利用面向?qū)ο蟮男畔⑻崛〖夹g(shù)進行城市用地分類

劉佳雨

摘要：針對城市用地分類問題，利用面向?qū)ο蟮母叻直媛视跋裥畔⑻崛〖夹g(shù)，對高分辨率影像進行影像分割，尋找影響對象提取精度的最優(yōu)分割尺度，在得到最優(yōu)分割尺度的基礎(chǔ)上針對研究區(qū)城市用地的特點，有針對性地建立不同對象的提取規(guī)則，實現(xiàn)對目標(biāo)對象的信息提取，從而形成最終的城市用地分類圖，并將其與基于像元的光譜信息分類的方法進行對比，結(jié)果表明：視覺方面，面向?qū)ο笮畔⑻崛〖夹g(shù)克服了監(jiān)督分類最大似然方法僅利用光譜信息分類的缺陷，充分考慮了像元間的空間關(guān)系特點，有效消除了“椒鹽”噪聲的影響；精度方面，面向?qū)ο笮畔⑻崛〖夹g(shù)的總體精度高達86.1166%，比最大似然法的總體精度提高了9.8851%，KAPPA系數(shù)也高達0.8131。

關(guān)鍵詞：面向?qū)ο?；高分辨率影像；多尺度分割；ENVI5.0；信息提取

Abstract： Object-oriented extraction technology is applied to urban land classification for the purpose of finding the optimal segmentation scale，which affects the accuracy of the classification，and combining with the characteristics of the study area. Different extraction rules should be established to extract the object information.Compared with the pixel-based classification method，the results shows that：①object-oriented extraction technology takes full account of the spatial relationships between features，and eliminates the “pepper and salt”noises；②In accuracy，the overallaccuracy of the object-oriented extraction technology is up to 86.1166%，9.8851 percentage points higher than the maximum likelihood method，Also a KAPPA coefficient of 0.8131 is acquired.

Key words： Object-oriented；High spatial

resolution image；Multi-scale segmentation；ENVI5.0；Information extraction

引言

城市用地類型的多樣化使得針對城市用地的分類方法研究成為近年來人們關(guān)注的問題，傳統(tǒng)的基于像元光譜信息的分類技術(shù)使用的多是中低分辨率的影像，其分類原理僅利用了影像的光譜信息，使得分類影像的視覺效果由于大量“椒鹽”噪聲的存在受到很大影響，并且“異物同譜”和“同物異譜”現(xiàn)象使得分類精度大大降低[1]。隨著一系列高分辨率衛(wèi)星的發(fā)射，高分辨率影像的獲取成本越來越低，這使得面向?qū)ο蟮男畔⑻崛〖夹g(shù)蓬勃發(fā)展，成為近年來研究的熱點問題[2]。其基本思想是首先按照研究對象的特點將影像分割成具有一定意義的均質(zhì)對象，而不是以單獨的像元為研究單位，然后綜合運用對象的光譜、紋理、形狀、大小以及空間鄰近關(guān)系等特征進行分類，所以分類精度大大提高[3]，同時該技術(shù)也省去了后期目視解譯工作的繁重任務(wù)，排除了人為主觀性的干擾，節(jié)省了大量成本，實現(xiàn)了自動獲取遙感信息的過程[4]。

國內(nèi)外很多學(xué)者也針對面向?qū)ο笮畔⑻崛〖夹g(shù)做了很多研究，比如孫曉霞，張繼賢等利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路信息[5]；曹寶，秦其明等應(yīng)用面向?qū)ο蟮姆诸惙椒▽POT5遙感影像進行分類[6]，但是基于面向?qū)ο蟮母叻直媛视跋駪?yīng)用于城市用地分類的研究卻比較少，因此本文利用ENVI5.0中的Feature Extraction模塊，選取杭州具有典型城市用地類型的部分區(qū)域作為研究對象，利用面向?qū)ο蟮挠跋穹指罴夹g(shù)，基于邊緣分割的算法，對城市用地進行分類，同時和傳統(tǒng)的基于像元光譜信息的分類方法進行比較，并做出了精度評價，類似的應(yīng)用研究目前國內(nèi)并不多見，這就為利用高分辨率衛(wèi)星影像提取城市用地信息提供了一種全新的思路和方法，具有巨大的經(jīng)濟和社會價值。

