李小強(qiáng)，李金平，甘甜

(云南師范大學(xué)旅游與地理科學(xué)學(xué)院，云南昆明650500)

高分辨率衛(wèi)星遙感影像特別是IKONOS、QUICKBIRD、Worldview等高分辨率影像出現(xiàn)后，在城市生態(tài)環(huán)境評價(jià)、城市規(guī)劃、農(nóng)業(yè)以及自然災(zāi)害預(yù)報(bào)等方面［1-4］顯示出巨大的應(yīng)用潛力。高分辨率遙感影像為用戶提供了地物景觀的結(jié)構(gòu)、紋理、幾何和位置等信息，但光譜分辨率不足。針對高分辨率影像，在分類時(shí)不僅要依靠其光譜特征，更要充分利用其幾何信息和結(jié)構(gòu)信息［5］。高分辨率衛(wèi)星影像信息處理成敗的關(guān)鍵在于能否充分挖掘高分辨率遙感影像包含的空間綜合信息，建立圖像數(shù)據(jù)與目標(biāo)特征之間的物理機(jī)理聯(lián)系［6］。

傳統(tǒng)的遙感影像信息處理和提取的方法，如ISODATA、K-均值分類法、最小距離法、平行六面體法、最大似然分類等是建立在基于像素級(jí)別的光譜信息分析的基礎(chǔ)上，它們的共同特征是使用圖像的強(qiáng)度量即灰度值的統(tǒng)計(jì)信息，其影像處理的效率和所能獲取的結(jié)果信息都是有限的，且處理結(jié)果中含有大量“椒鹽”噪聲，不能區(qū)分“同物異譜”及“同譜異物”現(xiàn)象［7］。盡管許多數(shù)學(xué)方法如各種神經(jīng)網(wǎng)絡(luò)方法、模糊分類等的引入提高了分類的精度，然而它們依然對地物形狀、結(jié)構(gòu)等信息的分析很少涉及，這些分類方法本質(zhì)還是像素層次上的分類。

對于具有突出結(jié)構(gòu)紋理等信息而光譜分辨率不高的高分辨率影像，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取，面向?qū)ο蟮挠跋穹诸惙椒☉?yīng)運(yùn)而生。面向?qū)ο蟮倪b感信息提取方法綜合考慮光譜的統(tǒng)計(jì)特征、形狀、大小、紋理和相鄰關(guān)系等一系列因素，能夠提取較高精度的信息。

1 面向?qū)ο蟮挠跋穹诸?/h2>

面向?qū)ο筮b感圖像分類處理的最小單元不再是單個(gè)像素，而是含有更多語義信息的多個(gè)相鄰像素組成的影像對象，在分類時(shí)更多的是利用對象的幾何信息以及影像對象之間的語義對象、紋理信息、拓?fù)潢P(guān)系，而不僅僅是單個(gè)對象的光譜信息。它的基本思路是將不同的像素按照某種原則和閾值組合成不同的對象，不同的對象也可以按照某種原則和閾值組合成新的對象，然后采用監(jiān)督分類和非監(jiān)督分類等方法對不同的對象進(jìn)行分類。本文以eCognition軟件為例介紹面向?qū)ο蠓诸愒?，它包括兩個(gè)過程:分割和分類。

1.1 多尺度分割技術(shù)

遙感影像分割是面向?qū)ο蟮倪b感影像分析方法的基礎(chǔ)和關(guān)鍵，在遙感影像工程中處于影像處理與影像理解的中間環(huán)節(jié)，是面向?qū)ο蟮挠跋穹治隼碚撗芯康耐黄瓶冢?］。

eCognition采用多尺度分割算法來生成影像對象，它是基于成對區(qū)域融合技術(shù)的自底向上的分割算法。多尺度分割作優(yōu)化處理，對給定數(shù)量的影像對象，最小化平均差異性并最大化它所代表的均一性。在進(jìn)行影像分割的過程中，除了考慮影像的光譜屬性，還考慮了影像的幾何特性，如形狀和大小。因此，分割考慮的標(biāo)準(zhǔn)主要是根據(jù)兩個(gè)指標(biāo):光譜異質(zhì)性和形狀異質(zhì)性。光譜異質(zhì)性主要根據(jù)像元的灰度值進(jìn)行設(shè)定閾值和分類，形狀異質(zhì)性主要是根據(jù)圖像的紋理特征進(jìn)行分類［9］。

