基于模糊分割參數(shù)優(yōu)化下的土地利用分類(lèi)研究

王亞娟,馬要中

(1.中國(guó)礦業(yè)大學(xué)(北京)土地復(fù)墾與生態(tài)重建研究所，北京 100083；2.河南理工大學(xué)，河南 焦作 454000)

基于模糊分割參數(shù)優(yōu)化下的土地利用分類(lèi)研究

王亞娟1,馬要中2

(1.中國(guó)礦業(yè)大學(xué)(北京)土地復(fù)墾與生態(tài)重建研究所，北京 100083；2.河南理工大學(xué)，河南 焦作 454000)

影像分割是分類(lèi)的基礎(chǔ)，分割結(jié)果的好壞直接影響分類(lèi)結(jié)果的精度。針對(duì)目前存在的分割結(jié)果獲取通常消耗大量時(shí)間且結(jié)果因人而異這一現(xiàn)象，文中基于一種模糊分割的參數(shù)優(yōu)化工具—Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)來(lái)確定分割參數(shù)，并借助面向?qū)ο蠓诸?lèi)軟件eCognition以濟(jì)寧某一地區(qū)高分辨率遙感影像為基礎(chǔ)進(jìn)行土地利用的分類(lèi)研究。結(jié)果表明，利用該工具不僅可以快速確定土地的最優(yōu)分割尺度，結(jié)合eCognition也可較高精度地對(duì)土地利用進(jìn)行分類(lèi)。

FbSP optimizer；eCognition；高分辨率影像；土地分類(lèi)

隨著遙感技術(shù)的發(fā)展，高分辨率影像的應(yīng)用越來(lái)越廣泛，由于其包含豐富的光譜與紋理信息使之在地物提取上更為有利。如何從高分辨率影像中提取豐富的信息并滿(mǎn)足一定的精度要求成為研究熱點(diǎn)[1]。為了充分利用其空間信息實(shí)現(xiàn)地物的精確分類(lèi)，面向?qū)ο蟮姆椒☉?yīng)運(yùn)而生[2]。該方法是通過(guò)對(duì)影像進(jìn)行分割，得到同質(zhì)對(duì)象，再根據(jù)分類(lèi)目標(biāo)綜合分析對(duì)象的光譜、形狀和紋理等特征，進(jìn)行分類(lèi)和地物目標(biāo)的提取[3-4]。目前較多使用的分割方法是通過(guò)eCognition來(lái)實(shí)現(xiàn)的[5]，該軟件以影像對(duì)象為基本空間單元進(jìn)行地物目標(biāo)提取，可應(yīng)用于各種專(zhuān)題研究[6]。

為了得到不同尺度的最優(yōu)分割參數(shù)通常需要不斷試驗(yàn)，耗費(fèi)大量時(shí)間且結(jié)果因人而異。因此，本文借助章云[7]所提出的基于模糊分割的參數(shù)優(yōu)化工具—Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)，同時(shí)結(jié)合eCognition軟件通過(guò)訓(xùn)練樣本可快速找到基于樣本的最優(yōu)分割尺度參數(shù)，并結(jié)合光譜、紋理及自定義特征快速有效地對(duì)土地利用進(jìn)行分類(lèi)，為后續(xù)礦區(qū)土地利用分類(lèi)系統(tǒng)的構(gòu)建提供借鑒與參考。

1 研究區(qū)概況及數(shù)據(jù)來(lái)源

研究區(qū)位于山東省濟(jì)寧市任城區(qū)的濟(jì)東煤田中部，井田范圍東西寬10 km，南北長(zhǎng)6～11 km，濟(jì)寧市行政區(qū)劃圖及研究區(qū)遙感影像圖如圖1所示。

研究采用高分2號(hào)影像，拍攝時(shí)間為2015年6月5日，全色分辨率1 m，多光譜4 m，包含紅、綠、藍(lán)及近紅外4個(gè)波段。

圖1 研究區(qū)位置及遙感影像圖

2 研究方法

本文對(duì)研究區(qū)的土地利用信息提取流程主要包括影像預(yù)處理(正射校正、影像融合、影像裁剪)、影像分割、分類(lèi)及精度評(píng)價(jià)。影像分割是基礎(chǔ)，分類(lèi)依分割得到的影像對(duì)象而進(jìn)行。本研究利用參數(shù)分割工具進(jìn)行參數(shù)確定，根據(jù)研究區(qū)范圍大小最終將土地利用做出以下分類(lèi)：水體、林地、道路、耕地及建設(shè)用地。