1. 研究區(qū)與數(shù)據(jù)源簡介

WorldView-2影像數(shù)據(jù)獲取時間為2008年6月，具有一個空間分辨率為0.5m的全色波段，八個空間分辨率為2m的多光譜波段，地物的光譜信息比較豐富。從影像上看，研究區(qū)內(nèi)道路、綠地、建筑物、水體等城市用地類型清晰可見。為了最大限度地利用高分辨率影像的空間以及光譜信息，保證數(shù)據(jù)的精度，在正式做信息提取之前，先對研究區(qū)影像進行了融合、正射糾正、大氣校正等預(yù)處理，得到圖1所示的真彩色合成影像。本文從杭州市WorldView-2高分辨率遙感影像上截取2596*1523像素大小的區(qū)域作為研究區(qū)，且該地區(qū)的城市用地類型明顯（見圖1）。

2. 信息提取方法

2.1 基于像元光譜信息的最大似然監(jiān)督分類法

傳統(tǒng)的基于像元光譜信息的最大似然監(jiān)督分類法通過定義訓(xùn)練樣本的方式形成待提取感興趣地物的光譜特征空間，并利用這個特征空間對整個研究區(qū)進行分類，這種分類方法僅僅考慮了研究對象的光譜信息，沒有考慮其紋理、大小、形狀以及空間拓?fù)潢P(guān)系特征。利用這種方法得到分類專題圖如圖2所示。通過對分類圖的分析，得到以下結(jié)論：（1）大量的“椒鹽”噪聲存在于分類結(jié)果中使得圖像的視覺效果受到影響，主要原因是同一地物在高分辨率影像上表現(xiàn)的光譜特征不同，混合像元增多所致；（2）建筑物和道路不能很好地分開，導(dǎo)致大量的錯分和混分現(xiàn)象存在，主要原因是它們的建筑材料類似，表現(xiàn)在遙感圖像上的光譜信息非常接近，“異物同譜”現(xiàn)象在基于像元光譜信息的分類方法中很難區(qū)分。

2.2 面向?qū)ο蟮男畔⑻崛》椒?/p>

由于不同地物的物理化學(xué)成分、內(nèi)部結(jié)構(gòu)構(gòu)造、紋理結(jié)構(gòu)以及表面特征的不同，使得不同地物對于電磁波的輻射和反射能力不盡相同，反映在遙感影像上就表現(xiàn)為平均輻射亮度值的不同，從而形成不同地物在遙感影像上的不同形態(tài)及色彩表現(xiàn)，我們能夠?qū)Σ煌匚镞M行特征分析，從而根據(jù)不同的特征在影像上進行信息提取，這就使得面向?qū)ο蟮男畔⑻崛〖夹g(shù)成為可能[7]。目前，比較流行的遙感影像處理軟件ENVI、ERDAS等都提供面向?qū)ο蟮姆诸惙椒ǎ€有專門針對面向?qū)ο笮畔⑻崛〉膃Cognition[8]。其中，ENVI5.0FX擴展模塊提供了完整的面向?qū)ο笮畔⑻崛〉募夹g(shù)流程，本文主要利用ENVI5.0 FX擴展模塊中的Feature Extraction工具進行基于規(guī)則的面向?qū)ο蟮男畔⑻崛?，其主要流程如圖3所示。

2.2.1 多尺度影像分割

多尺度影像分割是根據(jù)研究目的，按照一定規(guī)則將圖像分割成獨立區(qū)域的過程，圖像分割技術(shù)概括起來分為邊緣搜索、區(qū)域增長和基于知識的分割等三類[9]。多尺度影像分割先將單個像元作為一個對象，然后根據(jù)相鄰像元之間的光譜異質(zhì)及其閾值和對比度異質(zhì)及其閾值對象元進行合并及分割，再用形狀異質(zhì)對產(chǎn)生的對象形狀進行修正，最終得到具有相似形狀、顏色、紋理等特征的多邊形，正因為如此，信息提取時，非常重要的語義信息并不是通過單個像元表達的，而是通過分割出的圖像對象（一組像元）反映的[10]。分割尺度的大小影響影像對象的大小和數(shù)量，分割尺度不同，生成的影像對象多邊形的大小和數(shù)量也不同，一個好的分割尺度分割得到的多邊形可以將不同的地物類型的邊界線勾勒清楚，同時能夠防止地物分割的過于細(xì)碎，所以多尺度影像分割技術(shù)是面向?qū)ο笮畔⑻崛∽铌P(guān)鍵的一步，其分割質(zhì)量的好壞直接影響到最終信息提取的精度[11]。

