面向對象的高分辨率遙感影像校園綠地快速提取

胡 楊，趙俊三*，李 艷

(1.昆明理工大學 國土資源工程學院，云南 昆明 650093； 2.昆明云金地科技有限公司，云南 昆明 650106)

面向對象的高分辨率遙感影像校園綠地快速提取

胡 楊1，趙俊三1*，李 艷2

(1.昆明理工大學 國土資源工程學院，云南 昆明 650093； 2.昆明云金地科技有限公司，云南 昆明 650106)

利用面向對象的影像處理軟件——易康(eCognition)作為軟件支持和分類方法，以QuickBird影像作為數據，以面向對象技術方法為主要技術，分別利用規(guī)則提取以及樣本多邊形對象建立訓練區(qū)等2種方法，提取云南師范大學呈貢校區(qū)西區(qū)校園綠地。通過與傳統(tǒng)的面向像元的分類方法的比較，體現了該方法信息獲取的周期短、精度高、成本低等特點，實現了校園綠地的快速提取。

高空間分辨率遙感； 面向對象分析方法； 分割尺度； 分類

本文以云南省昆明市呈貢區(qū)云南師范大學為研究區(qū)域。云南師范大學位處呈貢大學城，呈貢縣城位于高原明珠——滇池東岸，102°45′～103°00′E，24°42′～25°00′N。呈貢作為昆明市的近郊縣距市區(qū)僅僅只有12 km。云南師范大學呈貢校區(qū)總占地222 hm2。預計完整建校后，綠地率為50.62%。由于數據獲取于2009年QuickBird影像，空間分辨率分別為2.44和0.61 m，影像成像質量較好，不對影像進行大氣校正?？紤]當時校園建設總體還未完成，僅有西區(qū)建設相對完整，故僅提取云南師范大學呈貢校區(qū)西區(qū)為此次試驗對象。

1 研究方法

采用多尺度分割方法。首先獲取影像數據，并對影像數據進行預處理。利用面向對象的方法提取綠地的技術流程為：先對色調、緊致度及光滑度進行設置，并對影像進行多尺度分割，構建多層次的影像對象層，然后選取適合分類的影像對象特征，包括光譜、形狀、紋理以及上下文語義特性進行分類，對所得結果進行精度評定，最終作為分類的結果。面向對象的高分辨率遙感影響校園綠地提取流程圖如圖1所示。

圖1 面向對象綠地信息提取的流程

多尺度分割的原理。多尺度分割其定義是在不同尺度下進行聚類，聚類的標準則是根據影像顏色的相似度和形狀因子進行自底向上的分類，由此形成相同尺度范圍且性質相同的影像對象。聚類的標準是由異質性指標所決定，該指標不僅能反映對象合并前后光譜信息的變化量，而且還能表現出對象合并前后形狀變化的區(qū)別。

尺度的選擇。此次試驗選擇不同分割尺度進行圖像分割，分割尺度分別為15、25、30、35四個等級。如圖2所示，分割尺度為15時，道路兩側的灌木叢被分割成獨立的多邊形，易于將細節(jié)信息提取出來，而房屋等大地物對象在這個尺度下太破碎，不利于提?。环指畛叨葹?5時，行道樹被分到路邊綠化帶中，房屋等大塊地物相對集中；分割尺度為30時，分割形成的影像結果出現地物混合現象；分割尺度為35時，混合像元出現頻率明顯增高，細部信息無法完整提取。根據以上試驗，云南師范大學校園綠地提取的影像分割尺度可設置在25～30，此時分類的效果比較好。

圖2 不同分割尺度下影像分類的效果

圖層權重的選擇。采用真彩色jpg格式的影像。由于3個圖層(紅、綠、藍)對綠地信息提取的貢獻程度相似，最終將影像3個圖層的權重值設置為1。

分割因子的選擇。主要包括色彩因子、形狀因子、光滑度及緊致度等4個因子。由于各因子對綠地信息的提取貢獻程度也相似，所以本文綠地分割信息的提取中色彩因子的權重值設置為0.5，形狀因子的權重值設置為0.5，光滑度設置為0.5，緊致度設置為0.5。

2 分類和精度對比

2.1 樣本多邊形對象建立訓練區(qū)

圖像分割生成同質像元區(qū)域，樣本的選取即在這些同質像元區(qū)域進行。分類前，先對分類系統(tǒng)中的“綠地”與“其他”2個類別進行樣本多邊形的訓練區(qū)選取工作，根據同質像元所表現出來的紋理信息和光譜信息，選取訓練樣本作為依據執(zhí)行分類。得到分割尺度為25和30的訓練樣本選取及分類結果(圖3)。

圖3 面向對象監(jiān)督分類樣本的選取圖與結果圖(分割尺度為30)

2.2 規(guī)則函數確定綠地

對圖像進行閾值確定，選擇藍光波段為對象，閾值范圍為[48.6240，230]。在此閾值條件下，增加藍光波段最小值為規(guī)則，確定以綠地及陰影組成的感興趣區(qū)域，篩選剔除不可滲透表面。增加紅光波段和綠光波段的平均值為規(guī)則，取出由第一條規(guī)則確定的感興趣區(qū)域中的陰影。

初次分類后，會出現一些現象分別是錯分和漏分。分類精度呈現高值的關鍵在于是否選取了具有代表性的訓練區(qū)，以及規(guī)則的確定是否體現了地物對象在光譜、紋理、形狀等方面的特性。對于錯分、漏分的現象一般采用以下措施：一為選取更為體現分類要求的訓練區(qū)，重新分類，直到滿足一定的分類精度，或者研究地物的光譜特征，確定滿足分類要求的規(guī)則，重新選取規(guī)則；二是人工參與進行改正，對錯分、漏分的同質區(qū)域進行修改。

