基于面向?qū)ο蟮蔫F尾礦信息提取技術(shù)研究
——以遷西地區(qū)北京二號遙感影像為例

范瑩琳， 婁德波， 張長青， 魏英娟， 賈福東

(1.中國地質(zhì)科學(xué)院礦產(chǎn)資源研究所，自然資源部成礦作用與資源評價重點實驗室，北京 100037； 2.中國地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院，北京 100083；3.自然資源部國土衛(wèi)星遙感應(yīng)用中心，北京 100048)

0 引言

尾礦是采礦和礦物加工后產(chǎn)生的廢棄物[1]，據(jù)《全國礦產(chǎn)資源節(jié)約與綜合利用報告(2019)》[2]顯示，2018年我國尾礦總產(chǎn)生量約為12.11億t，其中鐵尾礦產(chǎn)生量最大，約為4.76億t，集中分布于華北、東北和華中地區(qū)[3]。

由于區(qū)域尾礦庫數(shù)量較多、面積較大，大范圍的野外實地檢驗工作量龐大，因此利用遙感影像識別和提取尾礦信息、實現(xiàn)尾礦空間展布和數(shù)量統(tǒng)計備受關(guān)注。前人對鐵尾礦信息提取展開了一系列研究，取得了一定的進(jìn)展，如郝利娜等[4]總結(jié)了尾砂在WorldView-2高分辨率影像上的光譜及紋理特點，建立了系統(tǒng)的尾礦庫目視解譯標(biāo)志； 汪金花等[5]根據(jù)鐵尾礦在Quickbird影像上綠波段和近紅外波段的吸收反射特征提出了有利于尾礦信息提取的光譜增強模型,該方法提取的尾礦庫外部輪廓完整，但尾礦庫內(nèi)存在大量信息缺失，不利于尾礦庫面積統(tǒng)計； Ma等[6]利用90°方向的紋理 “熵”對Landsat8 OLI影像上河北長河地區(qū)尾礦庫進(jìn)行信息提取，該方法可以實現(xiàn)部分尾礦庫的定位，但尾礦庫形狀不完整，提取邊界未與真實邊界完全吻合。隨著模式識別技術(shù)的不斷發(fā)展，眾多可以反映地物形狀的特征值也成功地運用到各種地物的識別中。黎靜等[7]提取了包含面積、周長在內(nèi)的12種形狀特征值來監(jiān)測獼猴桃形狀以達(dá)到區(qū)分優(yōu)劣果實的目的； 胡敏等[8]提出了一種融合局部紋理特征和局部形狀特征的人臉表情識別方法。因此，當(dāng)目標(biāo)地物與其他地物的光譜特征相近時，形狀特征、紋理特征對于提取目標(biāo)會起到積極的作用[9]。在遙感應(yīng)用的發(fā)展過程中，影像分類方法主要包含兩大類： 基于像元分類與面向?qū)ο蠓诸怺10]。隨著遙感影像分辨率的提高及分類方法的改進(jìn)，面向?qū)ο蠓诸惙椒ㄔ絹碓蕉嗟貞?yīng)用到高分辨率影像信息提取中。代晶晶等[11]利用基于邊緣的分割算法進(jìn)行影像分割并采用隸屬度函數(shù)法提取稀土礦區(qū)信息，與傳統(tǒng)監(jiān)督分類相比該方法可成功避免稀土開采區(qū)與道路的錯檢； 張永彬等[12]總結(jié)了眾多面向?qū)ο蠹盎谙裨诸惙椒ㄔ诘V山信息提取中的實驗結(jié)果，認(rèn)為面向?qū)ο蠓诸惙椒ㄔ诘V區(qū)信息提取中最具優(yōu)勢。面向?qū)ο蠓诸惙椒ǖ暮诵氖菆D像分割[13]和特征提取[14]。目前常用的圖像分割方法是多尺度分割[15]，多尺度分割的關(guān)鍵是最優(yōu)分割尺度的選擇，諸多學(xué)者對此做了大量研究，最直接的方法是根據(jù)經(jīng)驗及實際情況判斷，此外還有監(jiān)督和非監(jiān)督評價方法[16]，但至今在各個領(lǐng)域研究中還沒有明確并普適的最優(yōu)尺度選擇標(biāo)準(zhǔn)，目前在實際應(yīng)用中常利用輔助工具并結(jié)合地物實際分割效果選擇最優(yōu)分割尺度[17]。通過以上分析可知，目前尾礦信息提取存在以下不足： ①尾礦信息提取精度以及自動化程度有待提高; ②未能深入探討面向?qū)ο笪驳V信息提取的分割參數(shù)和特征參數(shù)問題。

