面向?qū)ο蟮倪b感影像最優(yōu)分割尺度監(jiān)督評價

莊喜陽， 趙書河,3， 陳誠， 叢佃敏， 曲永超

(1.南京大學(xué)地理與海洋科學(xué)學(xué)院,南京 210023； 2.江蘇省地理信息技術(shù)重點實驗室, 南京大學(xué),南京 210023； 3.江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心,南京 210023； 4.南京水利科學(xué)研究院，南京 210029)

?

面向?qū)ο蟮倪b感影像最優(yōu)分割尺度監(jiān)督評價

莊喜陽1,2， 趙書河1,2,3， 陳誠1,4， 叢佃敏1,2， 曲永超1,2

(1.南京大學(xué)地理與海洋科學(xué)學(xué)院,南京 210023； 2.江蘇省地理信息技術(shù)重點實驗室, 南京大學(xué),南京 210023； 3.江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心,南京 210023； 4.南京水利科學(xué)研究院，南京 210029)

面向?qū)ο蟮倪b感影像分類質(zhì)量和精度，不僅取決于分類算法的好壞，而且取決于遙感影像的分割質(zhì)量。以定量方法確定最優(yōu)分割尺度，排除主觀因素干擾，已成為影像分割質(zhì)量評價的重點。以往的分割質(zhì)量評價方法往往忽視了對象識別在影像分割質(zhì)量評價中的重要性，因此，在分析地表真實地物和影像分割對象之間空間關(guān)系的基礎(chǔ)上，構(gòu)造出一種基于面積和位置的影像分割最優(yōu)尺度評價指數(shù)； 并對WorldView2多光譜影像進(jìn)行分割實驗，確定了不同地物的最優(yōu)分割尺度。研究結(jié)果表明，該方法在影像分割結(jié)果評價和參數(shù)優(yōu)化方面具有更大的優(yōu)勢，不僅可以評價遙感影像分割質(zhì)量、進(jìn)行分割尺度參數(shù)優(yōu)化，而且在分割質(zhì)量評價過程中減少了人為干預(yù)，提高了方法的客觀性。

面向?qū)ο螅?最優(yōu)分割尺度； 監(jiān)督評價； 遙感影像

0 引言

對于高分辨率遙感影像來說，基于像元分析的方法往往難以綜合考慮地物目標(biāo)除光譜特征以外的其他信息(如影像的紋理特征、幾何結(jié)構(gòu)特征以及像元的地理語境特征等)。為解決此問題，研究者提出了影像對象的概念，將影像中具有同質(zhì)性的區(qū)域分割出來作為影像對象，并將影像對象作為后續(xù)處理的最小單元[1]。影像分割是將影像劃分成各具特性的區(qū)域并提取感興趣目標(biāo)的技術(shù)和過程[2]。影像分割質(zhì)量的好壞會顯著影響影像分類的精度[3]。因此，對影像分割質(zhì)量評價的目的是為了更好地指導(dǎo)、改進(jìn)和提高影像分割算法的性能，對其進(jìn)行研究具有十分重要的意義[4]。遙感影像分割是決定遙感影像分析與計算的關(guān)鍵因素之一，只有在獲得了較好分割結(jié)果的基礎(chǔ)上，信息提取與目標(biāo)識別才能進(jìn)一步展開，并獲得理想效果[5]。

影像分割質(zhì)量評價方法可分為監(jiān)督和非監(jiān)督2類方法。監(jiān)督評價方法需要參考圖，將分割對象與地表真實地物進(jìn)行對比，用兩者之間的差異來度量分割質(zhì)量； 非監(jiān)督的評價方法則不需要參考圖，用人為定義的一系列影像對象的特征去評價不同分割方案的好壞[6]。非監(jiān)督評價方法的可靠性往往取決于所提質(zhì)量標(biāo)準(zhǔn)的合理性，然而質(zhì)量標(biāo)準(zhǔn)的確定常常帶有很大的主觀性，而且要求有不同于分割算法的分割準(zhǔn)則，因此不能保證評價過程的客觀性[7]。與之相反，在精確地確定地表真實地物范圍和影像分割對象之后，監(jiān)督的分割質(zhì)量評價方法能有效地克服主觀性而達(dá)到客觀、定量評價的目的[8]。因此，本文構(gòu)建了一種基于面積和位置的監(jiān)督分割質(zhì)量評價指數(shù)，旨在通過對分割方案的評價，有效解決分割方案選擇和對分割結(jié)果評價的問題，以提高面向?qū)ο蟮倪b感影像分類效果。

