基于ZY-3影像的土地利用信息提取方法

秦 朝，周 鵬，隗劍秋，韓 瑞，王申林

武漢工程大學(xué)土木工程與建筑學(xué)院，湖北 武漢 430074

隨著國(guó)產(chǎn)遙感衛(wèi)星領(lǐng)域的不斷進(jìn)步，基于國(guó)產(chǎn)衛(wèi)星遙感數(shù)據(jù)的研究已成為熱點(diǎn)。中國(guó)高分辨率衛(wèi)星遙感數(shù)據(jù)的應(yīng)用，已經(jīng)成為我國(guó)地表覆蓋信息提取的主要數(shù)據(jù)源［1-3］。在信息提取方面，相對(duì)于中低分辨率遙感影像，高分辨率遙感影像的特點(diǎn)非常突出，其分類精度高、信息豐富等優(yōu)勢(shì)十分明顯［4-5］。傳統(tǒng)的基于像素的分類技術(shù)和適用于國(guó)外遙感衛(wèi)星的高分影像分類技術(shù)［6-8］，已經(jīng)無(wú)法滿足國(guó)產(chǎn)高分辨率遙感影像分類處理的需求，因此，探索適于國(guó)產(chǎn)高分辨率遙感影像的信息提取技術(shù)尤為重要。

面向?qū)ο蟮姆诸惙椒ǖ奶岢?，給高分影像的信息提取提供了新的方向［9］?；趯?duì)象的空間特征和光譜特征分割影像，合并不同大小和形狀的斑塊對(duì)象來(lái)進(jìn)行地表信息提取，以此克服基于像素單元的信息分類方法的不足。圖像分割是面向?qū)ο蠓诸惣夹g(shù)的基礎(chǔ)，不同的分割算法和分割尺度對(duì)信息提取的精度有著顯著的影響。數(shù)學(xué)形態(tài)學(xué)梯度分割和灰度圖像層次分割的比較，更多的被應(yīng)用于多光譜影像的分割；圖分割算法、分水嶺分割算法、邊緣檢測(cè)分割算法在高分影像分類應(yīng)用中不斷對(duì)比與創(chuàng)新［10-13］。

基于面向?qū)ο蠓椒ǖ耐恋乩梅诸惥龋€取決于光譜信息、空間分析和紋理信息的提取與應(yīng)用［14］。黃慧萍利用光譜信息和色彩對(duì)比完成城市綠地的快速提?。?5-17］。江東利用光譜信息和形狀信息進(jìn)行人類活動(dòng)信息的多尺度提取。歸一化植被指數(shù)（normalized difference vegetation index，NDVI）和形狀指數(shù)廣泛應(yīng)用與道路提取和建筑物提?。?8］。陳文倩利用光譜特征和紋理特征的信息提取和篩選進(jìn)行支持向量機(jī)（support vector machine，SVM）分類，實(shí)現(xiàn)艾比湖濕地保護(hù)區(qū)的土地利用精確分類［19］。

本文是基于面向?qū)ο笮畔⑻崛〖夹g(shù)來(lái)構(gòu)建適于國(guó)產(chǎn)遙感衛(wèi)星的土地利用分類方法。利用canny邊緣檢測(cè)分割影像和Full Lambda-Schedule算法合并鄰近小斑塊，提取斑塊對(duì)象的光譜信息、波段信息、紋理信息和空間信息，運(yùn)用SVM算法進(jìn)行訓(xùn)練和分類，完成土地利用類型的劃分。

1 研究區(qū)與研究方法

1.1 研究區(qū)

