利用規(guī)則對(duì)Worldview-2影像進(jìn)行地物信息提取研究

羅麗娟，陳文惠，江春梅

(福建師范大學(xué)，地理科學(xué)學(xué)院，福州350007)

1 數(shù)據(jù)與方法

1.1 研究區(qū)與數(shù)據(jù)源

研究區(qū)域位于福建省長(zhǎng)汀縣河田鎮(zhèn)內(nèi)，該鎮(zhèn)位于長(zhǎng)汀縣中部，地貌為一盆地，海拔在255～1030 m間，盆地中間分布著大面積的花崗巖質(zhì)丘陵，起伏和緩，坡度均不超過(guò)25度。該地區(qū)水土流失曾經(jīng)非常嚴(yán)重，是福建省水土流失重點(diǎn)治理區(qū)，經(jīng)過(guò)十幾年大規(guī)模的治理，生態(tài)環(huán)境有較大改善。由于土壤貧瘠且經(jīng)常干旱，只有耐受力強(qiáng)的馬尾松得以大面積推廣和存活，形成了馬尾松林占優(yōu)勢(shì)的森林景觀，同時(shí)自然選擇與淘汰使得地帶性蕨類植物芒萁骨成為最主要的林下植被。除馬尾松林外，研究區(qū)內(nèi)還有少量常綠闊葉林、桉樹(shù)林、竹林等森林，以及灌木、草地等自然植被和果園、茶園等人工植被。所有森林、灌叢、園地和草地等類型，基本屬常綠植被，本研究中統(tǒng)稱為植被，具有植被覆蓋度高、紋理較粗的特點(diǎn)。水田、旱地和菜地等因種植農(nóng)作物而帶有一定的植被特征，但因地勢(shì)低平、植被特征時(shí)空差異明顯、紋理細(xì)膩等特點(diǎn)而明顯不同于上述植被，本研究中統(tǒng)稱為耕地。另外，本研究把水體、道路、建筑物、裸地也定義為獨(dú)立的土地覆蓋類型。研究區(qū)位置和影像如圖1所示。

本研究以Worldview-2多光譜遙感影像為數(shù)據(jù)源，數(shù)據(jù)獲取于2012年12月13日，影像空間分辨率為0.5m。Worldview-2衛(wèi)星于2009年10月由美國(guó)Digital Globe公司發(fā)射，能提供0.46 m的全色影像和8個(gè)波段的1.84 m(星下點(diǎn))多光譜影像，是全球第一顆高分辨率8波段商業(yè)衛(wèi)星。與IKONOS和 QuickBird影像相比，Worldview-2的空間分辨率更高，紋理信息豐富，可以看到地物形態(tài)特征的更多細(xì)節(jié)，多光譜波段更豐富。Worldview-2衛(wèi)星多光譜參數(shù)見(jiàn)表1。

圖1 研究區(qū)和影像縮略圖Figure1 Study area and its thumbnails of image

1.2 數(shù)據(jù)預(yù)處理

本研究主要對(duì)Worldview-2全色和多光譜原始影像進(jìn)行校正配準(zhǔn)與影像融合處理，然后裁剪出研究區(qū)河田鎮(zhèn)的部分范圍。影像融合的方法采用的是基于像元的Gram-Sehmidt變換融合法，該算法融合影像的信息熵大，影像清晰度較好，可以較好的保持影像的光譜信息特征，含有豐富的紋理和細(xì)節(jié)，有利于影像信息的提取和分析［3-5］。

表1 Worldview-2衛(wèi)星多光譜波段信息Table1 Multispectral band information of Worldview-2 Satellite