2.1 影像分割

首先對(duì)影像進(jìn)行過(guò)分割，使某一地物分割破碎，然后利用破碎地物分割的子對(duì)象信息及將其合并后的目標(biāo)信息進(jìn)行參數(shù)評(píng)估，最后根據(jù)工具運(yùn)算后的參數(shù)再次執(zhí)行分割。若結(jié)果與目標(biāo)地物信息邊緣相一致則可確定分割參數(shù)，否則需要進(jìn)行迭代運(yùn)算至最終確定最優(yōu)分割參數(shù)為止。其中子對(duì)象信息包括紋理特征(Texture)、穩(wěn)定性(Stability)、亮度值(Brightness)及像元數(shù)(Area)，目標(biāo)信息除包含以上4個(gè)特征值外還包括矩形擬合值(Rectangle Fit)及緊湊度(Compactness)。Texture及Stability值[5]分別由方程(1)和(2)所得，Compactness由方程(4)獲得[5]，其余特征值采用在子對(duì)象形成時(shí)eCognition所給出的值。

Tecxeture(mobjects)=

(1)

其中:m為目標(biāo)對(duì)象包含的子對(duì)象數(shù)，nmerge為合并

(2)

(3)

(4)

式中:l為目標(biāo)對(duì)象的邊界長(zhǎng)度，nobjM為目標(biāo)對(duì)象的像元數(shù)。

由于研究區(qū)采煤塌陷導(dǎo)致多地出現(xiàn)積水情況，經(jīng)治理后有很多零散分布的小面積水域，若分割尺度過(guò)大就會(huì)與相鄰地物混合在一起，降低分類(lèi)精度。為準(zhǔn)確提出水體部分先進(jìn)行較小尺度的分割，當(dāng)尺度為50時(shí)部分水體如圖2(a)所示，部分建筑物及耕地如圖2(c)所示；當(dāng)尺度為100時(shí)部分水體如圖2(b)所示，部分建筑物及耕地如圖2(d)所示。形狀及緊湊度按照默認(rèn)設(shè)置即shap:0.1,，Compactness:0.5。

圖2 不同尺度(局部)分割結(jié)果

由圖2可知，當(dāng)尺度為50時(shí)水體、耕地及建筑物都過(guò)于破碎，不利于訓(xùn)練樣本的選擇；當(dāng)尺度為100時(shí)對(duì)于較小的水體可以較好地區(qū)分出來(lái)，耕地及建筑物同樣實(shí)現(xiàn)了過(guò)分割，可選擇適當(dāng)?shù)挠?xùn)練樣本及目標(biāo)地物通過(guò)迭代運(yùn)算獲得最優(yōu)尺度參數(shù)。因此，本文在初始分割為100的基礎(chǔ)上進(jìn)行訓(xùn)練樣本的選擇來(lái)獲取最優(yōu)分割尺度參數(shù)。

章云及童恒建對(duì)建筑物、森林及商業(yè)住宅區(qū)進(jìn)行試驗(yàn)所獲得的最優(yōu)分割尺度均是在形狀參數(shù)及平滑度均設(shè)置為0.1的情況下所獲得的結(jié)果，但對(duì)于本文所選擇的同一地塊的訓(xùn)練樣本，不同的平滑度具有不同的訓(xùn)練結(jié)果?；诖耍疚脑谛螤顓?shù)為0.1情況下(經(jīng)實(shí)驗(yàn)，形狀參數(shù)為0.1時(shí)即可滿(mǎn)足初始分割條件)將平滑度分別設(shè)置為0.1、0.3、0.5、0.7、0.9進(jìn)行優(yōu)化運(yùn)算，不同平滑度及迭代次數(shù)下的分割參數(shù)如表1所示。

表1 不同平滑度下的分割參數(shù)

本文以圖3(以平滑度為0.5為例)最右方標(biāo)注耕地部分為訓(xùn)練樣本進(jìn)行迭代以獲取最優(yōu)分割參數(shù)。

圖3 尺度為100時(shí)部分分割效果

當(dāng)按照表1不同平滑度參數(shù)所得結(jié)果進(jìn)行分割時(shí)，所得分割參數(shù)結(jié)果差別較大但最終分割結(jié)果大體相同，只有尺度為231時(shí)部分建筑物分割較碎。經(jīng)比較，當(dāng)尺度為251時(shí)部分耕地及建筑用地沒(méi)有在尺度為325時(shí)分割效果完整；但當(dāng)尺度為412時(shí)部分道路與建筑物出現(xiàn)合并現(xiàn)象，如圖4(a)、圖4(b)所示。綜合考慮分割效果，最終選擇尺度參數(shù)為325時(shí)作為最終分割結(jié)果。

礦區(qū)煤炭的開(kāi)采導(dǎo)致礦區(qū)環(huán)境遭到破壞，出現(xiàn)部分水域面積較小的塌陷積水區(qū)，該積水區(qū)域的確定為土地復(fù)墾工作的開(kāi)展提供依據(jù)[8]。由于試驗(yàn)的不同尺度對(duì)水體的分割均出現(xiàn)過(guò)分割現(xiàn)象。因此，本文在尺度為100的分割參數(shù)上先進(jìn)行水體的提取，然后以水體為專(zhuān)題圖層對(duì)其余部分在最優(yōu)尺度分割結(jié)果上進(jìn)行土地利用的分類(lèi)。

