基于FbSP optimizer分割工具下的礦區(qū)土地利用分類研究
——以濟寧2號礦區(qū)為例

王亞娟,馬要中

(1.中國礦業(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FbSP optimizer分割工具下的礦區(qū)土地利用分類研究
——以濟寧2號礦區(qū)為例

王亞娟1,馬要中2

(1.中國礦業(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)

影像分割是分類的基礎(chǔ)，分割結(jié)果的好壞直接影響分類結(jié)果的精度。該文基于一種通過訓(xùn)練過程和模糊邏輯分析，確定最優(yōu)分割參數(shù)的分割工具——Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)來確定分割參數(shù)，并借助面向?qū)ο蠓诸愜浖Cognition，以高分2號影像為基礎(chǔ)，進行礦區(qū)土地利用的分類研究。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，同時結(jié)合eCognition，可較高精度地對土地利用進行分類。

FbSP optimizer；eCognition；高分辨率影像；土地分類；濟寧

0 引言

隨著遙感技術(shù)的發(fā)展，高分辨率影像的應(yīng)用越來越廣泛，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。為了充分利用其空間信息，實現(xiàn)地物的精確分類，面向?qū)ο蟮姆椒☉?yīng)運而生[1]。面向?qū)ο笮畔⑻崛“ㄓ跋穹指詈托畔⑻崛?個模塊，影像分割是信息提取的基礎(chǔ)，信息提取是基于分割得到的影像對象而進行的。所謂“影像對象”，是指通過多尺度影像分割生成的同質(zhì)目標(biāo)[1]。目前應(yīng)用最多的分割方法是通過eCognition來實現(xiàn)的多尺度分割方法。eCognition是全球第一個基于對象，模仿人類思維進行影像綜合智能分析和信息提取的專業(yè)遙感軟件系統(tǒng)，具有模糊邏輯分類、模型化、復(fù)雜語意分析及整合多源數(shù)據(jù)等功能。通過人機交互定義的分割尺度、顏色、形狀等參數(shù)進行影像對象分割，以影像對象為基本空間單元進行地物目標(biāo)提取，可應(yīng)用于各種專題研究[2]。

隨著eCognition軟件的成功應(yīng)用，目前已有很多學(xué)者針對面向?qū)ο蟮挠跋裉幚矸绞阶隽舜罅康膰L試性研究。江華[3]利用該軟件與面向?qū)ο蠹夹g(shù)做了高分辨率遙感影像的土地利用分類，相對傳統(tǒng)最大似然分類法提高了分類精度，黃瑾[4]做了遙感圖像分類研究，蘇偉[5]等人利用多尺度分割技術(shù)對城市土地覆被分類做了研究，何少林[6]等人針對無人機影像做了面向?qū)ο蟮耐恋乩眯畔⑻崛?，何勇[7]等人進行了農(nóng)村公路等的提取，均取得了相對較好的結(jié)果。但最優(yōu)分割參數(shù)的獲取需經(jīng)不斷的嘗試與實驗來最終確定，耗時耗力。其中，何少林充分利用多尺度這一原則，對道路水田、農(nóng)作物、居民地等地物，分別在不同圖層上做了不同地物的提取，相對單尺度的提取精度大大提高。但不同參數(shù)的獲取花費大量時間，且人為干預(yù)較多，其分割參數(shù)因人而異。由于城市土地利用變化是結(jié)構(gòu)變化與空間布局的綜合反映[8]，為準(zhǔn)確對土地利用進行分類，該文借助章云[9]所提出的通過訓(xùn)練過程和模糊邏輯分析，確定最優(yōu)分割參數(shù)的一種監(jiān)督軟件工具——Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)，同時結(jié)合eCognition軟件及光譜、紋理等特征，以濟寧2號礦區(qū)為例，進行了快速有效的土地利用分類研究，為后續(xù)礦區(qū)土地利用分類系統(tǒng)的構(gòu)建提供了借鑒與參考。

1 研究區(qū)概況及數(shù)據(jù)來源

研究區(qū)位于山東省濟寧市任城區(qū)的濟寧煤田中部，井田范圍東西寬10km，南北長6～11km，由于煤炭的開采，導(dǎo)致部分地區(qū)塌陷，出現(xiàn)積水情況，研究范圍為開采導(dǎo)致的地面塌陷地積水區(qū)域及礦區(qū)所對應(yīng)的其他地物信息。濟寧市行政區(qū)劃圖及研究區(qū)遙感影像圖如圖1所示。研究所用數(shù)據(jù)拍攝時間為2015年6月5日的高分辨率2號影像，全色分辨率1m，多光譜4m，包含紅、綠、藍及近紅外4個波段。

