胡文亮,趙 萍,董張玉

(1.安徽師范大學國土資源與旅游學院GIS重點實驗室,安徽蕪湖 241000; 2.合肥工業(yè)大學資源與環(huán)境工程學院,安徽合肥 230009）

一種改進的遙感影像面向對象最優(yōu)分割尺度計算模型

胡文亮1,趙 萍2＊,董張玉1

(1.安徽師范大學國土資源與旅游學院GIS重點實驗室,安徽蕪湖 241000; 2.合肥工業(yè)大學資源與環(huán)境工程學院,安徽合肥 230009）

面向對象的影像分析方法能夠充分利用高分辨遙感影像信息,有效提取目標信息。分割尺度的選擇是面向對象影像分析方法的核心問題。該文采用樣本控制的方法,構建了基于面積和周長的分割對象樣本一致性評價因子,針對不同的信息提取目標,提出一種改進的遙感影像面向對象最優(yōu)分割尺度計算模型,并驗證了其優(yōu)越性。

面向對象;影像分割;最優(yōu)尺度;計算模型

面向對象的信息提取方法在高分辨遙感影像信息提取方面得到了廣泛應用[1-4]。影像分割是面向對象信息提取的基礎,其直接影響信息提取的質量,分割尺度的選擇是影像分割的關鍵。國內外學者對于如何確定最優(yōu)分割尺度做了諸多探討:1）憑借經驗選擇分割尺度,經反復驗證確定最優(yōu)分割尺度[5-7]。2）選取尺度鑒別指標評價分割尺度選擇質量。如以最大面積作為尺度鑒別的指標[8];采用面積相對誤差鑒別和確定分割尺度[9];考慮面積和色彩因素的區(qū)域相似性作為判斷分割尺度的依據[10]。3）利用最優(yōu)分割尺度計算模型計算最優(yōu)分割尺度[11]。依靠經驗選擇分割尺度帶有一定的主觀性,不易獲得最優(yōu)分割尺度;尺度鑒別指標普遍考慮對象的面積因素,不能兼顧對象形狀因素,指標選擇不確定性較大,難以取得理想效果;不同的提取目標有著不同的最佳分割尺度,現(xiàn)有的最優(yōu)分割尺度計算模型是從對象內的同質性和對象間的異質性來判斷分割的優(yōu)劣,沒有充分考慮信息提取目標。本文對現(xiàn)有面向對象最優(yōu)分割尺度計算模型做了改進,據不同信息提取目標采用樣本控制的方法提出了一種改進的面向對象最優(yōu)分割尺度計算模型。

1 最優(yōu)分割尺度計算模型

尺度通常是指實體、模式和過程被觀察與表示的空間大小與時間間隔,包括空間尺度與時間尺度,遙感尺度中還包括光譜尺度。面向對象影像分析中的影像分割尺度是指空間尺度。黃慧萍[12]對最優(yōu)分割尺度作了界定:當信息提取針對的是一種地物或幾種地物類型時,最優(yōu)尺度定義為特定地物類型能用一個或幾個對象表達,對象大小與地物目標大小接近,對象多邊形既不能太破碎也不能邊界模糊,且類別內部對象的光譜變異較小;當信息提取針對整幅影像時,最優(yōu)尺度是指分割后影像對象內部異質性盡量小,同時不同類別對象之間的異質性盡量大,而且對象能夠表達某種地物的基本特征(如紋理、光譜、形狀、拓撲關系等）。遙感影像分割尺度實質上指分割的對象多邊形內部異質性的最小閾值,對象內的同質性和對象間的異質性是最優(yōu)分割尺度確定的兩個重要因素。此外,分割對象多邊形與目標對象的樣本一致性更是衡量尺度選擇優(yōu)劣的重要標準。

考慮以上情況,本文提出考慮面積和周長因子的分割對象樣本一致性計算公式,改進了尺度分割質量評價函數(shù)[11]:利用對象內部同質性、對象間異質性、分割對象樣本一致性3個因子構建尺度分割質量評價函數(shù)以指示分割尺度選擇與分割效果的優(yōu)劣。