采用的數(shù)據(jù)包含國(guó)產(chǎn)資源三號(hào)衛(wèi)星ZY-3高空間分辨率遙感影像和土地利用數(shù)據(jù)。其中ZY-3遙感數(shù)據(jù)為2018年獲取的2.1 m全色影像和5.8 m多光譜影像。資源三號(hào)衛(wèi)星影像將會(huì)為中國(guó)國(guó)土資源、農(nóng)業(yè)、林業(yè)等領(lǐng)域提供服務(wù)，進(jìn)一步填補(bǔ)立體測(cè)圖的空白。土地利用數(shù)據(jù)為2018土地利用更新數(shù)據(jù)，研究區(qū)中的土地利用類型豐富，包括耕地、原地、林地、水域、交通設(shè)施用地和城鄉(xiāng)建設(shè)用地。在對(duì)比不同衛(wèi)星遙感數(shù)據(jù)在面向?qū)ο蠓椒ǖ耐恋乩眯畔⑻崛〖夹g(shù)下的分類精度時(shí)，選取的是 ZY-3、SPOT（SPOT-6）和 ALOS（ALOS-2）衛(wèi)星的遙感數(shù)據(jù)。SPOT遙感數(shù)據(jù)為2018年獲取的1.5 m全色影像和6 m多光譜影像。ALOS遙感數(shù)據(jù)為2018年獲取的2.5 m全色影像和10 m多光譜影像。圖1（a）為不同信息提取技術(shù)比較的ZY-3遙感影像數(shù)據(jù)源，圖1（b）為針對(duì)不同衛(wèi)星數(shù)據(jù)源的精度比較的研究區(qū)的ZY-3遙感影像數(shù)據(jù)源。

圖1 ZY-3影像：（a）岳山村區(qū)域，（b）建設(shè)村區(qū)域Fig.1 ZY-3 images ：（a）YueshanVillage area，（b）construction village area

1.2 研究方法

1.2.1 影像分割合并 影像分割合并是根據(jù)屬性或者邊界將遙感影像上提取同質(zhì)的斑塊或?qū)ο?，是面向?qū)ο蠓诸惖那捌跍?zhǔn)備工作。采用基于邊緣檢測(cè)的分割算法，通過(guò)canny算子盡可能地進(jìn)行邊緣定位，提取圖像中的不同對(duì)象的邊緣，標(biāo)識(shí)的邊緣要與圖像中的實(shí)際邊緣盡可能地接近，從而完成影像分割。進(jìn)行影像分割時(shí)，邊緣檢測(cè)的尺度選擇會(huì)盡量較小，這是為了盡量提取更多的信息和對(duì)象，但是分割過(guò)于破碎容易導(dǎo)致信息提取時(shí)噪聲過(guò)大，因此，影像分割后的小斑塊合并是非常有必要的。利用Full Lambda-Schedule算法進(jìn)行優(yōu)化，該方法在結(jié)合光譜和空間信息的基礎(chǔ)上迭代合并鄰近的小斑塊，從而提取同質(zhì)對(duì)象。

1.2.2 基于多屬性信息的面向?qū)ο笸恋乩梅诸?選取了很多屬性信息，包括Band波段屬性、Spectral光譜屬性、Texture紋理屬性、Spatial空間屬性。

Spectral光譜屬性信息和Band波段信息也是不同地類之間的主要區(qū)分依據(jù)，是土地利用分類常用的屬性信息。水體對(duì)藍(lán)綠光波段的吸收度非常小，對(duì)其他波段的吸收程度非常顯著，尤其是中紅外和近紅外波段。相反，植被對(duì)藍(lán)光波段的吸收程度很強(qiáng)，對(duì)近紅外波段的反射程度極高。因此水域、城鄉(xiāng)建設(shè)用地、草地和耕地之間的光譜信息有明顯的區(qū)分度。NDVI是歸一化植被覆蓋度指數(shù)，衡量的是土地利用上的植被的覆蓋程度。NDVI可以將有植被的地類和無(wú)植被的地類直接區(qū)分開(kāi)，例如將耕地、林地與道路、城鄉(xiāng)建設(shè)用地直接區(qū)分開(kāi)。同時(shí)，NDVI還可以指出土地表面植被的覆蓋程度高低，例如林地和耕地的植被覆蓋程度較高而草地植被覆蓋度相對(duì)較低。

Texture紋理屬性。計(jì)算紋理特征有許多指數(shù)，選取4個(gè)紋理指數(shù)進(jìn)行統(tǒng)計(jì)分析：平均灰度值范圍、平均灰度值、變化值和信息熵。紋理特征屬性是反映其遙感影像中的紋理復(fù)雜程度的指標(biāo)。平均灰度值范圍表達(dá)紋理特征的極值特征。平均值、變化值則是評(píng)估影像中的分類對(duì)象灰度值的平均程度和變化程度，進(jìn)一步反映圖像中不同對(duì)象斑塊的整體紋理特征和局部紋理特征。紋理信息熵可以度量圖像中所有的信息量的大??；如果圖像的紋理非常復(fù)雜，而且紋理破碎程度高，其信息熵值較大，反之則小。