1.3 影像分割

為了獲得影像對(duì)象的原型以作為影像的基本處理單元，面向?qū)ο蟮挠跋穹治龇椒ㄒ髮?duì)影像進(jìn)行完全分割［1］。影像分割可以以灰度、顏色、紋理、鄰域關(guān)系等作為依據(jù)，預(yù)先定義的目標(biāo)可以是單個(gè)區(qū)域或者多個(gè)區(qū)域，以區(qū)域的方式分割出變化信息是為了方便數(shù)據(jù)的后續(xù)處理，常用的分割方法有閾值化方法、分裂合并法、區(qū)域生長(zhǎng)法、特征空間聚類法和松弛迭代法［6］。

傳統(tǒng)的單一尺度遙感影像分割方法無(wú)法兼顧到影像的宏觀和微觀特征;且高分辨率影像具有豐富的細(xì)節(jié)信息，直接分割往往會(huì)導(dǎo)致“椒鹽現(xiàn)象”。因此需要對(duì)高分辨率影像進(jìn)行不同尺度下的分割處理，即多尺度分割處理。

多尺度影像分割采用區(qū)域合并方法形成影像對(duì)象［1］。小的對(duì)象可以經(jīng)過(guò)若干次合并，形成大的均質(zhì)影像對(duì)象。因此多尺度影像分割類似于一個(gè)從像元開(kāi)始逐步合并成為影像對(duì)象的優(yōu)化過(guò)程。多尺度影像分割目的是為了實(shí)現(xiàn)分割后影像對(duì)象的權(quán)重異質(zhì)性最小化。權(quán)重異質(zhì)性要同時(shí)配合使用光譜異質(zhì)性和形狀異質(zhì)性，其中形狀因子異質(zhì)性包括光滑度異質(zhì)性和緊致度異質(zhì)性，即:

f是異質(zhì)性大小，ω為光譜權(quán)重 (0＜ω＜1)，hcolor為光譜異質(zhì)性，hshape為形狀異質(zhì)性，ωcompact為緊致度權(quán)重 (0＜ωcompact＜1)，hcompact為緊致度，hsmooth為光滑度。

只有保證光譜異質(zhì)性、光滑度異質(zhì)性、緊致度異質(zhì)性最小，才能使整幅影像所有對(duì)象的平均異質(zhì)性最?。?］。具體使用時(shí)要根據(jù)目標(biāo)對(duì)象的特性，選擇合適的比重參數(shù)。通過(guò)對(duì)研究區(qū)Worldview-2影像進(jìn)行多次分割試驗(yàn)，得到分割尺度為90，形狀指數(shù)為0.2，緊湊度為0.4時(shí)，影像的分割效果最好，且所有光譜波段參與分割的效果較好，分割效果如圖2。

背景差分處理后，將差分圖像Dk（x，y）進(jìn)行二值化后得到Rt（x，y），Rt（x，y）中運(yùn)動(dòng)區(qū)域像素總和除以運(yùn)動(dòng)區(qū)域個(gè)數(shù)得到電纜位置變化的中心點(diǎn)，并將電纜位置對(duì)應(yīng)為-5 V～+5 V，電纜位置與輸出電壓及LCD顯示的對(duì)應(yīng)關(guān)系如圖3所示.其中，LCD分辨率為240×320，0 V對(duì)應(yīng)120，設(shè)y為電纜中心點(diǎn)到管道底的距離，U為輸出電壓.當(dāng)電纜位于管道上半部分時(shí)：

圖2 Worldview-2影像分割效果圖Figure2 Segmentation results of Worldview-2 images

1.4 基于規(guī)則影像信息提取

從Worldview-2影像的分割結(jié)果來(lái)看，地物較為復(fù)雜，并且稍顯破碎，因此必須綜合多種特征和知識(shí)來(lái)進(jìn)行判別和提取。