1.1 對象內部同質性與對象間異質性

用對象內部標準差表示對象內部同質性[11],用mo ran′s指數(shù)[13]表示對象間異質性。公式如下:

式中:vi、ai分別是對象i的標準差和面積,n為整個區(qū)分割后的對象總數(shù)。為避免小對象引起的不穩(wěn)定性,加入面積因子使面積大的對象權重更高。v值越小,影像對象內部異質性越小,同質性越好;wij表示對象i和對象j的鄰接關系,如果i和j鄰接,則 wij=1,否則 wij=0;yi為對象i的光譜平均值;ˉy為整個影像的光譜平均值。I值越小,影像對象之間相關性越低,即影像對象之間的異質性越好。

1.2 分割對象樣本一致性

由于地物結構特征的多樣性和復雜性,每類地物的最優(yōu)分割尺度不盡相同,為了取得信息提取的最佳效果,適當選取樣本以控制分割結果與信息提取目標的一致性是必要的。本文基于面積和周長兩個因子提出了分割對象樣本一致性的計算公式:

式中:m為選取的樣本總數(shù);S0p、L0p分別是樣本對象p的實際面積和周長;Sp、Lp分別是與樣本對象 p對應的分割產生的對象p′的面積和周長。

公式(3）從面積和周長兩方面衡量分割后的對象和實際樣本間的一致性程度,兼顧了面積和形狀兩個因素,且 N值越小,分割對象與樣本對象間的誤差越小,即分割對象樣本一致性越好。根據信息提取目標確定提取對象后,選擇符合提取目標的樣本通過樣本一致性函數(shù)檢驗分割是否達到目標要求,最終控制分割尺度選擇、達到最佳分割目的。

現(xiàn)階段圖像分割和評價方法多基于圖像自身信息。本文提出用樣本控制分割質量并兼顧圖像本身信息,同時用樣本評價分割結果,在理論上具有一定的進步性,在實用效果上也有一定的改進。

1.3 分割質量評價函數(shù)與最優(yōu)分割尺度計算模型

基于對象內部同質性、對象間異質性和對象樣本一致性,提出改進的遙感影像分割質量評價函數(shù):

其中:F(v,I,N）為分割尺度評價函數(shù),F(v）為對象內部同質性,F(I）為對象間異質性,F(N）為分割對象樣本一致性。此函數(shù)在影像初分割階段用來計算對應分割尺度的質量值,為最優(yōu)分割尺度計算模型服務,在分割結果評價階段用于評價分割圖像的質量。

基于以上幾個函數(shù),通過插值函數(shù)構建直接以分割尺度x為變量的分割質量函數(shù),即對待處理影像進行n+1次分割實驗,由式(1）～(7）可得到 n+1個 F (v,I,N）值。利用這些插值節(jié)點可以求出 a0,a1,…, an系數(shù)的值,從而得到最優(yōu)分割尺度計算模型:

通過此模型可以計算出分割質量值最大時的分割尺度 x的值,即最優(yōu)分割尺度值。

分析上述諸式有:1）v隨分割尺度的增加變大。分割尺度越大產生的對象數(shù)量越少,單個對象多邊形包含的面積越大,內部同質性減小,標準差增大。2）I隨分割尺度的增大而減小。分割尺度越大產生的對象數(shù)量越少,單個對象多邊形包含的面積越大,對象間的相關性減小,異質性增加。3）N值的大小取決于分割后產生對象與對應樣本的吻合程度,這里涉及樣本的選擇問題:樣本數(shù)量越多,分布越均勻、密集,對尺度選擇的控制作用越強;樣本選擇為同一地物類型則對確定特定地物類型的最優(yōu)尺度有非常強的控制作用,樣本選擇為多類地物類型則對確定選中地物類型的最優(yōu)尺度有控制作用,最終確定的最優(yōu)尺度兼顧了樣本中包含的地物類型分割效果,同時,各類地物的提取精度還與其在樣本中的分布和數(shù)量有關。

