基于eCognition高分辨率影像的分類(lèi)研究

帥慕蓉 謝貽文 楊鵬飛

摘要：文章針對(duì)株洲縣堂市鄉(xiāng)某部分區(qū)域高分辨率影像，采用eCognition的多尺度分割和面向?qū)ο蟮淖钹徑▽?duì)影像進(jìn)行分類(lèi)，同時(shí)與ENVI5.3軟件平臺(tái)下的最大似然法分類(lèi)結(jié)果進(jìn)行了對(duì)比分析，并以野外驗(yàn)證后的目視解譯為基準(zhǔn)進(jìn)行精度評(píng)價(jià)。結(jié)果表明：基于eCognition平臺(tái)下的面向?qū)ο蟮姆诸?lèi)方法避免了傳統(tǒng)分類(lèi)結(jié)果噪聲嚴(yán)重、精度低的缺陷，其總體分類(lèi)精度為80%，Kappa系數(shù)為0.739 7，比傳統(tǒng)分類(lèi)結(jié)果精度高，比目視解譯效率高。

關(guān)鍵詞：eCognition；面向?qū)ο蠓诸?lèi)；高分辨率影像；最大似然法；Kappa系數(shù)

近年來(lái)礦山地質(zhì)環(huán)境調(diào)查是以遙感技術(shù)為手段，如何高效地從高分辨率影像中自動(dòng)提取高精度地理信息已是當(dāng)今遙感分類(lèi)重點(diǎn)研究的問(wèn)題。傳統(tǒng)的分類(lèi)法是基于光譜信息的智能算法（如支持向量機(jī)（Support Vector Machine，SVM）算法[1]等），即使解譯人員可以根據(jù)專(zhuān)業(yè)知識(shí)提高分類(lèi)效果，但也不能解決“同譜異物”和“同物異鋪”問(wèn)題[2]。針對(duì)傳統(tǒng)分類(lèi)方法存在諸多的局限性，不僅耗時(shí)耗力，而且精度低等問(wèn)題，Baatz等[3]提出了面向?qū)ο蟮姆诸?lèi)技術(shù)，克服了傳統(tǒng)遙感影像分類(lèi)方法的不足，能夠在一定程度上提高影像的解譯效率和質(zhì)量。為了使礦山周邊環(huán)境可持續(xù)發(fā)展，面向?qū)ο蟮募夹g(shù)在礦山調(diào)查中的應(yīng)用就顯得格外重要。因此，本文應(yīng)用eC。gniti。n8.9軟件對(duì)研究區(qū)進(jìn)行影像分類(lèi)實(shí)驗(yàn)研究，為湖南省礦山地質(zhì)環(huán)境調(diào)查提供基礎(chǔ)的地理信息數(shù)據(jù)，在野外調(diào)查中具有一定的指導(dǎo)意義。

1 面向?qū)ο蟮姆诸?lèi)技術(shù)

面向?qū)ο蟮姆诸?lèi)技術(shù)是基于目標(biāo)對(duì)象的信息提取技術(shù)，以影像分割后的對(duì)象作為分類(lèi)的基礎(chǔ)。目前，基于eCognition平臺(tái)下的分割算法有棋盤(pán)分割、四叉樹(shù)分割、多尺度分割及光譜差異分割。本文選用了常用的多尺度分割技術(shù)。多尺度分割是一個(gè)基于像素層的自下而上的分割技術(shù)，從一個(gè)像素的對(duì)象開(kāi)始進(jìn)行相鄰像素的區(qū)域歸并或者將小的分割對(duì)象歸并到大的分割對(duì)象中去。為了達(dá)到最優(yōu)分割效果，必須保證分割對(duì)象間的平均異質(zhì)性最小，分割對(duì)象內(nèi)部每個(gè)像元間同質(zhì)性最大。建立影像對(duì)象的層次網(wǎng)絡(luò)，可以在不同的尺度同時(shí)表征影像信息，根據(jù)應(yīng)用的需求選擇最優(yōu)的分割對(duì)象層作為進(jìn)一步分類(lèi)的信息源。傳統(tǒng)的最大似然法以概率數(shù)理統(tǒng)計(jì)為理論基礎(chǔ)，而面向?qū)ο蟮淖罱彿诸?lèi)法是以分割得到的影像對(duì)象作為分類(lèi)的基本單元，優(yōu)選對(duì)象的特征如紋理、幾何、層次等，構(gòu)建對(duì)象的特征空間，以最小間隔為測(cè)度進(jìn)行判別分類(lèi)。