1 遙感影像分割質(zhì)量評價方法

傳統(tǒng)的基于面域的面向?qū)ο蠓指畛叨仍u價方法，忽視了對象識別在分割質(zhì)量評價中的重要性。在實際的面向?qū)ο蠓指钯|(zhì)量的評價過程中，分割對象與地表真實地物之間的關(guān)系較為復(fù)雜。本文在對影像對象與地表真實地物空間關(guān)系進(jìn)行分類的基礎(chǔ)上，分析了分割影像對象和參考對象在分割質(zhì)量評價中的重要性，提出了一種基于面積差異(border discrepancy index,BDI)和位置差異(position discrepancy index,PDI)的面向?qū)ο蠓指钯|(zhì)量評價方法。

本文根據(jù)分割對象Si與參考影像對象Ri之間的空間位置關(guān)系，將S分為邊界交叉對象(crossing border object,CBO)，CBO={Si:area(Ri∩Si)≠0,Si的中心點不在Ri的內(nèi)部}和內(nèi)部對象(inside border object,IBO)，IBO={Si:area(Ri∩Si)≠0 ,Si的中心點在Ri的內(nèi)部}； 其中根據(jù)CBO與Ri的位置關(guān)系將對象進(jìn)一步細(xì)分為過分割對象(over-segmented object,OSO)和欠分割對象(under-segmented object,USO)，即

OSO={Si:area(Ri∩Si)/Si>50%且Ri的中心點在Si內(nèi)部，Si∈CBO} ，

(1)

USO={Si:area(Ri∩Si)/Si<50%且Ri的中心點在Si內(nèi)部，Si∈CBO} 。

(2)

(3)

(4)

(5)

式(3)―(5)中：USEi和OSEi為Ri的邊界分割誤差參數(shù)指數(shù)；m為與Ri相交的欠分割對象(USO)的個數(shù)；Sj為第j個與Ri相交的欠分割對象；n為與Ri相交的過分割對象(OSO)的個數(shù)；Sk為第k個與Ri相交的過分割影像對象。

USE和OSE的值越小，說明S與R之間的區(qū)域差異越小，分割質(zhì)量越高。影像分割質(zhì)量越高，USE和OSE的值越接近于0，因此可以將USE和OSE放在二維空間中表示分割結(jié)果的好壞。本文用(USE,OSE)和最優(yōu)分割結(jié)果對應(yīng)的原點位置(0,0)之間的距離來表示面積差異(如式(5)所示)。位置差異也可以反映分割質(zhì)量的好壞，分割對象的中心距離和與之對應(yīng)的參考對象中心點越近，說明分割質(zhì)量越好。因此，本文定義PDI指數(shù)來代表S與R之間位置差異，即

(6)

式中：N為內(nèi)部對象(IBO)多邊形的個數(shù)；area(Ri)為Ri的面積；area(k)為與Ri相交第k個內(nèi)部對象(IBO)與Ri的重疊面積； (xk,yk)為IBO中第k個對象的中心點； (xi,yi)為第i個參考多邊形對象的中心點； M為與Ri相交的過分割對象(OSO)的個數(shù)； area(l)為與Ri相交第l個過分割對象(OBO)與Ri的重疊面積； (xl,yl)為OSO中第l個對象的中心點。

從式(6)可以看出，PDI指數(shù)計算了IBO和OSO與參考對象Ri之間的距離，并分別對其進(jìn)行了面積權(quán)重歸一化。PDIi越小，說明分割結(jié)果越好。

