基于eCognition 的水體提取研究

林榮清，王延正，劉曉恒

（1.興義市自然資源局，貴州 黔西南布依族苗族自治州562400；2.北京圖源科技有限公司，北京100082）

隨著遙感技術(shù)的進(jìn)步，遙感影像的分辨率已達(dá)到分米級，影像上的地物信息更加豐富，各種地物在影像上顯示更加清晰，同物異譜[1]和同譜異物[2]的現(xiàn)象也更加明顯。在高分辨率影像上，河流、湖泊、溝渠、建筑物陰影等光譜信息十分相似，屬于同譜異物，采用基于像素的分類方法難以將其區(qū)分開，并且椒鹽現(xiàn)象[3]嚴(yán)重，分類精度較低。

為了增強高分辨率影像的分類效果，一些研究者提出了基于面向?qū)ο骩4-6]的分類方法，這種方法可以很好地結(jié)合地物的光譜信息、形狀大小、紋理信息、上下文關(guān)系、空間信息進(jìn)行分類提取，可以有效地避免椒鹽現(xiàn)象，很大程度上提高了分類精度。賴俊瑋[7]基于面向?qū)ο蟮乃枷雽M州市開發(fā)區(qū)城市道路進(jìn)行了提取研究，周亦等人[8]基于GF-1 對內(nèi)蒙古自治區(qū)包頭市石拐區(qū)和江蘇省徐州市賈汪區(qū)進(jìn)行了土地利用現(xiàn)狀解譯，龔林松等人[9]利用SLIC 和OTSU 方法對水體進(jìn)行了提取研究，龔文峰等人[10]基于國產(chǎn)GF-2 對界河水體進(jìn)行了分類。以上研究都是基于面向?qū)ο蟮姆诸惙椒▽Φ缆贰⑺w進(jìn)行提取時，其分類精度都比較高，但是在水體的細(xì)分方面，相關(guān)研究較少，特別是針對河網(wǎng)縱橫的江南水鄉(xiāng)地區(qū)，如何準(zhǔn)確地提取河流、湖泊、溝渠成為研究重點。

1 研究區(qū)概況與遙感數(shù)據(jù)來源

本文的實驗數(shù)據(jù)為高分2 號遙感影像，其全色影像的分辨率為1 m，多光譜影像的分辨率為4 m，包括藍(lán)、綠、紅、近紅外四個波段，成像時間為2018-05-03。選取的研究區(qū)域位于江蘇省興化市安豐鎮(zhèn)，安豐鎮(zhèn)位于江蘇省中部，水資源豐富，塘港河、靖鹽河、海溝河在境內(nèi)縱橫交匯，水網(wǎng)交錯，該地區(qū)主要是以養(yǎng)殖水產(chǎn)品為生，境內(nèi)池塘、溝渠眾多，大小河流穿越其中。本文的主要目的是提取研究區(qū)的所有水體，并將其分類為河流、池塘、溝渠。研究區(qū)遙感影像數(shù)據(jù)（假彩色合成）如圖1 所示。

2 研究方法及過程

面向?qū)ο蟮姆诸惙椒ㄊ窃谶b感技術(shù)不斷進(jìn)步的過程中衍生的，在影像數(shù)據(jù)的分析中具有強大的優(yōu)勢，它可以模擬人腦的認(rèn)知對影像數(shù)據(jù)進(jìn)行提取，充分利用地物的幾何特征、紋理特征、顏色、光譜信息、空間信息以及上下文的關(guān)系[11]。本文選擇eCognition 9.4 軟件作為技術(shù)平臺開展水體提取研究，eCognition[12]軟件是全球所有商用遙感軟件中第一款提出面向?qū)ο笏枷氲能浖?，在eCognition Developer 界面中可以基于研究區(qū)中的一部分地物豐富的區(qū)域創(chuàng)建規(guī)則集，然后將規(guī)則集應(yīng)用在整個研究區(qū)，對大面積的研究區(qū)可以采用批處理的方式，進(jìn)而提高了工作效率。本文使用eCognition 軟件中的閾值分類方法[13]對水體進(jìn)行分類，主要流程包括影像分割和水體提取。