總的異質(zhì)性值用光譜異質(zhì)性hcolor和形狀異質(zhì)性hshape計(jì)算:

式中w為光譜權(quán)值(0＜w＜1)。

光譜異質(zhì)性hcolor由對象本身的大小衡量權(quán)重:

式中:c為波段數(shù);wc代表每一波段的權(quán)重因子;nobj1、nobj2分別為合并前對象1和對象2的像素?cái)?shù)、分別為合并前對象1和對象2的每一波段的光譜標(biāo)準(zhǔn)差;nmerge為合并后對象的總體像素?cái)?shù);為合并后對象的光譜標(biāo)準(zhǔn)差。

形狀異質(zhì)性hshape由對象的緊密度wcompact和光滑度hsmooth組成:

式中wcompact是緊密度的權(quán)重因子。hcompact、hsmooth的公式為:

式中:lobj1、lobj2分別為合并前對象1和對象2的周長;bobj1c、bobj2c分別為合并前對象1和對象2外切矩形的周長;lmerge為合并后對象的周長;bmerge為合并后對象外切矩形的周長。

多尺度分割時(shí)，在滿足必要的形狀標(biāo)準(zhǔn)的前提下，應(yīng)盡可能采用光譜標(biāo)準(zhǔn)，因?yàn)橛跋駭?shù)據(jù)中最重要的是光譜信息，形狀標(biāo)準(zhǔn)的權(quán)重過高會(huì)降低分割結(jié)果的質(zhì)量。另外，若光滑度的權(quán)重較高，分割后的對象邊界較為平滑，反之，若緊密度的權(quán)重較高，分割后的對象形狀較為緊密。采用不同的尺度對影像進(jìn)行多次分割，可以形成網(wǎng)絡(luò)層次結(jié)構(gòu)，父對象的邊界決定了子對象的邊界，父對象的區(qū)域大小由子對象的總和決定。

1.2 分類器介紹

eCognition中面向?qū)ο蠓诸惙ú捎媚：诸愒?，用取值于區(qū)間［0，1］的隸屬函數(shù)A(x)表征x屬于A類的高低程度。有兩種分類器:最鄰近分類器和隸屬度函數(shù)分類器。

(1)最鄰近分類器。

最鄰近分類器是基于給定的特征空間和樣本對象的分類方案。在聲明每個(gè)類的樣本對象后，每個(gè)影像對象都賦為特征空間中最臨近樣本所代表的類中。對于每一個(gè)影像對象，在特征空間中尋找距離最近的樣本對象，如果一個(gè)影像對象最近的樣本對象屬于A類，那么這個(gè)對象將被劃分為A類。實(shí)際操作時(shí)，通過一個(gè)隸屬度函數(shù)進(jìn)行，影像對象在特征空間中與屬于A類樣本對象的距離越近，則屬于A類的隸屬度越大。

影像對象o與樣本對象s之間的距離計(jì)算公式為:

式中:f為特征空間;σf為所有特征值的標(biāo)準(zhǔn)差分別為樣本對象和影像對象的特征空間中的特征。

(2)隸屬度函數(shù)分類器。

隸屬度函數(shù)可以精確定義對象屬于某一類的標(biāo)準(zhǔn)，一個(gè)隸屬度函數(shù)是一維的，是基于一個(gè)特征的。

2 高分辨率遙感影像城市地物信息提取

本文以沈陽市東陵區(qū)IKONOS影像為實(shí)驗(yàn)數(shù)據(jù)，通過對城市地物光譜特征、幾何特征和空間特征的分析，采用面向?qū)ο蟮男畔⑻崛〖夹g(shù)與傳統(tǒng)的監(jiān)督分類法分別提取各類感興趣地物，主要包括影像預(yù)處理、面向?qū)ο蠓诸悺鹘y(tǒng)的監(jiān)督分類和分類結(jié)果精度評價(jià)4項(xiàng)工作，整體技術(shù)流程如圖1所示。

圖1 城市地物遙感信息提取流程圖

2.1 構(gòu)建影像對象

采用不同的尺度對影像進(jìn)行多次分割，可以構(gòu)建影像對象網(wǎng)絡(luò)層次結(jié)構(gòu)。本次研究分割兩個(gè)層級(jí)，參數(shù)設(shè)置如表1，相同區(qū)域不同分割參數(shù)結(jié)果對比見圖2。