BDIi和PDIi可用于對單個地物類型進(jìn)行影像分割質(zhì)量評價。為了評價整景影像的分割結(jié)果，本文構(gòu)建了基于面積權(quán)重的綜合評價指數(shù)USEwhole，OSEwhole，BDIwhole和PDIwhole進(jìn)行分割質(zhì)量評價，即

(7)

(8)

(9)

(10)

為了評價本文提出的遙感影像分割質(zhì)量評價指數(shù)的效果，本文將提出的評價指數(shù)與基于面積差異指數(shù)(area discrepancy index,ADIa)和位置差異指數(shù)(position discrepancy index,PDIa)[3]、基于面積匹配指數(shù)(area fit index,AFI)[9]和對象識別的“后代忠誠度”(offspring loyalty,OL)以及“干擾度”(interference,I)[10]的分割質(zhì)量評價結(jié)果進(jìn)行了對比分析。其中，ADIa和PDIa將參考對象與影像對象按照空間位置和面積比例將分割對象分為“優(yōu)良(good)”、“擴(kuò)張(expanding)”和“侵入(invading)”3類[11]。首先計算invading影像對象與參考影像對象的重疊面積與參考影像對象面積比值的平方，以及expanding影像對象與參考影像不重疊面積與參考影像對象面積比值的平方，然后相加得到ADIa。通過計算expanding影像對象和good影像對象與參考影像對象距離的平均值得出PDIa。當(dāng)ADIa介于所有ADIa最小值與1.1倍最小值之間、且PDIa最小時，說明分割質(zhì)量最優(yōu)；AFI為參考影像對象面積減去與其相交面積最大的分割影像對象的面積同該參考影像對象面積的比值；OL為good對象數(shù)量占good和expanding影像對象數(shù)量總和的百分比；I為invading對象數(shù)量占所有對象數(shù)量的比值。分割質(zhì)量越高，AFI越接近于0，OL和I越分別接近1和0。

2 實驗與數(shù)據(jù)

2.1 實驗流程

首先在不同參數(shù)組合下用分割算法對高分遙感影像進(jìn)行分割，然后用BDI和PDI對分割結(jié)果進(jìn)行評價。當(dāng)BDI和PDI的值均為最小時，說明該分割結(jié)果是最優(yōu)的。由于不同的遙感影像具有不同的光譜特征、地物類型和影像質(zhì)量，因此，很難確定1個BDI域值作為參考標(biāo)準(zhǔn)并將其應(yīng)用于遙感影像的分割質(zhì)量評價； 同時，基于邊界面積差異的BDI指數(shù)在分割質(zhì)量評價中的信息貢獻(xiàn)量較大[12]，可大大減少面向?qū)ο笥跋穹诸愃斐傻恼`差。

本文首先選擇BDI值最小的分割結(jié)果作為較優(yōu)分割結(jié)果，然后再選擇PDI值最小的分割結(jié)果作為最優(yōu)分割結(jié)果； 這是因為在實際分割過程中存在BDI值相等的分割尺度參數(shù)，因此僅用BDI值無法區(qū)分出最優(yōu)的分割結(jié)果。

分割質(zhì)量評價指數(shù)的計算流程如圖1所示。

圖1 BDI和PDI計算流程圖

2.2 數(shù)據(jù)源

實驗數(shù)據(jù)采用融合后的WorldView2影像。該影像是具有8個波段的多光譜數(shù)據(jù)，全色波段的空間分辨率為0.5 m，影像大小為1 000像元×1 000像元，影像中包括了建筑物和植被2種典型地物。為了評價面向?qū)ο笥跋穹指钌傻挠跋駥ο笈c真實地物的接近程度，本文隨機(jī)選取了44個樣本作為參考對象(圖2)，其中黃色多邊形所圍區(qū)域代表不同地物的真實范圍，白色數(shù)字表示地物編碼(ID)。

圖2 WorldView2假彩色合成影像(波段組合為B7(R)B5(G)B3(B))

