高分辨率遙感影像居民地提取方法研究

遲 璐

（吉林水利電力職業(yè)學(xué)院 吉林 長春 130000）

0 引言

居民地通常由密集的建筑物群組成，具有明顯的影像特征，對居民地進行提取，有利于對地區(qū)進行規(guī)劃，進一步促進地區(qū)發(fā)展。

目前居民地的提取方法主要是利用影像的光譜特征構(gòu)建各種建筑指數(shù)提取，或利用光譜特征進行樣本的快速選取等方面[1-2]。然而單純基于光譜特征的居民地信息提取易受混合像元、同物異譜和異物同譜現(xiàn)象的困擾，存在嚴(yán)重的“椒鹽現(xiàn)象”[3]。隨著面向?qū)ο蠓椒ǖ膹V泛應(yīng)用，使綜合應(yīng)用遙感圖像的光譜特征和幾何特征進行居民地提取的方法成為可能[4-5]。

1 居民地相關(guān)概念

1.1 居民地

居民地是人類因生產(chǎn)和生活需要而集聚定居的場所。居民地主要分為城市居民地和農(nóng)村居民地。居民地體現(xiàn)著人與自然關(guān)系，其規(guī)模不僅能夠影響生產(chǎn)力的分布模式，也能影響區(qū)域經(jīng)濟發(fā)展[6]。居民地這一地物是隨著時間發(fā)展逐步形成的，是人與自然相互作用的產(chǎn)物。居民地不僅涵蓋房屋建筑物，還包括與居住直接相關(guān)的其他生活設(shè)施和生產(chǎn)設(shè)施。

1.2 居民地影像特點

高分辨率遙感影像中，居民地分布有其自身特點，主要表現(xiàn)在以下幾個方面。

（1）城市居民地聚集，農(nóng)村居民地分散。城市居民地往往較為集中，多為小區(qū)式分布。而農(nóng)村面積較大，并且農(nóng)村存在養(yǎng)殖、種植等需求，因此農(nóng)村居民地分布比較分散，無固定結(jié)構(gòu)，邊界不明顯。

（2）沿道路分布。居民地主要沿道路分布，分布在道路一側(cè)或者末端，通常避開高山等地形險峻地區(qū)，隨機分布在海拔較低的地方。這種分布規(guī)律既受歷史發(fā)展影響，同時也是社會經(jīng)濟發(fā)展的結(jié)果。

（3）與道路等光譜特征相近。高分辨率遙感影像中，房屋建筑的顏色多為亮白色、藍色、紅色等。居民地建筑物大多為高亮地物，這就與道路有相近的光譜特征。

2 基于遙感影像的居民地提取方法

高分辨率遙感影像通常所含波段較少，光譜信息不足，但是空間特征信息豐富，因此影像提取時更多要依靠其豐富的紋理信息、顏色信息、形狀信息以及地物間的相互關(guān)系等進行區(qū)分。傳統(tǒng)的影像分類方法一般是將單個像元作為分類對象，根據(jù)像元的光譜特性進行分類。這種分類方式?jīng)]有充分考慮像元與周圍環(huán)境之間的關(guān)系，因此容易產(chǎn)生“椒鹽現(xiàn)象”，分類效果不好，精度不高。面向?qū)ο蟮姆诸惙椒ㄊ前丫哂邢嗤卣鹘Y(jié)構(gòu)的多個像元視作一個對象，根據(jù)每一個對象特征再進行分類[7]。面向?qū)ο蟮姆诸惙椒梢杂行崛∮跋裥畔?，在分割過程中，通過產(chǎn)生新的影像信息快速提取不同類別地物，分類結(jié)果更合理，分類精度更好。本文基于eCognition 軟件平臺進行居民地提取工作，該平臺就是采用面向?qū)ο蟮姆诸惙椒ā?/p>

居民地提取主要分為影像分割以及影像分類兩個步驟，兩者間具有密不可分的關(guān)系。影像分割是影像分類的前提，影響影像信息提取與應(yīng)用精度；影像分類則是影像分割的結(jié)果，可以評價影像分割好壞[8]。兩者相輔相成，相互促進，協(xié)同配合完成居民地提取工作。

2.1 多尺度影像分割方法

影像分割是遙感影像處理中較為重要的環(huán)節(jié)，從影像處理過渡到圖像分析。影像分割就是將整個圖像分割成若干個小部分，并且這些部分彼此互不重疊，各個部分具有相同或相近的某種特征。影像分割算法準(zhǔn)確與否直接影響后續(xù)分類工作，好的分割結(jié)果有助于后續(xù)工作，反之，不準(zhǔn)確的分割結(jié)果則會影響后續(xù)分類效果[9]。

