基于遙感影像的礦區(qū)地物信息提取方法對(duì)比分析

皇甫潤，李 傲

(1.華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063210；2.山東科技大學(xué) 測(cè)繪科學(xué)與工程學(xué)院，山東 青島 266510)

0 引言

在遙感的空間信息提取技術(shù)中，傳統(tǒng)的影像分類方法是基于像元的分類方法，包括非監(jiān)督分類方法和監(jiān)督分類方法。由于基于像元的分類方法僅根據(jù)光譜信息進(jìn)行影像分類，因此存在很多難以解決的問題，最主要的是會(huì)出現(xiàn)同物異譜現(xiàn)象和同譜異物現(xiàn)象，造成不同類別地物信息的混分，分類精度較低。隨著遙感技術(shù)的發(fā)展，影像中包含的信息越來越豐富，為了進(jìn)一步滿足日益增長(zhǎng)的應(yīng)用和研究的需求，對(duì)遙感影像信息提取技術(shù)的要求也越來越高。由此，為了提高遙感影像的總體分類精度，在技術(shù)研究的不斷深入下出現(xiàn)了一種新的提取方法——面向?qū)ο蠓诸惙椒ā?/p>

國內(nèi)許多學(xué)者對(duì)面向?qū)ο蠓诸惙椒ㄟM(jìn)行了廣泛的研究。孫天天等[1]利用面向?qū)ο蠓诸惣夹g(shù)，從GeoEye影像和IKONOS影像中提取各類地物信息，得到了較高的提取精度；陳俊任等[2]對(duì)高分遙感影像的地物信息基于分層次、多尺度分割的面向?qū)ο蠓诸惣夹g(shù)進(jìn)行了分類，充分利用了圖像的光譜和空間特征，在地物信息提取中取得了良好的效果；曹應(yīng)舉等[3]利用面向?qū)ο蠓诸惣夹g(shù)對(duì)土地利用類型進(jìn)行了分類，分類精度為88.2%，Kappa系數(shù)為0.848；張潔等[4]基于高分一號(hào)衛(wèi)星影像利用面向?qū)ο蠓诸惣夹g(shù)并結(jié)合分形網(wǎng)絡(luò)演化多尺度分割方法對(duì)青海省天峻縣江倉第五露天礦區(qū)的地物信息進(jìn)行了提取和分類，影像分類結(jié)果質(zhì)量?jī)?yōu)良，可以有效減少混合像元的干擾；于海若等[5]基于Landsat 8遙感影像選用決策樹規(guī)則的面向?qū)ο蠓诸惙椒▽?duì)大屯礦區(qū)的地物信息進(jìn)行了提取、對(duì)地物類型進(jìn)行了分類；袁定波等[6]基于TM遙感影像采用面向?qū)ο蠓诸惙椒▽?duì)江西省新余市的礦區(qū)地物信息進(jìn)行了動(dòng)態(tài)監(jiān)測(cè)，結(jié)果表明面向?qū)ο蠓诸惙椒苡行П苊夥诸悤r(shí)出現(xiàn)的“椒鹽”現(xiàn)象，分類結(jié)果精度較高；朱元峰等[7]基于資源一號(hào)02C影像對(duì)贛州市的某一稀土礦區(qū)地物信息進(jìn)行了面向?qū)ο蟮男畔⑻崛⊙芯浚诸惤Y(jié)果總體精度達(dá)到78.71%。

以上研究表明，采用面向?qū)ο蠓诸惙椒?，能夠?qū)崿F(xiàn)礦區(qū)地物類型分類，并獲得較高精度。但由于不同的礦山開采環(huán)境不同，地表環(huán)境多變，提取礦區(qū)地物信息需要考慮不同的特征因素，因此，采用不同方法對(duì)提取礦區(qū)遙感影像地物信息進(jìn)行對(duì)比研究實(shí)屬必要。本研究基于白云鄂博礦區(qū)的Landsat-8衛(wèi)星遙感影像，采用非監(jiān)督分類、監(jiān)督分類和面向?qū)ο蠓诸惾N方法對(duì)礦區(qū)地物進(jìn)行空間信息提取工作，并對(duì)分類的結(jié)果進(jìn)行綜合評(píng)定，以比較三種方法對(duì)礦區(qū)地物分類的精度和效果。