本文將在光譜特征提取的基礎(chǔ)上，結(jié)合研究區(qū)內(nèi)地物的形狀和紋理特征開展尾礦信息提取研究，應(yīng)用面向?qū)ο蠓诸惙椒ㄌ崛¤F尾礦信息，探討面向?qū)ο蠓诸惙椒ǖ南嚓P(guān)參數(shù)及有效特征值，并與基于像元的分類方法進(jìn)行比較分析。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

河北省遷西縣長河沿岸的鐵尾礦堆存量大，約占遷西縣總量的1/3，是開展鐵尾礦信息提取方法研究的天然試驗場。長河自北向南依次經(jīng)過金廠峪鎮(zhèn)、漁戶寨鄉(xiāng)和東荒峪鎮(zhèn)，本文所選擇的研究區(qū)位于漁戶寨鄉(xiāng)(圖1)，由5個典型尾礦庫及其周邊地物組成，分別為部分復(fù)墾、已建造成熟和正在排放尾砂的尾礦庫,庫內(nèi)存儲的均是沉積變質(zhì)型礦床中磁鐵礦礦石選礦后的產(chǎn)物，屬高硅型鐵尾礦。

圖1 研究區(qū)地理位置Fig.1 Location of study area

1.2 數(shù)據(jù)源

本文所使用的遙感影像數(shù)據(jù)類型為北京二號高空間分辨率影像，獲取時間為2019年5月7日，圖像質(zhì)量良好，無云覆蓋，選取3個大小為850像素×800像素的區(qū)域影像(見圖2)作為實驗圖像。北京二號衛(wèi)星是由二十一世紀(jì)空間技術(shù)應(yīng)用股份有限公司于2015年7月11日發(fā)射的高空間分辨率民用商業(yè)衛(wèi)星，衛(wèi)星軌道高度651 km，重訪周期1 d，其影像數(shù)據(jù)共有5個波段組成： 4個3.2 m多光譜波段和1個0.8 m全色波段(各波段技術(shù)指標(biāo)見表1)。

(a) 區(qū)域1(b) 區(qū)域2(c) 區(qū)域3圖2 研究區(qū)全色波段與多光譜波段融合后的圖像Fig.2 Fusion of panchromatic and multispectral bands

2 遙感圖像特征提取

2.1 光譜特征提取

區(qū)域內(nèi)主要地物類別有尾礦、植被、土壤、裸露山地、房屋建筑、道路，根據(jù)典型地物光譜特征曲線(圖3(a))可知，鐵尾礦及其周圍地物存在以下光譜特征： 土壤與房屋的光譜反射曲線變化趨勢相近，道路和尾礦的光譜曲線變化趨勢相近。根據(jù)9個鐵尾礦訓(xùn)練樣本的光譜反射曲線(圖3(b))可知，北京二號影像上鐵尾礦第1波段的反射率最高，并且在第3波段存在明顯的反射峰，第4波段反射率最低。根據(jù)以上地物的吸收反射差異可知，多光譜波段的藍(lán)色、綠色、紅色、近紅外4個波段的亮度值可直接表示圖像的地物光譜特征。

(a) 研究區(qū)典型地物光譜曲線 (b) 鐵尾礦訓(xùn)練樣本光譜曲線圖3 研究區(qū)地物光譜曲線Fig.3 Spectral curve in the study area