在eCognition 軟件中，提供了3 種常用分割算法：多尺度分割算法、四叉樹分割算法以及棋盤分割算法。圖1 是以相同分割尺度大小進行的對比實驗。通過3 種方法對比實驗?zāi)軌蚩闯?，四叉樹分割算法（圖1a）和棋盤分割算法（圖1b）容易導(dǎo)致單個影像對象被割裂為多個對象，而多尺度分割算法（圖1c）則具有明顯優(yōu)勢，分割對象形狀、大小不受限制。因此本文影像分割方法采用多尺度影像分割方法。

高分辨率遙感影像中，地物光譜信息十分豐富，具有豐富的結(jié)構(gòu)、紋理、空間特征等信息。例如道路呈線狀分布，而居民地往往呈片狀分布。因此設(shè)置同一尺度分割不能同時滿足各類地物的提取要求。多尺度分割算法就是根據(jù)一定的影像特征，如形狀特征、光譜特征、紋理特征等，將具有相同或相似特征的像素合并，形成互不重疊的影像對象，通過改變分割尺寸參數(shù)改變分割結(jié)果。這種算法分割后影像對象大小不一，形狀也各不相同，能夠較好地分割和提取具有相同或相似特征的目標(biāo)地物，提取準(zhǔn)確度較高，分類結(jié)果也更加客觀。

多尺度分割中有3 個重要參數(shù)，見圖2，分別為波段權(quán)重、尺度因子以及異質(zhì)性因子。異質(zhì)性因子又包含光譜異質(zhì)性因子和形狀異質(zhì)性因子兩部分，形狀異質(zhì)性因子又分為緊實度因子和光滑度因子，緊實度因子是根據(jù)較小的差別把緊湊和不緊湊的目標(biāo)分開，光滑度因子是用來完善具有光滑邊界的地物。在進行多尺度影像分割時，要綜合考慮不同因子間的關(guān)系，以便獲得最佳分割效果。

波段權(quán)重以及尺度因子是通過軟件平臺進行設(shè)定，下面詳細介紹異質(zhì)性因子。

2.1.1 光譜異質(zhì)性因子（hcolor）

式1 中，N為影像層數(shù)（即：光譜波段數(shù)）；pi為第i影像層的權(quán)重；σi為第i層影像光譜值標(biāo)準(zhǔn)差。

2.1.2 形狀異質(zhì)性因子（hshape）

式2 中，ws為自定義光滑度因子hsmth權(quán)重，并且0 ≤ws≤1。

2.1.3 光滑度因子（hsmth）

式3 中，E為影像區(qū)域?qū)嶋H邊界長度，即周長；L為影像區(qū)域最小外接矩形周長。

2.1.4 緊實度因子（hcmpt）

式4 中，S為影像區(qū)域像元面積。

2.2 多尺度分割算法參數(shù)設(shè)定

2.2.1 波段權(quán)重選擇

影像分割過程中，應(yīng)該根據(jù)影像分割目的、特點等合理地為波段數(shù)據(jù)設(shè)置權(quán)重，以便獲得較理想的分割結(jié)果。波段權(quán)重設(shè)定主要取決于該波段對影像分析處理影響程度，如果影像波段易于識別目標(biāo)地物，那該波段的權(quán)重就應(yīng)較高。本文采用融合后的真彩色影像，3 個波段對目標(biāo)地物貢獻程度基本相同，所以3 個波段權(quán)重均為1。

2.2.2 分割尺度選擇

遙感影像中地物多樣性決定了影像分割需要的尺度也各不相同。影像分割中，分割終止條件是通過比較尺度參數(shù)與異質(zhì)性的大小，進而決定了影像對象的大小及其特征。較大的分割尺度分解得到的影像對象數(shù)目較少，適用于連續(xù)分布的大面積同類地物分割；較小的分割尺度分解得到的影像對象數(shù)目較多，適用于提取小面積地物。影像分割過程中，并不是分割尺度越小分割效果一定越好，這是由于影像對象層的增加會使處理數(shù)據(jù)量大大增加，減慢影像處理速度。多尺度分割中所生成對象的數(shù)量取決于相關(guān)分割尺度參數(shù)選擇，因此在進行影像分割時要根據(jù)提取地物特征多次進行嘗試，在影像提取質(zhì)量和影像提取速度間進行衡量對比，從而選擇最佳的分割尺度。

首先選取一塊居民地較多的影像作為參數(shù)試驗區(qū)，試驗區(qū)影像大小為1 400×1 400?；趀Cognition 軟件平臺進行最佳分割尺度參數(shù)的選取，分割尺度分別設(shè)定為30、50、70、90、110 和130。通過圖3 可以看出，隨著分割尺度不斷增加，分割后影像對象面積也在不斷增大。