1 研究區(qū)概況

白云鄂博礦區(qū)屬內(nèi)蒙古自治區(qū)包頭市管轄，位于陰山之北，烏蘭察布草原的西北部，區(qū)域面積328.64平方公里。白云鄂博礦區(qū)有著豐富的礦產(chǎn)資源，更重要的是蘊(yùn)藏著世界已探明總儲(chǔ)量41%以上的稀土資源，是享譽(yù)世界的“稀土之都”。它屬于中溫帶大陸性氣候，溫度低，降水少，氣候干旱且多風(fēng)沙，全年溫差變化大。夏季干旱少雨，冬季干燥寒冷，春季干旱風(fēng)沙大，秋季日照多清爽。常年風(fēng)向?yàn)槲鞅憋L(fēng)和西南風(fēng)，最大風(fēng)速為23.3 m。年降雨量為238.3 mm，集中于七八兩個(gè)月，年日照時(shí)數(shù)2 882.2 h。

2 遙感數(shù)據(jù)的選取及特征

選取白云鄂博礦區(qū)Landsat-8衛(wèi)星遙感數(shù)據(jù)，影像時(shí)間為2018年4月27號(hào)，由于成像季節(jié)是春季末夏季初，地表植被較為茂盛，因此便于識(shí)別地貌覆蓋的類型，所獲取的影像質(zhì)量較好，衛(wèi)星過境時(shí)天氣狀況表現(xiàn)良好，云量為0.1。

Landsat-8遙感衛(wèi)星影像共有11個(gè)波段，其中多光譜波段有8個(gè)，分別為1波段海岸波段，波長(zhǎng)0.43～0.45 μm；2波段藍(lán)波段，波長(zhǎng)0.45～0.51 μm；3波段綠波段，波長(zhǎng)0.53～0.60 μm；4波段紅波段，波長(zhǎng)0.63～0.68 μm；5波段近紅外波段，波長(zhǎng)0.85～0.88 μm；6波段短波紅外1波段，波長(zhǎng)1.56～1.66 μm；7波段短波紅外2波段，波長(zhǎng)2.10～2.30 μm；9波段卷云波段，波長(zhǎng)1.36～1.39 μm。以上8個(gè)波段空間分辨率均為30 m。全色波段1個(gè)，即8波段全色波段，波長(zhǎng)0.50～0.68 μm，空間分辨率為15 m。熱紅外波段2個(gè)，分別為10波段熱紅外1波段，波長(zhǎng)10.60～11.19 μm；11波段熱紅外2波段，波長(zhǎng)11.50～12.51 μm，空間分辨率為100 m。

3 研究區(qū)地物信息提取

3.1 最佳波段選取

最佳波段選取的原則是信息量最大化、相關(guān)性最小化[8]、目標(biāo)地物與其他地物有很好的可分性。分別選取遙感影像的短波紅外2波段、近紅外波段和藍(lán)波段為最佳波段，采用加色法的合成方法，將紅、綠、藍(lán)三色分別賦予到這三個(gè)波段上合成一幅新的圖像，即7，5，2波段假彩色合成圖像。選取紅波段、綠波段、藍(lán)波段為最佳波段，采用上述合成方法合成一幅新的圖像，即4，3，2波段真彩色合成圖像。礦區(qū)最佳波段合成圖像結(jié)果見圖1。

(a)假彩色合成圖像

圖1中的第一幅為7，5，2波段假彩色合成圖像，第二幅為4，3，2波段真彩色合成圖像，通過對(duì)比兩幅圖可以明顯地觀察到，假彩色合成圖像的色調(diào)明亮、色彩飽和度好、信息量較多、可分性較強(qiáng)，較之于4，3，2波段真彩色合成圖像色調(diào)灰暗、色彩不飽和、信息量相對(duì)較少來說，這種合成方法非常適合應(yīng)用于地物信息的提取。