3 結(jié)果與分析

本文采用Definiens公司的 eCongnitionR○分割算法[13]進(jìn)行遙感影像分割實驗。該算法使用尺度參數(shù)(scale)、形狀指數(shù)(shape)和緊湊度(compactness)3個指標(biāo)來調(diào)節(jié)分割結(jié)果，這3個指標(biāo)的不同組合會產(chǎn)生不同的分割結(jié)果。對1景影像來說，存在1個使分割結(jié)果與地表真實地物范圍最為接近的最優(yōu)的分割參數(shù)組合。實驗中選擇不同的參數(shù)組合進(jìn)行分割實驗，并采用本文提出的分割質(zhì)量評價指數(shù)和其他的評價指數(shù)進(jìn)行遙感影像分割質(zhì)量評價。

3.1 單個地物的分割質(zhì)量評價

為了分析分割質(zhì)量評價指數(shù)在分割質(zhì)量評價中的效率，本文選擇了分割尺度、形狀指數(shù)和緊湊度為{10,20,30,40,50,60,70,80,90,100,110,120}·{0.1,0.3,0.5,0.7,0.9}·{0.1,0.3,0.5,0.7,0.9}的300種參數(shù)組合進(jìn)行影像分割，然后將BDI和PDI分別與基于面積匹配和對象識別的分割質(zhì)量評價指數(shù)AFI,OL和I以及基于面積差異和位置差異的分割質(zhì)量評價指數(shù)ADIa和PDIa進(jìn)行對比分析。

圖3示出當(dāng)形狀指數(shù)和緊湊度分別為0.1和0.5時，建筑物11在12種不同分割尺度下得到的分割結(jié)果。

(a) 分割尺度10 (b) 分割尺度20 (c) 分割尺度30

(d) 分割尺度40 (e) 分割尺度50 (f) 分割尺度60

(g) 分割尺度70 (h) 分割尺度80 (i) 分割尺度90

(j) 分割尺度100 (k) 分割尺度110(l) 分割尺度120

圖3 當(dāng)形狀指數(shù)和緊湊度分別為0.1和0.5時建筑物11在12種分割尺度下的分割結(jié)果

Fig.3 Segmentation results for building 11 at 12 scales when shape and compactness parameters are 0.1 and 0.5

從圖3可以看出，在分割尺度為80的情況下可以得到最優(yōu)的分割結(jié)果。圖4(a)和(b)分別給出了BDI與PDI和ADIa與PDIa指數(shù)對圖3中12種分割尺度的變化折線圖。

(a) BDI與PDI指數(shù)(b) ADIa與PDIa指數(shù)

圖4 4種指數(shù)對圖3中12種分割結(jié)果的評價結(jié)果

Fig.4 Assessment results for twelve segmentation results shown in Fig.3 using four indexes

然而從圖4(b)可以看出，ADIa和PDIa的計算結(jié)果在分割尺度20到90之間并沒有明顯變化，未能達(dá)到嚴(yán)格意義上的對最優(yōu)分割結(jié)果的選擇。

地物11在300種分割參數(shù)組合下，7種分割質(zhì)量評價指數(shù)的計算結(jié)果見表1。

表1 地物11在300種分割參數(shù)組合下7種分割質(zhì)量評價指數(shù)的評價結(jié)果

從表1同樣可以看出，當(dāng)形狀指數(shù)和緊湊度分別為0.1和0.5時，AFI值在分割尺度70到90之間并沒有變化，OL和I值在分割尺度60到90之間并沒有變化。ADIa,PDIa,AFI, OL和I在分割質(zhì)量的評價過程中，只考慮了分割結(jié)果對地物實際參考范圍的侵蝕和擴(kuò)張，而沒有考慮到周圍影像對象面積變化和內(nèi)部對象面積變化對分割結(jié)果評價的影響。當(dāng)expanding對象的面積向參考對象外部擴(kuò)張時，擴(kuò)張對象面積的增大降低了參考地物與周圍地物的獨立性，增加了面向?qū)ο笥跋穹诸惖碾y度。雖然invading對象與地物實際參考范圍重疊區(qū)域面積較小，但外部侵入對象面積的變大同樣增加了面向?qū)ο笥跋穹诸惖碾y度，而BDI指數(shù)將與地物實際范圍相交的所有影像分割對象在分割質(zhì)量評價中的作用都考慮在內(nèi)； 當(dāng)內(nèi)部good分割對象的重心沒有變化而面積向外擴(kuò)張沒有超出參考對象的邊界時，根據(jù)PDIa的值無法對比出分割結(jié)果的好壞。而PDI指數(shù)計算了內(nèi)部good對象的面積變化對重心變化的影響，使結(jié)果更加準(zhǔn)確。