2.3 傳統(tǒng)基于像元監(jiān)督分類

本研究利用Envi遙感軟件作為對比面向對象信息提取技術在高分辨率遙感影像中的應用，利用面向像元的最大似然分類對云南師范大學呈貢校區(qū)西區(qū)校園綠地進行提取。在影像上選取感興趣區(qū)(圖4)，其精度滿足大于1.8的選取要求。運行監(jiān)督分類，得到傳統(tǒng)面向像元綠地分類圖。從圖上明顯可以看出，分類結果椒鹽現象非常明顯，產生了大量的破碎圖斑。

圖4 傳統(tǒng)像元最大似然分類樣本的選取圖

2.4 結果分析

遙感圖像分類的精度是以標準數據(圖件或地面實測調查)作為標準與分類圖進行對比，之后通過計算分類百分比的數值大小來評定分類精度。由于試驗區(qū)面積通常較大，所以通常在實際工作中采用抽樣調查的方式進行精度評定分析，以部分像素或分類結果作為整幅影像的分類精度。遙感圖像分類精度有2種，第一種是非位置精度，第二種是位置精度。

非位置精度以一個簡單的數值，如面積、像素數目表示分類精度。由于這種精度評定方法未考慮位置因素，類別之間的錯分結果彼此平衡，在一定程度上抵消了分類誤差，使分類精度偏高。

位置精度分析將分類的類別與其所在的空間位置進行統(tǒng)一檢查。目前普遍采用混淆矩陣的方法。以Kappa系數評價整個分類圖的精度，以條件Kappa系數評價單一類別的精度。

本試驗采用位置精度分析。實地考察獲得驗證樣本共61個，進行分類結果的精度驗證。

分類穩(wěn)定性評價。分類穩(wěn)定性是指最好與次好分類間的差，是以百分比進行計算的。統(tǒng)計輸出顯示了基本的統(tǒng)計運算(影像對象的數目、平均值、標準差、最小值及最大值)，它是用每類的最好到次好的值進行計算的。穩(wěn)定性評價結果見表1。

表1 不同分割尺度分類穩(wěn)定性評價

分類總體精度評價。選取實地考察獲得的樣本作為分類精度評價的感興趣區(qū)，輸入經過分類后處理的結果圖進行混淆矩陣計算。得到分類的總精度、生產者精度、使用者精度、kappa系數、錯分誤差和漏分誤差等。分類總體精度與kappa系數表現了分類結果的準確性(與所選擇的樣本感興趣區(qū)域做比較)。其值越高，表明一致性越好。Envi規(guī)則分類結果的混淆矩陣見表2。

表2 不同分割尺度分類穩(wěn)定性評價

3 評價結論

與傳統(tǒng)的基于像元的影像信息提取技術相比，以面向對象為技術指向的影像信息提取確實先進了很多。分割后對影像的分析是以同質像元為基礎進行的，它們具有集中的紋理信息，光譜信息以及足夠的幾何精度，該技術實現了以影像對象為基礎的類別自動提取。影像分割與信息提取是面向對象信息提取技術中完全獨立的步驟，基于色彩特征、紋理特征和形狀特征的影像分割是信息提取的前提，由人工控制各個分割因子的權重值，其余由計算機完成；信息提取過程中的樣本選取是針對有獨立意義的同質像元區(qū)域，而規(guī)則選取則需要操作人員的知識參與，比較耗費時間和精力?？傮w而言，面向對象的信息提取技術與傳統(tǒng)的基于像元的方法相比，節(jié)省了大量的時間與人力資源，信息提取任務可在較短時間內完成。因此在樣本數量足夠的情況下，根據操作人員對實地的考察與了解，選取合適的規(guī)則或是訓練場，獲得高精度的分類結果是完全可能的。

[1] 樊恒通. 基于面向對象方法的城市植被提取與綠量估算研究[D]. 鄭州：河南大學，2006.

[2] JENSEN J R. Remote sensing of the environment:an earth resource perspective[M]. 2nd ed. Upper Saddle River:Prentice Hall，2007.

[3] 陳杰. 高分辨率遙感影像面向對象分類方法研究[D]. 長沙：中南大學，2010.

[4] 宮鵬，黎夏，徐冰. 高分辨率影像解譯理論與應用方法中的一些研究問題[J]. 遙感學報，2006，10(1)：1-5.

[5] APLIN P，ATKINSON P，CURRAN P. Per-field classification of landuse using the forthcoming very fine resolution satellite sensors: problems and potential solutions，advances in remote sensing and GIS analysis[M].Wiley，Chichester，1999，219-239.

[6] SCHIEWE J，EHLERS M. A novel method for generating 3D city models from high resolution and multi-sensor remote sensing data[J].International Journal of Remote Sensing，2005，26(4):683-698.

[7] BAATZ M，SCHAPE A. Object-Oriented and multi-scale image analysis in semantic networks [A]∥In:Proc of the 2nd International Symposium on Operationalization of Remote Sensing. Enschede ITC，1999.

[8] 周春艷. 面向對象的高分辨率遙感影像信息提取技術[D]. 濟南：濟南科技大學，2006.

(責任編輯：張瑞麟)

2016-07-29

胡 楊(1990—)，男，碩士研究生，研究方向為GIS與土地利用，E-mail：625376106@qq.com。

趙俊三，E-mail：1429620189@qq.com。

10.16178/j.issn.0528-9017.20170246

S127

B

0528-9017(2017)02-0338-03

文獻著錄格式：胡楊，趙俊三，李艷. 面向對象的高分辨率遙感影像校園綠地快速提取[J].浙江農業(yè)科學，2017，58(2)：338-340，346.