Feature Extraction根據(jù)鄰近像素亮度、紋理、顏色等對圖像進行分割，它使用的是基于邊緣的分割算法，即邊緣搜索，這種算法計算速度快，并且只需要一個輸入?yún)?shù)就能產(chǎn)生多尺度分割結(jié)果，通過不同尺度邊界的差異控制，從而產(chǎn)生從細(xì)到粗的多尺度分割，高分辨率影像中對象的特征各有不同，需根據(jù)實際情況設(shè)定不同的分割尺度，所以在分割一幅影像時，最好的辦法是通過反復(fù)試驗不同的參數(shù)設(shè)置，以期得到最佳的分割尺度[12]。利用Feature Extraction工具進行基于規(guī)則的面向?qū)ο蟮男畔⑻崛r，要求根據(jù)待提取對象的不同特點分別設(shè)置分割尺度和合并尺度數(shù)值，并選擇合適的算法進行影像的多尺度分割[13]。各種算法及其特點如表1所示。

經(jīng)過多次試驗并結(jié)合待提取地物在高分辨率影像上的特點，決定選擇Edge基于邊緣檢測的分割算法并結(jié)合Full Lambda Schedule合并算法來對實驗區(qū)進行多尺度影像分割。通過尺度分割實驗，并結(jié)合四種城市用地類型的特點，選擇出各自的最佳的分割尺度，形成了具有“同質(zhì)性”的對象像元群，四種待提取對象的最佳分割及合并尺度如表2所示。選擇高尺度的圖像分割，分出的斑塊少；選擇低尺度的圖像分割，會分出更多的斑塊，至此完成了面向?qū)ο笮畔⑻崛≈邪l(fā)現(xiàn)對象的過程。

2.2.2 基于分割的分類技術(shù)

Feature Extraction中包括兩種基于分割的特征提取方法：基于規(guī)則的特征提取和基于樣本的特征提取，其中基于規(guī)則的特征提取屬于模糊分類法。本文主要采用基于規(guī)則的特征提取法進行城市用地分類，即通過分析待提取地物本身的特征屬性及與其他地物的特征差異，建立各種限定規(guī)則來提取地物，從而達到分類的目的。

應(yīng)當(dāng)選擇待提取地物最顯著的特點來建立規(guī)則，所設(shè)規(guī)則不宜太多，規(guī)則多并不意味著精度就會提高。每一個分類由若干個規(guī)則組成，每一個規(guī)則由若干個屬性表達式描述，每個分類可以有若干個規(guī)則，它們之間是“or”的關(guān)系，每一個規(guī)則可以有若干個屬性表達式，它們之間是“and”的關(guān)系。本文針對四種待提取地物類型的不同特點，采用不同的提取規(guī)則如表3所示。

提取綠地信息時，首先計算圖像的NDVI值，植被的NDVI值明顯高于其他地物，通過選擇ROI進行綠地NDVI值統(tǒng)計，確定在NDVI>0.18405時可以將大部分的植被信息提取出來；一些人工搭建的塑料棚等的反射率較高，NDVI值較大，也被錯誤地提取出來，利用植被和人工棚在綠波段Band3的DN值特點進行區(qū)分，綠地在此波段的最大DN值和人工棚在此波段的最小DN值很接近，所以利用人工棚在此波段的最小DN值1297作為提取綠地信息的上限，可以將錯誤提取出來的人工搭建物剔除。

提取水體信息時比較簡單，由于水體在近紅外波段的反射率很低，通過選擇水體的ROI信息并進行統(tǒng)計，只利用一個屬性表達式Band7<853.54874就可以將水體很好地提取出來。