最佳分割尺度的確定方法主要分為定性分析法和定量分析法。定性分析法主要是憑借大量先驗知識以及豐富的影像分割經(jīng)驗確定最佳分割尺度，具有一定主觀性；定量分析法主要是將影像分割結(jié)果與通過其他方式獲得的精確分類結(jié)果進行對比，從而確定最佳分割尺度。顯然定量分析法結(jié)果更加精準(zhǔn)，本文采用這種定量分析法確定最佳分割尺度。高分辨率遙感影像中使用頻率最高的精度評價指標(biāo)為正確率。具體計算方法如下：

分割算法分割出的目標(biāo)地物面積獲取方式需要將影像分割結(jié)果以矢量圖層形式輸出，并利用ArcGIS 軟件計算不同分割尺度下獲得的居民地數(shù)據(jù)面積；正確居民地面積則需要利用ArcGIS 軟件以人機交互的方式獲取。不同分割尺度正確率、總對象數(shù)以及居民地對象數(shù)等結(jié)果見表1。

表1 分割結(jié)果精度

將不同分割尺度下的正確率、總對象數(shù)以及居民地對象數(shù)以折線圖的方式進行展示，關(guān)系見圖4。

通過圖4 可以看出，隨著分割尺度不斷增大，居民地分割正確率不斷降低。分割尺度為30、50、70 和90 時，分割正確率都超過90%，此后分割尺度增大至110和130時，分割正確率較低且正確率下降較快。當(dāng)分割尺度為30 時，分割正確率高達97.58%，分割尺度為50 和70 時，正確率相差不到0.1%。綜合考慮本文最佳分割尺度設(shè)定為70，這個分割尺度既能保證影像分割正確性，又能產(chǎn)生較少分割對象，提高運算速度。

2.2.3 異質(zhì)性因子選擇

異質(zhì)性因子中的光譜異質(zhì)性因子和形狀異質(zhì)性因子是權(quán)重和為1 的兩個因子，形狀異質(zhì)性因子中的緊實度因子和光滑度因子也是權(quán)重和為1 的兩個因子。影像色彩是影像中最重要的信息，是表征影像的本質(zhì)特征，是建立其他特征的基礎(chǔ)，因此一般情況下將光譜異質(zhì)性因子設(shè)置較大，通常大于0.8[10]。處理影像時一般需要多次嘗試，將所生成的影像對象層與實際地物進行比較，力求能夠真實客觀地反映實際地物信息。經(jīng)過多次實驗以及參考相關(guān)資料，本文將光譜因子、形狀因子、緊實度因子、光滑度因子分別設(shè)定為 0.9、0.1、0.5、0.5。

2.3 隸屬度函數(shù)分類方法

實際影像中地物之間的過渡區(qū)域往往是漸變的，有限的影像分辨率使得地物之間出現(xiàn)類混合現(xiàn)象，因此往往不能準(zhǔn)確地找到各類地物之間的特征值分界點，因此提出了隸屬度函數(shù)的分類方法。

隸屬函數(shù)分類法不是將影像對象直接劃分至某個類別中，而是利用影像對象特征指標(biāo)將其隸屬到不同類別中去，同一影像對象可以被隸屬至不止一個類別中，隸屬度區(qū)間為0 到1，越接近1，說明隸屬度越高，劃分為該類的可能性就越大，反之接近0，則說明隸屬度低，劃分為該類的可能性就越小。eCognition 平臺通過評估對象每個類的隸屬度，也就是不同特征指標(biāo)的隸屬度，并通過邏輯運算組合進行類賦值計算，最終將影像對象劃分到相應(yīng)類別中。

2.4 隸屬度函數(shù)分類法中常用特征指標(biāo)

高分辨率遙感影像中居民地表現(xiàn)為面狀地物，一般為規(guī)則形狀的多邊形，呈聚集分布。居民地周圍通常有道路、水泥地及綠色植物分布，受到較高樹木遮擋影響概率較小。但是居民地與道路的光譜值較為接近，均為高亮地物，僅僅根據(jù)其光譜特征很難將其與道路區(qū)分。居民地與道路的幾何特征有較大差異，他們的長度、寬度等特征都呈現(xiàn)出不同特點。因此根據(jù)居民地特點，最終確定的特征指標(biāo)有圖層平均值、亮度、形狀指數(shù)、長寬比、紋理特征等。

式6 中，ci為第i個像元的圖層值；W為對象像元總數(shù)。

2.4.2 亮度（Bm）

式7 中，N為波段的總段數(shù)。

2.4.3 形狀指數(shù)（Sm）

式8中，E為地物邊界長度，在不考慮地理參考數(shù)據(jù)時，單個像素的邊緣長度為1；Si為第i個像元的面積。形狀指數(shù)用于描述影像對象邊界的光滑程度，形狀指數(shù)越大，地物對象越狹長，正方形地物的形狀指數(shù)為1。