Spatial空間屬性。空間屬性包括面積、周長(zhǎng)、形狀、緊密度等方面的空間信息。面積和周長(zhǎng)指數(shù)可以明顯評(píng)估斑塊對(duì)象的大小。緊密性、形狀指數(shù)則是對(duì)象的形狀表達(dá)，可評(píng)估多邊形對(duì)象近似圓形、矩形、正方形的程度。土地斑塊形狀可以為土地利用分類提供重要信息，受到人類活動(dòng)干擾的土地利用斑塊的形狀要比自然斑塊的形狀更加規(guī)則。耕地的形狀更趨向于正方形、矩形，而非圓形。道路和河流的形狀多是帶狀，耕地、園地和城鄉(xiāng)建設(shè)用地則更多的是塊狀地物，斑塊的長(zhǎng)和寬的區(qū)分度有顯著差異；這些帶狀、塊狀的土地利用類型的形狀指數(shù)、長(zhǎng)寬比、主方向、矩形形狀指數(shù)的差異非常明顯。因此，空間屬性中所涉及的面積、周長(zhǎng)、形狀等指數(shù)，能夠?yàn)橥恋乩妙愋蛣澐痔峁┴S富的空間信息，如表1所示。

表1 對(duì)象屬性信息說(shuō)明Tab.1 Attribute information of objects

運(yùn)用SVM算法進(jìn)行面向?qū)ο蠓诸?，主要是依?jù)ENVI4.8軟件中的面向?qū)ο罂臻g特征提取模塊（feature extraction，F(xiàn)X）工具進(jìn)行高分辨率遙感影像分類，影像分割后在監(jiān)督訓(xùn)練界面選擇SVM算法，選取核函數(shù)為徑向基核函數(shù)（radial basis function，RBF）。根據(jù)毛學(xué)剛、秦進(jìn)春、慎利等研究發(fā)現(xiàn)［1-3］，SVM核函數(shù)選擇RBF時(shí)精度較高，所以選取RBF為核函數(shù)。

面向?qū)ο蠓诸怱VM選取RBF函數(shù)，需要設(shè)置Gamma in Kernel Function參數(shù)，數(shù)據(jù)類型是float，設(shè)置值為輸入圖像波段數(shù)的倒數(shù)。同時(shí)，指定the Penalty參數(shù)，此參數(shù)類型也是float，且為正數(shù)，選取值為100。Allow Unclassified設(shè)置允許有未分類的類別。Threshold為分類設(shè)置概率域值，如果一個(gè)像素計(jì)算得到所有的規(guī)則概率小于該值，該像素將不被分類，范圍是0～100，選取默認(rèn)值為5。

結(jié)合spatial空間屬性、Texture紋理屬性、Band波段屬性、Spectral光譜屬性信息，進(jìn)行面向?qū)ο蟮腟VM分類方法的技術(shù)路線如圖2。

圖2 技術(shù)流程圖Fig.2 Technique flowchart

2 結(jié)果與討論

2.1 不同的分類算法的結(jié)果比較

監(jiān)督分類的方法，最大似然法、馬氏距離法、最小距離法和平行六面體法的總精度在60%～72%之間，kappa系數(shù)則在0.48～0.6之間。這幾種監(jiān)督分類方法的精度類似，沒(méi)有明顯的差異。而面向?qū)ο螅╧-nearest neighbor，KNN）分類方法和SVM分類方法的總精度是62.42%和91.90%，Kappa系數(shù)為0.4729和0.8703，由此可見(jiàn)面向?qū)ο蟮腟VM分類方法的總精度和Kappa系數(shù)最高。對(duì)國(guó)產(chǎn)衛(wèi)星ZY-3遙感影像的信息提取，最優(yōu)方法為面向?qū)ο蟮腟VM分類方法。

面向?qū)ο蟮姆诸惙椒ㄖ?，基于SVM算法的學(xué)習(xí)樣本是由分割合并以后的土地利用斑塊組成，本研究以像元進(jìn)行統(tǒng)計(jì)，學(xué)習(xí)樣本像元個(gè)數(shù)為35萬(wàn)個(gè)，以像元個(gè)數(shù)為基本統(tǒng)計(jì)單元。

