面向對象的高分辨率衛(wèi)星影像土地分類

摘要： 本文采用面向對象的方法對高分辨率衛(wèi)星影像進行土地分類信息提取。首先利用最近鄰分類法對多尺度分割后形成的影像對象塊粗分類。隨后根據(jù)各地類的影像特征構建知識庫，優(yōu)化錯分類的地類信息。試驗表明，面向對象的高分辨率影像土地分類能充分利用影像信息，提高了信息提取的精度。

Abstract： This paper proposes an objected-oriented method to extract land-use from high-resolution satellite image. Firstly， the nearest neighbor classification method is used to obtain rough classification result though judgment of image objects. These image objects come from multiresolution segmentation to raw image. Then， the knowledge base is constructed according to the image features of different classes. Lastly， land-use information is optimized using knowledgebase. The experiment result show that object-oriented land-use information extraction could use image information completely and obtain better effect.

關鍵詞： 土地分類；高分辨率衛(wèi)星影像；面向對象；知識庫

Key words： land-use information；high spatial resolution satellite image；object-oriented；knowledge base

中圖分類號：S127 文獻標識碼：A 文章編號：1006-4311（2017）24-0187-03

0 引言

土地分類是按照土地自然屬性進行的土地類型劃分，分類后形成的土地類型是土地資源評價、土地利用規(guī)劃的基礎。傳統(tǒng)的分類方式以實地勘察為主，但這類方式速度慢、時效性低。隨著QuickBird、GeoEye、Worldview等高分辨率衛(wèi)星影像的出現(xiàn)，人們在利用影像的光譜信息的同時還可以利用影像中豐富的紋理和地物形狀、位置信息，這為土地類型快速、準確地劃分提供了條件。

利用高分辨率遙感影像進行信息提取時，如果采用傳統(tǒng)的面向像元方法會由于高分辨率影像信息的豐富性、細致性產(chǎn)生大范圍的“椒鹽現(xiàn)象”，造成分類精度的降低。面向對象的遙感影像分類方法能利用影像中的光譜、紋理、空間信息進行影像類別判定，從而能提高信息提取的精度。Hackelford和Davis通過對比面向對象分類方法與面向像元分類方法，得出了面向對象的分類方法更適合于進行城市或城郊分類信息提取的結論[1]。Hofmanne使用面向對象的分類方法針對IKONOS影像較好的識別了非正式居民地[2]。余坤勇、許章華、劉健等使用“基于片層-面向類”算法實現(xiàn)了南方山地丘陵區(qū)的竹林信息提取[3]。余曉敏、湛飛并采用了一種基于影像對象最優(yōu)化特征組合的方式對城市地表信息提取[4]。莫登奎等則基于模糊邏輯分類的面向對象的分析方法提取了株洲市城鄉(xiāng)結合部的土地覆蓋信息[5]。這些方法雖然取得了不少研究成果，但在提取的速度、自動化程度上還與實際的運用有一定的差距[6]。

本文利用高分辨率衛(wèi)星影像自身的光譜、空間、紋理特征，對研究區(qū)進行土地分類信息提取。

1 面向對象的土地類型提取方法

面向對象的信息提取是將影像分割成同質影像塊后模擬人類認知事物的過程對分割好的影像塊設定條件，將滿足條件的影像塊分配到合適的類別中去，最后得到與實際相符的分類圖[7]。本文采用的面向對象土地分類流程如圖1所示。

1.1 影像分割

影像分割是面向對象遙感信息提取的第一步，只有通過分割才能形成具有光譜、紋理、形狀、位置信息的影像對象塊。分割算法包括對比度分割、多閾值分割、光譜差異分割等，在沒有任何輔助數(shù)據(jù)的條件下將原始遙感影像數(shù)據(jù)進行分割的常用算法是多尺度分割。多尺度分割是基于給定分辨率影像對象的最小影像異質性的由下至上分割，而影像的異質性由光譜、光滑度和緊湊度三個指標決定，計算公式為shape=1-color；shape= smoothness +compactness；smoothness=（1-βcompactness）*shape。其中shape為影像對象的形狀因子，color是光譜信息，smoothness是對象邊界的光滑度，compactness代表了對象的緊湊性。