3.2 整景影像的分割質(zhì)量評價

為了說明整景影像的分割質(zhì)量評價過程，本文在參考影像對象中隨機(jī)選擇了4種典型地物對不同指數(shù)的評價效率進(jìn)行說明，分割結(jié)果如圖5所示。

(a1) 建筑(地物30)①(a2) 建筑(地物30) (a3) 建筑(地物30) (1,7,100)②(1,5,30) (1,5,90)

(b1) 植被(地物10) (b2) 植被(地物10) (b3) 植被(地物10) (1,1,55)(7,3,55)(1,3,70)

(c1) 建筑(地物32) (c2) 建筑(地物32) (c3) 建筑(地物32) (5,5,40)(5,9,50)(5,5,45)

(d1) 植被(地物3)(d2) 植被(地物3) (d3) 植被(地物3) (5,3,110)(5,7,85)(5,5,90)

圖5 不同尺度參數(shù)組合下的分割結(jié)果 ①(地物30)內(nèi)的數(shù)字表示地物編碼(ID)； ②(1,7,100)內(nèi)的3個數(shù)字分別表示形狀指數(shù)、緊湊度、分割尺度)

Fig.5 Segmentation results under different parameter combinations

表2列出圖5中4種典型地物對應(yīng)的分割質(zhì)量評價指數(shù)的計算結(jié)果。

表2 4種典型地物不同分割質(zhì)量評價指數(shù)的評價結(jié)果

表2中： a1,b1,c1,d1分別為用BDI與PDI選出的最優(yōu)分割結(jié)果； a2,b2,c2,d2分別為用OL與I選出的最優(yōu)分割結(jié)果； a3,b3,c3,d3分別為用AFI選出的最優(yōu)分割結(jié)果。可以看出，對同一景影像、同一個地物，用不同分割質(zhì)量評價方法可得到不同最優(yōu)分割結(jié)果。用AFI找到與地物相交面積最大的分割影像對象代表其范圍，當(dāng)空間相交面積較小時(圖5(a1)(d1)(d3))，或者最大影像面積沒有變化(圖5(b1)(b3))時，AFI的值不能指出最優(yōu)分割結(jié)果。在基于對象的分割指數(shù)評價方法(OL,I)中，當(dāng)OL接近1，I接近0時，分割結(jié)果被評價為最優(yōu)。然而在2種類型的多邊形的數(shù)量沒有發(fā)生變化、而面積變化時，OL和I不能指示最優(yōu)分割結(jié)果(圖5(a1)(a2)(b2)(b3)(d1)(d3))。當(dāng)周圍影像對象和內(nèi)部對象面積變化時，ADIa和PDIa的值也不能指示最優(yōu)分割結(jié)果(表2 (a1)(a2)(a3)(d2)(d3))。用BDI和PDI同時計算地表地物實際參考范圍與分割影像對象的面積和距離差異度來評價影像分割質(zhì)量，能較好地指示出最優(yōu)分割結(jié)果(圖5(a1)(b1)(c1)(d1))。