圖1 研究區(qū)位置及遙感影像圖

2 研究方法

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、分類及精度評價。影像分割是基礎(chǔ)，分類依分割得到的影像對象而進行。該次研究利用參數(shù)分割工具進行參數(shù)確定，根據(jù)研究區(qū)范圍大小，最終將土地利用分為水體、林地、道路、耕地及建設(shè)用地。

2.1 影像分割

良好的分類結(jié)果是在良好的分割基礎(chǔ)上進行的，為獲取最優(yōu)分割結(jié)果，該文采用FbSP optimizer來確定最優(yōu)分割參數(shù)。首先對影像進行過分割，使某一地物分割破碎，然后利用破碎地物分割的子對象信息及將其合并后的目標(biāo)信息進行參數(shù)評估，最后根據(jù)工具運算后的參數(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)，否則需要進行迭代運算，至最終確定最優(yōu)分割參數(shù)為止。其中子對象(SubObj)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個特征值外還包括矩形擬合值(Rectangle Fit)及緊湊度(Compactness)。紋理特征及穩(wěn)定性值[10]分別由方程(1)和(2)所得，緊湊度由方程(4)獲得[10]，其余特征值采用在子對象形成時eCognition所給出的值。

(2)

(3)

(4)

式中：l為目標(biāo)對象的邊界長度，nobjm為目標(biāo)對象的像元數(shù)。

濟寧2號礦區(qū)屬于高潛水位地區(qū)，采煤導(dǎo)致多地出現(xiàn)積水情況，使得耕地?zé)o法恢復(fù)，數(shù)量減少。常年積水區(qū)域面積的確定可通過此分割工具的分割效果來大致確定(圖2)。此結(jié)果可作為確定塌陷地積水面積的一種參考，為耕地數(shù)量的報損提供一定的依據(jù)，同時為土地復(fù)墾方案的準(zhǔn)確性提供參考[11]。

(a)為常年深積水區(qū)；(b)為常年淺積水區(qū)；(c)為季節(jié)性積水區(qū) 圖2 塌陷地積水區(qū)域分割結(jié)果

由于礦區(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，若分割尺度過大，就會與相鄰地物混合在一起，降低分類精度。為準(zhǔn)確提出水體部分先進行較小尺度的分割，根據(jù)研究區(qū)范圍首先將影像進行過分割，當(dāng)尺度為50時，部分水體如圖3(a)所示，部分建筑物及耕地如圖3(c)所示；當(dāng)尺度為100時，部分水體如圖3(b)所示，部分建筑物及耕地如圖3(d)所示。形狀及緊湊度按照默認(rèn)設(shè)置，shap為0.1，Compactness為0.5。

圖3 不同尺度(局部)分割結(jié)果

由圖3可知，當(dāng)尺度為50時，水體、耕地及建筑物都過于破碎，不利于訓(xùn)練樣本的選擇；當(dāng)尺度為100時，較小的水體可以較好地區(qū)分出來，耕地及建筑物同樣實現(xiàn)了過碎分割，可選擇適當(dāng)?shù)挠?xùn)練樣本及目標(biāo)地物，通過迭代運算獲得最優(yōu)尺度參數(shù)。因此，該文在初始分割為100的基礎(chǔ)上進行訓(xùn)練樣本的選擇，來獲取最優(yōu)分割尺度參數(shù)，研究區(qū)部分分割效果如圖4(a)所示。對除水體外部分進行分割時，為方便獲取最優(yōu)尺度分割參數(shù)，該文借助章云所提出的一種基于模糊邏輯的分割工具，該工具是配合eCognition使用，且獨立于eCognition軟件。不同訓(xùn)練樣本獲得不同分割尺度參數(shù)，但整體結(jié)果差異較小，經(jīng)比較，該文以圖4(a)最右方標(biāo)注耕地部分為訓(xùn)練樣本進行迭代，以獲取最優(yōu)分割參數(shù)。該目標(biāo)對象共有4個子對象，各子對象參數(shù)如表1所示，最終迭代結(jié)果及分割結(jié)果分別如圖4(b)、圖5所示。

表1 基于目標(biāo)對象的子對象特征信息

圖4 最優(yōu)分割結(jié)果對比

圖5 參數(shù)運算結(jié)果

依圖4分割結(jié)果對比，可知尺度參數(shù)為325時分割結(jié)果良好，耕地及建筑用地分割較為完整。由于林地的紋理特征較為明顯，即使道路兩旁及耕地之間較小區(qū)域的林地也可通過此種方法進行分類，既不至于過碎分割，又可以很好的區(qū)分出來。因此，該文以此分割結(jié)果為基礎(chǔ)，進行礦區(qū)內(nèi)除水體外其他地物信息的提取。

