比分析，最終確定多尺度分割參數(shù)組合為分割尺度30，形狀指數(shù)0.1，緊湊度指數(shù)0.9。在對實驗區(qū)樣本對象選擇鄰近分類后選用成員函數(shù)值及分類穩(wěn)定性進行評價，從圖表中均可看到比監(jiān)督分類較好的實驗結(jié)果。

2)傳統(tǒng)的遙感影像分類方法比較成熟，相關(guān)應(yīng)用軟件操作簡單，方便使用。但也存在很多不足，例如精度不夠、椒鹽現(xiàn)象等。而面向?qū)ο蟮倪b感影像分類方法較之于傳統(tǒng)方法提高了分類的效率和精度。

3)本實驗中得到精度結(jié)果表明，相對于傳統(tǒng)分類方法，面向?qū)ο蟮姆诸惛鼮殪`活，分類精度更高，尤其是對于農(nóng)田、森林、耕地等光譜特征相似的地物類別，使用面向?qū)ο蠓诸惙椒ǖ膬?yōu)點可以得到更好的體現(xiàn)，而水體，建筑用地等影像光譜特征明顯的分類對象傳統(tǒng)方法也可較好的區(qū)分，所以面向?qū)ο蠓ú⒉豢偸莾?yōu)于傳統(tǒng)監(jiān)督分類法，應(yīng)針對分類對象選擇合適的分類方法。

筆者雖然取得了一定的成果和認識，但仍有部分工作需進一步研究與探討。

1)大范圍的生態(tài)監(jiān)測需要及時地更新土地利用現(xiàn)狀數(shù)據(jù)，采用中分辨率的TM影像(分辨率為30 m)工作量相對較小，但由于空間分辨率不夠高，很多地方的解譯不能滿足精度要求，若采用高分辨率的影像數(shù)據(jù)如SPOT5數(shù)據(jù)(分辨率為2.5 m)，則可以滿足土地利用類型調(diào)查的精度，但所需工作量巨大，所耗時間較久。

2)分類過程進一步的研究可以對二級標準(如森林還包括針葉林、闊葉林、針闊混交林、灌叢等)進一步采取分層分類，進行同類地物不同尺度分割，考慮地表實體的多層次結(jié)構(gòu)，采用多尺度影像對象層次網(wǎng)絡(luò)結(jié)構(gòu)揭示地表特征，逐層提取地物類型。

3)可進一步完善影像對象特征庫。增加新的對象特征以及每類地物的類描述信息。根據(jù)高分辨率遙感影像特點研究影像對象的用戶自定義特征描述方法，完善特征庫。

[1] 陳佑啟,楊鵬.國際上土地利用/土地覆蓋變化研究的新進展[J].經(jīng)濟地理,2001,21(1):95-100.

Chen Youqi,Yang Peng.Recent progresses of international study on land use and land cover change[J].Economic Geography,2001,21(1):95-100.

[2] 梁英麗,楊武年.基于遙感技術(shù)的土地利用/土地覆蓋信息提取——以四川省眉山市青神縣為例[J].測繪,2010,33(2):76-79.

Liang Yingli,Yang Wunian.Information extraction for land use / land cover based on RS techniques—a case of Qingshen County in Sichuan[J].Surveying and Mapping,2010,33(2):76-79.

[3] 黃瑾.面向?qū)ο筮b感影像分類方法在土地利用信息提取中的應(yīng)用研究[D].成都:成都理工大學,2010.

Huang Jin.Object-Oriented Classification Technique of Remote Sensing Image Used in Classification of Land Use[D].Chengdu:Chengdu University of Technology,2010.

[4] 張增祥.中國土地覆蓋遙感監(jiān)測[M].北京:星球地圖出版社,2010.

Zhang Zengxiang.China Land Cover Monitoring[M].Beijing:Planet Map Publishing House,2010.

[5] Baatz M,Sch?pe A.Multiresolution segmentation:an optimization approach for high quality multiscale image segmentation[C]//Angewandte Geographische Information Dverarbeitung XⅡ.Karlsruhe:

[s.n.],2000.

[6] 祖琪,袁希平,莫源富,等.基于面向?qū)ο蠓诸惙椒ㄔ赟POT影像中的地物信息提取[J].中國巖溶,2011,30 (2):227-232.

Zu Qi,Yuan Xiping,Mo Yuanfu,et al.Surface features’ information extraction from SPOT images with object-oriented classification method [J].Carsologica Sinica,2011,30(2):227-232.

[7] 莫登奎,林輝,孫華,等.基于高分辨率遙感影像的土地覆蓋信息提取[J].遙感技術(shù)與應(yīng)用,2005,20(4):410-414.

Mo Dengkui,Lin Hui,Sun Hua,et al.Extracting land cover with high resolution remote sensing data[J].Remote Sensing Technology and Application,2005,20(4):410-414.

[8] Benz U C,Hofmann P,Willhauck G,et al.Multi-resolution,object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J].ISPRS Journal of Photogrammetry & Remote Sensing,2004,58(3/4):239-258.