一種高分辨率遙感影像最優(yōu)分割尺度確定的方法*1

張吉星， 程效軍，2， 郭　王

(1.同濟大學 測繪與地理信息學院，上海　200092； 2.現(xiàn)代工程測量國家測繪地理信息局重點實驗室，上海　200092)

?

一種高分辨率遙感影像最優(yōu)分割尺度確定的方法*1

張吉星1， 程效軍1，2， 郭王1

(1.同濟大學 測繪與地理信息學院，上海200092； 2.現(xiàn)代工程測量國家測繪地理信息局重點實驗室，上海200092)

摘要：近年來，面向對象的影像分析方法成為提取高分辨率遙感影像中目標地物信息的新技術，其關鍵和核心的步驟是多尺度分割。而在多尺度分割中，最優(yōu)分割尺度的確定成為了重點和難點。鑒于此，文章以某大學校區(qū)的高分辨率遙感影像為實驗對象，利用eCognition軟件，結合分割對象的均值方差和最大面積來確定最優(yōu)分割尺度，得出了幾種主要地物的最優(yōu)分割尺度：水體的最優(yōu)分割尺度為30，建筑物的最優(yōu)分割尺度為40，植被的最優(yōu)分割尺度為75，道路的最優(yōu)分割尺度為100。經(jīng)實驗驗證，分割尺度準確。

關鍵詞：高分辨率遙感影像；多尺度分割；最優(yōu)分割尺度；均值方差；最大面積

0 引言

近年來，遙感傳感器技術的迅速發(fā)展使獲取的遙感影像的分辨率越來越高。高分辨率遙感影像提供了比中低分辨率遙感影像更多的紋理、地物幾何布局以及光譜等信息。如何利用這些信息從海量的高分辨率遙感影像中提取地物目標的信息，并對其進行有效的利用成為當前面臨的難題之一[1]。

以往通常依靠“像元”進行遙感影像分析，但此傳統(tǒng)方法往往會忽略影像的形狀、紋理以及結構等空間特性[2]。而面向對象的影像分析方法因其注重結構、形狀和空間分布等特征，恰恰彌補了傳統(tǒng)方法的不足，在高分辨率遙感影像的處理分析中表現(xiàn)出了明顯的優(yōu)勢[3]。

運用面向對象的影像分析技術進行分類，首先要對影像進行分割，得到一個個對象，再基于對象完成影像的分類。其中，分割影像時的最優(yōu)分割尺度的選擇直接決定了影像的分類精度[4]。本文利用均值方差法和最大面積法來確定不同地物的最優(yōu)分割尺度[5]。

1多尺度分割和最優(yōu)分割尺度的涵義

多尺度分割就是對不同尺度的影像對象層采用不同的尺度分割，這樣可以由不同尺度的數(shù)據(jù)結構構成影像數(shù)據(jù)，這種結構是一種層次網(wǎng)狀結構。

在一幅遙感影像中，不同類別的地物具有不同的尺度，如果只是基于單一的尺度進行分割，會使得分割后的圖像變得過于破碎或者不完全分割，這樣較難保證影像的分類精度。因此，需要在多尺度下對地物進行分割。

對于采用多尺度分割技術進行遙感影像信息提取來說，最優(yōu)尺度應該有兩方面的涵義[5]：

1)當信息提取針對一種地物類型或幾種地物類型時，最優(yōu)尺度應該表現(xiàn)為：分割后對象與目標地物輪廓相當、大小接近，對象多邊形既不能太破碎也不能邊界模糊，且光譜變異情況較小。

2)當信息提取針對整景影像時，最優(yōu)尺度應該表現(xiàn)為：分割后影像對象內(nèi)部異質性盡量小，與此同時，不同類別對象之間的異質性盡量大。

2最優(yōu)分割尺度的確定

本文介紹兩種確定最優(yōu)分割尺度的方法：均值方差法和最大面積法。

2.1均值方差法

該方法的基本原理是：影像層中純對象增多，與相鄰對象之間的光譜變異增大，則對象的均值方差增大；相反，混合對象增多時，與相鄰對象之間的光譜變異降低，對象的均值方差就變小，當均值方差達到最大時所對應的分割尺度為最優(yōu)[6]。

因此，首先進行多尺度分割，形成不同的尺度分割層，然后繪制均值方差隨分割尺度的變化曲線圖，最后便可以確定不同地物所對應的最優(yōu)分割尺度。

均值是指某個對象內(nèi)所有像元灰度值的均值，均值方差是指整幅影像中所有對象均值的方差。均值方差的計算公式如下：

(1)

(2)

(3)