2.2 形狀特征提取

遙感影像上的道路屬于線狀地物，而尾礦庫、水體、植被、居民地等均屬于面狀地物，這些地物的形狀特點在高分辨率影像上可以用長寬比來反映。線狀地物一般呈長寬比大的長矩形，而面狀地物則一般呈現(xiàn)為長寬比小且形狀不規(guī)則的多邊形[18]，因此通過長寬比計算可以將長寬比數(shù)值更大的道路與其他地物區(qū)分開。長寬比用協(xié)方差矩陣的特征值比值表示，較大的特征值是分?jǐn)?shù)的分子,計算公式為：

(1)

(2)

(3)

式中：S為協(xié)方差矩陣;X為構(gòu)成影像對象的所有像素的x坐標(biāo);Y為構(gòu)成影像對象的所有像素的y坐標(biāo);Var(X)為x坐標(biāo)的方差;Var(Y)為y坐標(biāo)的方差;Cov(XY)為協(xié)方差;a為對象邊框的實際長度;b為實際寬度;A為影像對象的面積;l為影像對象的長；w為影像對象的寬。

長寬比也可以用邊界框來近似，公式為：

(4)

通過以上2種方法計算影像對象長寬比，取兩者中較小的結(jié)果作為地物形狀特征值(圖4)。

(a) 區(qū)域1長寬比(b) 區(qū)域2長寬比(c) 區(qū)域3長寬比圖4 地物長寬比特征Fig.4 Length-width ratio of ground features

2.3 紋理特征提取

針對相鄰像元的灰度變化情況進(jìn)行統(tǒng)計計算可以得到定量反映紋理信息的特征值，這些特征值可以直觀地反映不同地物的紋理特征[19]。在面向?qū)ο蠓诸愡^程中，若不同對象之間的灰度變化規(guī)律一致，則說明二者具有相同的紋理特征[20]?；叶裙采仃囀翘崛〖y理特征的常用方法，Haralick[21]基于灰度共生矩陣提出了14種紋理特征值，本研究通過主成分分析提取第一主成分作為灰度共生矩陣的運算波段，結(jié)合研究區(qū)內(nèi)尾礦形態(tài)、地物差異特點及特征空間優(yōu)化分析，選擇45°方向上能有效區(qū)分該區(qū)地物的3個特征值(相關(guān)度(COR)、對比度(CON)和熵(ENT))提取尾礦紋理信息。計算公式為：

(5)

(6)

(7)

式中：i,j分別為原始影像灰度值i和灰度值j;k表示圖像灰度級；n為灰度i與灰度j差的絕對值；ui，uj，si，sj分別為灰度共生矩陣中第i行或第j列的均值和標(biāo)準(zhǔn)差；G(i,j)為灰度共生矩陣中第(i,j)個位置上表示原圖像相鄰像素的灰度值組合(i,j)出現(xiàn)的次數(shù)。提取結(jié)果見圖5。相關(guān)度可反映對象內(nèi)部灰度分布的均勻程度，對比度可反映紋理的粗細(xì)程度，且對于突出邊界信息及線性地物效果顯著，熵反映對象內(nèi)部紋理的復(fù)雜程度。對尾礦庫及周邊地物的均勻度、粗細(xì)度、復(fù)雜度進(jìn)行分析可知，道路及裸露山地對象內(nèi)部灰度分布均勻，尾礦庫內(nèi)部對象灰度變化復(fù)雜； 道路及裸露山地紋理細(xì)致，尾礦庫內(nèi)部紋理粗糙； 植被對象內(nèi)部紋理復(fù)雜，尾礦庫及道路對象內(nèi)部紋理簡單。

(a) 區(qū)域1紋理相關(guān)度 (b) 區(qū)域2紋理相關(guān)度 (c) 區(qū)域3紋理相關(guān)度

(d) 區(qū)域1紋理對比度 (e) 區(qū)域2紋理對比度 (f) 區(qū)域3紋理對比度

(g) 區(qū)域1紋理熵 (h) 區(qū)域2紋理熵 (i) 區(qū)域3紋理熵圖5 地物紋理特征提取結(jié)果Fig.5 Extraction results of feature texture

