面向?qū)ο蠛鸵?guī)則的高分辨率影像分類研究

李朝奎，方　文，董小姣

(1. 湖南科技大學(xué)地理空間信息技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，湖南 湘潭 411201；

2. 湖南科技大學(xué)地理空間信息湖南省工程實(shí)驗(yàn)室，湖南 湘潭 411201)

LI Chaokui，F(xiàn)ANG Wen，DONG Xiaojiao

面向?qū)ο蠛鸵?guī)則的高分辨率影像分類研究

李朝奎1，2，方文1,2，董小姣1，2

(1. 湖南科技大學(xué)地理空間信息技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，湖南 湘潭 411201；

2. 湖南科技大學(xué)地理空間信息湖南省工程實(shí)驗(yàn)室，湖南 湘潭 411201)

Research on the Classification of High Resolution Image Based on Object-oriented and Class Rule

LI Chaokui，F(xiàn)ANG Wen，DONG Xiaojiao

摘要：隨著航天遙感技術(shù)的發(fā)展，遙感數(shù)據(jù)的空間分辨率、光譜分辨率和時(shí)間分辨率極大提高，高效解譯并處理海量的、具有空間幾何信息和紋理信息的地物高分辨率遙感影像數(shù)據(jù)已成為遙感領(lǐng)域研究的重點(diǎn)與難點(diǎn)。對(duì)此，本文提出一種面向?qū)ο蠛鸵?guī)則的遙感影像數(shù)據(jù)的分類提取方法，即通過發(fā)現(xiàn)和挖掘高分辨率影像豐富的光譜和空間特征知識(shí)，建立影像對(duì)象多層次網(wǎng)絡(luò)分割分類結(jié)構(gòu)，實(shí)現(xiàn)對(duì)遙感影像準(zhǔn)確快速的地物分類和精度評(píng)價(jià)。以藏南地區(qū)WorldView-2影像數(shù)據(jù)為試驗(yàn)研究對(duì)象，采用面向?qū)ο蠛鸵?guī)則的影像分類方法進(jìn)行驗(yàn)證試驗(yàn)，即綜合采用均值方差法、最大面積法、精度比較法進(jìn)行分析，選擇3種最佳分割尺度建立多層次影像對(duì)象網(wǎng)絡(luò)層次結(jié)構(gòu)進(jìn)行影像分類試驗(yàn)。結(jié)果表明，采用面向?qū)ο笠?guī)則分類方法對(duì)高分辨率影像進(jìn)行分類，能使高分辨率影像分類結(jié)果近似于目視判讀的結(jié)果，分類精度更高。面向?qū)ο笠?guī)則分類法的綜合精度和Kappa系數(shù)分別為97.38%、0.967 3；與面向?qū)ο骃VM法相比，分別高出6.23%、0.078；與面向?qū)ο驥NN法相比，分別高出7.96%、0.099 6。建筑物的提取精度、用戶精度分別比面向?qū)ο骃VM法高出18.39%、3.98%，比面向?qū)ο驥NN法高出21.27%、14.97%。

引文格式： 李朝奎，方文，董小姣. 面向?qū)ο蠛鸵?guī)則的高分辨率影像分類研究[J].測(cè)繪通報(bào)，2015(9)：9-13.DOI:10.13474/j.cnki.11-2246.2015.0267

關(guān)鍵詞：面向?qū)ο?；?guī)則；高分辨率；多尺度分割

中圖分類號(hào)：P237

文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：0494-0911(2015)09-0009-05

收稿日期：2014-11-13

基金項(xiàng)目：國(guó)家自然科學(xué)基金(41271390；41571374)；國(guó)土資源部公益性行業(yè)科研專項(xiàng)(201511079-04)