表1 多尺度分割參數(shù)設(shè)置

2.2 規(guī)則知識(shí)庫定義

地物的物理與幾何特征使影像中局部區(qū)域的灰度產(chǎn)生明顯變化而形成影像特征。面向?qū)ο筇崛【鹊母叩完P(guān)鍵在于由各種影像特征構(gòu)建的知識(shí)庫中規(guī)則是否具有很強(qiáng)的區(qū)分性［10］。

根據(jù)實(shí)地調(diào)查和遙感影像信息，將地物分為7類提取，分別是道路(水泥路和瀝青路)、河流、湖泊、建筑物(藍(lán)色屋頂、紅色屋頂、一般屋頂)、裸地、陰影和植被。

首先在Level1中對河流、湖泊和裸地進(jìn)行提取，因?yàn)檫@兩種地物的地表面積較大，采用較大的分割尺度可以得到較大而且影像均質(zhì)性很高的對象。首先利用歸一化差值水體指數(shù)NDWI(NDWI=(GNIR)/(G+NIR))提取出河流，然后在未分類的對象中利用近紅外波段NIR提取湖泊。由于湖泊和陰影有相似的波譜特征，部分陰影被錯(cuò)分為湖泊，之后的步驟中再對其進(jìn)行正確分類。具體提取規(guī)則見表2。

圖2 多尺度分割影像對象網(wǎng)絡(luò)層次結(jié)構(gòu)

表2 Level1中地物提取規(guī)則

將分類好的河流、湖泊、部分陰影和未分類對象分別進(jìn)行對象合并。此時(shí)未分類對象合并成一個(gè)整體，然后利用多尺度分割將未分類對象重新分割生成Level2，其他類的地物以及Level1中錯(cuò)分的陰影將在此層級(jí)中分類。具體分類規(guī)則見表3。

表3 Level2中地物提取規(guī)則

表3中陰影1是指在Level1中被錯(cuò)分為湖泊的對象被重新分類為陰影。按照表3中所列規(guī)則將每一地物分類出來，并將陰影1、陰影2合并為陰影，將藍(lán)色屋頂、紅色屋頂、一般屋頂合并為建筑物，將水泥路、瀝青路合并為道路。

3 分類結(jié)果分析與評價(jià)

在上述步驟基礎(chǔ)上用eCognition對遙感影像進(jìn)行面向?qū)ο蠓诸?，并利用ENVI對影像采用最大似然監(jiān)督分類法進(jìn)行分類，并對分類結(jié)果采用Majority/Minority Analysis處理，分類結(jié)果如圖3所示。

從分類效果看，面向?qū)ο蠓诸惙椒ǚ诸惤Y(jié)果更具有實(shí)際意義，與實(shí)際地物對應(yīng)較好，而傳統(tǒng)的基于像素的分類方法“同物異譜”和“同譜異物”現(xiàn)象嚴(yán)重，分類結(jié)果零散。由于使用NIR波段，兩種方法中植被、河流和湖泊的分類效果都很好。然而，在基于像素分類中“椒鹽”噪聲在影像中每個(gè)部分都會(huì)出現(xiàn)。這些噪聲的產(chǎn)生是因?yàn)镮KONOS影像有非常高的分辨率，能夠獲取豐富的細(xì)節(jié)信息。

圖3 原始圖像與面向?qū)ο蠓诸?、最大似然分類的結(jié)果對比圖

通過對對象進(jìn)行隨機(jī)抽樣，采用野外實(shí)地調(diào)查和目視解譯的方法進(jìn)行精度評價(jià)，其分類結(jié)果精度分析見表4，總體分類精度達(dá)92.5%。而監(jiān)督分類方法的總體分類精度為85.8%(表5)，并且圖斑支離破碎。相比于最大似然分類，面向?qū)ο蠓诸愄崛〉缆泛徒ㄖ木扔辛撕艽筇岣?，這主要?dú)w功于解譯時(shí)充分利用了幾何特征、波譜特征、鄰域特征等對象知識(shí)。另外，面向?qū)ο蠓诸惤Y(jié)果錯(cuò)分和漏分要少得多，主要發(fā)生在道路與建筑之間，這主要是由于兩者波譜特征相似，并且一些結(jié)構(gòu)復(fù)雜的建筑物在分割后被分為零碎的多個(gè)部分而導(dǎo)致提取困難。裸地采用最鄰近分類器分類，類似于監(jiān)督分類，用戶精度為89.8%。