為進(jìn)一步說明整景影像的分割質(zhì)量評價過程，本文選擇步長為1、尺度參數(shù)為1―125、形狀指數(shù)為{0.1，0.3，0.5，0.7，0.9}和緊湊度為{0.1，0.3，0.5，0.7，0.9}的3 125種參數(shù)組合，對整景影像進(jìn)行了分割質(zhì)量評價，得出了最優(yōu)分割尺度參數(shù)組合。在此基礎(chǔ)上，分析了BDI和PDI指數(shù)隨分割參數(shù)的變化，得到了整景影像的在不同形狀指數(shù)和緊湊度參數(shù)組合下的最優(yōu)分割參數(shù)組合。

通過研究發(fā)現(xiàn)，選擇的參考地物不同，用評價指數(shù)得到的評價結(jié)果也有一定的差異?？偟膩碚f，參考對象選擇越多，總體評價結(jié)果越準(zhǔn)確。為了說明參考對象的選擇對整景影像分割質(zhì)量的影響，本文選擇了影像中的所有影像參考對象參與分割質(zhì)量評價，對不同尺度參數(shù)組合下生成的分割結(jié)果進(jìn)行總體評價。研究結(jié)果表明，在形狀指數(shù)、緊湊度和分割尺度分別為0.3,0.5和40的情況下，分割評價結(jié)果最優(yōu)。

研究發(fā)現(xiàn)，在形狀指數(shù)為{0.1，0.3，0.5，0.7，0.9}和緊湊度為{0.1，0.3，0.5，0.7，0.9}的組合下，隨著形狀指數(shù)和緊湊度的變化，最優(yōu)分割尺度值隨著形狀指數(shù)和和緊湊度的增加出現(xiàn)下降趨勢(圖6)。

圖6 不同形狀指數(shù)和緊湊度組合下最優(yōu)分割質(zhì)量評價指數(shù)值BDI和PDI變化趨勢

這是因為分割算法隨著形狀異質(zhì)性權(quán)重的增大，在分割尺度參數(shù)較小的情況下，就能達(dá)到較優(yōu)的分割結(jié)果。圖6同時也展示出不同參數(shù)組合下BDI,PDI指數(shù)值隨形狀指數(shù)和緊湊度參數(shù)變化的趨勢?？梢钥闯?，隨著形狀指數(shù)和緊湊度的變化，最優(yōu)分割尺度評價指數(shù)值在小幅度變化的情況下，出現(xiàn)緩慢增長。為了說明不同參數(shù)組合下BDI和PDI指標(biāo)值的變化情況，本文給出了不同形狀指數(shù)和緊湊度組合下的BDI和PDI指數(shù)變化圖(圖7)，在每一種參數(shù)組合下給出了尺度1―126的BDI和PDI值變化曲線圖。

從圖7可以看出，隨著分割尺度的增大，PDI值呈下降趨勢，BDI曲線呈現(xiàn)不規(guī)則的正U型走勢。每一條BDI曲線都有最低值，由于基于面積的BDI指數(shù)對后續(xù)的面向?qū)ο笥跋穹诸愑绊懞艽?，故本文設(shè)計的指數(shù)充分考慮到這一點，在設(shè)計該指數(shù)的過程中把面積影響充分考慮在內(nèi)，將BDI指數(shù)值差異化，做到每一個參數(shù)組合下BDI都有最小值。然而在實際情況中，由于可能發(fā)生分割方案中BDI指數(shù)值相等的情況，PDI指數(shù)值能考慮到參考影像對象內(nèi)部分割對象的變化造成的重心移動，從而對BDI做出補(bǔ)充，以得到最優(yōu)分割尺度參數(shù)。

從表1知，建筑物11在形狀指數(shù)0.1、緊湊度0.5、分割尺度80的情況下，得到最優(yōu)的分割結(jié)果。然而對整景影像進(jìn)行評價時，得到了形狀指數(shù)0.3、緊湊度0.5、分割尺度40的情況下的最優(yōu)分割參數(shù)組合，這與單個地物的最優(yōu)分割參數(shù)組合不一致。其實結(jié)果并不矛盾，這是因為對整景影像進(jìn)行分割質(zhì)量評價時要考慮到影像內(nèi)的所有參考影像對象，而影像中的地物具有不同的光譜差異、形狀和大小特征； 因此對影像中的單個地物來說，這種參數(shù)組合往往不能得到最優(yōu)分割結(jié)果。