提取道路信息時，首先利用NDVI<0.18405將綠地信息剔除；由于道路相比于建筑物的延伸性較好，并且道路的長寬比較大，經(jīng)過多次實驗確定當(dāng)Elongation>3，長寬比>1.5時可以將道路信息較好地提取出來。

提取建筑物信息時比較復(fù)雜，相比于綠地和水體來說，建筑物的光譜特征不明顯，又沒有道路的延伸性特點，所以需要利用多個屬性表達式逐層提取建筑物信息。首先通過選擇ROI進行建筑物NDVI值統(tǒng)計，確定在NDVI<0.18405時可以剔除掉植被等NDVI值較高的地物信息；由于建筑物大致呈矩形，經(jīng)過多次實驗確定當(dāng)矩形形狀度量RectangularFit>0.5時，可以將建筑物信息很好地提取出來；由于建筑物的面積不會太小，所以有必要進行面積限定以剔除掉一些面積過小的干擾區(qū)域，利用Area>45m2作為限定條件。

由于目前沒有很好的方法對影像中的陰影進行消除，所以陰影地區(qū)的地物信息不能很好地提取出來，所以本文采用人工解譯的方法對影像中的陰影進行提取。最終得到如圖4所示的專題圖。

3. 精度評價

采用在研究區(qū)內(nèi)隨機抽取采樣點的方式，并參考已有的一些輔助資料進行精度評價，并對隨機抽取的100個采樣點逐點進行類別確定，隨后執(zhí)行評價，以期得到比較精確的評價結(jié)果。采用的兩種分類方法的精度評價結(jié)果如表4、表5所示。

由表4和表5可以大體得到以下結(jié)論：從單個類別提取的生產(chǎn)者精度和用戶精度來看，除了“其他”類別的生產(chǎn)者精度外，面向?qū)ο蟮男畔⑻崛〖夹g(shù)能夠達到的精度普遍有所提高。比如對綠地信息的提取在面向?qū)ο蟮男畔⑻崛〖夹g(shù)中，可以有針對性地加入NDVI以及第三波段這類輔助判斷的信息從而提高了分類的精度；道路信息的提取在面向?qū)ο笮畔⑻崛≈械纳a(chǎn)者精度為83.21%，用戶精度為100%，比監(jiān)督分類最大似然法的精度分別提高了7.78%和39.49%，這是因為道路和建筑物具有相似的光譜特征，單純使用光譜特性進行判別就會使它們很容易被錯分，然而面向?qū)ο笮畔⑻崛〖夹g(shù)除了利用光譜信息外，還充分利用了道路的空間特征，如長寬比和延伸性等，從而達到了很高的提取精度；面向?qū)ο蟮男畔⑻崛〖夹g(shù)最終得到的總體精度為86.1166%，高出監(jiān)督分類最大似然法9.8851%，Kappa系數(shù)也提高了0.1596。

4. 結(jié)論

本文采用面向?qū)ο笮畔⑻崛〖夹g(shù)和傳統(tǒng)的監(jiān)督分類最大似然法對城市用地進行了分類，并通過定性和定量的方法對最終的分類結(jié)果進行對比，結(jié)論如下：（1）面向?qū)ο蟮男畔⑻崛〖夹g(shù)在進行分類前，首先根據(jù)地物的光譜、紋理等特點對影像進行了分割，形成了“同質(zhì)性”的對象像元群，相比于單純依靠地物的光譜信息進行地物提取的監(jiān)督分類最大似然法更加符合自然界地物的客觀性。（2）面向?qū)ο蟮男畔⑻崛〖夹g(shù)給人以更好的視覺效果，它徹底克服了傳統(tǒng)的基于像元光譜信息的分類方法會產(chǎn)生大量“椒鹽”噪聲的缺陷。（3）面向?qū)ο蟮男畔⑻崛〖夹g(shù)在利用了像元光譜信息的基礎(chǔ)上，還充分利用了同質(zhì)像元群的空間特征，比如利用延伸性和長寬比對道路信息進行提取，避免了和其具有相似光譜特征的建筑物的混分，最大限度地克服了“異物同譜”現(xiàn)象對分類結(jié)果的影響。（4）從最終的精度評價結(jié)果的定量描述中可以看出，面向?qū)ο蟮男畔⑻崛〖夹g(shù)可以顯著提高分類精度，有益于城市用地類型的劃分，可以對規(guī)劃和政府部門的決策提供更加快速準(zhǔn)確的信息支持。