3.2 非監(jiān)督分類

選用非監(jiān)督分類方法中的ISODATA法進(jìn)行空間信息提取。首先執(zhí)行非監(jiān)督分類，得到一個(gè)初步的分類結(jié)果，然后通過對(duì)高分辨率影像目視解譯進(jìn)行類別定義的操作。由于選擇的分類類別數(shù)量是最終結(jié)果類別數(shù)量的2～3倍，所以類別定義完成后需要把相同類別合并。礦區(qū)非監(jiān)督分類地物信息提取結(jié)果見圖2。

圖2 礦區(qū)非監(jiān)督分類地物信息提取結(jié)果

由圖2可知，非監(jiān)督分類方法對(duì)細(xì)部的處理能力很強(qiáng)，但是對(duì)于不同類型的地物區(qū)分能力不高，對(duì)于面積較小的地物類型區(qū)分的不是很明顯，如廢石、運(yùn)輸?shù)缆返取＝Y(jié)合非監(jiān)督分類過程分析，出現(xiàn)這種情況的原因應(yīng)該是在執(zhí)行非監(jiān)督分類時(shí)只給出了圖像粗糙分類，類型數(shù)量較多，很多地物類型交織在一起，在后續(xù)的類別定義當(dāng)中無法將各種地物類型完美地分離出來，這就使得較小面積的地物類型被分類到其他類型中，這也是同物異譜現(xiàn)象和異物同譜現(xiàn)象導(dǎo)致集群組與類別間匹配難度大的結(jié)果。

3.3 監(jiān)督分類

監(jiān)督分類第一步是定義訓(xùn)練樣本，主要用到目視解譯的方法，通過分析假彩色合成圖像，定義9類樣本：尾坑池、礦區(qū)建筑、運(yùn)輸鐵路、廢石、露天礦坑、尾坑、草地、開采場(chǎng)、裸地。在圖像上分別繪制不同地物類型的最小圖斑，數(shù)量根據(jù)圖像大小來確定。定義訓(xùn)練樣本完成后，根據(jù)分類的復(fù)雜度和精度需求選擇最大似然分類器執(zhí)行監(jiān)督分類。礦區(qū)監(jiān)督分類地物信息提取結(jié)果如圖3所示。

圖3 礦區(qū)監(jiān)督分類地物信息提取結(jié)果

由圖3可知，監(jiān)督分類無論是在細(xì)部的處理上還是在不同地物類型的區(qū)分上精度都高于非監(jiān)督分類。監(jiān)督分類較好地將草地和裸地進(jìn)行了區(qū)分，對(duì)露天礦坑和尾坑區(qū)分也比較明顯，具有清晰的輪廓。缺點(diǎn)是依舊沒有將運(yùn)輸鐵路和礦區(qū)建筑清晰地區(qū)分出來，而且由于原圖像中廢石和草地兩種地物類型的顏色相近，這兩種地物區(qū)分度也不高。總體來講，監(jiān)督分類方法比非監(jiān)督分類方法區(qū)分度高。

3.4 面向?qū)ο蠓诸?/h3>

基于樣本的面向?qū)ο蠓诸惙椒?，是通過訓(xùn)練樣本數(shù)據(jù)區(qū)對(duì)剩余數(shù)據(jù)進(jìn)行分類，但與傳統(tǒng)的基于像元的監(jiān)督分類方法不同，傳統(tǒng)方法中的訓(xùn)練樣本是由多個(gè)像元組成，只能利用樣本的光譜信息，而面向?qū)ο蠓诸惖臉颖居蓪?duì)象組成，既可以利用影像的光譜信息，也可以利用影像的幾何信息和紋理信息。本研究選用面向?qū)ο蟮姆诸惙椒?，首先進(jìn)行圖像分割與合并，在多次嘗試后，選擇分割尺度為45，合并尺度為80。圖像分割與合并完成后，進(jìn)入到分類過程：選擇樣本，建立9種地物類別；然后設(shè)置樣本屬性，選擇默認(rèn)設(shè)置為所有的屬性都被選擇，接著選擇分類算法，選擇K鄰近法；最后輸出分類結(jié)果。礦區(qū)基于樣本的面向?qū)ο蠓诸惖匚镄畔⑻崛〗Y(jié)果見圖4。