3 遙感圖像分割及分類

3.1 遙感影像多尺度分割

傳統(tǒng)的地物分類方法是以圖像像元為基本單位，利用不同地物光譜特征進(jìn)行分類。面向?qū)ο骩22]分類方法是以圖像分割后得到的同質(zhì)對象為分類基本單元，將像元光譜信息與鄰近區(qū)域之間的空間特征相結(jié)合，不同地物有了更加鮮明的整體特征，而且分割后眾多像元整合成一個對象，減少數(shù)據(jù)處理量的同時又能保證原對象的結(jié)構(gòu)特征信息完整性[23]，此方法更適于波段少但空間信息豐富的高空間分辨率影像信息提取。

Baatz等[24]提出了多尺度分割的概念，多尺度分割是一種常用的圖像分割方法，分割效果會直接影響面向?qū)ο蠓诸惤Y(jié)果。其基本原理是以單個像元為初始計算對象，在尺度參數(shù)的限制下不斷進(jìn)行合并運算。在多尺度分割之前需要設(shè)置波段權(quán)重、尺度參數(shù)、光譜因子和形狀因子，然后進(jìn)行第一次像元合并得到局部異質(zhì)性最小的區(qū)域，若該區(qū)域異質(zhì)性小于尺度參數(shù)，則繼續(xù)在上一次合并對象的基礎(chǔ)上進(jìn)行合并，直到出現(xiàn)分割區(qū)域的局部異質(zhì)性大于等于尺度參數(shù)時則終止合并獲得最終分割效果圖。

不同的波段權(quán)重、尺度參數(shù)、對象各異質(zhì)性因子是決定分割效果好壞的關(guān)鍵因素。圖像主成分分析得到的第一主成分與藍(lán)波段、綠波段、紅波段和近紅外波段以相同的權(quán)重“1” 參與圖像分割。尺度參數(shù)是在對象異質(zhì)性因子(圖6)設(shè)置完畢后進(jìn)行多次實驗確定的最優(yōu)分割尺度。最優(yōu)分割尺度是指目標(biāo)地物在當(dāng)前分割尺度下被完整分割成一個或多個對象而不與其他地物形成混合對象，分割后的對象多邊形能清楚準(zhǔn)確地指示地物邊界[10]。

圖6 決定多尺度分割效果的異質(zhì)性因子Fig.6 The heterogeneity factor that determines the effect of multi-scale segmentation

在多尺度分割的過程中通過調(diào)整形狀因子、緊致度因子和尺度參數(shù)便可實現(xiàn)對分割參數(shù)的調(diào)整和控制。本研究采用控制變量法確定尾礦分割的形狀因子和緊致度因子，借助ESP多尺度分割工具計算最優(yōu)分割尺度。ESP工具在起始分割尺度下以固定步長計算不同尺度下影像對象同質(zhì)性的局部方差(local variance，LV)及其變化率ROC(rate of change)，并以ROC-LV曲線來指示最優(yōu)分割尺度,當(dāng)ROC出現(xiàn)峰值時，該點所對應(yīng)的尺度即為某種地物的最優(yōu)分割尺度，同一幅影像具有針對不同地物的多個最優(yōu)分割尺度。ESP工具完成多尺度分割的遍歷，利用ROC-LV曲線圖中的峰值所對應(yīng)的分割尺度再次進(jìn)行多尺度分割實驗，驗證適合尾礦分割的最優(yōu)尺度，減少了人工逐一進(jìn)行各尺度分割的工作量，公式為：

(8)