表4 面向?qū)ο蠓诸惤Y(jié)果精度評價(jià)

表5 最大似然分類誤差矩陣

4 結(jié)語

像素分類含有大量“椒鹽”噪聲且視覺效果很差，而且“異物同譜”和“同物異譜”現(xiàn)象嚴(yán)重。面向?qū)ο蟮姆诸惤Y(jié)果在精度和分類效果上都有顯著的優(yōu)勢。從視覺效果上可以看出，面向?qū)ο蟮姆诸惤Y(jié)果更加符合人類的思維方式，也更接近真實(shí)值。多尺度分割技術(shù)可以使噪聲問題得到很好的解決，因?yàn)檫@些噪聲區(qū)域?qū)⒑推渲苓叺南袼匾黄鸨蝗谌氲教囟ǖ挠跋駞^(qū)域中，而該影像區(qū)域在影像分析時(shí)則表現(xiàn)為同一對象。面向?qū)ο蟮姆诸惙椒ㄔ诜诸愡^程中可以靈活地運(yùn)用這些影像對象的各種光譜特征、紋理特征、幾何特征、空間特征和拓?fù)潢P(guān)系等規(guī)則所構(gòu)成的知識(shí)庫，加入人的思維過程，從而能夠極大地提高分類精度。因此，面向?qū)ο蟮姆诸惙椒軌虺浞掷酶叻直媛蔬b感影像的結(jié)構(gòu)、紋理、幾何和位置等豐富信息，彌補(bǔ)傳統(tǒng)的基于像素光譜統(tǒng)計(jì)特征分類方法的不足，使得高分辨率遙感影像自動(dòng)識(shí)別的精度得到極大提高，更適用于城市地物專題數(shù)據(jù)庫的更新。

當(dāng)然采用面向?qū)ο蟮倪b感影像分析方法也有一些局限性，主要表現(xiàn)為:(1)最佳分割尺度難于選取，目前只能依靠數(shù)據(jù)特點(diǎn)經(jīng)過多次試驗(yàn)來獲取。(2)易于分類的影像對象特征的提取，一種地物相異于其他種地物的特征較難選取，這需要有豐富的遙感信息提取經(jīng)驗(yàn)。

［1］蒲智，劉萍，楊遼，等.面向?qū)ο蠹夹g(shù)在城市綠地信息提取中的應(yīng)用［J］.福建林業(yè)科技，2006，33(1):40-44.

［2］仇江嘯，王效科.基于高分辨率遙感影像的面向?qū)ο蟪鞘型恋馗脖环诸惐容^研究［J］.遙感技術(shù)與應(yīng)用，2010，25(5):653-661.

［3］劉常娟，楊敏華，張秀英.利用高分辨率遙感影像計(jì)算耕地田坎系數(shù)的可行性研究［J］.國土資源導(dǎo)刊，2007，4(5):48-50.

［4］陳文凱，何少林，張景發(fā)，等.利用遙感技術(shù)提取震害信息方法的研究進(jìn)展［J］.西北地震學(xué)報(bào)，2008，30(1):88-93.

［5］杜鳳蘭，田慶久，夏學(xué)齊.遙感圖像分類方法評析與展望［J］.遙感技術(shù)與應(yīng)用，2005，19(6):521-525.

［6］孫曉霞，張繼賢，劉正軍.利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路［J］.測繪科學(xué)，2006，31(1):62-63.

［7］周成虎，駱劍成.高分辨率衛(wèi)星遙感影像地學(xué)計(jì)算［M］.北京:科學(xué)出版社，2009.

［8］劉建華，毛政元.高空間分辨率遙感影像分割方法研究綜述［J］.遙感信息，2009(6):95-101.

［9］關(guān)元秀，程曉陽.高分辨率衛(wèi)星影像處理指南［M］.北京:科學(xué)出版社，2008.

［10］胡進(jìn)剛，張曉東，沈欣，等.一種面向?qū)ο蟮母叻直媛视跋竦缆诽崛》椒ǎ跩］.遙感技術(shù)與應(yīng)用，2006，21(3):184-188.