聶倩，葉曉婷

(寧波市測(cè)繪設(shè)計(jì)研究院，浙江寧波 315042)

1 引言

高分辨率遙感影像能夠提供大量的地表特征，使同一地物類別內(nèi)部組成要素豐富的細(xì)節(jié)信息得到表征，地物的幾何結(jié)構(gòu)、形狀、紋理及相鄰地物間的關(guān)系更加突出［1，2］。然而高分辨率影像的光譜統(tǒng)計(jì)特征不如低分辨率影像穩(wěn)定，地物的局部異質(zhì)性較大，故傳統(tǒng)的僅依靠像元光譜信息的分類方法在處理此類影像時(shí)，會(huì)過(guò)多地關(guān)注地物的局部像素而忽略地物的整體幾何結(jié)構(gòu)信息，必然造成分類結(jié)果出現(xiàn)“椒鹽現(xiàn)象”。因此，傳統(tǒng)的單純依靠光譜特征的像素層次上的分類方法已經(jīng)不再適合高分辨率影像的信息提?。?］。

針對(duì)高分辨率遙感影像特點(diǎn)和傳統(tǒng)分類方法存在的缺陷，本文采用基于多尺度分割的對(duì)象級(jí)分類方法對(duì)高分辨率影像進(jìn)行信息提取。該方法通過(guò)多尺度分割得到不同尺度的對(duì)象層，利用對(duì)象所包含的光譜特征、幾何和拓?fù)涮卣鞔_定地物識(shí)別中可能用到的各種特征參數(shù)，最后采用模糊分類器逐級(jí)分類來(lái)提取地物信息。

2 試驗(yàn)區(qū)數(shù)據(jù)

研究采用的試驗(yàn)數(shù)據(jù)是合肥市西北部的QuickBird多光譜影像，其經(jīng)度和緯度范圍分別為31°46'～31°46'43″和117°11'20″～117°12'07″，如圖1 所示。其空間分辨率是2.44 m(紅、綠、近紅外3個(gè)波段)，成像時(shí)間為2005年5月，影像為Standard級(jí)，地理投影方式為UTM投影。結(jié)合研究區(qū)的具體情況和特點(diǎn)，主要進(jìn)行7類地物目標(biāo)的提取:水體、道路、陰影、植被、建筑物、裸地、操場(chǎng)。

3 面向?qū)ο蟮姆诸愒?/h2>

圖1 QuickBird彩紅外影像

面向?qū)ο蟮倪b感影像分類是以影像對(duì)象作為基本處理單元的圖像分析方法，其基本原理是通過(guò)多尺度分割獲得同質(zhì)對(duì)象，構(gòu)建與地表實(shí)體相似的層次等級(jí)結(jié)構(gòu)，為同一研究區(qū)域中不同的地物提供多尺度影像數(shù)據(jù)，最后選擇影像特征隸屬函數(shù)并結(jié)合專家知識(shí)進(jìn)行影像模糊分類，其分類技術(shù)流程如圖2所示。

圖2 面向?qū)ο蠓诸惣夹g(shù)流程圖

3.1 多尺度影像分割

本文采用的分割算法綜合考慮了遙感影像的光譜和空間信息兩個(gè)因子，是一種自上而下異質(zhì)性最小的區(qū)域合并算法，其分割過(guò)程可以理解為一個(gè)局部?jī)?yōu)化過(guò)程，而異質(zhì)性則是光譜異質(zhì)性和形狀異質(zhì)性的加權(quán)和，反映兩個(gè)對(duì)象合并前后光譜和形狀信息的變化量［4、5］，即

式中，f為異質(zhì)性指數(shù);ω是光譜權(quán)重(0＜ω＜1);hcolor和hshape分別為兩個(gè)對(duì)象合并產(chǎn)生的光譜異質(zhì)性和形狀異質(zhì)性;hshape由對(duì)象的緊湊度hc和光滑度hs組成;

遙感影像上各類地物都具有自身的形狀和尺寸，采用不同的分割尺度對(duì)影像進(jìn)行多尺度分割以形成影像目標(biāo)層次。如圖3所示，分別選取100、60和40作為影像分割閾值，同質(zhì)性標(biāo)準(zhǔn)中光譜和形狀的權(quán)重分別占0.6和0.4，形狀的緊湊度和光滑度均為0.5，得到大、中、小3個(gè)尺度的對(duì)象，不同類別的信息提取在相應(yīng)的影像對(duì)象層中進(jìn)行。

圖3 不同分割尺度得到的對(duì)象圖

3.2 特征參數(shù)的選擇

多尺度分割后，影像的基本單元已不是單個(gè)像元，而是由同質(zhì)像元組成的多邊形對(duì)象，每一多邊形對(duì)象可計(jì)算出所包含像元的光譜、形狀、紋理、拓?fù)潢P(guān)系等信息。本文根據(jù)研究區(qū)地物的特點(diǎn)，除利用對(duì)象的光譜特征外，還選取對(duì)象的紋理特征、形狀特征和拓?fù)涮卣鞯葋?lái)區(qū)分各類地物，如表1所示。

