張壽選

（1.福建省基礎(chǔ)地理信息中心，福建 福州 350003）

隨著一系列商用高分辨率衛(wèi)星的發(fā)射和航拍無人機(jī)的發(fā)展，影像的分辨率越來越高，獲取高分辨率影像的成本越來越低。高分辨率影像與中低分辨率影像相比具有更多的紋理、結(jié)構(gòu)、形狀等信息[1]，能夠更多的表現(xiàn)地物內(nèi)部的復(fù)雜結(jié)構(gòu)[2]，但光譜信息較少[3]，一般只有4個波段，波長范圍一般為400～900 nm，容易出現(xiàn)“同物異譜”和“同譜異物”現(xiàn)象。傳統(tǒng)的影像分類方法一般主要是利用影像的光譜信息，無法利用高分辨率影像的紋理、結(jié)構(gòu)、形狀等信息，對高分辨率影像進(jìn)行分類時會導(dǎo)致嚴(yán)重的“椒鹽現(xiàn)象”[4]。雖然能夠通過去除分析、過濾分析等方法降低這種影響，但這些處理的結(jié)果還是不能滿足應(yīng)用的需求。高分辨率影像的信息提取，特別是在利用高分辨率影像對大比例尺矢量數(shù)據(jù)進(jìn)行更新時[5，6]，主要還是靠人工解譯完成，費(fèi)時費(fèi)力。面向?qū)ο蟮姆诸惙椒ú粌H能夠利用光譜的統(tǒng)計信息，還能利用幾何和結(jié)構(gòu)信息，是一種智能化的影像分析方法。目前面向?qū)ο蟮姆诸惙椒ㄒ殉蔀楦叻直媛视跋裥畔⑻崛〖夹g(shù)的發(fā)展趨勢，它能夠充分利用高分辨率影像的特點(diǎn)，提高分類精度和速度。本文將基于ERDAS Objective模塊，對水體、植被、建筑物和道路進(jìn)行提取。

1 面向?qū)ο蟮姆诸惙椒?/h2>

面向?qū)ο蟮姆诸惙椒ㄊ峭ㄟ^對影像進(jìn)行分割，使同質(zhì)像元組成大小不同的柵格對象，這些柵格對象內(nèi)部的光譜差異小，所以可以忽略柵格對象內(nèi)部的紋理等信息，而從光譜和形狀2個方面進(jìn)行描述[7]。它分類時處理的單元不再是像元，而是由多個像元組成的對象。它綜合考慮了對象的光譜特征、形狀、大小、紋理、拓?fù)涞纫幌盗行畔ⅲ瑥亩岣吡朔诸惖木萚8]。

面向?qū)ο蟮姆诸惙椒ǖ暮诵氖怯跋穹指?，分割結(jié)果的質(zhì)量直接決定了分類精度[9]。影像分割是根據(jù)影像的顏色、紋理等信息將影像分割成大小不同的區(qū)域，每個區(qū)域具有相同的性質(zhì)，不同區(qū)域的性質(zhì)具有明顯的區(qū)別。影像分割之后，每個區(qū)域可以看作一個對象，此時再利用數(shù)學(xué)形態(tài)學(xué)的算法對柵格對象進(jìn)行處理，如腐蝕、膨脹等，最終獲得分類結(jié)果。

目前，主流的商用遙感影像處理軟件都提供面向?qū)ο蟮姆诸惙椒?，如ENVI Feature Extraction、ERDAS Objective，還有專門針對面向?qū)ο蠓诸惙椒ǖ膃Cognition。其中，ERDAS Objective模塊提供了完整的面向?qū)ο蠓诸惞δ?，并且有豐富的柵格對象、矢量對象處理函數(shù)，因此本文以O(shè)bjective模塊進(jìn)行面向?qū)ο蟮姆诸悓?shí)驗(yàn)。Objective模塊的面向?qū)ο蟮姆诸惛怕粤鞒倘鐖D1所示。首先選擇訓(xùn)練樣本，并將訓(xùn)練樣本轉(zhuǎn)換成定量的先驗(yàn)知識，再利用像素分類器將輸入影像轉(zhuǎn)化成概率圖層，然后對影像進(jìn)行分割，分割獲得柵格對象，再對柵格對象進(jìn)行處理，最后將柵格對象轉(zhuǎn)成矢量對象，并對矢量對象進(jìn)行處理。

