面向?qū)ο蟮腄OM 影像地類信息提取

譚秋焰 朱新婷

（西南科技大學(xué)環(huán)境與資源學(xué)院，四川綿陽 621010）

土地利用是人類在利用開發(fā)土地資源時(shí)，與土地直接相關(guān)的活動(dòng)，可以表現(xiàn)當(dāng)?shù)氐娜宋沫h(huán)境和自然環(huán)境間的相互影響[1]。我國利用遙感數(shù)據(jù)提取地類信息的發(fā)展進(jìn)程迅速，由最初的人工薄膜勾繪，到陸地衛(wèi)星TM 圖像作為基本信息源目視解譯地類，再到如今主要以以分辨率更高的遙感影像，結(jié)合GIS 技術(shù)，人機(jī)交互提取土地利用信息。在地類信息調(diào)查的發(fā)展過程中，在地類提取精度和面積計(jì)算數(shù)字化等有了很大提高，但基本還是依靠人力判繪，工作量大且對(duì)人員的判讀技術(shù)、身體狀態(tài)都有一定要求。找到科學(xué)的高分辨率遙感影像信息自動(dòng)提取方法是如今的重要課題。

面向?qū)ο蠓诸惙椒蓮V泛應(yīng)用于調(diào)查海岸線、地質(zhì)災(zāi)害、土地利用、區(qū)域變化等方向，分類精度高，不同地類的影像特征易提取總結(jié)，矢量化后易于統(tǒng)計(jì)，適合應(yīng)用于高分辨率的遙感影像的地類信息提取。本文主要使用面向?qū)ο蟮姆椒▽?duì)影像進(jìn)行分割，建立樣本庫并選擇樣本對(duì)象，提取樣本對(duì)象的光譜、紋理特征和植被指數(shù)，構(gòu)建隸屬度空間進(jìn)行最鄰近分類得到結(jié)果。與最大似然分類法和目視解譯方法提取的分類結(jié)果進(jìn)行對(duì)比，最后使用基于樣本的誤差矩陣精度評(píng)價(jià)方法對(duì)面向?qū)ο蠓诸惤Y(jié)果進(jìn)行評(píng)價(jià)。

1 地類信息提取流程

獲取數(shù)據(jù)后對(duì)影像進(jìn)行面向?qū)ο蠓指?，依?jù)提取地類建立樣本庫，選擇特征值并優(yōu)化，對(duì)實(shí)驗(yàn)區(qū)待分類對(duì)象分配最鄰近特征值進(jìn)行分類得到結(jié)果。

1.1 數(shù)據(jù)來源

影像來自國家下發(fā)的梓潼縣部分地區(qū)，分辨率為1 米的數(shù)字正射影像圖（Digital Orthophoto Map，DOM）影像。該影像參照《第三次全國土地調(diào)查技術(shù)規(guī)程》的要求制作，通過鑲嵌經(jīng)比例尺匹配、幾何糾正、重采樣等步驟處理后的航空或航天影像，得到少云、無明顯噪聲、清晰、光譜均勻的優(yōu)質(zhì)DOM 影像。本文對(duì)該縣實(shí)驗(yàn)區(qū)的耕地、林地、建筑、道路、水域共五個(gè)地類進(jìn)行信息提取。

1.2 影像分割

面向?qū)ο蟮仡愋畔⑻崛〉幕締挝皇嵌喑叨确指詈蟮膶?duì)象，分割后需提取樣本對(duì)象的特征信息用于分類。影像分割是指將全部影像區(qū)域基于設(shè)定的分割準(zhǔn)則和尺度，分割為內(nèi)部特征同質(zhì)性較強(qiáng)的復(fù)數(shù)對(duì)象[2]。將對(duì)象作為分析單元，可以克服單個(gè)柵格分析時(shí)的分類噪聲，增強(qiáng)不同類別之間的差異性和相同類別之間的同質(zhì)性，提高類別的可分性。多尺度分割有兩個(gè)標(biāo)準(zhǔn)需要遵循：①在能區(qū)分不同地物的前提下，使用盡量大的分割尺度；②在地物形狀滿足標(biāo)準(zhǔn)的前提下，盡量多參考光譜特征。

多尺度影像分割采用區(qū)域合并算法，也稱基于分形網(wǎng)絡(luò)演化方法（FNEA，F(xiàn)ractal Net Evolution Approach）?；驹硎怯捎跋裰腥我庖粋€(gè)像元開始，與旁邊的像元合并后保持內(nèi)部異質(zhì)性最小形成較小的影像對(duì)象，再將這些較小的對(duì)象在同樣的標(biāo)準(zhǔn)下，逐漸合并成達(dá)到分割設(shè)置要求的多邊形對(duì)象。