2.4.4 長寬比（Rm）

式9 中，l 影像對象的長度；w為影像對象的寬度；eig1（S）對象特征矩陣S中較大特征值；eig2（S）為對象特征矩陣S中較小特征值。

2.4.5 紋理特征（Hom）

式10 中，m表示灰度共生矩陣的行數(shù)；n表示灰度共生矩陣的列數(shù)；p（i，j）表示矩陣中位置（i，j）的規(guī)劃值[11]。紋理特征主要是反映圖像灰度分布平滑性的量度，紋理特征越大，在圖像上表現(xiàn)為亮區(qū)，反之在圖像上表現(xiàn)為暗區(qū)。

2.5 分類精度評價

本文選取彰武縣興隆山鄉(xiāng)作為研究區(qū)域進行居民地數(shù)據(jù)的提取。影像數(shù)據(jù)為融合后的真彩色影像，影像來源為航空影像，分辨率為0.2 m。每個航空影像數(shù)據(jù)均為一景影像，因此需要進行影像預(yù)處理，包括：影像鑲嵌、配準(zhǔn)、裁剪。如圖5 所示，為預(yù)處理后的影像。

影像預(yù)處理后，通過上文中介紹的相關(guān)參數(shù)設(shè)定方法進行研究區(qū)域影像分類。本文將研究區(qū)分類結(jié)果確定為兩大類，居民地以及其他。其他類別中包括河流、道路、草地、林地等地物。樣本選取過程中，要保證樣本具有代表性，每一類地物都要有所涉及，尤其是其他類別中的不同地物都要進行選取。分類過后將分類結(jié)果以矢量數(shù)據(jù)格式導(dǎo)出進行可視化展示，圖6 為分類后的結(jié)果。

影像分類過后的精度評價工作是至關(guān)重要的，通過精度評定能夠進一步確定分類方法以及參數(shù)設(shè)定是否合理。在精度評價過程中，首先通過目視解譯判斷分類是否合理，其次通過混淆矩陣進行評價。從混淆矩陣中可以得到每個類別的精度和Kappa系數(shù)。從表2 中可看出，各類地物的生產(chǎn)精度和用戶精度都較高，總體精度達到94.6%，kappa系數(shù)為0.892。

表2 精度評價

3 居民地提取后處理方法及成果展示

3.1 居民地提取后處理方法

通過遙感影像提取得到的居民地數(shù)據(jù)中仍然存在一些問題，例如個別居民地面積過小，居民地提取結(jié)果較為破碎，因此還需要進行數(shù)據(jù)后處理。居民地數(shù)據(jù)后處理主要分為兩大步驟：一是制圖綜合，二是增加居民地區(qū)劃屬性字段。具體處理流程以及方法見圖7。

制圖綜合是為了處理部分居民地過小以及居民地整體分布較為分散問題。其實在影像分類過程中，已經(jīng)通過影像融合方法將相鄰的同類對象進行融合操作，但是該方法無法處理有一定距離的同類地物，例如兩個相鄰居民地間有一塊面積較小的草地，就無法將這兩個居民地進行融合，因此需要進行制圖綜合處理。首先利用ArcGIS 中計算幾何功能，刪除掉面積小于500 m2的居民地，同時結(jié)合現(xiàn)有居民地點位數(shù)據(jù)，刪除距離居民地點位過遠并且明顯不是居民地的數(shù)據(jù)。然后對居民地進行聚合面處理，聚合距離設(shè)定為20 m，以便將存在一定距離的居民地數(shù)據(jù)合并。圖8 為制圖綜合前后對比圖。

通過影像提取的居民地面狀數(shù)據(jù)是沒有屬性信息的，不利于進行分析與識別。如圖8 所示，采用空間連接方式獲取，需要增加“所在鄉(xiāng)鎮(zhèn)”“所在行政村”及“所在村民組”字段，字段類型均為文本，以便用于后續(xù)相關(guān)分析。將居民地數(shù)據(jù)與區(qū)劃面狀區(qū)劃數(shù)據(jù)進行空間連接，補充對應(yīng)屬性信息。

3.2 居民地提取成果展示

圖9 為處理后的興隆山鄉(xiāng)居民地提取結(jié)果。從圖中可以看出居民地大多分布在居民點附近，并且多為聚集分布，符合實際居民地分布規(guī)律。

4 結(jié)語

本文在分析了居民地的影像特點后介紹了基于高分影像數(shù)據(jù)進行居民地提取及后處理，充分展示了該方法應(yīng)用于高分辨率遙感影像居民地提取的獨特優(yōu)勢，為高精度專題信息的快速提取提供了新的思路。同時提取到的居民地數(shù)據(jù)可進一步結(jié)合相關(guān)數(shù)據(jù)進行統(tǒng)計、分析，為政府決策提供依據(jù)。