本研究根據(jù)不同地物特征采用確定性或模糊性規(guī)則來(lái)提取不同類別地物。確定性規(guī)則是針對(duì)某一特征設(shè)定閾值和邏輯運(yùn)算方式，來(lái)判別影像對(duì)象是否屬于某一類別［8］。若影像對(duì)象符合某種確定類別的充分規(guī)則條件，則判定該影像對(duì)象屬于該類別;而對(duì)于那些有可能屬于該類別的影像對(duì)象，則需要進(jìn)一步通過(guò)模糊性規(guī)則來(lái)進(jìn)行判斷。模糊性規(guī)則是根據(jù)影像對(duì)象的特征值計(jì)算該對(duì)象屬于某一類的隸屬度。隸屬度可設(shè)定為正數(shù)或負(fù)數(shù)。如果所有的隸屬度之和大于0.5則判定該對(duì)象屬于該類別。把多個(gè)規(guī)則組合形成一個(gè)規(guī)則集，來(lái)判別影像對(duì)象是否屬于某一地物類別。由于在影像中即使是同一類地物也往往會(huì)表現(xiàn)出較大的差異，因此對(duì)于同一地物類別，需要用多個(gè)規(guī)則集來(lái)判別，只要影像滿足某一規(guī)則集，就可判定其歸屬類別。

2 提取規(guī)則和分類層次

遙感地物信息提取的前提是建立在各地物類型的特征基礎(chǔ)上，因此，在分類之前需要根據(jù)各地物的特點(diǎn)，選擇最能表達(dá)該地物的特征或特征組合。但是，并非選擇的特征越多提取精度就越高，相反，特征數(shù)量過(guò)多，會(huì)加大數(shù)據(jù)運(yùn)算量，降低數(shù)據(jù)時(shí)效性，而且多余的特征會(huì)影響本質(zhì)特征發(fā)揮最大效應(yīng)，反而降低分類精度。

圖3 研究區(qū)典型地物反射光譜曲線Figure3 Spectrum curves of typical features in study area

本研究選取研究區(qū)內(nèi)多種典型地物代表6種地物類型 (馬尾松和楊梅代表植被，河流代表水體，國(guó)道代表道路，水泥屋頂、鐵皮屋頂、瓦房屋頂代表居民地，稻田和旱地代表耕地，裸地即為裸地)。采用ASD公司生產(chǎn)的便攜式野外地物光譜儀FieldSpec3實(shí)地測(cè)量所選地物類型的反射光譜數(shù)據(jù)，每種地物類型采集10個(gè)左右的樣點(diǎn)，每點(diǎn)同時(shí)采集10條光譜曲線，在每組中剔除異常曲線后取平均值作為該組的代表性光譜曲線，然后將代表光譜曲線再求平均值作為該種地物類型的光譜曲線，最后基于excel繪制實(shí)測(cè)光譜曲線作為6種地物類型的光譜曲線 (圖3)，分析地物光譜特征進(jìn)而得到信息提取策略。

影像對(duì)象存在“同物異譜”和“同譜異物”現(xiàn)象，而合理的分類層次可以有效地提高地物信息的提取精度。本研究基于研究區(qū)主要地物類型地物光譜特征和實(shí)驗(yàn)影像的特點(diǎn)，建立3層分類體系。

在第一層中，要區(qū)分出植被與非植被。結(jié)合典型地物的特征知識(shí)、研究區(qū)典型地物特征實(shí)測(cè)光譜曲線 (圖3)和大量的研究實(shí)踐可知，植物葉面在可見(jiàn)光紅光波段 (630nm～690nm)具有很強(qiáng)的吸收特性，而在近紅外波段 (770nm～895nm或860nm～1040nm)具有很強(qiáng)的反射特性，其具有較高的NDVI(Nir-Red/Nir+Red)，因此通過(guò)NDVI能夠?qū)χ脖恍畔⑦M(jìn)行較好的提取。