多尺度影像分割需要設(shè)置幾項(xiàng)分割參數(shù)，包括各波段權(quán)重、分割尺度和均質(zhì)因子。其中，尺度參數(shù)決定了影像分割能提取的最小對(duì)象的尺寸大小，一般基于像素等級(jí)，直接決定了對(duì)象提取的精度，若尺度過小容易讓區(qū)域過于破碎，過大則會(huì)讓不同地物對(duì)象出現(xiàn)凝塊。

均質(zhì)因子包括形狀參數(shù)和緊致度參數(shù)，形狀參數(shù)主要是為了保持分割結(jié)果中對(duì)象的完整性，緊致度參數(shù)主要是為了讓具有類似特征的對(duì)象具有可分性。經(jīng)過多次調(diào)試后，得到使對(duì)象間內(nèi)部異質(zhì)性盡可能小，對(duì)象之間異質(zhì)性盡可能大的分割參數(shù)。表征異質(zhì)性的指標(biāo)異質(zhì)度f 包含光譜異質(zhì)性和形狀異質(zhì)性，計(jì)算公式為[3]：

式中ω1為設(shè)置的形狀權(quán)重，b1為基于設(shè)置的緊致度權(quán)重得出的形狀異質(zhì)性，b2為基于波段性質(zhì)得出的光譜異質(zhì)性。

經(jīng)多次實(shí)驗(yàn)后本文選擇分割尺度為50，RGB 各波段權(quán)重為1，形狀因子0.3，緊致度0.5 的設(shè)置對(duì)影像進(jìn)行分割。

1.3 建立樣本庫

1.3.1 樣本選擇

根據(jù)分類要求，結(jié)合地區(qū)資料，在分割的影像上選擇各類地物的典型對(duì)象，盡量選出具有代表性和特征比較均勻的地段。訓(xùn)練區(qū)必須具有代表性和典型性，應(yīng)盡量選擇地物中心部的對(duì)象，避免選擇地物交界或邊緣區(qū)域，確保樣本的典型性。

訓(xùn)練區(qū)確定后可以通過特征直方圖來確定樣本的規(guī)律性和可分性，接近正態(tài)分布則可分性較好。對(duì)于有“同物異譜”現(xiàn)象的地物需將其設(shè)為多個(gè)類別進(jìn)行訓(xùn)練區(qū)的樣本選擇。本次實(shí)驗(yàn)中，耕地因農(nóng)作物的種類、密度、生長(zhǎng)高度、土地灌溉程度不同，光譜特征和紋理特征差異都較大，容易被劃分為不同的地物，故采取先細(xì)分后歸并的對(duì)策，據(jù)顏色分為三種：耕地綠、耕地深綠、耕地棕，在最后導(dǎo)出時(shí)都作為同一地類，之間的誤分忽略不計(jì)。選擇好樣本后對(duì)其進(jìn)行篩選，剔除不好或偏差過大的樣本，得到準(zhǔn)確度較高的訓(xùn)練區(qū)。

1.3.2 特征值選擇

1.3.2.1 光譜特征

光譜特征是基于遙感影像進(jìn)行地類分類的主要參考信息，本次主要選擇光譜的均值、標(biāo)準(zhǔn)差和亮度。

1.3.2.2 紋理特征

高分辨率的遙感影像可以獲取豐富的紋理信息，基于對(duì)象的紋理特征提取的方是對(duì)特征進(jìn)行定量化的描述，相對(duì)基于像素更準(zhǔn)確合理。

灰度共生矩陣（GLCM）是對(duì)圖像上有一定距離的兩像素分別具有的灰度狀況進(jìn)行統(tǒng)計(jì)的矩陣。原理是將矩陣中一點(diǎn)的灰度值設(shè)為固定值，統(tǒng)計(jì)該值出現(xiàn)的次數(shù)，組成概率方陣并歸一化得出。矢量化后得到歸一化灰度矢量（GLDV）。一般可從0°，45°，90°，135°四個(gè)方向進(jìn)行設(shè)置，在本次實(shí)驗(yàn)中發(fā)現(xiàn)角度大小的紋理提取差距不大，故使用綜合數(shù)據(jù)，主要使用紋理特征參數(shù)為均值、熵和對(duì)比度。其中均值可以表現(xiàn)圖像紋理變化信息；熵可以表示圖像紋理的復(fù)雜程度，紋理均一則熵值??；對(duì)比度越大，紋理的溝紋越深，效果越清晰。

1.3.2.3 植被指數(shù)