本文的不足之處：（1）面向?qū)ο蠓诸惙椒ǖ姆诸惥群艽蟪潭壬弦蕾囉诜指畛叨鹊拇笮?，若分割尺度過大則達不到分類精度的要求，而過小則會使圖像過于細(xì)碎，加大分類的難度，影響分類的精度[12]，但是目前還沒有形成可靠的影像分割精度的評價標(biāo)準(zhǔn)，本文也僅僅是憑借多次實驗確定的最佳分割參數(shù)，帶有一定的主觀性。所以確定一套統(tǒng)一的影像分割精度的評價標(biāo)準(zhǔn)以及如何結(jié)合研究區(qū)地物的特征來獲取影像的最優(yōu)分割尺度，將會成為今后研究的重點。（2）被陰影遮蓋地區(qū)的地物信息沒有利用基于面向?qū)ο蟮男畔⑻崛〖夹g(shù)進行提取，而是通過人工解譯的方法將陰影單獨提取出來，這主要是因為目前關(guān)于影像陰影的去除技術(shù)尚不成熟，所以如何有效剔除影像的陰影區(qū)域并且能夠最大限度地保留地物的原始光譜及紋理信息是進一步研究的重點和難點所在。

參考文獻：

[1] 周春艷，王萍，張振勇等.基于面向?qū)ο笮畔⑻崛〖夹g(shù)的城市用地分類[J].遙感技術(shù)與應(yīng)用，2008，23（1）：31-36.

[2] 張壽選.基于面向?qū)ο蟮母叻直媛视跋駥ｎ}信息提取[J].地理空間信息，2013，11（1）：92-94.

[3] 孫永軍，童慶禧，秦其明.利用面向?qū)ο蠓椒ㄌ崛竦匦畔J].國土資源遙感，2008，75（1）：79-82.

[4] 黃慧萍，吳炳方，李苗苗等.高分辨率影像城市綠地快速提取技術(shù)與應(yīng)用[J].遙感學(xué)報，2004，8（1）：68-74.

[5] Sun Xiao-xia，Zhang Ji-xian，Liu Zheng-jun.Extracting the river and the road using an object oriented technique from IKONOS panchromatic imagery[J].Science of Surveying and Mapping，2006，31（1）：62-63.孫曉霞，張繼賢，劉正軍.利用面向?qū)ο蟮姆诸惙椒◤?IKONOS全色影像中提取河流和道路[J].測繪科學(xué)，2006，31（1）：62-63.

[6] 曹寶，秦其明，馬海建等.面向?qū)ο蠓椒ㄔ?SPOT5遙感圖像分類中的應(yīng)用—以北京市海淀區(qū)為例[J].地理與地理信息科學(xué)，2006，22 （2）：46-49.

[7] 王娟，張軍，呂兆峰.基于分形紋理的遙感影像土地覆蓋的分類方法研究[J].測繪科學(xué)，2008，33（2）：15-17.

[8] 黃亮，左小清，馮沖等.基于Canny算法的面向?qū)ο笥跋穹指頪J].國土資源遙感，2011，91（4）：26-30.

[9] Ballard A，Brown CM，ComputerVision[M].Englewood Cliffs，NJ：Prentice-Hall Inc.1982.

[10] Baatz M，et al eCognition User Guide[Z].Munich：Definiens Imaging GmbH，2002.

[11] 鄧書斌.ENVI遙感圖像處理方法[M].科學(xué)出版社.2010.

[12] 喬婷，張懷清，陳永富等.基于NDVI分割與面向?qū)ο蟮臇|洞庭湖濕地植被信息提取技術(shù)[J].西北林學(xué)院學(xué)報，2013，28（4）：170-175.

[13] Mo D K，Lin H，Li J P，et al.VHR Imagery Multi-Resolution Segmentation Based on Mean Shift[J].Journal of Guangxi Normal University：Natural Science Edition，2006，24（4）：247-250.