2.2最大面積法

該方法的基本原理是：在面向對象的影像分割中，影像對象的大小是由分割尺度與影像空間分布特征決定的。一般來說，影像對象大小都是隨著尺度的增大而增大，但是當影像信息的尺度增大時，影像對象的大小不應該超過地物類別在影像中的個體大小。選取相當于原影像中地物類別大小的空間尺度作為最優(yōu)分割尺度[6]。

據(jù)此，可以繪制相應的曲線來確定最大分割尺度，具體方法為：首先計算各種分割尺度下所形成的影像層中對象的最大面積，然后以X軸為分割尺度，Y軸為對象的最大面積，就能夠繪制對象最大面積隨著尺度變化的曲線，最后再分析對象的最大面積與分割尺度之間的相互關系，便可以得出某種地物的最優(yōu)分割尺度。

3高分辨率遙感影像多尺度分割實驗分析

3.1實驗數(shù)據(jù)

本實驗采用的數(shù)據(jù)為2012年6月30日拍攝的一張QuickBird的多光譜遙感影像，其分辨率為2.4 m(紅、綠、藍、近紅外4個波段的分辨率全為2.4 m)，符合高分辨率遙感影像的要求。該影像在進行多尺度分割之前已經(jīng)經(jīng)過了必要的大氣校正和幾何粗校正等處理，為后續(xù)的工作打下了基礎。實驗區(qū)為某大學校區(qū)，該實驗區(qū)雖東西方向有一些起伏，但總體來說，地勢還是比較平坦。除此之外，選擇該地區(qū)的影像還有以下原因：該地區(qū)地物類型豐富，并且地物之間有明顯的區(qū)別。所以，選擇的這片區(qū)域較適合本實驗的研究。實驗區(qū)影像的大小為350×350 pixels，地理位置為北緯34°15′48.37″，東經(jīng)117°11′16.35″。實驗區(qū)影像，如圖1所示。

圖1　實驗區(qū)影像Fig.1　The experimental area image

3.2 實驗流程

實驗流程，如圖2所示。

圖2　最優(yōu)分割尺度確定流程Fig.2　Process of determining optimal segmentation scale

3.3多尺度影像分割

這一環(huán)節(jié)是整個實驗的關鍵：如何從不同分割尺度分割后的影像中分析出每種地物的最優(yōu)分割尺度。

本文采用目視解譯和理論上的數(shù)據(jù)分析相結合的方式，即先對每張分割后的影像進行逐一的目視分析，然后再結合理論上的指標方法：均值方差法和最大面積法，通過這兩種方法分析出每種地物的最優(yōu)分割尺度。

首先選取不同的分割尺度對同一幅影像分別進行多尺度分割操作，通過前期對實驗區(qū)的實地考察和對影像的分析，選擇分割尺度從20到115(以5為步長)的一系列尺度參數(shù)對研究區(qū)進行預分割。

其中，尺度分別為20、30、40、75、100、105、110、115分割后的影像層，如圖3所示。

不同分割尺度的分割效果為：

1)當分割尺度為20時，絕大多數(shù)的地物都被分成若干個多邊形，且多邊形顯得過于破碎，類別對象之間的可分性較低，因此，這一分割尺度不適合影像類別信息的提取。

2)當分割尺度為30時，提取水體比較合適。雖然較長的玉泉河被分割成4段，但是還是可以組合成一條完整的河，這一尺度最主要的優(yōu)勢就是分割出圖書館前的一條小河。如果分割尺度再大，圖書館前的小河流就不能被分割出來。

3)當分割尺度為40時，提取建筑物比較合適。雖然體育館被分割成兩段，但是每棟宿舍樓的輪廓基本上都能被清晰地勾畫出。如果尺度再大，宿舍樓就會漸漸與周圍的其他地物合并成一個對象，所以說，這一尺度最適合提取建筑物。

4)當分割尺度為75時，提取植被比較合適。在所選擇的尺度中，當尺度小于50時，植被雖然被分得很詳細，但是過于瑣碎，不便于后面信息的提??；當尺度大于50時，植被被分割得過于籠統(tǒng)，且隨著尺度的增大，越來越多的植被會與其他的地物被合并在一個多邊形內(nèi)。

5)當分割尺度為100時，比較適合提取道路，雖然被分割得比較零碎，但是還是可以與其他地物分開。而尺度再大，則會與其它地物混合。

6)當分割尺度大于100時，通過目視解譯很容易看到，各種地物的可分性已較低，多邊形面積太大，基本上都包含了多種地物。

以上是對分割尺度的效果進行定性的描述，下面將分別利用均值方差法和最大面積法對分割尺度進行定量計標，并通過IDL編程實現(xiàn)。

3.3.1均值方差法

利用均值方差法進行計算得到分割后的影像的均值方差與分割尺度的曲線圖，如圖4所示。

從圖4可以看出：曲線出現(xiàn)了多個峰值，如30、40、75、90、100，每個峰值所對應的分割尺度就是不同類別的最優(yōu)分割尺度。

3.3.2最大面積法

利用最大面積法進行計算得到分割后的影像中的對象的最大面積與相應的分割尺度之間的曲線圖，如圖5所示。

從圖5可以看出：隨著分割尺度的增大，最大面積大致呈階梯狀上升，形成了幾個面積大致不變的曲線平臺，這幾個平臺所對應的分割尺度為25-30、40-55、75-85、95-105?？梢耘袛喑雒恳粋€曲線平臺都是適合一種地物類別提取的尺度范圍。