以計(jì)算RGB 三個(gè)波段的方式來強(qiáng)化植被。計(jì)算公式為[4]：

式中G'=G/（R+G+B），R'=R/（R+G+B），B'=B/（R+G+B）。

對(duì)象特征的描述很多，而用盡量少的特征，減少計(jì)算量和冗余，提高地類提取精度就是優(yōu)化的目的。eCognition 軟件提供的特征選擇優(yōu)化空間，原理是對(duì)選擇的復(fù)數(shù)特征在選擇的樣本對(duì)象的基礎(chǔ)上進(jìn)行分析，最終計(jì)算出本次實(shí)驗(yàn)最佳特征維數(shù)為12，最低分離度為0.284。通過查看對(duì)象間的分離度列表，確認(rèn)各種分樣地類已符合最低分離度。

1.4 最鄰近分類

基于像元的最鄰近分類法也稱最小距離分類法，是利用訓(xùn)練樣本的數(shù)據(jù)主要參考光譜特征計(jì)算類別均值，將該均值設(shè)置為特征空間的中心，計(jì)算影像中每個(gè)待測(cè)像元到各類中心的歐氏距離，然后把像元?dú)w屬為距離最近的類別中。

面向?qū)ο蟮淖罱彿诸惙ǜ驹硎窃谔卣骺臻g中計(jì)算樣本的各項(xiàng)特征值，得出不同類別的特征值范圍，再計(jì)算待分類影像對(duì)象的特征值，將其歸屬于最符合的類別中。最鄰近分類的計(jì)算原理是對(duì)訓(xùn)練樣本的對(duì)象構(gòu)建特征空間，在特征空間中計(jì)算待分類對(duì)象到分類類別的最小距離，計(jì)算公式為[5]：

式中i 表示第i 個(gè)特征，j 表示分類類別第j 個(gè)樣本；vij表示訓(xùn)練樣本j 的特征i 的特征值，voj表示待分類影像對(duì)象o 的特征i 的特征值，σi為特征空間中所有影像對(duì)象的特征i 的標(biāo)準(zhǔn)差。

然后將計(jì)算得出的最小距離轉(zhuǎn)化為隸屬度，轉(zhuǎn)換公式為：

隸屬度大于設(shè)置的閾值時(shí)就可以將待分類影像對(duì)象歸屬于該樣本的類別。

經(jīng)多次實(shí)驗(yàn)后本文選擇使用函數(shù)斜率0.25，閾值0.15 的設(shè)置進(jìn)行分類。

2 分類結(jié)果

通過對(duì)面向?qū)ο蠓诸?、基于像元的最大似然分類、目視解譯三種分類方法的結(jié)果對(duì)比，最后對(duì)面向?qū)ο蟮姆诸惤Y(jié)果進(jìn)行基于樣本的精度評(píng)價(jià)得出結(jié)論。

2.1 面向?qū)ο蠓诸惤Y(jié)果

本文使用eCognition 軟件，基于面向?qū)ο蠓椒ǎ瑢?duì)DOM 影像進(jìn)行多尺度分割，建立樣本庫，進(jìn)行最鄰近分類結(jié)果如圖1。

圖1 基于面向?qū)ο蠓诸惖牡仡愋畔D

2.2 分類結(jié)果對(duì)比

從中、低分辨率影像應(yīng)用到高分辨率遙感影像應(yīng)用的發(fā)展進(jìn)程中，面向?qū)ο蠓诸惙椒ū蛔鳛橐环N優(yōu)于傳統(tǒng)基于像元的分類方法被提出。面向?qū)ο蠓诸惙椒ú粌H利用了地物的光譜特征，還充分利用了影像對(duì)象的形狀特征、紋理特征和地物間的拓?fù)潢P(guān)系等，能抑制雜斑和噪聲產(chǎn)生，提高精度。

本文使用ENVI 軟件基于像元進(jìn)行監(jiān)督分類，采用該類型中分類效果最好的最大似然法，結(jié)果如圖2。最大似然參考光譜特征，計(jì)算待分類像元屬于某訓(xùn)練樣本的似然度，最后歸入似然度最大的類別中。主要流程為建立興趣區(qū)，選擇樣本，最大似然分類，后處理。另使用ArcGIS 軟件進(jìn)行目視解譯，結(jié)果如圖3。主要按照《土地利用現(xiàn)狀分類》（GB/T 21010-2017）標(biāo)準(zhǔn)執(zhí)行解譯工作。