圖1 Objective模塊信息提取概略流程圖

2 信息提取

水體和植被的提取選擇漳州市WorldView-2影像，面積為56 km2，該區(qū)域的影像水塘和植被都比較豐富，具有很好的代表性。建筑物的提取則選擇秀嶼區(qū)QuickBird影像，影像面積為30 km2，該區(qū)域的影像上房屋低矮、密集，屋頂材質(zhì)、顏色多樣，能夠代表絕大多數(shù)建筑物。道路的提取選擇涵江區(qū)QuickBird影像，面積為83 km2，該區(qū)域道路既有幾十m寬的高速公路，也有只有幾m寬的道路，道路材質(zhì)有柏油、水泥和泥土，比較具有代表性。

2.1 水體提取

清潔水體反射率一般比較低，在可見光500 nm附近有一個明顯的反射峰，所以清潔水體在影像上一般呈深色。但水體的光譜容易受懸浮物、漂浮物和溶解物質(zhì)等因素的影響，導(dǎo)致自然界的水體千變?nèi)f化，光譜也呈現(xiàn)出不同的特征，如受藻類影響的水體在WorldView-2的近紅外、紅、綠波段組合的影像上呈粉色。

漳州水體提取實(shí)驗(yàn)中，共選擇20塊水體訓(xùn)練樣本，可以將1 400多個水體面提取出來。因?yàn)樗恋拿娣e一般比較小，每個水塘內(nèi)部不存在很大差異，所以，在提取水體時，只需要使用大小過濾（Size Filter）、孤島過濾（Island Filter）等函數(shù)刪除面積小于閾值的柵格對象和孤島即可獲得精度較好的提取結(jié)果。漳州WorldView-2影像與水體提取結(jié)果疊加顯示如圖2所示，提取結(jié)果局部放大如圖3所示。

圖2 水體提取結(jié)果

圖3 水體提取結(jié)果局部放大

2.2 植被提取

植被在近紅外、紅、綠波段的影像上呈紅色，主要是因?yàn)橹脖辉?00～1 100 nm范圍內(nèi)反射率迅速上升，這是植物獨(dú)有的特征。但植物存在生長周期，不同的季節(jié)，植物的光譜特征有所變化。利用漳州市WorldView-2影像進(jìn)行植被的提取。植被提取結(jié)果見圖4，提取結(jié)果局部放大見圖5。

圖4 植被提取結(jié)果

圖5 植被提取結(jié)果局部放大

2.3 建筑物提取

由于建筑物屋頂材質(zhì)比較復(fù)雜，形狀各異，有時候與道路材質(zhì)相同，所以建筑物提取非常困難。在建筑物屋頂材質(zhì)和形狀非常復(fù)雜的區(qū)域，可以將屋頂歸為幾類，分類時采用多類模型進(jìn)行提取。利用秀嶼區(qū)QuickBird影像進(jìn)行建筑物提取，建筑物提取結(jié)果見圖6，提取結(jié)果局部放大見圖7。

圖6 建筑物提取結(jié)果

圖7 建筑物提取結(jié)果局部放大

2.4 道路提取

道路屬于人工地物，由于有些道路的材質(zhì)與建筑物相同，其光譜容易與建筑物混淆。在高分辨率影像上，道路易受樹木、建筑物、車輛等遮擋，導(dǎo)致道路不連續(xù)。道路提取結(jié)果見圖8，提取結(jié)果局部放大見圖9。

圖8 道路提取結(jié)果

圖9 道路提取結(jié)果局部放大

3 精度及結(jié)果分析

由于Objective模塊提取結(jié)果為矢量圖層，傳統(tǒng)的精度評價方法是無效的，因此，本項(xiàng)目對傳統(tǒng)分類方法的精度評價參數(shù)進(jìn)行了重新定義：