2 實驗與分析

使用2003年9月IKNOS影像,經配準后裁取安徽師范大學中校區(qū)為實驗區(qū)。由于影像的分割質量不僅與分割尺度有關,還與顏色和形狀參數(shù)的設置有關,故經多次實驗后,將顏色因子的權重值設為0.7,形狀因子設為0.3(光滑度設為0.8,緊致度設為0.2）。由于小于30尺度時,圖像上斑塊零散、破碎,不能很好地區(qū)分各類地物;而大于120尺度時,圖像上斑塊過大,地物區(qū)分不明顯。由此,在30～120尺度范圍內每10個單位選取實驗尺度。

分割尺度的變化對于不同地物類型的影響不同,信息提取目標不同選取的最優(yōu)分割尺度也不同。用樣本控制的方法針對信息提取目標合理選擇樣本,將樣本數(shù)據代入最優(yōu)分割尺度計算模型得出最優(yōu)分割尺度是一種科學有效的方法。樣本的選擇要與信息提取目標保持一致:1）信息目標單一,樣本選擇類型均一;2）信息目標混合,樣本選擇多樣。

2.1 單一目標提取最優(yōu)尺度分割

以提取目標為植被驗證本文模型并對樣本選擇進行說明。實驗區(qū)內均勻選取20個植被樣本點(含有實驗區(qū)內所有植被類型）,實地測量并記錄其面積和周長,代入模型計算出最優(yōu)分割尺度為67,最優(yōu)分割結果如圖1所示。分析圖2、圖3可知:樣本一致性最佳情況下的分割尺度與模型計算出的分割尺度吻合較好,模型最優(yōu)解與樣本實驗點之間一致性較好。圖3中20個樣本均在67分割尺度附近取得最佳樣本一致性,由此可見,模型計算結果符合實際情況。

2.2 混合目標提取最優(yōu)尺度分割

以提取目標為植被和建筑物驗證本文模型并對樣本選擇進行說明。實驗區(qū)內均勻選擇樣本點20個,其中植被、建筑物各10個(包含植被與建筑表面的所有類別）。帶入模型計算后得出最優(yōu)分割尺度為74,最優(yōu)分割結果如圖4所示。圖5、圖6顯示:分割后的對象與樣本的一致性較好,樣本對分割尺度的計算起到了較好的控制作用。比較圖2與圖5可知,在74和67尺度下植被斑塊略有差異,這是兼顧了建筑物提取的原因。提取目標不同最優(yōu)分割尺度也不同,提取目標類型單一則取其最佳分割尺度;若提取目標要兼顧多種類型,則模型計算出的最佳分割尺度是兼顧了多種地物類型后的相對最佳分割尺度。

3 結論與展望

本文提出一種考慮提取目標對象樣本信息的最優(yōu)分割尺度計算模型,結論如下:1）樣本組成不同,計算出的最優(yōu)模型解也不同,在選擇樣本構成時要充分考慮信息提取的目標,根據提取對象與提取目標在研究區(qū)內均勻選擇樣本;2）模型計算出的最優(yōu)尺度值經驗證具有較好的分割質量,可見該模型具有一定的科學性和實用性,且算法簡便、易實現(xiàn)。

本文提出的樣本一致性評價函數(shù)考慮了樣本的面積與周長兩個因子,針對信息提取目標,其他樣本因子(如形狀、紋理等）是否更適合于具體提取目標、如何構建函數(shù)以表征這些因子用于衡量分割對象與樣本一致性等方面有待于進一步探討,也是面向對象信息提取技術發(fā)展的方向之一。

[1] 唐偉,趙書河,王培法.面向對象的高空間分辨率遙感影像道路信息提取[J].地理信息科學,2008,10(2）:257-262.

[2] 蒲智,楊遼,白潔.基于面向對象技術的高分辨率遙感影像的陰影檢測與去除[J].遙感技術與應用,2008,23(6）:735-738.

[3] CORBANCE C,RACLOT D,JACOB F.Remote sensing of soil surface characteristics from a multiscale classification app roach [J].CA TENA,2008,75(3）:308-318.