2.2 分類提取

eCognition中提供了多種分類方法，有基于樣本的監(jiān)督(最近鄰)分類、基于知識的模糊分類、多條件類描述分類、閾值分類及分類器算法分類等。最鄰近分類方法是利用訓(xùn)練樣本對象來選擇對象特征，并在一個特定的特征空間中對影像對象進行分類，在對代表性的樣本對象集被聲明之后，算法在特定的特征空間內(nèi)尋找每個影像最接近的樣本對象，與傳統(tǒng)的監(jiān)督分類相似。當(dāng)?shù)匚锾卣鞑幻黠@，無法描述其特征空間時，適合使用最鄰近距離法[12]。模糊分類方法是通過影像對象本身以及對象間的特征屬性，計算隸屬度函數(shù)，獲得相應(yīng)區(qū)域特征的模糊化值，建立規(guī)則模型進行影像分類，選擇特征時應(yīng)當(dāng)選擇待分類類別最顯著的特征加入規(guī)則庫，而且不能加入太多，過多的規(guī)則會影響分類精度[13]。該文采用通過閾值來指定類別的指定類算法以及在類描述中使用閾值的類描述分類算法，綜合分析影像地物特征，實現(xiàn)地物信息的提取。

該文地物類型主要分為水體、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，該文紋理特征采取紅、綠、藍3個通道的標(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，可較好地實現(xiàn)地物信息的提取。

3 分類結(jié)果及精度評價

3.1 分類結(jié)果

依據(jù)分類提取規(guī)則，該地區(qū)不同土地利用類型分類特征如表2所示?；贔bSP optimizer分割工具，結(jié)合eCognition，面向?qū)ο蠓ǖ难芯繀^(qū)地物分類結(jié)果如圖6所示，采用利用ENVI5.1基于樣本的面向?qū)ο蠓椒ǎ崛〗Y(jié)果如圖7所示。

圖6 基于eCognition提取結(jié)果影像圖

將圖6、圖7同一部分局部放大(紅色邊框范圍)，可知基于eCognition相對傳統(tǒng)面向?qū)ο蠓椒?，分類結(jié)果圖斑較為完整。對比該地區(qū)谷歌影像圖8(a)(2015年8月30日)及標(biāo)準(zhǔn)假彩色遙感影像圖8(b)(2015年6月5日)，發(fā)現(xiàn)部分地區(qū)出現(xiàn)變化，因此分類結(jié)果不完全對應(yīng)谷歌影像圖，但大部分分類結(jié)果與實地影像相對應(yīng)。

表2 研究區(qū)地物分類特征

圖7 傳統(tǒng)面向?qū)ο筇崛〗Y(jié)果影像圖

圖8 兩種方法分類局部對比圖

3.2 精度評價

易康針對分類結(jié)果以及分類方式提供4種精度評價方法，包括分類穩(wěn)定性、最佳分類結(jié)果概率、基于像素的混淆矩陣及基于對象樣本的混淆矩陣。為降低主觀人為因素影響，該文選擇基于像素的混淆矩陣精度評價方法，即Error Matrix based on TTA Mask。在ArcGIS里選擇樣本點時，為保證樣本點的精度，可對照谷歌地球影像，選擇一個樣本創(chuàng)建點矢量文件，導(dǎo)入到eCognition工程中，轉(zhuǎn)化為樣本后創(chuàng)建TTAMask文件，最后進行精度評價。水體、道路、林地、耕地及建設(shè)用地樣本點個數(shù)分別為11，15，23，20，34個，評價結(jié)果如表3所示，傳統(tǒng)面向?qū)ο蠓诸惤Y(jié)果同樣采取混淆矩陣精度評價方法，結(jié)果如表4所示。

表3 基于eCognition面向?qū)ο蠓诸惥仍u價

由于Kappa系數(shù)利用了整個誤差矩陣的信息，通常被認(rèn)為能夠準(zhǔn)確地反映整體的分類精度。結(jié)果表明，基于eCognition的分類結(jié)果總體精度由傳統(tǒng)分類法的87.9978%上升至91.6256%，Kappa系數(shù)由0.8065提升至0.8914，依據(jù)分類質(zhì)量與Kappa統(tǒng)計值的關(guān)系知結(jié)果為極好，可滿足分類要求。因此，利用該工具下的分割結(jié)果進行土地利用分類的研究具有可行性，大大減少了尋找最優(yōu)分割參數(shù)的時間，提高了工作質(zhì)量。

表4 傳統(tǒng)面向?qū)ο蠓诸惥仍u價

4 結(jié)論

(1)該文結(jié)合礦區(qū)特點，先進行了初始分割下的水體提取，然后通過eCognition及FbSP optimizer工具，迅速獲取除水體外地物的最優(yōu)尺度分割度參數(shù)，并進行了地類信息的提取。結(jié)果表明，有效的分割結(jié)果不僅大大減少了不同地類不同分割參數(shù)的試驗時間，也提高了分類結(jié)果的精度。