圖4 部分分割效果對(duì)比圖

2.2 分類(lèi)提取

eCognition中提供了多種分類(lèi)方法，有基于樣本的監(jiān)督(最近鄰)分類(lèi)、基于知識(shí)的模糊分類(lèi)、多條件類(lèi)描述分類(lèi)、閾值分類(lèi)及分類(lèi)器算法分類(lèi)等。本文采用通過(guò)閾值來(lái)指定類(lèi)別的指定類(lèi)算法以及在類(lèi)描述中使用閾值的類(lèi)描述分類(lèi)算法來(lái)綜合分析影像地物特征，實(shí)現(xiàn)地物信息的提取。

本文地物類(lèi)型主要分為水體、林地、道路、耕地及建設(shè)用地，所利用參數(shù)特征主要包括光譜特征中的NDVI值、近紅外及幾何特征中的紋理、形狀等特征。其中，本文紋理特征采取紅、綠、藍(lán)3個(gè)通道的標(biāo)準(zhǔn)偏差的平均值作為提取特征，即Texture=([Standard deviation Red Channel]+[Standard deviation Green Channel]+[Standard deviation Blue Channel])/3，由于林地及建設(shè)用地紋理較為粗糙，耕地及道路較為平滑，再結(jié)合相適應(yīng)的光譜值可較好地實(shí)現(xiàn)地物信息的提取。研究區(qū)各地物分類(lèi)特征如表2所示。

表2 研究區(qū)地物分類(lèi)特征

3 分類(lèi)結(jié)果及精度評(píng)價(jià)

3.1 分類(lèi)結(jié)果

基于FbSP optimizer分割工具并結(jié)合eCognition面向?qū)ο蠓ǖ难芯繀^(qū)地物分類(lèi)結(jié)果如圖5所示。為比較影像的提取結(jié)果，采用常規(guī)利用ENVI5.1基于樣本的面向?qū)ο蠓椒ㄟM(jìn)行對(duì)比，提取結(jié)果如圖6所示。將圖5、圖6同一部分局部放大(矩形邊框范圍)，詳見(jiàn)圖7。由圖可知，基于eCognition面向?qū)ο蠓ㄏ鄬?duì)傳統(tǒng)面向?qū)ο蠓椒ǚ诸?lèi)結(jié)果圖斑較為完整。

圖5 基于eCognition提取結(jié)果

圖6 傳統(tǒng)面向?qū)ο筇崛〗Y(jié)果

圖7 兩種方法分類(lèi)局部對(duì)比圖

3.2 精度評(píng)價(jià)

易康針對(duì)分類(lèi)結(jié)果以及分類(lèi)方式提供4種精度評(píng)價(jià)方法，包括分類(lèi)穩(wěn)定性、最佳分類(lèi)結(jié)果概率、基于像素的混淆矩陣及基于對(duì)象樣本的混淆矩陣。為降低主觀人為因素影響，本文選擇基于像素的混淆矩陣精度評(píng)價(jià)方法，即Error Matrix based on TTA Mask。在ArcGIS里選擇樣本點(diǎn)時(shí)，為保證樣本點(diǎn)的精度可對(duì)照谷歌地球影像，然后選擇一個(gè)一個(gè)樣本點(diǎn)創(chuàng)建點(diǎn)矢量文件，導(dǎo)入到eCognition工程中轉(zhuǎn)化為樣本后創(chuàng)建TTAMask文件，最后進(jìn)行精度評(píng)價(jià)，評(píng)價(jià)結(jié)果如表3所示，傳統(tǒng)面向?qū)ο蠓诸?lèi)結(jié)果同樣采取混淆矩陣精度評(píng)價(jià)方法，結(jié)果如表4所示。

表3 基于eCognition面向?qū)ο蠓诸?lèi)精度評(píng)價(jià)

表4 傳統(tǒng)面向?qū)ο蠓诸?lèi)精度評(píng)價(jià)

由于Kappa系數(shù)利用了整個(gè)誤差矩陣的信息，它通常認(rèn)為能夠準(zhǔn)確地反映整體的分類(lèi)精度。結(jié)果表明，基于eCognition的分類(lèi)結(jié)果總體精度由傳統(tǒng)分類(lèi)法的87.997 8%上升至91.625 6%，Kappa系數(shù)由0.806 5提升至0.8914，依據(jù)分類(lèi)質(zhì)量與Kappa統(tǒng)計(jì)值的關(guān)系知結(jié)果為極好，可滿(mǎn)足分類(lèi)要求。因此，本文利用該工具下的分割結(jié)果進(jìn)行土地利用分類(lèi)的研究具有可行性，這不僅大大減少了尋找最優(yōu)分割參數(shù)的時(shí)間也提高了工作質(zhì)量。