4 結(jié)論

1)利用本文提出的基于面積和距離差異度的監(jiān)督分割評價指數(shù)，對WorldView2多光譜影像的分割結(jié)果進(jìn)行了分割質(zhì)量評價，并與其他分割質(zhì)量評價指數(shù)進(jìn)行對比分析。結(jié)果表明，本文提出的評價指數(shù)具有更好的效果，該指數(shù)在分割質(zhì)量評價過程中能很好地反映影像中真實地物的范圍與分割生成的影像對象之間的差異，能較好地指示遙感影像分割結(jié)果的好壞。

2)本文提出的方法既可應(yīng)用于單個地物分割質(zhì)量評價，也可用于整景影像的分割質(zhì)量評價。該方法在影像分割結(jié)果評價和參數(shù)優(yōu)化方面具有更大的優(yōu)勢，且在分割質(zhì)量評價過程中可以減少人為干預(yù)、提高方法的客觀性。

3)與其他分割質(zhì)量評價方法相比，本文方法比較客觀地描述了影像分割對象與地物實際范圍之間的空間關(guān)系，使得到的分割結(jié)果可更好地服務(wù)于面向?qū)ο蟮挠跋穹诸?。盡管研究沒有對比不同分割算法的分割結(jié)果，但是通過提供參考影像對象的實際范圍，該方法不僅可以評價影像的分割質(zhì)量，還可以用來分析不同分割算法分割結(jié)果的優(yōu)劣。

4)本文研究的側(cè)重點在于如何給出一個合理的評價指標(biāo)來描述和評價影像分割后生成的影像對象。至于不同影像和算法對分割質(zhì)量評價指標(biāo)的影響，本文未作討論，將在后續(xù)的工作中研究。

[1] 龔健雅,姚璜,沈欣.利用AdaBoost算法進(jìn)行高分辨率影像的面向?qū)ο蠓诸怺J].武漢大學(xué)學(xué)報:信息科學(xué)版,2010,35(12):1440-1443,1448. Gong J Y,Yao H,Shen X.Object-oriented classification of high spatial-resolution remote sensing imagery based on AdaBoost[J].Geomatics and Information Science of Wuhan University,2010,35(12):1440-1443,1448.

[2] Gonzalez R C,Woods R E,Eddins S L.Digital Image Processing[M].2nd ed.Beijing:Publishing House of Electronics Industry,2013:567-642.

[3] Cheng J H,Bo Y C,Zhu Y X,et al.A novel method for assessing the segmentation quality of high-spatial resolution remote-sensing images[J].International Journal of Remote Sensing,2014,35(10):3816-3839.

[4] 明冬萍,駱劍承,周成虎,等.高分辨率遙感影像特征分割及算法評價分析[J].地球信息科學(xué),2006,8(1):103-109. Ming D P,Luo J C,Zhou C H,et al.Research on high resolution remote sensing image segmentation methods based on features and evaluation of algorithms[J].Geo-Information Science,2006,8(1):103-109.

[5] 陳春雷,武剛.面向?qū)ο蟮倪b感影像最優(yōu)分割尺度評價[J].遙感技術(shù)與應(yīng)用,2011,26(1):96-102. Chen C L,Wu G.Evaluation of optimal segmentation scale with object-oriented method in remote sensing[J].Remote Sensing Technology and Application,2011,26(1):96-102.

[6] Zhang H,Fritts J E,Goldman S A.Image segmentation evaluation:A survey of unsupervised methods[J].Computer Vision and Image Understanding,2008,110(2):260-280.

[7] Carleer A P,Debeir O,Wolff E.Assessment of very high spatial resolution satellite image segmentations[J].Photogrammetric Engineering & Remote Sensing,2005,71(11):1285-1294.

[8] Zhang Y J.A survey on evaluation methods for image segmentation[J].Pattern Recognition,1996,29(8):1335-1346.

[9] Lucieer A,Stein A.Existential uncertainty of spatial objects segmented from satellite sensor imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(11):2518-2521.