2.1 影像分割

面向?qū)ο蠓诸愔凶钪匾囊徊骄褪怯跋穹指?，需要將遙感影像分割為大小合適的對象，才可以進(jìn)行分類，分割的效果會直接影響到后續(xù)的水體提取，因此需要根據(jù)研究區(qū)的特征以及提取的水體特征選擇合適的分割參數(shù)進(jìn)行分割；本文采用eCognition 軟件中的多尺度分割[14]（multiresolution segmentation）方法進(jìn)行分割，多尺度分割中的主要參數(shù)有尺度參數(shù)、形狀因子、緊致度因子以及各波段參與分割的權(quán)重，分割參數(shù)的選取至關(guān)重要，直接影響分割對象的大小和形狀。當(dāng)分割尺度Scale為20 時，分割對象過于細(xì)致，不利于水體提取；當(dāng)Scale=60 時，分割對象過大，沒有將水體與其他地物分割開。經(jīng)過多次試驗后，得知當(dāng)Scale=40，shape=0.2，compactness=0.7，近紅外波段的權(quán)重設(shè)定為2，其余波段的權(quán)重設(shè)定為1 時，可以得到較好的分割效果。分割結(jié)果如圖2 所示。

圖2 不同分割尺度結(jié)果對比

2.2 水體提取

分割后的遙感影像中每一個對象都具有獨特的光譜信息、幾何形狀特征、紋理特征、空間位置特征。對于水體的提取，可根據(jù)近紅外波段的光譜信息或者使用歸一化水體指數(shù)NDWI就可以將所有的水體提取出來，但是要將水體進(jìn)行細(xì)分，單靠光譜信息和NDWI值是難以區(qū)分的。本文旨在提取河流、池塘、溝渠，需要依據(jù)對象的光譜信息、幾何形狀特征以及上下文關(guān)系特征進(jìn)行分類。在水體的提取過程中，結(jié)合式（1），在layer arithmetics 算法中計算NDWI值，當(dāng)NDWI≥0.33 時，可以將研究區(qū)內(nèi)的所有的水體提取出來，局部結(jié)果如圖3 所示。

研究區(qū)內(nèi)河流縱橫交匯，養(yǎng)殖水產(chǎn)的池塘眾多，大小溝渠密布。通過仔細(xì)觀察，發(fā)現(xiàn)河流的水體顏色比較均勻，整體面積較大，長度和寬度相差較大，池塘形狀接近矩形，分布在田野之間，溝渠大多是環(huán)形，寬度較小，分布在農(nóng)田的周圍，將農(nóng)田包裹其中。

圖3 水體提取結(jié)果（局部）

根據(jù)以上特征，利用eCognition 中的Rel.border.to、Density、Shape index、Rectangular fit、Area 等特征，通過多次試驗，選擇合適的閾值創(chuàng)建了科學(xué)、合理、高效的分類規(guī)則集。

Rel.border.to 是用來確定對象與相鄰的另外一個類的對象之間公共邊占比的特征，它描述了圖像對象的公共邊長度與周長的比值，例如，當(dāng)Rel.border.to water=1 時，則表示該對象被水體這個類別的對象完全包圍，Rel.border.to water=0 時，則表示該對象與水體對象不相鄰：

式（2）中：w為類別名稱；L（v，u）為v對象與w類中的u對象的公共邊長；Nv（d，m）是指v對象相鄰的所有對象，bv是指v對象的周長。

Density 參數(shù)描述了對象的像素在空間中的分布情況。在eCognition Developer 中，最“密集”的形狀是正方形，對象形狀越細(xì)越長，其密度就越低，密度的計算公式如下：

式（3）中：#Pv為對象v中包含的像素；VarX為X方向的方差；VarY為Y方向的方差。

Shape index 形狀指數(shù)是對整體形狀復(fù)雜性的一種度量，對于緊湊的對象（如正方形或近似正方形），其形狀指數(shù)值為1，對于形狀不規(guī)則的對象，形狀指數(shù)值則無限制地增加。