作者簡(jiǎn)介：李朝奎(1967—)，男，教授，主要研究方向?yàn)镚IS理論方法及其應(yīng)用。E-mail：616059644@qq.com

一、前言

隨著遙感數(shù)據(jù)空間分辨率、光譜分辨率和時(shí)間分辨率的顯著提高，深入挖掘和利用遙感數(shù)據(jù)中的各類語義關(guān)聯(lián)信息、有效去除各種復(fù)雜的干擾因素、提高解譯的自動(dòng)化和精確化程度已成為高分辨率遙感發(fā)展和應(yīng)用的主要挑戰(zhàn)[1]。面向?qū)ο蠓诸惙椒╗2-4]克服了高分辨率遙感影像傳統(tǒng)分類方法的缺陷，該方法不僅充分利用多種知識(shí)提取規(guī)則作為高復(fù)雜性和差異性高分辨率影像分類的依據(jù)，而且把分割和分類進(jìn)行一定程度的相互融合，從而實(shí)現(xiàn)對(duì)遙感影像準(zhǔn)確快速分類，提高了影像分類的精度和速度。在此基礎(chǔ)上，本文提出一種面向?qū)ο蠛鸵?guī)則的高分辨率影像分類方法(object-oriented and class rule classification，OCRC)，該法通過發(fā)現(xiàn)和挖掘高分辨率影像豐富的光譜和空間特征知識(shí)，建立影像對(duì)象多層次網(wǎng)絡(luò)分割分類結(jié)構(gòu)，并以藏南地區(qū)錯(cuò)那縣WorldVew-2遙感影像數(shù)據(jù)為研究對(duì)象，將該分類方法的分類結(jié)果和面向?qū)ο笞罱彿诸惙椒ǖ姆诸惤Y(jié)果分別進(jìn)行對(duì)比分析[5-7]。研究結(jié)果表明，本文提出的面向?qū)ο蠛鸵?guī)則的高分辨率影像分類方法在影像建筑物提取精度、用戶精度上具有明顯的優(yōu)勢(shì)。

二、面向?qū)ο蠛鸵?guī)則的信息提取方法

1. 研究區(qū)及數(shù)據(jù)源

研究區(qū)位于藏南地區(qū)的錯(cuò)那縣。藏南地區(qū)屬熱帶地區(qū)，氣候溫暖濕潤(rùn)，水熱條件充沛，具有“西藏的江南”之稱。它也是世界上最齊全的山地垂直自然帶地區(qū)，且是中國(guó)水力資源最豐富的地區(qū)之一，主要河流雅魯藏布江全流域水能蘊(yùn)藏量?jī)H次于長(zhǎng)江，單位流域面積和單位河長(zhǎng)的水能蘊(yùn)藏量居我國(guó)各大河之首。

本文選取2012年11月28日WorldView-2遙感影像為數(shù)據(jù)源。WorldView-2影像包括0.5 m全色波段和1.8 m分辨率的多光譜波段，具有4個(gè)標(biāo)準(zhǔn)波譜段(紅、綠、藍(lán)、近紅外)。遙感影像預(yù)處理包括幾何校正、影像融合和影像裁切。

2. 最佳分割尺度

地表實(shí)體的現(xiàn)象和過程都是客觀真實(shí)的，不同尺度研究對(duì)象的現(xiàn)象和過程則表現(xiàn)出地表實(shí)體的復(fù)雜性[8]。在一個(gè)最優(yōu)尺度上能清楚地觀察研究目標(biāo)的地理現(xiàn)象、過程和地理特征間的規(guī)律，保持地物實(shí)體大小的空間結(jié)構(gòu)特征是遙感影像分割的基本準(zhǔn)則，即地物最佳分割尺度，直接影響分類結(jié)果和精度。本文采用均值方差法、最大面積法、精度比較法選取各類地物的最佳分割尺度，選擇10、20、30、40、50、60、70、80、90、100、110尺度分割試驗(yàn)區(qū)。試驗(yàn)結(jié)果得出，均值方差法的最佳分割尺度為30、60和80，最大面積法最佳分割尺度區(qū)間為(40，50)、(60，80)、(90，100)，精度比較法中建筑物、水體、植被、裸地、道路的分割尺度分別在30、80、60、20、30時(shí)分類精度達(dá)到最大值(如圖1—圖3所示)。綜上所述，本文選擇分割尺度80區(qū)分水體和非水體，分割尺度60區(qū)分非水體中的植被和非植被，分割尺度30區(qū)分非植被中的建筑物、道路、裸地。

圖1　分割尺度與均值方差值關(guān)系

圖2　分割尺度與最大面積值關(guān)系

圖3　尺度與精度關(guān)系

3. 地物光譜和空間特征分析

(1) 光譜特征

通過對(duì)影像的整體觀察和分析，本文將研究區(qū)分為植被、水體、道路、裸地、建筑物5類地物，選擇并觀察影像上植被、水體、道路、裸地、建筑物樣本的光譜特征如何變化(如圖4所示)，總結(jié)植被、水體、道路、裸地、建筑物的特征，最后在影像上按植被、水體、道路、裸地、建筑物類別分別選取30個(gè)大小為10～15的典型區(qū)域像素樣本。試驗(yàn)結(jié)果表明，各目標(biāo)類別訓(xùn)練樣本之間的分離性均大于0.8，分離性較好，適宜作為訓(xùn)練樣本進(jìn)行光譜特征分析。

通過采集和分析大量典型地物特征樣本值的特點(diǎn)和變化，利用光譜間的相互關(guān)系，總結(jié)突出的某些特征分布規(guī)律，使其能充分反映地表物體的屬性和空間分布特征。