式中：Li為分割尺度i所對應(yīng)的局部方差；Li-1為分割尺度i-1所對應(yīng)的局部方差。

3.2 基于多特征的面向?qū)ο蠓诸?/h3>

遙感影像中鐵尾礦與周圍地物在色調(diào)方面存在差異，即反射光譜的差異，這種差異為尾礦信息提取提供了理論依據(jù)。但混合像元導(dǎo)致的類間異質(zhì)性及尾礦濃度變化導(dǎo)致的類內(nèi)異質(zhì)性使像元光譜信息不能作為尾礦提取的唯一依據(jù)，因此需要結(jié)合形狀和紋理特征以實現(xiàn)高空間分辨率影像的信息提取。

本文所采用的面向?qū)ο蟮男畔⑻崛×鞒淌且远喑叨确指畹玫降挠跋駥ο鬄榛締卧?，將反映對象相似或差異的光譜、形狀和紋理特征作為分類依據(jù)，選取訓(xùn)練樣本執(zhí)行最近鄰分類方法實現(xiàn)地物分類。

當(dāng)前最常用的兩種面向?qū)ο蠓诸惙椒ㄊ浅蓡T函數(shù)法和最近鄰分類法，最近鄰分類是一種簡便易行的基于樣本的面向?qū)ο蠓诸惙椒?，該方法對局部異常值不敏感，分類結(jié)果不受個別噪音的影響。當(dāng)在類描述中使用多個對象特征時選擇最近鄰分類法是有利的，該方法可以有效評估出對象特征之間的相互關(guān)系。評價對象特征之間的關(guān)聯(lián)性，并且易于處理多維特征空間的重疊。其基本原理[25]是選取部分對象作為訓(xùn)練樣本，通過計算其他待分類對象與已知樣本之間的距離，找到距離待分類對象最近的訓(xùn)練樣本，這個訓(xùn)練樣本的分類類別即為該待分類對象的類別。

4 實驗和結(jié)果分析

4.1 遙感影像多尺度分割結(jié)果

采用控制變量法確定分割尺度、形狀因子和緊致度因子3個多尺度分割參數(shù)。利用ESP工具進(jìn)行多尺度分割前需要確定適合研究區(qū)地物提取的形狀因子和緊致度因子，因此在選擇最優(yōu)分割尺度前需先在固定尺度下(以尺度參數(shù)370為例)對影像進(jìn)行粗略分割，根據(jù)尾礦邊緣分割對象的吻合度確定適合尾礦分割的形狀因子和緊致度因子。固定緊致度因子為默認(rèn)值0.5，調(diào)整形狀因子，判斷顏色和形狀參與尾礦分割的權(quán)重大小。實驗發(fā)現(xiàn)適當(dāng)增大形狀因子時，分割得到的尾礦庫邊緣與實際更加吻合，但當(dāng)形狀因子增大到0.6時尾礦分割單元過大出現(xiàn)欠分割現(xiàn)象，綜合對比發(fā)現(xiàn)形狀因子為0.4時(圖7)，邊緣擬合效果最好。

(a) 370,0.1,0.5(b) 370,0.2,0.5(c) 370,0.3,0.5

(d) 370,0.4,0.5(e) 370,0.5,0.5(f) 370,0.6,0.5圖7 緊致度因子為0.5分割結(jié)果(分割尺度，形狀因子，緊致度因子)Fig.7 Segmentation results with a compactness factor of 0.5

固定形狀因子為0.4，調(diào)整緊致度因子(范圍為0.1～0.8)，實驗發(fā)現(xiàn)當(dāng)緊致度因子為0.5時尾礦庫分割效果最好(圖8)。

(a) 370,0.4,0.1(b) 370,0.4,0.2(c) 370,0.4,0.3

(d) 370,0.4,0.4(e) 370,0.4,0.5(f) 370,0.4,0.6

(g) 370,0.4,0.7(h) 370,0.4,0.8圖8 形狀因子為0.4分割結(jié)果(分割尺度，形狀因子，緊致度因子)Fig.8 Segmentation results with a shape factor of 0.4

