面向?qū)ο蟮母叻诌b感影像信息提取技術(shù)研究

常　虹，詹福雷，楊國東，牛雪峰，張旭請，邵　鵬，唐天琦

(1. 云南省基礎(chǔ)地理信息中心，云南 昆明 650032； 2. 吉林大學地球探測科學與

技術(shù)學院，吉林 長春 130026)

Research on Objects-oriented Information Extraction Technology for High

Resolution Remote Sensing Image

CHANG Hong，ZHAN Fulei，YANG Guodong，NIU Xuefeng，ZHANG Xuqing，SHAO Peng，TANG Tianqi

?

面向?qū)ο蟮母叻诌b感影像信息提取技術(shù)研究

常虹1，詹福雷2，楊國東2，牛雪峰2，張旭請2，邵鵬2，唐天琦2

(1. 云南省基礎(chǔ)地理信息中心，云南 昆明 650032； 2. 吉林大學地球探測科學與

技術(shù)學院，吉林 長春 130026)

Research on Objects-oriented Information Extraction Technology for High

Resolution Remote Sensing Image

CHANG Hong，ZHAN Fulei，YANG Guodong，NIU Xuefeng，ZHANG Xuqing，SHAO Peng，TANG Tianqi

摘要：以WorldView-2高分遙感影像數(shù)據(jù)為例，采用規(guī)則集開發(fā)的模式進行地圖要素提取，對主要制圖要素圖像進行了分割、分類試驗，實現(xiàn)了多尺度分割的層次構(gòu)建和制圖地物要素分級分類。

關(guān)鍵詞：高分影像；面向?qū)ο螅灰?guī)則集開發(fā)；多尺度分割；分級分類

一、引言

隨著遙感技術(shù)的發(fā)展，利用高分辨率遙感影像的信息分類提取更加精確。遙感影像制圖要素提取方法主要有3種：目視解譯、基于像元的信息提取、面向?qū)ο蠓诸?。基于像元的分類方法對高分辨率遙感影像提取會出現(xiàn)比較嚴重的椒鹽現(xiàn)象，而面向?qū)ο蟮男畔⑻崛〔坏紤]光譜的統(tǒng)計特性還考慮其形狀、大小、紋理、拓撲關(guān)系，能得到較高的信息提取精度。本文以World View-2影像為數(shù)據(jù)源，經(jīng)過對影像數(shù)據(jù)進行預(yù)處理和邊緣檢測，利用多次試驗結(jié)果得出最合適的分割參數(shù)后進行多尺度分割，同時對遙感影像進行光譜分析，利用不同地物的光譜屬性及紋理、形狀等特征進行分類，得到了較為滿意的制圖地物要素提取效果。

二、高分影像處理步驟

1. 圖像預(yù)處理

本文所采用的試驗數(shù)據(jù)已經(jīng)作過輻射校正和幾何校正，為了更加準確地提取高分影像所包含的各類信息，對影像進行融合處理，以獲取更加豐富的圖像信息，突出專題信息，提高分類精度，增強地物特征的顯示。本試驗選擇融合方法為pan sharpening、小波變換融合、HPF融合、刪減法融合，通過比較，最終采用pan sharpening來進行本試驗區(qū)圖像的融合。為了進一步改善圖像質(zhì)量加強圖像判讀和識別效果，使圖像數(shù)據(jù)更有益于解譯，采用自適應(yīng)濾波、統(tǒng)計濾波、降噪處理等技術(shù)對圖像進行了預(yù)處理；同時采用PCA(主成分分析方法)對試驗區(qū)進行光譜增強，將具有相關(guān)性的多波段數(shù)據(jù)壓縮到完全獨立的較少的幾個波段上。

2. 影像信息提取準備

波段重組是對一些原始波段進行算法改進以便在制圖要素提取中獲得更好的效果。本研究在前人研究的基礎(chǔ)上選擇適合的算法，采用植被指數(shù)中應(yīng)用最廣泛的歸一化植被指數(shù)NDVI=(NIR-red)/(NIR+red)；歸一化差異水體指數(shù)NDWI= (green-NIR)/(green+NIR)；改進的歸一化差異水體指數(shù)MNDWI=(red-NIR)/(red+NIR)；其中NIR代表近紅外波段；green代表綠光波段；red代表紅光波段。