在第二層中，以第一層的非植被為父對(duì)象層。研究區(qū)的水體包括河流和坑塘水庫(kù)2種類型。水體在綠波段 (510nm～580nm)有較強(qiáng)反射，且隨波段增加反射率遞增，而在近紅外范圍 (770nm～895nm或860nm～1040nm)內(nèi)吸收性最強(qiáng)，幾乎無(wú)反射，且隨波段增加反射率遞減，因此用綠波段和近紅外波段的反差構(gòu)成的NDWI(Green-Nir/Green+Nir)可以突出影像中的水體信息 (水體的NDWI值大)。另外由于植被在近紅外波段的反射率強(qiáng)，因此采用綠光波段與近紅外波段的比值可以最大程度地抑制植被的信息，從而達(dá)到突出水體信息的目的。通過(guò)NDWI，經(jīng)過(guò)多次實(shí)驗(yàn)，建立合理的特征空間，運(yùn)用成員函數(shù)法，可以很好地提取出水體。

從圖3可知，道路整體的光譜曲線起伏較小，但其在綠波段呈遞增趨勢(shì)，在紅波段呈遞減趨勢(shì)，因此兩者之差即Green-Red可以增強(qiáng)道路信息;同時(shí)發(fā)現(xiàn)道路和水泥屋頂?shù)墓庾V特征曲線類似，而道路、河流等線狀地物一般具有典型的線性特點(diǎn)，在剔除河流后，道路的形狀特征極其顯著，這是道路不同于其他地物的明顯特征。Density代表影像對(duì)象的密集程度，表示的是影像對(duì)象面積除以影像對(duì)象的半徑，影像對(duì)象的半徑采用協(xié)方差矩陣來(lái)近似計(jì)算，Density值越大則影像對(duì)象越像正方形，經(jīng)過(guò)實(shí)驗(yàn)觀察得到Density值能輔助區(qū)分開(kāi)線狀地物，因此綜合Density和Green-Red來(lái)提取道路信息。

研究區(qū)中的建筑物包括居住地、水泥屋頂廠房和其他材質(zhì)屋頂廠房，三者光譜特征曲線具有較大差異，尤其是在近紅外波段 (770nm～895nm)，三者在光譜反射率值上有較大差別，且光譜曲線趨勢(shì)各異，居住地呈略微遞增趨勢(shì)，水泥屋頂廠房呈平穩(wěn)狀態(tài)，其他材質(zhì)屋頂卻呈下降趨勢(shì)。在近紅外波段(770nm～895nm)除了以上三者，水泥屋頂廠房與其他地物的光譜反射率值也互相區(qū)別 (如圖3)。

其他材質(zhì)屋頂廠房在藍(lán)色波段 (450nm～510nm)的光譜反射率值較其他地物的反射率值極高，光譜曲線遞增極其顯著。居住地的光譜曲線呈略微遞增趨勢(shì)，光譜反射率值較其他 (裸地、旱地、稻田)剩余地物光譜反射率值極小 (小于0.1)，利用近紅外波段和紅波段之差值即Nir1-Red可以使其更小，從而突顯出居民地信息。在805nm～895nm波段裸巖的光譜反射率值均小于旱地和稻田，因此可以利用近紅外波段 (770nm～895nm)來(lái)提取裸地。在近紅外波段 (770nm～895nm)稻田和旱地的光譜曲線相似，幾乎重合，因此可以利用近紅外同時(shí)提取稻田和旱地即耕地;而由于耕地具有植被的特性，因此NDVI可以輔助其獲得較好的提取效果。

分類體系中第三層的作用是對(duì)上述兩層中的所有地物進(jìn)行匯總，進(jìn)而生成最終的分類結(jié)果。將第二層中“水泥屋頂廠房”、 “其他材質(zhì)屋頂廠房”和“居住地”合并成一個(gè)完整的地物類型“建筑物”。所以在第三層中最終得到植被、水體、道路、建筑物、裸地和耕地6種地物類型。具體提取規(guī)則見(jiàn)表2，提取流程見(jiàn)圖4。

表2 實(shí)驗(yàn)影像地物提取規(guī)則集Table2 Extraction rules of the experimental images

3 實(shí)驗(yàn)結(jié)果與分析

圖4 worldview-2規(guī)則提取流程Figure4 Flow chart of Worldview-2 rule extraction

基于表2中的各地物提取規(guī)則和圖4的提取流程，對(duì)實(shí)驗(yàn)影像中的植被、水體、道路、建筑物、裸地、耕地等進(jìn)行提取，結(jié)果如圖5。