在形狀因子0.4，緊致度因子0.5的條件下，利用ESP工具分別在不同起始分割尺度下以步長1進(jìn)行多尺度分割，實驗發(fā)現(xiàn)當(dāng)分割尺度小于50時，分割地物過于破碎，因此以起始分割50，步長1進(jìn)行多尺度分割計算得到ROC-LV曲線圖(圖9)。多尺度分割為分類提供對象單元，若同一地物分割產(chǎn)生的對象過少則會導(dǎo)致參與后續(xù)分類的可選樣本不足，待分類對象缺少參考依據(jù)； 若分割產(chǎn)生的對象過多則會造成樣本冗余，分割時間過長影響計算機運行效率。綜合尾礦與其他地物在下一步面向?qū)ο蠓诸惤Y(jié)果中的表現(xiàn)，對ROC-LV曲線圖(圖9)中所對應(yīng)的峰值點分別進(jìn)行實驗，經(jīng)多次實驗及針對各種地物邊緣吻合度的目視判斷，認(rèn)為當(dāng)分割尺度為100時(圖10),尾礦庫雖被分割成眾多同質(zhì)對象，但尾礦單元完整且尾礦庫邊緣對象與相鄰地物的分割邊界清晰，眾多對象組合可以完整表示尾礦庫真實輪廓，分割效果符合后續(xù)尾礦提取需求。

圖9 ROC-LV曲線圖Fig.9 ROC-LV graph

(a) 區(qū)域1最優(yōu)尺度分割結(jié)果(b) 區(qū)域2最優(yōu)尺度分割結(jié)果(c) 區(qū)域3最優(yōu)尺度分割結(jié)果圖10 分割尺度為100，形狀因子為0.4，緊致度因子為0.5Fig.10 The segmentation scale was 100, the shape factor was 0.4, and the compactness factor was 0.5

4.2 面向?qū)ο蠓诸惻c基于像元分類的鐵尾礦提取結(jié)果比較分析

本文以兩種分類方法提取鐵尾礦信息，一種為基于像元的最大似然分類法，另一種為面向?qū)ο蟮淖罱彿诸惙āＣ嫦驅(qū)ο蟮淖罱彿诸惙ǚ椒愃朴趥鹘y(tǒng)分類方法的監(jiān)督分類，是通過選擇樣本的方法來進(jìn)行影像的分類，但這種方法針對的是分割后形成的影像對象，而不是單個像元，所用的分類特征比單個像元豐富的多，因此分類精度比較高。結(jié)果見圖11。

(a) 區(qū)域1面向?qū)ο蠓诸惤Y(jié)果(b) 區(qū)域2面向?qū)ο蠓诸惤Y(jié)果(c) 區(qū)域3面向?qū)ο蠓诸惤Y(jié)果

(d) 區(qū)域1基于像元分類結(jié)果(e) 區(qū)域2基于像元分類結(jié)果(f) 區(qū)域3基于像元分類結(jié)果

圖11 面向?qū)ο蠓诸惻c基于像元分類結(jié)果圖Fig.11 The result graph of object-oriented classification and pixel - based classification

從定性的角度對比提取結(jié)果(圖12)可知，面向?qū)ο蠓诸惙椒▽τ趦?nèi)部色調(diào)變化大的復(fù)墾尾礦庫和在排尾礦庫提取效果明顯優(yōu)于基于像元分類方法，該方法提取的尾礦空間組合和真實地理連續(xù)性更好。

(a) 區(qū)域1面向?qū)ο笪驳V提取結(jié)果(b) 區(qū)域2面向?qū)ο笪驳V提取結(jié)果(c) 區(qū)域3面向?qū)ο笪驳V提取結(jié)果

(d) 區(qū)域1基于像元尾礦提取結(jié)果(e) 區(qū)域2基于像元尾礦提取結(jié)果(f) 區(qū)域3基于像元尾礦提取結(jié)果

圖12 面向?qū)ο笈c基于像元方法鐵尾礦提取效果圖Fig.12 Graph of iron tailings information extraction by object-oriented method and pixel - based method