在對水體、植被和建筑物進(jìn)行精度評價時，對自動提取結(jié)果和目視解譯結(jié)果進(jìn)行對比，目視解譯結(jié)果是在1∶5 000基礎(chǔ)數(shù)據(jù)的基礎(chǔ)上更新獲得的，統(tǒng)計自動提取結(jié)果中“錯分”和“漏分”的目標(biāo)地物的個數(shù)。對于道路，則通過對比自動提取結(jié)果和目視解譯道路的長度完成，目視解譯結(jié)果同樣為1∶5 000基礎(chǔ)數(shù)據(jù)更新獲得，統(tǒng)計道路自動提取結(jié)果中“錯分”和“漏分”的道路長度。水體、植被、建筑物的精度評價見表1，道路的精度評價結(jié)果見表2。

表1 水體、植被和建筑物提取結(jié)果精度評價

表2 道路提取結(jié)果精度評價

水體提取精度主要受陰影、深色屋頂和道路、水面漂浮物等的影響，因?yàn)樗w的分布、形狀等沒有規(guī)律可循，所以，無法使用水體的幾何形狀等剔除這些影響因素的干擾。植被提取主要受植物生長周期的影響，特別是農(nóng)作物，不同的生長周期，光譜差別比較大，生長在水中的稀疏植被也容易“漏分”，植被很少出現(xiàn)“錯分”現(xiàn)象。建筑物和道路同屬人工地物，它們的材質(zhì)多數(shù)相同，這導(dǎo)致在提取建筑物和道路時2種地物相互影響。但建筑物的形狀是有規(guī)律的，例如長寬比、周長面積比等，可以通過這些幾何形狀進(jìn)行過濾，降低同材質(zhì)道路的影響。道路是線狀地物，一般寬度比建筑物小，長度比建筑物長，可以利用幾何形狀過濾建筑物對道路提取的影響。利用面向?qū)ο蟮姆诸惙椒ㄌ崛〉缆窌r，對道路的最小寬度有一定要求，當(dāng)?shù)缆沸∮?個像元時，道路很難進(jìn)行自動提取。

4 結(jié) 語

面向?qū)ο蟮姆诸惙椒瓤紤]了高分辨率影像的光譜信息，又考慮了地物的幾何信息、拓?fù)潢P(guān)系等，比傳統(tǒng)的基于像元的分類方法具有更高的分類精度。本文利用ERDAS Objective模塊對水體、植被、建筑物和道路進(jìn)行了提取，水體和植被的提取精度能夠達(dá)到90%以上，建筑物和道路的提取精度達(dá)到70%以上。

面向?qū)ο蟮男畔⑻崛〖夹g(shù)需要工作量較少，提取效率高，提取精度也很好。目前影像更新周期越來越短，國情監(jiān)測、災(zāi)害應(yīng)急制圖、數(shù)據(jù)更新等領(lǐng)域?qū)π畔⑻崛〉臅r間精度要求越來越高，面向?qū)ο蟮男畔⑻崛〖夹g(shù)將會為這些領(lǐng)域提供有力的保障。

[1]徐春燕，馮學(xué)智，趙書河，等.基于數(shù)學(xué)形態(tài)學(xué)的IKONOS多光譜圖像分割方法研究[J].遙感學(xué)報，2008，12（6）：980-986

[2]宮鵬，黎夏，徐冰.高分辨率影像解譯理論與應(yīng)用方法中的一些研究問題[J].遙感學(xué)報，2006，10（1）：1-5

[3]嚴(yán)海英.基于對象的城市綠地信息提取技術(shù)的研究[J].地理空間信息，2008，6（2）：9-11

[4]喬程，駱劍承，吳泉源，等.面向?qū)ο蟮母叻直媛视跋癯鞘薪ㄖ锾崛J].地理與地理信息科學(xué)，2008，24（5）：36-39

[5]屈彥.寧夏南部地區(qū)1∶1萬比例尺地形圖更新設(shè)計與實(shí)現(xiàn)[J].現(xiàn)代測繪，2007，30(4)：30-31

[6]楊華先，洪亮，王波，等.利用SPOT衛(wèi)星影像進(jìn)行1∶1萬DLG更新的設(shè)計與研究[J].地理空間信息，2006，4（5）：23-25

[7]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：信息科學(xué)版，2006，31（4）：316-320

[8]尹作霞，杜培軍.面向?qū)ο蟮母吖庾V遙感影像分類方法研究[J].遙感信息，2007（4）：27-32

[9]田野.面向?qū)ο蟮倪b感影像多尺度自適應(yīng)分割技術(shù)[D].上海：上海交通大學(xué)，2009