采用實(shí)地核查的方法進(jìn)行評(píng)定地物提取結(jié)果的精度評(píng)價(jià)，在研究區(qū)域內(nèi)隨機(jī)選取152個(gè)核查點(diǎn)，核查結(jié)果見(jiàn)表3。

本研究采用的精度評(píng)價(jià)指標(biāo)為總體分類精度、Kappa系數(shù)、誤分率、漏分率等?？傮w分類精度等于被正確分類的樣本總數(shù)除以總樣本數(shù);Kappa系數(shù)是把樣本點(diǎn)總數(shù)乘以混淆矩陣對(duì)角線的和，再減去某一類中樣本總數(shù)與該類中被分類樣本總數(shù)之積后，再除以樣本總數(shù)的平方減去某一類中樣本總數(shù)與該類中被分類樣本總數(shù)之積對(duì)所有類別求和的結(jié)果得到的值，Kappa系數(shù)值越接近1分類精度越高;漏分率等于該類別分類結(jié)果中漏分部分占參考數(shù)據(jù)的比重;誤分率等于被誤分到該類別的部分占該類別對(duì)象分類結(jié)果的比重;漏分率和誤分率可以比較具體顯示每類地物的提取結(jié)果精度狀況。通過(guò)實(shí)地核查檢驗(yàn)，本研究利用規(guī)則方法提取地物的總體分類精度為84.2%，Kappa系數(shù)值為0.791。

表3 核查結(jié)果與各類地物的提取精度Table3 Results of verification and extraction accuracy of the ground objects

由表3可知，水體和建筑物的漏分率為零，耕地的漏分率極低，而裸地、植被、和道路的漏分率相對(duì)較高。裸地主要被誤分為道路，由實(shí)地核查得知，這些被誤分的裸地均位于道路附近，會(huì)被誤分主要是由于地類面積較小、形狀特征不明顯，未從道路中被分割出來(lái)，而地表物種繁多，任何分割尺度均不能完全分割出所有地物類型。植被主要被誤分為耕地，經(jīng)核查，這部分植被覆蓋度均較低，從而使得這些地類與本身具有植被特性的耕地易混淆，從圖3中馬尾松、楊梅樹(shù)、稻田和旱地的反射光譜曲線亦可以看出。道路主要被誤分為裸地和耕地，被誤分原因與裸地被誤分為道路的原因相同。建筑物、裸地、耕地和道路有較高的誤分率。建筑物主要被誤分為裸地，因?yàn)榻ㄖ镏械乃嘟ㄖc裸地的反射光譜較為接近，而有些建筑物往往因房屋較小而影像中沒(méi)有表現(xiàn)出明顯的形狀特征，與裸地在提取中易混淆。裸地主要被誤分為道路和耕地，而道路主要被誤分為裸地和耕地，原因是裸地的反射光譜特征與土質(zhì)道路、未種植植被的旱地極為相似，從而造成三者互為誤分。耕地主要被誤分為植被，耕地這一類地物在全幅影像中有多個(gè)特征，且旱地季候種植的作物有時(shí)難與植被類型相區(qū)分開(kāi)，特征多樣性導(dǎo)致耕地的誤分率較高。

圖5 地物提取結(jié)果圖Figure5 Extraction results of the ground objects

4 結(jié)語(yǔ)