式（4）中：bv為對象v的周長。

Rectangular fit 矩形擬合度是指研究對象與形狀大小相似的矩形的匹配情況，值為0 時說明不匹配，值為1 時說明完全匹配，計算公式如下：

式（5）中：ρv（x，y）為像素（x，y）處的橢圓距離。

水體提取結(jié)果如圖4 所示。

圖4 水體提取結(jié)果

3 與監(jiān)督分類的對比

監(jiān)督分類方法[15]是以創(chuàng)建統(tǒng)計識別函數(shù)為依據(jù)，選擇具有代表性的樣本訓(xùn)練，然后基于以上樣本進(jìn)行分類的方法。即根據(jù)選定的訓(xùn)練區(qū)中具有代表性的樣本數(shù)據(jù)，選取特征函數(shù)，訓(xùn)練統(tǒng)計出特征參數(shù)作為分類依據(jù)，建立判別函數(shù)以對各待分類影像進(jìn)行遙感解譯。

本文使用ENVI5.3 中的最大似然法[16]對研究區(qū)進(jìn)行監(jiān)督分類，在研究區(qū)內(nèi)對河流、池塘、溝渠等類別選取樣本，在各類別的樣本都滿足可分離性[15]的情況，得到如圖5 所示的分類結(jié)果。兩種分類結(jié)果局部放大圖如圖6 所示。

圖5 監(jiān)督分類結(jié)果

圖6 兩種分類結(jié)果局部放大圖

對比閾值分類和監(jiān)督分類的結(jié)果可知，閾值分類的效果是最好的，總體精度為96.28%，滿足基本分類要求，而監(jiān)督分類的總體精度為73.67%，在水體細(xì)分上，不能滿足基本分類要求?？傮w上來看，在水體的提取上，兩種方法都可以滿足精度要求，研究區(qū)內(nèi)的水體幾乎都被提取出來，但是在將水體細(xì)分為河流、池塘、溝渠的時候，監(jiān)督分類明顯不能滿足精度要求，椒鹽現(xiàn)象比較明顯，三種類別相互交融在一起，比較細(xì)長的河流與溝渠沒有區(qū)分開，只有比較寬闊的河流被提取為河流，其余的河流都被分為溝渠；在閾值分類中則不存在椒鹽現(xiàn)象，河流、溝渠、池塘幾乎都被依據(jù)其幾何形狀特征區(qū)分開了。

閾值分類結(jié)果的精度評價如表1 所示。

表1 閾值分類結(jié)果的精度評價

監(jiān)督分類結(jié)果的精度評價如表2 所示。

表2 監(jiān)督分類結(jié)果的精度評價

4 結(jié)果與分析

本文以江蘇省泰州市安豐鎮(zhèn)的部分區(qū)域為研究區(qū)，利用eCognition 9.4 軟件中基于面向?qū)ο蟮拈撝捣诸惙椒?，對研究區(qū)內(nèi)的高分二號影像數(shù)據(jù)進(jìn)行了遙感解譯，提取了河流、池塘和溝渠，并與傳統(tǒng)的基于像元的監(jiān)督分類進(jìn)行對比，發(fā)現(xiàn)兩種方法都可以將研究區(qū)內(nèi)的水體提取出來，但在細(xì)分時，基于面向?qū)ο蟮姆诸惙椒黠@比監(jiān)督分類的分類效果好很多，其分類的總體精度為96.28%，kappa系數(shù)為0.93，整體上滿足精度要求，并且不存在椒鹽現(xiàn)象；而傳統(tǒng)的監(jiān)督分類方法的分類精度才73.67%，kappa系數(shù)為0.55，不能滿足基本的分類精度要求。可見，面向?qū)ο蟮姆诸惙椒軌虺浞掷酶叻直媛蔬b感影像中的光譜信息、幾何形狀、空間信息等自動提取地物，隨著遙感技術(shù)的發(fā)展，面向?qū)ο蟮姆诸惙椒▽饾u取代基于像素的分類方法。