[4] 鄭利娟,李小娟,胡德勇,等.基于對象和DEM的濕地信息提取[J].遙感技術與應用,2009,24(3）:346-351.

[5] TANSEY K,CHAMBERS I,ANSTEE A.Object-oriented classification of very high resolution airborne imagery for the extraction of bed grow s and field margin cover in agricultural areas [J].Applied Geography,2009,29(2）:145-157.

[6] 李曉峰,張樹清,龐振平,等.矢量景觀指數(shù)在遙感信息提取中的應用[J].遙感學報,2008,12(2）:291-296.

[7] 周春艷,王萍,張振勇,等.基于面向對象信息提取技術的城市用地分類[J].遙感技術與應用,2008,23(1）:31-35.

[8] 黃慧萍,吳炳方,李苗苗,等.高分辨率遙感影像城市綠地快速提取技術與應用[J].遙感學報,2004,8(1）:68-74.

[9] 張友靜,樊恒通.城市植被尺度鑒別與分類研究[J].地理與地理信息科學,2007,23(6）:54-57.

[10] 彭啟民,賈云得.一種形態(tài)學彩色圖像多尺度分割算法[J].中國圖象圖形學報,2006,11(5）:635-639.

[11] 何敏,張文君,王衛(wèi)紅.面向對象的最優(yōu)分割尺度計算模型[J].大地測量與地球動力學,2009,29(1）:106-109.

[12] 黃慧萍.面向對象影像分析中的尺度問題研究[D].中國科學院遙感應用研究所,2003.

[13] SHORTRIDGE A.Practical limits of Moran′s autocorrelation index for raster class maps[J].Computers Environment and U rban Systems,2007,31(3）:362-371.

An Im proved Calculation M odel of Object-Orien ted for the Optimal Segmentation-Scale of Remote Sensing Image

HU Wen-liang1,ZHAO Ping2,DONG Zhang-yu1
(1.Key Laboratory of GIS at School of Territorial Resources and Tourism,Anhui N ormal University,W uhu 241000;
2.School of Resources and Environmental Engineering,Hefei University of Technology,Hefei 230009,China）

Research fo r the op timal segmentation-scale calculation model has a positive significance to imp rove the accuracy of object-o riented image interp retation.Aiming at info rmation extracting of different targets,using the method of samp les-controlling w hich considering area and perimeter as factors to evaluate consistency between segmented-objects and samp les,the quality evaluation function is put forward.This quality evaluation function is an imp rovement on befo re,it doesn′t only consider the internal consistency of the segmented-objects and the heterogeneity between the segmented-objects as the factorsof quality evaluation of segmentation,but also contains the facto r of consistency between the segmented-object and the samp le fo r controlling. And based on imp roving the existingmethod of the op timal segmentation-scale calculationmodel,the effectiveness and p racticability of themodel is verified through two kindsof samp les-choosing fo r themodel.Results show that:thismodel can obtain the op timal segmentation-scale of remote sensing image quickly and efficiently;the choice for sample number and types effects the result of the calculation of the optimal segmentation-scale largely,w hen info rmation extraction is just fo r a single target feature type,samp les should be all chosen target feature type,and w hen info rmation extraction is fo r various types of ground targets, samp les should be chosen as the same types w ith information extraction targets,so the choice of samp le′s number and types should be determined acco rding to the target of information-extraction;the algorithm of themodel is simp le,and is easy to realize,it is a p ractical algorithm model.

object-o riented;image segmentation;the optimal segmentation-scale;calculation model

TP75

A

1672-0504(2010）06-0015-04

2010-07-05;

2010-09-08

國家自然科學基金項目(40771207）;安徽省教育廳自然科學基金項目(KJ2007B219）;安徽省教育廳教學項目(2007JYXM 208）;安徽師范大學GIS重點學科建設項目

胡文亮(1985-）,男,碩士研究生,主要從事遙感與GIS應用研究。＊通訊作者E-mail:njuzhp@sina.com