3.3 分類規(guī)則及層次結(jié)構(gòu)

地物分類規(guī)則的建立應(yīng)考慮以下3個(gè)層次:

(1)根據(jù)對(duì)象的光譜、幾何和拓?fù)涮卣鞫x各層次類別的判定規(guī)則;

(2)若存在子類型，子類型應(yīng)首先繼承其父類型的判定規(guī)則，然后增加其特有的特征或特征組合作為判定規(guī)則;

(3)對(duì)每一層的分類結(jié)果進(jìn)行合并與傳遞，形成最終的分類規(guī)則［6］。

根據(jù)對(duì)象的特征信息及地物間的關(guān)系，本文建立了分類層次結(jié)構(gòu)，如表1所示。

影像對(duì)象的特征選擇和分類規(guī)則表1

4 試驗(yàn)結(jié)果及精度評(píng)價(jià)

采用上述基于面向?qū)ο蠛吞卣鹘M合的分類方法，得到QuickBird影像的分類結(jié)果圖(如圖4所示)。為了說(shuō)明基于對(duì)象的分類方法更適合于幾何和紋理信息更豐富的高分辨率影像，本文采用傳統(tǒng)的最大似然法進(jìn)行分類，其分類結(jié)果如圖5所示。

同時(shí)為了客觀定量的評(píng)價(jià)這兩種分類方法的優(yōu)劣，在試驗(yàn)區(qū)采用相同的分類精度檢驗(yàn)點(diǎn)進(jìn)行精度評(píng)價(jià)，其分類精度評(píng)價(jià)結(jié)果如表2所示。

圖4 面向?qū)ο蠓诸?/p>

圖5 最大似然法分類

QuickBird影像總體分類精度對(duì)比 表2

從精度對(duì)比可以看出，最大似然分類較面向?qū)ο蠓诸惙ň纫?，尤其體現(xiàn)在對(duì)建筑物和道路的識(shí)別上，運(yùn)用傳統(tǒng)的基于像元分類方法，這兩類地物是不能夠很好區(qū)分，由于“異物同譜”現(xiàn)象造成道路和部分房屋等水泥構(gòu)成物分類混淆。觀察兩幅分類結(jié)果圖可以看出，最大似然分類結(jié)果(圖5)中分布有許多細(xì)碎的小斑塊，即“椒鹽噪聲”，其根本原因在于高分辨率影像的局部異質(zhì)性大，基于像元的傳統(tǒng)分類方法沒(méi)有充分考慮像元與鄰接像元的上下文關(guān)系，因此它在高分辨率影像的信息提取中有很大的局限性;而對(duì)象級(jí)方法充分利用對(duì)象的光譜和空間特征進(jìn)行分類，從而減少了分類結(jié)果的不確定性，提高了分類的精度。

5 結(jié)論

針對(duì)高分辨率影像的空間分辨率高而光譜分辨率相對(duì)不足的特點(diǎn)，本文采用基于對(duì)象和特征組合的分類方法，充分利用地物的光譜、紋理、形狀及影像中地物之間的上下文信息，通過(guò)構(gòu)建語(yǔ)義層次結(jié)構(gòu)對(duì)QuickBird影像進(jìn)行分類，精度相對(duì)于傳統(tǒng)方法有了明顯的提高，不僅顯著提高了ADS40影像的分類精度，而且使分類后的影像含有豐富的語(yǔ)義信息，同時(shí)避免了“椒鹽”現(xiàn)象的發(fā)生。

［1］黃昕，張良培，李平湘.基于小波的高分辨率遙感影像紋理分類方法研究［J］.武漢大學(xué)學(xué)報(bào):信息科學(xué)版，2006，31(1):66～69

［2］崔林麗，唐娉，趙忠明.一種基于對(duì)象和多特征整合的分類識(shí)別方法研究［J］.遙感學(xué)報(bào)，2006，10(1):104～110

［3］蔡銀橋，毛政元.基于多特征對(duì)象的高分辨率遙感影像分類方法及其應(yīng)用［J］.國(guó)土資源遙感，2007，71(1):77～81

［4］杜鳳蘭，田慶久，夏學(xué)齊等.面向?qū)ο蟮牡匚锓诸惙ǚ治雠c評(píng)價(jià)［J］.遙感技術(shù)與應(yīng)用，2004，19(1):20～23

［5］Frieke M.B.Van Coillie，Lieven P.C.Verbeke and Robert R.De Wulf，“Feature selection by genetic algorithms in object－based classification of IKONOS imagery for forest mapping in Flanders，Belgium”，Remote Sensing of Eenvironment，2007，pp.476 ～487

［6］陳云浩，馮通，史培軍等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究［J］.武漢大學(xué)學(xué)報(bào):信息科學(xué)版，2006，31(4):312～320