本研究采用現(xiàn)有的效果較好的canny邊緣檢測算法來進行影像的邊緣檢測，并且利用檢測后的結(jié)果來進行輔助分割，使得圖像分割更加準確快速。

3. 分割分類及規(guī)則集開發(fā)

(1) 多尺度分割

多尺度影像分割是從任一個像元開始, 采用自下而上的區(qū)域合并方法形成影像對象，將小的對象經(jīng)過若干次合并變成大的均質(zhì)影像對象，可理解為一個類似像元合并成為影像對象的逐步優(yōu)化過程。影像分割的結(jié)果由分割參數(shù)決定，它由尺度參數(shù)、形狀參數(shù)、緊致度參數(shù)組成。本研究針對選取分割參數(shù)作出了如下判斷。

1) 尺度參數(shù)可以由參考多邊形來評價多尺度分割的尺度參數(shù)是否合理。如果分割結(jié)果和參考多邊形相同則說明設(shè)定的多尺度參數(shù)可以用來實現(xiàn)地物提取，并且得到了最好的分割結(jié)果；如果分割結(jié)果把參考多邊形分割成了不同的部分則說明分割尺度較小；如果分割最小面積對參考多邊形形成了外覆蓋，則說明分割尺度過大。

2) 形狀參數(shù)和緊致度參數(shù)可以通過分析分割的輪廓線來選取，如果分割結(jié)果將不同屬性的影像地物分割成了相同的地物或者將相同屬性的地物分割成了不同地物，則說明形狀參數(shù)和緊致度參數(shù)過小，導致分割過程沒能更好地考慮地物的形狀和緊致度。

3) 分割質(zhì)量可以通過混淆矩陣來評價不同制圖要素的分割精度。

經(jīng)過試驗，本研究選取兩種分割參數(shù)，即C1層為scale=100，shape=0.2，camp=0.5用于對水體表面的分類；C2層scale=50，shape=0.1，camp=0.5用于其他制圖要素的分類。

(2) 分級分類

本研究根據(jù)各要素的特點，選擇出最能表達該要素的特征或是特征組合，實現(xiàn)制圖要素的分類處理，即先將易提取的制圖要素分類并生產(chǎn)與其相反的另一類別，如先將整幅圖像分為植被和非植被，再從非植被類別中分出水體表面和非水體，如此進行下去直至分類結(jié)束。

根據(jù)前面的分割研究，決定在C1層上首先將圖像分為兩類：水體表面和非水體。成員函數(shù)的組合為

mean(MNDWI)≥0.06

(1)

其他制圖要素在C2層上進行，C2層在C1層分類的基礎(chǔ)上采用新的分割參數(shù)重新分割影像數(shù)據(jù)來進行其他要素的分類。

在非水體類別中分為植被類和非植被類，植被的分類成員函數(shù)組合為

mean(NDVI)≥0.21

(2)

mean(PCA band1)≤780

(3)

在非植被類別中分為道路類別和非道路類別，道路的分類成員函數(shù)組合為

mean(NDVI)<0.27

(4)

density≤1.1

(5)

lengthwidth≥3.1

(6)

式中，density為圖像密度函數(shù)值；lengthwidth為圖像長寬比函數(shù)值。

在非道路類別中分為裸地類別和非裸地類別，裸地的分類成員函數(shù)組合為

mean(PCA band1)≤580

(7)

在非裸地類別中分為建筑物屋頂和其他類別，建筑物屋頂?shù)姆诸惓蓡T函數(shù)組合為

0.15

(8)

mean(PCA band1)≥340

(9)

再將其他類別采用最鄰近分類方法分出感興趣類別。

三、試驗區(qū)衛(wèi)星數(shù)據(jù)處理

用于試驗的World View-2影像原圖如圖1所示，區(qū)域面積約18 km2，圖像中面積較大的區(qū)域是裸地和植被，河流表面成塊出現(xiàn)，道路網(wǎng)比較復(fù)雜，建筑物比較分散。利用主要地物制圖要素的光譜曲線圖查看地物的光譜信息，不但可以得到利用光譜信息分類的精度信息，還有助于面向?qū)ο蠓诸惖姆椒ǖ拇_定。主要制圖地物要素光譜曲線圖如圖2所示。