在ENVI軟件的支持下，對(duì)高分辨率遙感影像、土地利用現(xiàn)狀圖及分類圖上進(jìn)行隨機(jī)均勻抽樣，測(cè)試樣本數(shù)據(jù)集像元總數(shù)具體為：最大似然法1694106個(gè)，馬氏距離法1621884個(gè)，最小距離法1619890個(gè)，平行六面體法1715094個(gè)；KNN方法1674162個(gè)，SVM方法1714943個(gè)。

訓(xùn)練樣本，是以土地利用現(xiàn)狀調(diào)查的土地利用類型為基礎(chǔ)，結(jié)合遙感影像進(jìn)行訓(xùn)練樣本的選擇與土地利用類型屬性匹配，在影像圖與實(shí)際地類正確匹配的基礎(chǔ)上選擇的土地利用類型樣本。測(cè)試樣本用于不同分類方法的精度比較，在利用不同分類方法進(jìn)行土地利用信息提取與分類以后，與土地利用現(xiàn)狀調(diào)查的土地類型相驗(yàn)證，識(shí)別其分類精度。

不同的分類方法在不同地類的分類精度上也有非常明顯的差異。根據(jù)生產(chǎn)精度和用戶精度的對(duì)比，面向?qū)ο蟮腟VM分類方法對(duì)于耕地、園地、林地、公路、水域和城鄉(xiāng)建設(shè)用地的分類精度整體處于較高水平?；谙裨谋O(jiān)督分類方法中，最大似然法、馬氏距離法和最小距離法對(duì)耕地、林地、水域和建設(shè)用地的分類精度較好。而平行六面體法僅對(duì)耕地、水域和建設(shè)用地的分類精度較好。面向?qū)ο蟮腒NN分類方法對(duì)耕地、林地、水域和建設(shè)用地的分類精度較好。面向?qū)ο蟮腟VM分類方法在耕地、水域和城鄉(xiāng)建設(shè)用地的生產(chǎn)者和用戶分類精度都在80%以上，這三類用地的生產(chǎn)精度和用戶精度最高；林地次之，生產(chǎn)精度和用戶精度都在50%～0%之間；公路最小。面向?qū)ο蟮腟VM分類方法在耕地、水域和城鄉(xiāng)建設(shè)用地的分類精度較高。因此，從不同分類方法對(duì)于不同地類的分類精度比較而言，面向?qū)ο蟮腟VM分類方法在所有地類的分類精度整體較高；其中，對(duì)于耕地、公路、水域、城鄉(xiāng)建設(shè)用地的分類精度更高，如圖3所示。

實(shí)驗(yàn)結(jié)果表明，面向?qū)ο蟮腟VM分類方法是最適合于國(guó)產(chǎn)衛(wèi)星ZY-3遙感影像的信息提取和土地利用分類的方法。首先利用canny算子邊緣檢測(cè)進(jìn)行影像，分割，然后基于Full Lambda-Schedule算法結(jié)合光譜屬性和空間屬性的基礎(chǔ)上迭代合并鄰近小斑塊，提取影像，進(jìn)行分割合并，并提取對(duì)象的光譜屬性、波段屬性、空間屬性和紋理屬性，基于SVM算法利用這一系列的屬性信息完成土地利用自動(dòng)分類見(jiàn)表2。

2.2 不同衛(wèi)星的分類結(jié)果的比較

利用面向?qū)ο蟮姆椒?，?duì)不同衛(wèi)星的高空間分辨率遙感數(shù)據(jù)進(jìn)行土地利用信息提取，如表3所示，分析適于國(guó)產(chǎn)衛(wèi)星ZY-3遙感影像的土地利用分類技術(shù)。選取的訓(xùn)練樣本與測(cè)試樣本分布（見(jiàn)圖4）；本研究選用ZY-3、SPOT和ALOS衛(wèi)星進(jìn)行分類精度的對(duì)比，如圖5所示，總精度分別是90.50%、67.20%和80.40%，kappa系數(shù)分別是0.857、0.628和0.783。結(jié)果表明：面向?qū)ο蟮腟VM的分類方法，對(duì)國(guó)產(chǎn)衛(wèi)星ZY-3高空間分辨率遙感影像的信息提取精度最高。