基于像元分類可以基本實現(xiàn)尾礦庫的地理定位，但由于尾礦與道路存在相似的吸收反射特征，因此庫內(nèi)出現(xiàn)大量道路碎斑，細(xì)小尾礦目標(biāo)被錯分為道路，或部分道路被錯分為尾礦(如圖12中方框所示)； 而結(jié)合影像光譜、形狀和紋理的多特征面向?qū)ο蠓诸惙椒ú粌H可以實現(xiàn)尾礦庫的準(zhǔn)確定位，而且多尺度分割生成的對象使眾多同質(zhì)像元成為一個整體，單個對象擁有了整體的光譜、形狀和紋理特征，因此面向?qū)ο蠓诸惤Y(jié)果中尾礦庫形狀完整，庫內(nèi)沒有出現(xiàn)大量道路錯檢信息，尾礦庫空間展布更加準(zhǔn)確。

4.3 基于像元提取與面向?qū)ο筇崛¤F尾礦結(jié)果的精度評價

在定性分析的基礎(chǔ)上，采用混淆矩陣法對基于面向?qū)ο笈c基于像元的鐵尾礦信息提取結(jié)果進(jìn)行定量評價，結(jié)果見表2。

表2 面向?qū)ο蠓诸惻c基于像元分類精度評價Tab.2 Object-oriented classification and pixelbased classification accuracy evaluation

比較表2中結(jié)果可以看出： ①對比3幅影像的精度評價結(jié)果可知，基于多特征的面向?qū)ο蠓诸惙椒ㄌ崛〉奈驳V精度、總體分類精度及Kappa系數(shù)均高于基于像元分類方法； ②從鐵尾礦提取結(jié)果來看，3幅影像基于像元分類方法的尾礦提取精度分別為92.25%，92.44%和76.81%，面向?qū)ο蠓诸惙椒ㄎ驳V提取精度分別為98.06%，95.35%和96.38%，面向?qū)ο蠓诸愄崛〗Y(jié)果更準(zhǔn)確。

5 結(jié)論

本文以北京二號高空間分辨率遙感影像為數(shù)據(jù)源，選取3個實驗區(qū)綜合光譜特征、形狀特征和紋理特征實現(xiàn)基于最近鄰方法的面向?qū)ο蠓诸?，并利用混淆矩陣對比面向?qū)ο蠓诸惙椒ㄅc典型監(jiān)督分類方法的分類精度。通過對比研究證明了面向?qū)ο蠓诸惙椒ㄌ崛¤F尾礦信息的可行性，并得到以下結(jié)論:

1)面向?qū)ο蠓诸惤Y(jié)果明顯優(yōu)于基于像元分類，3幅影像的面向?qū)ο笪驳V提取精度和總體分類精度與監(jiān)督分類結(jié)果相比分別提高5.81，2.91和19.57百分點以及9.70，3.80和6.44百分點，證明了該方法用于高分辨率影像的鐵尾礦分類提取的有效性。

2)影像分割是面向?qū)ο蠓诸惖那疤?，不同地物的分割參?shù)需要經(jīng)過大量實驗得出。本文研究區(qū)在尺度為100，形狀因子為0.4，緊致度因子為0.5 的分割參數(shù)下，分割得到的單個對象特征明顯、不同地物邊界清晰明確，有利于分類樣本的選取及后續(xù)分類。

3)基于像元的分類方法有利于突出細(xì)節(jié)信息，但由于高空間分辨率影像波段較少光譜信息不夠豐富，因此基于像元光譜信息提取鐵尾礦容易出現(xiàn)錯檢的情況，分類結(jié)果存在大量破碎圖斑，不利于尾礦信息的提取。

4)面向?qū)ο蠓诸惒粌H利用光譜信息，還將對象長寬比、紋理相關(guān)度、對比度和熵作為分類指標(biāo)，提取的尾礦庫整體結(jié)構(gòu)完整，避免了“椒鹽”現(xiàn)象的產(chǎn)生。