1.2 面向對象土地分類信息的提取原理

土地類型由于受到土壤、氣候、人類活動等多方面的影響，在不同時間、不同地段會呈現(xiàn)出不同的類型、不同成分的表現(xiàn)，比如土壤在北方呈現(xiàn)出黑色，而在云南多以紅土為代表。面向對象地類信息提取的關鍵就是根據(jù)各地類的特點設置相關的規(guī)則集，從而進行地類的識別。表1呈現(xiàn)了常見5大地類的特征。

根據(jù)土地類別的特征，利用分割后形成的影像對象塊的光譜、紋理、形狀特征進行最大似然分類，形成遙感影像土地類型的初分類。然后根據(jù)地類的特征設置提取規(guī)則集優(yōu)化地類信息提取的效果。

2 土地分類信息提取試驗

2.1 試驗區(qū)概況

安寧縣位于滇中高原中部，有“安寧雄鎮(zhèn)，諸爨要沖”的美譽，年平均氣溫14.8℃，屬于中亞熱帶氣候。本試驗選取拍攝于2010年1月經(jīng)過校正和與全色光融合后QuickBird安寧市溫泉鎮(zhèn)影像，精度達到0.61m，覆蓋面積達到了6512.25平方米，如圖2所示。

從圖2可以看出，該地區(qū)地類主要包括植被、裸地、水體、道路和建筑5個類別。由于對太陽光線的遮擋，在高分辨率的遙感影像上就出現(xiàn)了若干由植被或者建筑物遮擋產(chǎn)生的暗色調陰影區(qū)域。在沒有其他輔助數(shù)據(jù)的協(xié)助下很難識別落影下的實際地類類型，故將陰影另設為一特殊的地類。

2.2 影像初處理

面向對象遙感信息提取的第一步就是根據(jù)影像的特點選擇相應的參數(shù)對影像進行分割，形成與實際地物相似的影像對象塊。通過多次數(shù)據(jù)實驗本文選擇分割尺度為80，光譜異質性權重在藍光波段為0.5、綠光和紅光波段為0.8、近紅外光波段為1，形狀差異性權重為0.8，緊湊度權重為0.2的多尺度分割算法對影像進行分割，分割后的影像對象塊邊界與地類邊界相一致且避免了對象的過度破碎。

在分割完成后需要利用影像對象的光譜、形狀、紋理信息進行最近鄰采樣，即在選擇了有代表性的樣本后，以樣本的光譜亮度均值、標準差及形狀指數(shù)為指標參數(shù)進行最近鄰分類，并最終將影像對象塊分類到植被、裸地、水體、道路、建筑和陰影6個類別中，粗分類結果如圖3所示。

2.3 基于知識庫的土地分類優(yōu)化

從圖3可以看出由于地類間光譜信息的相似性和影像中紋理、位置信息的利用不充分導致了部分土地類型的錯分類，造成了土地分類碎化性嚴重、一定量的地類歸并為陰影類等情況。針對以上問題需要根據(jù)各地類錯分類的情況，利用地類在影像上的特征構建相應的規(guī)則集進行土地分類優(yōu)化。

建筑物地類的錯分類主要由兩部分組成：一是具有藍綠色屋頂?shù)慕ㄖ锉诲e分到了植被類中。由于植被在藍光波段的低反射性和藍綠色屋頂在藍光波段的小反射峰，可以將NDVI>0.2且藍光波段均值小于200的建筑物派送到植被類中；二是由于試驗區(qū)影像的拍攝區(qū)域存在一定量的鄉(xiāng)鎮(zhèn)地帶，鄉(xiāng)鎮(zhèn)建筑物的形狀、顏色具有很大的自主性，難于尋到統(tǒng)一的規(guī)范，所以通過手動調整的方法進行修改。