圖4 礦區(qū)面向?qū)ο蠓诸惖匚镄畔⑻崛〗Y(jié)果

由圖4可知，各類地物都有較為清晰的輪廓，分類精度較好。美中不足的地方是在圖像上開采場(chǎng)這一地物類型和礦區(qū)周邊部分地塊具有相似的色彩和紋理，致使部分開采場(chǎng)被劃分到周邊某些地物類型中，產(chǎn)生錯(cuò)分；另外，由于影像為4月份的影像，草還沒有完全長(zhǎng)出來，所以裸地和草地也產(chǎn)生了錯(cuò)分。

4 精度評(píng)價(jià)

采用混淆矩陣方法對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)。遙感軟件ENVI計(jì)算混淆矩陣的方法有兩種，第一種方法是使用一幅地表真實(shí)圖像，第二種方法是使用地表真實(shí)感興趣區(qū)。下面使用地表真實(shí)感興趣區(qū)來計(jì)算混淆矩陣。

混淆矩陣中主要包含兩項(xiàng)內(nèi)容。①總體分類精度：是正確分類的像元數(shù)與總像元數(shù)的比值。正確分類的像元數(shù)在混淆矩陣中沿對(duì)角線排布。②Kappa系數(shù)：是在考慮了混淆矩陣對(duì)角線以外的各種漏分和錯(cuò)分像元后所得到的評(píng)價(jià)分類精度的數(shù)值。

礦區(qū)三種分類方法精度對(duì)比見表1。

表1 礦區(qū)三種分類方法精度對(duì)比

由表1可知，面向?qū)ο蠓诸惙椒ň茸罡?，在空間信息分類中具有較大優(yōu)勢(shì)，更適合于礦區(qū)的空間信息提取工作。三種分類方法分類精度由高到低依次是面向?qū)ο蠓诸?、監(jiān)督分類和非監(jiān)督分類。面向?qū)ο蠓诸惙椒ň茸罡叩脑蚴牵哼@種方法在影像分析中不僅利用了地物的光譜信息，而且更多地利用了地物的幾何信息和紋理信息，大大降低了同物異譜現(xiàn)象和同譜異物現(xiàn)象對(duì)影像信息提取帶來的干擾，減少了錯(cuò)分和漏分，從而提高了影像的分類精度。監(jiān)督分類和非監(jiān)督分類在影像分析中只利用了地物的光譜信息，但監(jiān)督分類在進(jìn)行地物分類的過程中會(huì)建立訓(xùn)練樣本，并對(duì)訓(xùn)練樣本的可分離性進(jìn)行衡量，是一個(gè)先學(xué)習(xí)后分類的過程；而非監(jiān)督分類是憑借像元的灰度值進(jìn)行盲目分類，不會(huì)在分類前加入任何的先驗(yàn)知識(shí)，是一個(gè)邊學(xué)習(xí)邊分類的過程，這就使得監(jiān)督分類方法的分類精度高于非監(jiān)督分類方法的分類精度。

5 結(jié)論

(1)采用非監(jiān)督分類、監(jiān)督分類與面向?qū)ο蠓诸惾N方法對(duì)遙感影像地物信息進(jìn)行分類提取，經(jīng)過對(duì)比分析發(fā)現(xiàn)，面向?qū)ο蠓诸惙椒▽?duì)礦區(qū)地物信息進(jìn)行了較好的提取，精度更高，在實(shí)際工作中應(yīng)選用此方法對(duì)遙感影像地物信息進(jìn)行分類提取。

(2)總體而言，三種方法的分類精度都沒有預(yù)想的高，原因是遙感數(shù)據(jù)本身的空間分辨率和光譜分辨率不高，影像中還是存在著同物異譜和同譜異物的現(xiàn)象，而且影像中有幾類地物的幾何信息和紋理信息也很相似，致使在分類過程中出現(xiàn)錯(cuò)分，降低了分類的精度；另外，在使用ENVI軟件進(jìn)行地物信息提取的過程中，試驗(yàn)次數(shù)不夠充分，設(shè)置參數(shù)沒有達(dá)到最優(yōu)化，也使得最后的分類精度沒有預(yù)想中的高。