[10]Sch?pfer E,Lang S.Object fate analysis：A virtual overlay method for the categorisation of object transition and object-based accuracy assessment[C]//Proceedings of the International Archives of Photogrammetry,Remote Sensing and Spatial Information Sciences.Salzburg,Austria:ISPRS,2006:C42.

[11]Albrecht F,Lang S,H?lbling D.Spatial accuracy assessment of object boundaries for object-based image analysis[C]//Proceedings of the International Archives of Photogrammetry,Remote Sensing and Spatial Information Sciences.Ghent,Belgium:ISPRS,2010:C7.

[12]紀(jì)小樂.面向?qū)ο蟮倪b感影像分類精度評價方法研究[D].北京:北京師范大學(xué),2012. Ji X L.Research on the Method of Accuracy Assessment of the Object-Based Classification from Femotely Sensed Data[D].Beijing:Beijing Normal University,2012.

[13]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(3/4):239-258.

(責(zé)任編輯： 劉心季)

Supervised evaluation of optimal segmentation scale with object-oriented method in remote sensing image

ZHUANG Xiyang1,2， ZHAO Shuhe1,2,3， CHEN Cheng1,4， CONG Dianmin1,2， QU Yongchao1,2

(1.GeographicandOceanographicSciences，NanjingUniversity，Nanjing210023，China； 2.JiangsuProvincialKeyLaboratoryofGeographicInformationScienceandTechnology，NanjingUniversity，Nanjing210023，China； 3.JiangsuCenterforCollaborativeInnovationinGeographicalInformationResourceDevelopmentandApplication，Nanjing210023，China; 4.NanjingHydraulicResearchInstitute,Nanjing210029,China)

The object-oriented classification quality of the remote sensing images depends not only on the classification algorithm but also on the goodness of the segmentation results. The quality of image segmentation determines the accuracy of subsequent classification of the remote sensing images. The quantitative method for determining the optimal segmentation scale and eliminating the interference of subjective factors becomes the focus of the image segmentation quality assessment. However, the importance of object recognition in image segmentation quality evaluation is often ignored in the previous segmentation quality evaluation method. After analyzing the complex spatial relations between the image objects and the actual image region, a new optimal segmentation scale evaluation index based on the area and position of the image object was proposed to evaluate the optimal segmentation scale. Based on the evaluation index, a WorldView2 multispectral image was used to be researched and the optimal segmentation parameters were determined. The results show that the segmentation scale evaluation index is effective in image segmentation quality assessment and parameter optimization. The experimental results have also shown the effectiveness of the method proposed in this paper for both segmentation quality assessment and optimal parameter selection. Also, the procedure of segmentation quality assessment can be conducted with less human intervention, making the result more objective.

object-oriented； optimal segmentation scale； supervised evaluation； remote sensing image

10.6046/gtzyyg.2016.04.08

莊喜陽,趙書河,陳誠,等.面向?qū)ο蟮倪b感影像最優(yōu)分割尺度監(jiān)督評價[J].國土資源遙感,2016,28(4)：49-58.(Zhuang X Y,Zhao S H,Chen C,et al.Supervised evaluation of optimal segmentation scale with object-oriented method in remote sensing image[J].Remote Sensing for Land and Resources,2016,28(4)：49-58.)

2015-06-19；

2015-08-07

國家重點研發(fā)計劃項目(編號： 2016YFB0502500)和中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項“應(yīng)對氣候變化的碳收支認(rèn)證及相關(guān)問題”(編號： XDA05050106)共同資助。

TP 751.1

A

1001-070X(2016)04-0049-10

莊喜陽(1990-),男,碩士研究生,主要研究方向為遙感圖像處理和定量遙感。Email： 594299342@qq.com。

趙書河(1971-),男,博士,副教授,主要從事陸表參數(shù)獲取與反演、土壤覆蓋與全球變化、農(nóng)業(yè)災(zāi)害與糧食安全等方面的研究。Email： zhaosh@nju.edu.cn。