2 精度評(píng)價(jià)

分類(lèi)結(jié)果精度評(píng)價(jià)有混淆矩陣和工作特征（Receiver Operating Characteristic，ROC）曲線兩種方式。本文采用比較常用的混淆矩陣來(lái)評(píng)價(jià)分類(lèi)精度，有6種評(píng)價(jià)因子分別為混淆矩陣、總體分類(lèi)精度、Kappa系數(shù)、錯(cuò)分誤差、生產(chǎn)精度和用戶精度?；煜仃囀腔谖恢玫脑u(píng)價(jià)，因此樣本點(diǎn)的空間分布及選取樣本點(diǎn)個(gè)數(shù)都極其重要。

為了使分類(lèi)精度評(píng)價(jià)盡可能精準(zhǔn)，樣本點(diǎn)數(shù)量的選定極其重要。Foody[4]認(rèn)為樣本點(diǎn)數(shù)量太多或者太少在一定程度上都會(huì)影響分類(lèi)精度的評(píng)價(jià)。Tortom等[5]提出過(guò)用于混淆矩陣分類(lèi)結(jié)果精度評(píng)價(jià)的樣本個(gè)數(shù)的計(jì)算公式：

n=B/4b2（1）

式中：n為采樣點(diǎn)數(shù)量；B是自由度為1的卡方檢驗(yàn)（1-P/M）的臨界值，其中P為置信度誤差，M為分類(lèi)數(shù)；b為置信度誤差。本文解譯5類(lèi)地物，假設(shè)對(duì)置信水平的要求為95%以上，置信度誤差允許范圍5%，在假定的情況下，卡方檢驗(yàn)下自由度為1的臨界值B=γ2（1，0.99）=6.635，故本次研究至少要664個(gè)采樣點(diǎn)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 研究區(qū)概況

研究區(qū)為株洲縣堂市鄉(xiāng)某部分區(qū)域。堂市鄉(xiāng)位居湖南省株洲縣的西南部，東邊以湘江為鄰，總占地面積達(dá)77.23 km2。數(shù)據(jù)由湖南省國(guó)土資源廳所提供，影像是空間分辨率達(dá)0.2m的1：2 000數(shù)字正射影像，其面積有2 km2。影像的成像時(shí)間為2009年11月，數(shù)據(jù)采用的大地基準(zhǔn)是CGCS2000國(guó)家大地坐標(biāo)系，高程基準(zhǔn)是1985國(guó)家高程基準(zhǔn)，地圖投影是高斯-克呂格投影，3度分帶，中央子午線114°。

3.2 數(shù)據(jù)預(yù)處理

利用面向?qū)ο蟮姆诸?lèi)技術(shù)對(duì)影像進(jìn)行分類(lèi)，而多尺度分割得到的影像對(duì)象層為影像分類(lèi)奠定基礎(chǔ)，因分割的優(yōu)劣直接影響著分類(lèi)精度的高低，為了獲取最優(yōu)的分割尺度，使分割后的對(duì)象與真實(shí)地物斑塊能夠達(dá)到較好的擬合程度，所以各參數(shù)權(quán)重的合理設(shè)置顯得極其重要。若80作為分割尺度起始值，0.3作為形狀因子權(quán)重及0.5作為緊致度權(quán)重，此后每間隔80取一個(gè)尺度參數(shù)，經(jīng)過(guò)反復(fù)試驗(yàn)，最終得出當(dāng)scale parameter=240， shape=0.3， compactness=0.5時(shí)，分割效果最佳。以分割后的影像為基礎(chǔ)，利用算法配置特征空間，然后建立樣本集，優(yōu)化特征空間，最后進(jìn)行最鄰近法分類(lèi)。本文分類(lèi)用到的特征函數(shù)有平均值、反射率標(biāo)準(zhǔn)差、亮度值、形狀指數(shù)等。此外，在ArcmaplO.2 軟件平臺(tái)下對(duì)影像進(jìn)行目視解譯，其精度檢驗(yàn)通過(guò)高分辨率影像結(jié)合野外調(diào)查方法來(lái)實(shí)現(xiàn)。