(2)提出了根據(jù)分割效果可初步判定塌陷地積水區(qū)的常年深積水區(qū)、常年淺積水區(qū)及季節(jié)性積水區(qū)，為后續(xù)耕地數(shù)量減少的研究提供一定的依據(jù)。

(3)由于不同的訓(xùn)練樣本會獲取不同的最優(yōu)分割尺度參數(shù)，該文根據(jù)礦區(qū)面積及土地利用所分地類來選擇耕地作為訓(xùn)練樣以獲取最優(yōu)尺度參數(shù)，較適應(yīng)整個區(qū)域，可作為其他相似地區(qū)的高分二號影像分割參數(shù)的參考。若研究區(qū)域較小、分類較細(xì)則應(yīng)另選訓(xùn)練樣本，以獲取最優(yōu)尺度參數(shù)。

(4)該文初步嘗試了利用最優(yōu)分割工具所得參數(shù)，并結(jié)合所選提取特征進行土地利用的分類，如何更好地利用光譜及紋理特征進行地物的分類，還需進一步實驗與驗證。

[1] 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,(2):263-266.

[2] 施益強,朱曉鈴,藺方.基于多因子對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(自然科學(xué)版),2010,(4):312-316.

[3] 江華.基于eCognition面向?qū)ο蠹夹g(shù)的高分辨率遙感影像土地利用分類——以福州瑯岐島為例[J].海峽科學(xué),2014,(8):12-17.

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

[5] 蘇偉,李京,陳云浩,等.基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯俊择R來西亞吉隆坡市城市中心區(qū)為例[J].遙感學(xué)報,2007,(4):521-530.

[6] 何少林,徐京華,張帥毅.面向?qū)ο蟮亩喑叨葻o人機影像土地利用信息提取[J].國土資源遙感,2013,(2):107-112.

[7] 何勇,陳昌鳴,熊增連,等.基于eCognition的面向?qū)ο筠r(nóng)村公路提取[J].重慶交通大學(xué)學(xué)報(自然科學(xué)版),2012,(6):1194-1197.

[8] 趙躍倫,趙建,高文凱.濟寧市采煤塌陷地土地復(fù)墾工程水資源配置研究[J].山東國土資源,2016,32(10):35-38.

[9] Zhang Y, Maxwell T, Tong H, et al. Development of a supervised software tool for automated determination of optimal segmentation parameters for ecognition[M].Society for Imaging Science and Technology，2010.

[10] 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.

[11] 林霞,吳孟泉,孫西兵.近20年煙臺主城區(qū)土地利用變化特征與驅(qū)動分析[J].山東國土資源,2015,31(5):91-94.

[12] 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,(1):31-35+123.

[13] 楊圣軍，趙燕，吳泉源，等.高分辨率遙感圖像中采礦塌陷地的提取——以龍口礦區(qū)為例[J].地域研究與開發(fā),2006,(4):120-124.

Classification of Land Use in Mining AreasBased on FbSP Optimizer Segmentation Tool——Setting No.1 Mining Area in Jining City as an Example

WANG Yajuan1， MA Yaozhong2

(1.Land Reclamation and Ecological Restoration Institute of China University of Mining and Technology, Beijing 100083, China；2. Henan Polytechnic University, Henan 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. In this paper, a segmentation tool- FbSP optimizer based on the training process and fuzzy logic analysis is proposed to determine the optimal segmentation parameters. The classification of land use in mining area based on the score 2 resolution image using the object-oriented classification software eCognition. It is showed that this tool can not only quickly determine the optimal scale of land use, but also can be used to classify land use according to the eCognition with high accuracy.

FbSP optimizer；eCognition；high resolution image；land classification

2016-11-14；

2017-02-16；編輯：曹麗麗

教育部新世紀(jì)優(yōu)秀人才支持計劃(NCET-12-0964)

王亞娟(1991—)，女，河南濮陽人，主要從事遙感、土地復(fù)墾與生態(tài)重建方面的研究；E-mail：1425850563@qq.com

P208

B

王亞娟,馬要中.基于FbSP optimizer分割工具下的礦區(qū)土地利用分類研究——以濟寧2號礦區(qū)為例[J].山東國土資源，2017,33(8)：92-97.WANG Yajuan， MA Yaozhong.Classification of Land Use in Mining Areas Based on FbSP Optimizer Segmentation Tool——Setting No.1 Mining Area in Jining City as an Example[J].Shandong Land and Resources, 2017,33(8)：92-97.