圖2 基于像元分類的地類信息圖

圖3 基于目視解譯的地類信息圖

幾種分類方法的差異：

（1）地類類別和范圍

可以發(fā)現(xiàn)目視解譯與面向?qū)ο蟆⒒谙袼亟庾g的居民區(qū)范圍大小差異十分明顯，這是因?yàn)橐罁?jù)規(guī)范進(jìn)行目視解譯會(huì)相對(duì)將居民區(qū)的范圍擴(kuò)大。目視解譯按規(guī)范會(huì)對(duì)各種類別有最小上圖面積的限制，基于像元分類將影像分得過細(xì)會(huì)產(chǎn)生噪點(diǎn)，而面向?qū)ο蠓诸惖匚锩娣e會(huì)受分割尺度影響。

（2）地類邊界提取

計(jì)算機(jī)解譯提取的地物邊線不及目視解譯的地物邊線光滑，這是由于面向?qū)ο蟮挠跋穹指詈突谙裨姆诸惙椒ǘ际窃谙裨獑挝簧线M(jìn)行的邊界劃分。因此也會(huì)將在耕地中的較明顯的田坎和間種樹木提取出來，而人工解譯往往會(huì)將這部分一起并入耕地。

（3）分類參考

目視解譯依靠解譯員的識(shí)別能力。基于像元的最大似然分類法主要參考影像的光譜特征，由于林地陰影與水域光譜特征相近，誤分情況較多，即使經(jīng)后處理減少了椒鹽現(xiàn)象，仍存在較大噪點(diǎn)。面向?qū)ο蠓诸惙椒ǔ浞掷昧擞跋駥?duì)象的綜合特征，克服了噪點(diǎn)問題，減少了因陰影造成的誤分情況。

面向?qū)ο筇崛”然谙袼靥崛∵吔绺鼫?zhǔn)確，且誤分情況大幅減少。面向?qū)ο蠓椒ㄌ崛≥^小的地物如建筑和農(nóng)村道路時(shí)，被遺漏的比較多，沒有目視解譯的精度高，但對(duì)林地和耕地等大塊面積的地類提取效果好，精度高。對(duì)于植被、水體和規(guī)范道路的地類信息提取，面向?qū)ο蠓诸愐呀?jīng)可以派上用場(chǎng)。

2.3 精度評(píng)價(jià)

使用基于樣本的精度評(píng)價(jià)方法，選擇與分類依據(jù)不同的樣本區(qū)作為評(píng)價(jià)依據(jù)。結(jié)果包括混淆矩陣，單一類別的精度分類結(jié)果和總體類別精度分析。

混淆矩陣如表1，可以直觀的表現(xiàn)出每種類別的樣本總數(shù)、錯(cuò)分和漏分的總數(shù)。

表1 混淆矩陣

整體精度計(jì)算公式為：

最后得出整體的分類總體精度為85.6%，Kappa 系數(shù)為0.766，大塊的地類如林地、耕地、水域的分類效果好，建筑和道路這類較小的地類分類較不準(zhǔn)確。

3 結(jié)論與討論

地類信息調(diào)查是確認(rèn)土地資源情況的重要手段，也是規(guī)劃土地利用及決定社會(huì)經(jīng)濟(jì)發(fā)展決策的基本依據(jù)。本文主要對(duì)面向?qū)ο蠓诸惖姆椒ê土鞒踢M(jìn)行了討論。面向?qū)ο蟮姆诸惙椒ㄏ噍^傳統(tǒng)基于像素的分類方法，影像分割后在對(duì)象的基礎(chǔ)上進(jìn)行分類可以克服椒鹽現(xiàn)象，提高精度；相較人工目視解譯方法，可以減少人工，避免個(gè)人因素造成的誤差，提高效率。建立樣本區(qū)的分類方式相較非監(jiān)督分類，需要有先驗(yàn)知識(shí)，對(duì)可以清晰辨識(shí)地物紋理、光譜特征的高分辨率影像來說更為適合；從訓(xùn)練樣本對(duì)象構(gòu)建出的特征空間可用于該地其他區(qū)域的地類信息提取，為以后的工作提供更多參考，減少不必要的重復(fù)工作。

面向?qū)ο蠓诸惖慕Y(jié)果圖可以為繪制土地利用現(xiàn)狀圖提供參考。但由于分類結(jié)果沒有與實(shí)地調(diào)查結(jié)合比較，還是存在一些誤分的情況。在今后的研究中可以通過解決以下問題提高分類精度：使用波段更全的高分辨率遙感影像，結(jié)合一些算法增強(qiáng)不同地類對(duì)象的可分離度；減少或克服遙感影像拍攝角度、天氣造成的陰影引起的誤分情況；進(jìn)行野外實(shí)地調(diào)查對(duì)不確定的地類情況進(jìn)行確認(rèn)。