綜合上述兩種最優(yōu)分割尺度的結果，最終證實30、40、75、100為不同地物的最優(yōu)分割尺度。其中，水體的最優(yōu)分割尺度為30，建筑物的最優(yōu)分割尺度為40，植被的最優(yōu)分割尺度為75，道路的最優(yōu)分割尺度為100。

圖3　多尺度分割效果 Fig.3　Effectofmulti-scalesegmentation

圖4　對象均值方差隨尺度的變換曲線Fig.4　Transformation curve of mean variance of object with scale

圖5　對象最大面積隨尺度的變換曲線Fig.5　Transformation curve of maximum area of object with scale

4結束語

本文利用eCognition軟件對某大學校區(qū)的高分辨率遙感影像進行多尺度分割，其目的就是為了確定每種地物的最優(yōu)分割尺度。采用定性的目視解譯法和定量的均值方差法與最大面積法來確定每種地物的最優(yōu)分割尺度。其中，定性的目視解譯是通過對實驗區(qū)實地考察進行，而定量的均值方差法和最大面積法則是通過IDL編程實現(xiàn)。最后確定的每種地物的最優(yōu)分割尺度為：水體的最優(yōu)分割尺度為30，建筑物的最優(yōu)分割尺度為40，植被的最優(yōu)分割尺度為75，道路的最優(yōu)分割尺度為100。對于這樣的結果，通過實驗驗證符合實際情況。值得注意的是，地物的最優(yōu)分割尺度并不是一成不變的，而是取決于特定的地物環(huán)境。

[參考文獻]

[1]張博，何彬彬.改進的分水嶺變換算法在高分辨率遙感影像多尺度分割中的應用[J].地球信息科學，2014，16(1)：142-150.

[2]明冬萍，駱劍承，周成虎，等.高分辨率遙感影像信息提取及塊狀基元特征提取[J].數(shù)據(jù)采集與處理，2005，20(1)，34-39.

[3]Blaschke T.Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing，2010，65(1)：2-16.

[4]丁月平，史玉峰.高空間分辨率遙感影像分類最優(yōu)分割尺度[J].遼寧工程技術大學學報，2014，33(1)，56-61.

[5]孫波中.多尺度分割技術在高分辨率影像信息提取中的應用研究[D].西安：西安科技大學，2011.

[6]朱紅春，蔡麗杰，劉海英，江濤.高分辨率影像分類的最優(yōu)分割尺度計算[J].測繪科學，2015，40(3)，71-75.

A Method of Determining Optimal Segmentation Scale of High Resolution Remote Sensing Image

ZHANG Ji-xing1，CHENG Xiao-jun1，2，GUO Wang1

(1.CollegeofSurveyingandGeo-Informatics，TongjiUniversity，Shanghai200092，China； 2.KeyLaboratoryofAdvancedEngineeringSurveyofSBSM，Shanghai200092，China)

Abstract：In recent years， the method of object-oriented image analysis has become a new technology to extract the target feature information of high resolution remote sensing images.The key and core step of this method is multi-scale segmentation.The emphasis and difficulty of multi-scale segmentation is to determine the optimal segmentation scale.Therefore， this paper takes the high resolution remote sensing image of a university campus as the experimental object and uses eCognition software，and using a combination of mean variance method and maximum area method to determine the optimal segmentation scale indexes of the segmentation objects.The results showed that the optimal segmentation scale of water was 30，the optimal segmentation scale of building was 40，the optimal segmentation scale of vegetation was 75，and the optimal segmentation scale of road was 100.The segmentation scales were proved to be correct by experiment.

Key words：high resolution remote sensing images；multi-scale segmentation；optimal segmentation scale；mean variance；maximum area

* 收稿日期：2016-04-01

中圖分類號：P 237

文獻標識碼：A

文章編號：1007-9394(2016)02-0012-03

作者簡介：張吉星(1990～)，男，江蘇淮安人，碩士研究生，研究方向：攝影測量與遙感。

地礦測繪2016，32(2)：12～14

CN 53-1124/TDISSN 1007-9394

Surveying and Mapping of Geology and Mineral Resources