圖1　原始影像圖

圖2　主要地物光譜曲線圖

圖2中A為植被、B為土路、C為裸地、D為水體表面、E為建筑物、F為瀝青路。由圖2可以看出一些地物如建筑物和裸地光譜范圍出現(xiàn)重疊并且建筑物和道路的標準差較大，因此傳統(tǒng)基于像元的分類方法很難滿足高分遙感影像制圖的需要。本文選擇的面向?qū)ο蠓诸惙椒?，不僅考慮光譜的統(tǒng)計特性，還考慮其形狀、大小、紋理、拓撲關(guān)系等，能得到較高的信息提取精度。對遙感影像進行光譜分析后，對其進行邊緣檢測、多尺度分割、分級分類、不同地物合并處理等，分類效果如圖3所示。將處理后的數(shù)據(jù)導出矢量數(shù)據(jù)后，加標注圖內(nèi)注記和圖幅整飾等制作的平面圖如圖4所示。

圖3　分類成果圖

圖4　平面圖

四、精度統(tǒng)計

遙感影像信息提取完成后，對試驗結(jié)果進行了精度評價。利用融合后的WorldView-2多光譜影像作為參考影像，通過目視解譯，設(shè)定目視解譯結(jié)果為已知地物類，將按試驗分類方法提取的圖像中特定的像元與已知分類的參考像元進行比較，用通用的遙感分類圖像質(zhì)量評價混淆矩陣計算分類的總體精度、用戶精度、生產(chǎn)者精度以及Kappa系數(shù)。隨機選取的500個地物點的分類精度統(tǒng)計如表1所示。

表1　精度評價統(tǒng)計表

五、結(jié)束語

通過高分辨率遙感影像的多尺度分割試驗，針對不同地物選擇最優(yōu)的分割尺度，使得各地物能在不同尺度層次上進行提取，并依此建立合理的分割分類規(guī)則集，較好地完成了分類，得到分類總體精度為88.6%， Kappa系數(shù)為85.75%，其中，建筑物為79.61%，草地為94.85%，道路為88.54%，裸地為84.76%，水體表面為95.96%，體現(xiàn)了面向?qū)ο蠓诸惙椒ǖ膬?yōu)越性。由該試驗方法提取的制圖要素導出的矢量數(shù)據(jù)經(jīng)過添加標注、圖幅整飾等編輯工作，可完成專題圖制作，因此，機助制圖需要的主要地物要素從高分辨率遙感影像上的半自動提取得以實現(xiàn)。

參考文獻：

[1]MYINT S W, GOBER P, BRAZEL A, et al. Per-pixel vs. Object-based Classification of Urban Land Cover Extraction Using High Spatial Resolution Imagery [J]. Remote Sensing of Environment, 2011, 115(5): 1145-1161.

[2]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 and Remote Sensing, 2004, 58(3): 239-258.

[3]JALAN S. Exploring the Potential of Object Based Image Analysis for Mapping Urban Land Cover[J]. Journal of the Indian Society of Remote Sensing, 2012, 40(3): 507-518.

[4]蘇偉,李京,陳云浩,等.基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯俊择R來西亞為例[J].遙感學報,2007,11(4):521-530.

[5]汪金花,谷端勇.利用遙感影像進行專題制圖方法的探討[J].礦山測量,2002(3)：52-53.

[6]徐涵秋.利用改進的歸一化差異水體指數(shù) (MNDWI) 提取水體信息的研究[J].遙感學報, 2005, 9(5): 589-595.

[7]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，2012.

引文格式： 常虹，詹福雷，楊國東,等. 面向?qū)ο蟮母叻诌b感影像信息提取技術(shù)研究[J].測繪通報，2015(1)：99-101.DOI:10.13474/j.cnki.11-2246.2015.0020

作者簡介：常虹(1966—)，女，高級工程師，主要從事GIS數(shù)據(jù)處理及遙感圖像處理等方面的研究。E-mail：980331136@qq.com

收稿日期：2013-12-16

中圖分類號：P237

文獻標識碼：B

文章編號：0494-0911(2015)01-0099-03