4 結(jié) 論

1)本文結(jié)合使用eCognition及FbSP optimizer工具通過(guò)獲取最優(yōu)尺度分割參數(shù)對(duì)研究區(qū)高分2號(hào)影像進(jìn)行地類(lèi)信息的提取。結(jié)果表明，有效的分割結(jié)果不僅大大減少了不同地類(lèi)不同分割參數(shù)的試驗(yàn)時(shí)間，也提高了分類(lèi)結(jié)果的精度，證明了利用該工具進(jìn)行分割與分類(lèi)的可行性。

2)本文根據(jù)礦區(qū)面積及土地利用所分地類(lèi)選擇了耕地作為訓(xùn)練樣本，并在不同平滑度參數(shù)實(shí)驗(yàn)下確定了最優(yōu)尺度參數(shù)，較適應(yīng)與整個(gè)區(qū)域，可作為其他相似地區(qū)的高分2號(hào)影像分割參數(shù)的參考。若研究區(qū)域較小、分類(lèi)較細(xì)則應(yīng)另選訓(xùn)練樣本以獲取最優(yōu)尺度參數(shù)。

3)本文初步嘗試了利用最優(yōu)分割工具所得參數(shù)并結(jié)合所選提取特征進(jìn)行了土地利用的分類(lèi)，對(duì)于如何更好地利用光譜及紋理特征進(jìn)行地物的分類(lèi)還需進(jìn)一步實(shí)驗(yàn)與驗(yàn)證。由于不同的訓(xùn)練樣本會(huì)獲取不同的最優(yōu)分割尺度參數(shù)，對(duì)于如何更好地選擇訓(xùn)練樣本還需進(jìn)一步驗(yàn)證。

[1] 黃瑾.基于E-cognition的面向?qū)ο蟮母叻直媛蔬b感圖像分類(lèi)研究[J].黑龍江工程學(xué)院學(xué)報(bào),2015，29(5):16-19.

[2] 曾舉，李向新，王濤.基于Ecognition的高分辨率遙感影像水體提取研究[J].江西科學(xué),2011，29(2):263-266.

[3] 葛春青,張凌寒,楊杰.基于決策樹(shù)規(guī)則的面向?qū)ο筮b感影像分類(lèi)[J].遙感信息,2009(2):86-90.

[4] 余其鵬,張曉祥,梅丹丹,等.結(jié)合地籍?dāng)?shù)據(jù)的高密度城區(qū)面向?qū)ο筮b感分類(lèi)[J].遙感技術(shù)與應(yīng)用,2014，29(2):344-351.

[5] TONG H, MAXWELL T, ZHANG Y, et al.A supervised and fuzzy-based approach to determine optimal multi-resolution image segmentation parameters[J].Photogrammetric Engineering & Remote Sensing, 2012,78(10):1029-1044.

[6] 施益強(qiáng)，朱曉鈴，藺方.基于多因子對(duì)象的高空間分辨率遙感影像道路提取[J].集美大學(xué)學(xué)報(bào)(自然科學(xué)版),2010，15(4):312-316.

[7] ZHANG Y, MAXWELL T, TONG H, et al.Development of a supervised software tool for automated determination of optimal segmentation parameters for ecognition[M].na, 2010.

[8] 宮傳剛,嚴(yán)家平,陳孝楊,等.基于3S技術(shù)的采煤沉陷區(qū)土地利用變化分析——以淮北閘河礦區(qū)為例[J].測(cè)繪工程,2015,24(9):34-38.

[責(zé)任編輯：劉文霞]

Research on land use classification based on fuzzy segmentationparameter optimization

WANG Yajuan1,MA Yaozhong2

(1.Institute of Land Reclamation and Ecological Restoration, China University of Mining & Technology, Beijing 100083, China;2.Henan Polytechnic University,Jiaozuo 454000，China)

Image segmentation is the basis of classification, and the result of segmentation has a direct impact on the accuracy of classification results. For the current existence of the segmentation results which usually consume a lot of time, the results vary from person to person.This paper, based on a segmentation tool, determines the optimal segmentation parameters through the training process and fuzzy logic analysis, which is Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer). And the classification of land use is made based on the high resolution remote sensing image from Jining by using object-oriented classification software eCognition. The result shows that this tool can not only quickly determine the optimal scale of land use, but be used to classify the land use according to the eCognition.

FbSP optimizer; eCognition; high resolution image; land classification

10.19352/j.cnki.issn1671-4679.2017.03.002

2016-10-31

王亞娟(1991-)，女，碩士研究生，研究方向：遙感;土地復(fù)墾與生態(tài)重建.

TP751

A

1671-4679(2017)03-0005-05