道路地類的長條狀特性使其在影像對象塊的類別判定中具有明顯的優(yōu)勢，該地類的錯分主要表現(xiàn)在與裸地和建筑物陰影的錯分中。低等級道路的路寬較窄、路面多由沙土鋪設而成，因而與裸地存在一定的誤分，通過設置長寬比大于8的裸地派送為道路類。建筑物的落影在影像上構成長條狀的影像對象，其陰影的暗色調會掩蓋地物的實際類別，通過將明亮度小于150的規(guī)則將錯分為道路的對象劃分到陰影類。

部分裸地由于土質成分、光線照射不充分等原因使其成像色調較暗被錯分成了陰影類，需要通過位置關系將距離建筑物超過30米且亮度大于148的陰影歸為裸地類。

陰影的錯分類主要集中在植被、水體和道路類中，該類錯誤則通過如上所說的NDVI、NDWI指數(shù)和明亮度進行完善。

通過上述基于知識庫的方法對影像中的五大地類信息進行類別優(yōu)化后，最終的分類結果如圖4所示。

3 結果分析與評價

從圖4的分類結果來看，本文提出的方法能較好的保證土地分類中各地類內部的均一性和連續(xù)性。為了精確的驗證面向對象的高分辨率遙感影像土地分類結果，使之與Erdas監(jiān)督分類進行比較，并隨后在Erdas中對兩種分類結果隨機抽取250個點進行分類精度評價。比較結果如表2所示，可以看出本文提出的面向對象土地分類方法比傳統(tǒng)基于像元的監(jiān)督分類方法精度提高了將近17%。

本文采用方法的不足之處在于對土地分類中的道路、裸地信息識別精度較低。這主要是由于實驗區(qū)影像含有一定量的鄉(xiāng)鎮(zhèn)地區(qū)，鄉(xiāng)間道路等級較低，其光譜特性與黃褐色的裸地極易混淆；再者村鎮(zhèn)中的建筑物密度高且形狀不規(guī)則，會對其間的內部道路有不同程度的遮擋，造成影像上道路的突然中斷或者形狀不連續(xù)，因而無法很好的利用道路識別知識庫的內容進行提取。所以在以后研究中應注重對鄉(xiāng)鎮(zhèn)土地類型中的道路、建筑和裸地信息光譜、形狀、紋理相應特征的研究，以提高鄉(xiāng)鎮(zhèn)土地利用類型信息提取的精度。

4 結束語

本文利用面向對象的方法，在最近鄰分類完成后通過建立的土地類型知識庫的方式進一步完成了高分辨率衛(wèi)星影像的土地分類信息的提取。該種方法能較好的利用影像的位置、紋理信息，避免由于影像分辨率過高而造成的地類破碎化嚴重的問題，很好地識別了各地類。

參考文獻：

[1]陳小良.基于面向對象技術的土地利用/覆被分類研究[M].中國地質大學，2009.

[2]Hofmann，P.Detecting informal settlements from IKONOS image data using methods of object oriented image analysis-an example from Gape Town （South Africa），Remote Sensing of Urban Areas/Femerkundung in urbanen Raumen.Regenseburg，ed.By JURGENS，C，2001：41-42.

[3]余坤勇，許章華，劉健，等.“基于片層-面向類”的竹林信息提取算法與應用分析[J].中山大學學報（自然科學版），2012，51（1）：89-95.

[4]余曉敏，湛飛并.基于高分辨率遙感影像的城市地表信息提取研究[J].測繪與空間地理信息，2012，35（7）：21-24.

[5]蔡銀橋，毛政元.基于多特征對象的高分辨率遙感影像分類方法及其應用[J].國土資源遙感，2007（1）：77-81.

[6]史文中，朱長青，王昱.從遙感影像提取道路特征的方法綜述與展望[J].測繪學報，2001，30（3）：257-262.

[7]唐靜，吳俐民，左小清.面向對象的高分辨率衛(wèi)星影像道路信息提取[J].測繪科學，2011，36（5）：98-99.