圖3 國(guó)產(chǎn)衛(wèi)星ZY-3遙感影像的土地利用分類方法比較：（a）監(jiān)督分類最大似然法，（b）監(jiān)督分類馬氏距離法，（c）監(jiān)督分類最小距離法，（d）監(jiān)督分類平行六面體法，（e）面向?qū)ο蟮腒NN方法，（f）面向?qū)ο蟮腟VM方法Fig.3 Comparison of land-use classification methods based on domestic ZY-3 satellite remote sensing images：（a）maximum likelihood，（b）mahalanobis distance，（c）minimum distance，（d）parallelepiped，（e）object-oriented classification based on KNN，（f）object-oriented classification based on SVM

表2 基于ZY-3遙感影像的不同分類方法精度比較Tab.2 Accuracy comparison of different classification methods based on ZY-3 remote sensing image %

表3 多源衛(wèi)星遙感影像的分類精度比較Tab.3 Comparison of classification accuracy of multi-source satellite remote sensing images %

圖4 樣本分布圖：（a）訓(xùn)練樣本，（b）測(cè)試樣本Fig.4 Samples distribution：（a）training sample，（b）test sample

圖5 多源遙感影像分類精度對(duì)比：（a）ZY-3，（b）SPOT，（c）ALOSFig.5 Comparison of classification accuracy of multi-source remote sensing images：（a）ZY-3，（b）SPOT，（c）ALOS

3 結(jié) 語(yǔ)

隨著國(guó)產(chǎn)衛(wèi)星的飛速發(fā)展，中國(guó)在遙感應(yīng)用相關(guān)領(lǐng)域的數(shù)據(jù)不再僅由國(guó)外衛(wèi)星提供遙感數(shù)據(jù)，而更多的是使用國(guó)產(chǎn)衛(wèi)星的遙感影像數(shù)據(jù)。因此，探索對(duì)國(guó)產(chǎn)衛(wèi)星ZY-3高空間分辨率遙感影像的信息提取技術(shù)十分重要。本研究根據(jù)國(guó)產(chǎn)衛(wèi)星ZY-3高空間分辨率遙感影像精度高、細(xì)節(jié)復(fù)雜、光譜和空間信息豐富的特點(diǎn)，利用面向?qū)ο蟮腟VM分類方法，為中國(guó)土地資源、農(nóng)業(yè)、林業(yè)、城市規(guī)劃等領(lǐng)域提供數(shù)據(jù)基礎(chǔ)。研究的結(jié)論如下：

1）本研究利用面向?qū)ο蟮腟VM分類方法。首先，利用canny算子邊緣檢測(cè)進(jìn)行影像分割，基于Full Lambda-Schedule算法結(jié)合光譜屬性和空間屬性的基礎(chǔ)上迭代合并鄰近小斑塊；然后，影像分割合并，提取對(duì)象的光譜屬性、波段屬性、空間屬性和紋理屬性，尤其是形狀指數(shù)和局部空間自相關(guān)指數(shù)；最后，基于SVM算法進(jìn)行樣本訓(xùn)練和土地利用分類。結(jié)果表明，對(duì)光譜屬性、波段屬性、空間屬性和紋理屬性的綜合利用能夠顯著提高面向?qū)ο蟮腟VM方法的分類精度。

2）本研究選取6種分類方法，包括監(jiān)督分類方法中的最大似然法、馬氏距離法、最小距離法和平行六面體法，以及面向?qū)ο蟮膋nn和SVM分類方法。通過(guò)分類方法對(duì)比，發(fā)現(xiàn)面向?qū)ο蟮腟VM分類方法的總精度和kappa系數(shù)最高，分別為91.90%和0.8703。

3）利用面向?qū)ο蟮腟VM分類方法，對(duì)中國(guó)國(guó)產(chǎn)衛(wèi)星ZY-3、法國(guó)衛(wèi)星SPOT和日本對(duì)地觀測(cè)衛(wèi)星ALOS的高空間分辨率遙感影像進(jìn)行土地利用分類，分類結(jié)果總精度分別是90.50%、67.20%和80.40%，kappa系數(shù)分別是0.857、0.628和0.783，表明面向?qū)ο蟮腟VM分類方法對(duì)國(guó)產(chǎn)衛(wèi)星ZY-3影像的分類總精度和kappa系數(shù)最高。