本研究采用基于面向?qū)ο蟮姆椒ń⒁?guī)則集對(duì)Worldview-2影像進(jìn)行地物提取。利用eCognition軟件的多尺度分割算法進(jìn)行遙感影像的分割處理，獲取影像對(duì)象，并將其作為地物提取的基本單元，針對(duì)各類地物的不同特征，建立提取規(guī)則進(jìn)行典型地物提取，總體分類精度為84.2%，Kappa系數(shù)為0.791。規(guī)則提取過(guò)程中光譜特征相近 (例如裸地、道路、播種前的耕地)的地物間的相互混淆，使得利用一定規(guī)則對(duì)全幅影像進(jìn)行提取仍無(wú)法滿足全局影像地物的精準(zhǔn)要求，尋求能夠進(jìn)一步區(qū)分混淆地物的特征和歸類的方法，將是以后研究的重點(diǎn)。

［1］Guan Yuan-xiu，Cheng Xiao-yang．The Guide for High Resolution Satellite Image Processing［M］．Beijing:Science Press，2008．［關(guān)元秀，程曉陽(yáng)．高分辨率衛(wèi)星影像處理指南 ［M］．北京:科學(xué)出版社，2008．］

［2］ Lu D，Weng Q A．Survey of image classification methods and techniques for improving classification performance［J］．International Journal of Remote Sensing，2007，28(5):823-870．

［3］ Chen Li，Lin Hui，Sun Hua，et al．Worldview-2 images based urban green space information extraction ［J］．Journal of Forestry University，2014，29(1):155-160．［陳利，林輝，孫華，等．基于Worldview-2影像城市綠地信息提取研究 ［J］．西北林學(xué)院學(xué)報(bào)，2014，29(1):155-160．］

［4］ Lu Chao．Research on information extraction of WorldView-2 imagery with object-oriented technology［D］．Hang Zhou:Zhe Jiang University，2012．［陸超．基于 Worldview-2影像的面向?qū)ο笮畔⑻崛〖夹g(shù)研究 ［D］．杭州:浙江大學(xué)，2012．］

［5］ Chen Chun-hua，Su Yi-ping，Zou Chong-yao，et al．Experimental study on the method of remote sensing image fusion based on WorldView-2［J］．Geographic Spatial Information，2013，11(6):72-74．［陳春華，蘇逸平，鄒崇堯，等．Worldview-2遙感影像融合方法實(shí)驗(yàn)研究 ［J］．地理空間信息，2013，11(6):72-74．］

［6］Zhang Liu-jin．Image Segmentation［M］．Beijing:Science Press，2001:1-182．［章毓晉．圖像分割 ［M］．北京:科學(xué)出版社，2001:1-182．］

［7］ Zhou Chun-yan，Wang Ping，Zhang Zhen-yong，et al．Object-oriented information extraction technology of high resolution remote sensing image［C］．SPIE，Xian，2006．［周春艷，王萍，張振勇，等．面向?qū)ο蟮母叻直媛蔬b感影像信息提取技術(shù) ［C］．SPIE，Xian，2006．］

［8］ Yan Li，Zhao Zhan，Nie Qian，et al．Ground objects extraction from high-resolution remote sensing image with rules［J］．Wuhan University Journal of Natural Sciences，2012，37(6):636-639．［閆利，趙展，聶倩，等．利用規(guī)則進(jìn)行高分辨率遙感影像地物提?。跩］．武漢大學(xué)學(xué)報(bào)，2012，37(6):636-639．］

［9］ Zhang Jun，Yu Qing-guo，Zhu Xiao-dong，et al．Object-oriented features space optimization of high spatial resolution remote sensing image［J］．Science of Surveying and Mapping，2011，36(3):141-143．［張俊，于慶國(guó)，朱曉東，等．面向?qū)ο蟮母叻直媛视跋裉卣鬟x擇研究 ［J］．測(cè)繪科學(xué)，2011，36(3):141-143．］

［10］ Ni Zhuo-ya，Gan Fu-ping，Zhou Ping，et al．Object-oriented image classification of Naqu using Worldview-2 image［J］．Application of Remote Sensing，2011(118):114-118．［倪卓婭，甘甫平，周萍，等．面向?qū)ο蟮哪乔鶺orldview-2影像的分類 ［J］．遙感應(yīng)用，2011(118):114-118．］