3.3 結(jié)果分析

基于eCognition軟件對(duì)株洲縣堂市鄉(xiāng)某部分區(qū)域影像進(jìn)行地物提取，提取了耕地、水體、人工表面、林地、園地。將面向?qū)ο蠓诸?lèi)結(jié)果圖與目視解譯結(jié)果對(duì)比，發(fā)現(xiàn)地物的空間分布呈現(xiàn)出高度一致性。此外，傳統(tǒng)分類(lèi)難以劃分出地類(lèi)的邊界、紋理、形狀等信息，導(dǎo)致分類(lèi)結(jié)果粗糙且存在“椒鹽現(xiàn)象”，而自動(dòng)解譯表面光滑且類(lèi)別清晰，可以解決傳統(tǒng)分類(lèi)存在的問(wèn)題。實(shí)驗(yàn)記錄目視解譯和自動(dòng)解譯兩種作業(yè)方式下所消耗的時(shí)間分別為10 h和4 h，由此可知，自動(dòng)解譯工作效率遠(yuǎn)遠(yuǎn)高于人工解譯。采用野外核查修正過(guò)的目視解譯結(jié)果作為正確的分類(lèi)圖層，結(jié)合樣本點(diǎn)，對(duì)面向?qū)ο蟮姆诸?lèi)及傳統(tǒng)的分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)。將各類(lèi)樣本點(diǎn)與分類(lèi)結(jié)果進(jìn)行連接，然后統(tǒng)計(jì)各地類(lèi)分類(lèi)正確樣本數(shù)和錯(cuò)分樣本數(shù)，同時(shí)記錄錯(cuò)分樣本落入相應(yīng)地類(lèi)的個(gè)數(shù)，計(jì)算分類(lèi)總體精度及Kappa系數(shù)，由精度評(píng)價(jià)混淆矩陣結(jié)果可知，面向?qū)ο蟮淖詣?dòng)解譯總體精度達(dá)到了80%， Kappa系數(shù)為0.739 7，具有高度一致性，整體上能滿足精度需求，而傳統(tǒng)最大似然法的分類(lèi)結(jié)果總體精度達(dá)到了66.72%，Kappa系數(shù)為0.569 9，只具備中等的一致性，整體上精度偏低。

4 結(jié)語(yǔ)

本研究以目視解譯作為參照基準(zhǔn)，從定性和定量?jī)蓚€(gè)角度，將面向?qū)ο蟮姆诸?lèi)與面向像元的分類(lèi)結(jié)果進(jìn)行對(duì)比分析，在各類(lèi)面積占比相似的情況下，突出了面向?qū)ο蠓诸?lèi)技術(shù)在時(shí)間上的高效。面向?qū)ο蟮姆诸?lèi)精度遠(yuǎn)遠(yuǎn)高于傳統(tǒng)分類(lèi)精度，各地類(lèi)輪廓線分明，能更理想地鑒別各類(lèi)地物，面向?qū)ο蠓诸?lèi)技術(shù)突破了僅基于光譜信息傳統(tǒng)分類(lèi)的局限性，可為湖南省礦山地質(zhì)環(huán)境調(diào)查提供技術(shù)支撐和精準(zhǔn)的基礎(chǔ)數(shù)據(jù)，同時(shí)可以降低野外調(diào)查成本，大幅提高工作效率。

[參考文獻(xiàn)]

[1]鄧曾，李丹，柯櫻海，等.基于改進(jìn)SVM算法的高分辨率遙感影像分類(lèi)[J].國(guó)土資源遙感，2016（3）：12-18.

[2]顏梅春.高分辨率影像的植被分類(lèi)方法對(duì)比研究[J].遙感學(xué)報(bào)，2007（2）：235-240.

[3]BAATZ M， SCHAPE A.An optimization approach for high quality multi-scale image segmentation [JJ.Beitrage Zum Agit-symposium，2000（12）：12-23.

[4]FOODY G M.Sample size determination for im- age classification accuracy assessment and comparison [J].International Journal ofRemote Sensing， 2009（20）：5273-5291.

[5]TORTORA R D.A note on sample size estimation f-or multinomial populations [J].American Statistician， 1978（3）：100-102.