圖4　地物特征光譜曲線

植被的NDVI值與其他地物類別的NDVI值差異很大，植被的NDVI值在所有地類中是最高的，其平均值大于0.6，而其他地類的NDVI平均值均小于0.2(如圖5(a)所示)。水體的NDWI值與其他地物差異明顯，在結(jié)果圖中顯示為白色，水體指數(shù)的取值范圍通常為[0.29,0.6](如圖5(b)所示)。

從圖4中的典型地物波譜特征可知，道路的亮度值為Band 2>Band 1>Band 4>Band 3，建筑物的亮度值為Band 2>Band 1>Band 4>Band 3。為了區(qū)分道路和建筑物，通過波譜特征分析和反復(fù)試驗(yàn)，F(xiàn)=(B1-B4)/B1大于閾值0為建筑物，小于等于閾值0為道路。在WorldView-2影像上，雖然裸地、道路、建筑物特征比較明顯，通過目視就能將其區(qū)分。但是由于裸地、部分道路與建筑物(白色)的亮度均值變化大小順序相似，在影像上光譜都呈現(xiàn)出白色，為了區(qū)分裸地、部分道路與白色建筑物，B2大于閾值640為建筑物，小于等于閾值640且大于等于閾值450為裸地，小于閾值450為道路。

圖5　NDVI、NDWI特征結(jié)果

(2) 空間特征

形狀特征是高分辨率影像中目標(biāo)識(shí)別和分類中一個(gè)非常重要的特征。面向?qū)ο蟮姆诸惙椒ㄊ且詫?duì)象為基本分類單元，對(duì)象的形狀特征能通過數(shù)學(xué)工具、人工智能、非線性系統(tǒng)等科學(xué)計(jì)算出來，從而準(zhǔn)確反映和描述地表真實(shí)地物的形狀。本文將選擇長(zhǎng)寬比特征、寬度特征、矩形適合性、曲率、標(biāo)準(zhǔn)差曲率和密度特征用于規(guī)則分類，尺度30的分割結(jié)果如圖6所示。

圖6　各形狀特征結(jié)果

4. 分類規(guī)則及層次結(jié)構(gòu)

影像分割后，利用不同特征知識(shí)提取具有高復(fù)雜性和差異性的高分辨率影像地物，通過多層次間的傳遞，使得層次之間具有繼承關(guān)系，組成復(fù)雜的規(guī)則知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)影像上各種地物高效和準(zhǔn)確地逐級(jí)分層分類。本文以Ecognition8.7軟件為平臺(tái)，綜合利用影像中各層次地物類別光譜、形狀、紋理、上下文特征信息，選擇合適的分類特征或特征組合，建立各類地物的分類規(guī)則集。根據(jù)對(duì)研究區(qū)中的地物知識(shí)分析和特征挖掘，建立水體、植被、建筑物、道路、裸地分層體系和分類規(guī)則，對(duì)WorldView-2影像進(jìn)行逐級(jí)分類(見表1)。

表1　研究區(qū)地物分類規(guī)則

三、試驗(yàn)結(jié)果分析

試驗(yàn)將分類圖像中特定的對(duì)象與已知分類的參考對(duì)象檢驗(yàn)樣本進(jìn)行比較，采用混淆矩陣精度評(píng)價(jià)方法，計(jì)算分類結(jié)果的用戶精度、生產(chǎn)者精度、總精度和Kappa系數(shù)，對(duì)影像信息提取結(jié)果進(jìn)行評(píng)價(jià)。面向?qū)ο蟮囊?guī)則分類總精度高達(dá)97.38%，Kappa系數(shù)為0.967 3，建筑物的生產(chǎn)者精度和用戶精度分別高達(dá)91.67%、96.37%。試驗(yàn)結(jié)果顯示，面向?qū)ο蟮囊?guī)則分類效果較好，能有效地將光譜信息類似的裸地、建筑物、道路進(jìn)行區(qū)分，各類地物信息提取完整。通過對(duì)5類地物的特征知識(shí)發(fā)現(xiàn)和挖掘，選擇與面

向?qū)ο笠?guī)則相同的對(duì)象特征用于SVM和KNN分類，選擇光譜、形狀、植被指數(shù)、水體指數(shù)等共20個(gè)特征指數(shù)，見表2。圖7、表3—表5分別是各分類結(jié)果圖和各精度評(píng)價(jià)表。

表2　影像中影像對(duì)象特征總和

圖7　3種方法分類結(jié)果

表3　面向?qū)ο笠?guī)則分類結(jié)果精度評(píng)價(jià)

表4　面向?qū)ο骃VM分類結(jié)果精度評(píng)價(jià)

表5　面向?qū)ο驥NN分類結(jié)果精度評(píng)價(jià)

四、結(jié)論

本文提出了面向?qū)ο蠛鸵?guī)則的遙感影像分類方法。對(duì)面向?qū)ο笠?guī)則的分類方法、面向?qū)ο骃VM分類方法和面向?qū)ο驥NN分類方法進(jìn)行了試驗(yàn)對(duì)比分析，結(jié)果表明：

1) 面向?qū)ο蟮姆诸惙椒芎苡行У乩玫乇碚鎸?shí)地物的空間信息特征如面積、形狀、長(zhǎng)度、長(zhǎng)寬比、矩形適合性等參與影像的分類過程，特別是對(duì)于同譜異物的地物類別效果明顯。

2) 面向?qū)ο笠?guī)則分類的建筑物、道路、裸地、水體、植被等地類的生產(chǎn)精度、用戶精度、總精度、Kappa系數(shù)都要比面向?qū)ο骃VM法和面向?qū)ο驥NN法高，其中面向?qū)ο笠?guī)則法的總精度為97.38%，分別比面向?qū)ο骃VM分類和面向?qū)ο驥NN法高出6.23%、7.96%；Kappa系數(shù)為0.967 3，比面向?qū)ο骃VM分類和面向?qū)ο驥NN分類高出0.078、0.099 6；建筑物的生產(chǎn)者精度、用戶精度分別比面向?qū)ο骃VM方法高出18.39%、3.98%，且比面向?qū)ο驥NN方法高出21.27%、14.97%。

3) 通過面向?qū)ο蠖喑叨确指罘椒?，可以生成與影像上地物實(shí)體大小相似的影像對(duì)象，并以此進(jìn)行分類的結(jié)果和精度比傳統(tǒng)的基于像元分類方法更精確，其中面向?qū)ο蟮囊?guī)則法通過對(duì)影像上真實(shí)地物特征知識(shí)的發(fā)現(xiàn)和挖掘，建立地物分類規(guī)則和分類結(jié)果，比面向?qū)ο蟮谋O(jiān)督分類方法，如面向?qū)ο骃VM法和面向?qū)ο驥NN法分類結(jié)果好、精度更高，并且其中的建筑物信息提取更為完整精確。

參考文獻(xiàn)：

[1]REGO L F G.Automatic Land-cover Classification Derived from High-resolution IKONOS Satellite Image in the Urban Atlantic Forest in Rio De Janeiro(Brazil) by Means of an Object-oriented Approach[J].Applied Remote Sensing for Urban Planning, Governance and Sustainability，2007(5)：25-36.

[2]BAATZ M, SCHAPE A.Object-oriented and Multi-scale Image Analysis in Semantic Networks[C]∥Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing.Enschede：[s.n.]，1999.

[3]BAATZ M, SCHAPE A. Multiresolution Segmentation: An Optimization Approach for High Quality Multi-scale Image Segmentation[J]. Angewandte Geographische Information sverarbeitung，2000(XII): 12-23.

[4]KETTINGRL,LANDGREBEDA.ComputerClassificationofRemotelySensedMultispectralImageDatabyExtractionandClassificationofHomogeneousObject[J].IEEETransactionsonGeoscienceElectronics,1976，14(1): 19-26.

[5]曹雨田, 閆冬梅, 張麗.基于QuickBird衛(wèi)星數(shù)據(jù)的土地利用分類規(guī)則集研究[J]. 地理與地理信息科學(xué), 2011,27(6): 28-31.

[6]閆利.遙感圖像處理實(shí)驗(yàn)教程[M].武漢：武漢大學(xué)出版社，2010:24-30.

[7]閆利, 趙展, 聶倩.利用規(guī)則進(jìn)行高分辨率遙感影像地物提取[J]. 武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2012,37(6): 636-639.

[8]呂一河, 傅伯杰. 生態(tài)學(xué)中的尺度及尺度轉(zhuǎn)換方法[J]. 生態(tài)學(xué)報(bào), 2001(12)：2096-2105.

[9]ZHANGL,HUANGX.Object-orientedSubspaceAnalysisforAirborneHyper-spectralRemoteSensingImagery[J].NeuroComputing,2010，73(4): 927-936.

[10]陳杰.結(jié)合支持向量機(jī)與粒度計(jì)算的高分辨率遙感影像面向?qū)ο蠓诸怺J]. 測(cè)繪學(xué)報(bào), 2011,2(40)：128-134.

[11]黃慧萍.面向?qū)ο笥跋穹治鲋械某叨葐栴}研究[D]. 北京:中國(guó)科學(xué)院研究生院,2003：7482.