江 華
?
基于eCognition面向?qū)ο蠹夹g(shù)的高分辨率遙感影像土地利用分類——以福州瑯岐島為例
江 華
福州市環(huán)境科學(xué)研究院
該文采用eCognition軟件平臺,運用面向?qū)ο蟮亩喑叨确指罘椒ǎ瑢ρ芯繀^(qū)SPOT6影像進(jìn)行土地利用分類。綜合利用光譜、形狀與紋理等特征,快速、有效地區(qū)分地類。研究結(jié)果表明,該軟件平臺分類效果較好,總體精度達(dá)到了88.25%,KAPPA系數(shù)為0.8560,與傳統(tǒng)的分類方法相比,在提高分類精度的同時,能夠有效避免“椒鹽現(xiàn)象”的產(chǎn)生。
SPOT6 eCognition 面向?qū)ο?土地利用分類
近年來,遙感技術(shù)迅速發(fā)展,數(shù)據(jù)源不斷豐富,分辨率持續(xù)提高,對遙感影像信息處理與分析技術(shù)提出了更多的要求和挑戰(zhàn)。目前主流的分類方法是監(jiān)督分類和非監(jiān)督分類,并在此基礎(chǔ)上研發(fā)了各種改進(jìn)的方法,如模糊分類法[1]、神經(jīng)網(wǎng)絡(luò)分類法[2]等。但這些方法在本質(zhì)上還是基于影像像素層次的分類,雖然能在不同程度上對分類精度有所改善,但無法從根本上解決高分辨率遙感影像的高速與準(zhǔn)確的信息提取問題[3]?;诿嫦?qū)ο蠹夹g(shù)的遙感影像分類方法突破了傳統(tǒng)方法分類的限制,不僅可以充分利用高分辨率遙感影像上豐富的光譜信息,而且還可以把地物類型看成一個個對象,利用對象的空間信息(光譜特征、幾何特征、紋理特征等)進(jìn)行圖像處理、分析、分類,取得了較好的效果,并得到快速發(fā)展。本文以福州瑯岐島為例,利用面向?qū)ο蠹夹g(shù)進(jìn)行遙感影像土地利用分類研究,以實現(xiàn)對高分辨率遙感影像高效、準(zhǔn)確的信息分析與提取。
研究區(qū)域為福州瑯岐島?,樶獚u位于閩江口,素稱閩江口的明珠,自然條件得天獨厚。島東西長約15.3公里,南北寬約8.1公里,相當(dāng)于香港本島面積,為福建省第四大島,中國第二十一大島。本次研究范圍為瑯岐島及其周邊水域、灘涂,研究區(qū)總面積78.80km2,詳見圖1。研究中使用的遙感數(shù)據(jù)是拍攝于2013年3月7日的1.5m SPOT 6全色影像,多光譜分辨率為6m,包含藍(lán)、綠、紅和近紅外四個波段。
面向?qū)ο蠓椒òㄓ跋穹指詈头诸愄崛刹糠?。首先,根?jù)影像像元的同質(zhì)性自下而上合并形成影像對象;然后,利用對象的空間特征和光譜特征通過隸屬函數(shù)或最鄰近分類器,實現(xiàn)信息自動提取的目的[4]。其中影像分割是分類的基礎(chǔ),首先科學(xué)合理地確定遙感影像分割的尺度,然后選擇和提取訓(xùn)練區(qū)樣本對象或圖像中的對象或基元特征,并利用這些特征或特征組合結(jié)合經(jīng)驗、知識進(jìn)行分類,提取遙感信息。
本研究采用福州市環(huán)境科學(xué)研究院購買的德國Definiens公司開發(fā)的正版eCognition 8.9作為技術(shù)軟件平臺開展遙感影像信息提取和土地分類,eCognition是全球第一個面向?qū)ο蟮挠跋穹治鲕浖?,它模擬人類大腦的認(rèn)知過程,從不同的尺度和周圍對象的關(guān)系把握認(rèn)知目標(biāo),是計算機(jī)高速處理和人類認(rèn)知原理的完美結(jié)合,兼顧了信息提取處理的速度和進(jìn)度[5]。
在采用eCognition軟件集成的隸屬函數(shù)分類器構(gòu)建分類樹時,還可結(jié)合模糊分類和最近鄰分類的方法,技術(shù)流程如圖2所示,整個過程主要分為遙感影像分割、分類提取以及成果評價3個部分。
圖1 研究區(qū)遙感影像原始圖
圖2 技術(shù)流程圖
eCognition可以根據(jù)構(gòu)建的類層次結(jié)構(gòu)對地物進(jìn)行逐級分層分割,對非目標(biāo)地類進(jìn)行掩膜,這樣就避免了其它目標(biāo)對當(dāng)前目標(biāo)提取時的干擾,提高了分類精度,又極大地減少了每次分類所處理的分類單元數(shù),提高了分類效率[6]。本研究區(qū)的地物類別及類層次結(jié)構(gòu)圖如圖3所示,根據(jù)研究區(qū)的特征和實際情況,將研究區(qū)的土地利用類型分為灘涂、河流、塘庫、道路、耕地、林地、菜地園地、建設(shè)用地8類。如圖2所示,首先區(qū)分水體和非水體(陸地),然后在水體中根據(jù)相關(guān)參數(shù)進(jìn)一步細(xì)分;對于非水體(陸地),可根據(jù)NDVI區(qū)分植被、非植被,然后再根據(jù)地物的具體特征,選擇合適的參數(shù)進(jìn)行分類提取。
圖3 分類層次結(jié)構(gòu)圖
根據(jù)研究區(qū)域范圍的大小和影像特征,確定合適的分割尺度,分割尺度的選擇對分類結(jié)果的精度具有至關(guān)重要的影響。因為對于光譜特征上比較相近的地類,如果分割參數(shù)選擇不當(dāng),他們就會混合在一起,造成分類精度降低。不同分割尺度的試驗結(jié)果見圖3,分割尺度取30時,分割過于細(xì)致、破碎,不利于分類;當(dāng)分割尺度取120時,分割不夠完整,存在一個對象包含了多種地物的現(xiàn)象;分割尺度取70的結(jié)果相對兼顧了研究區(qū)各種植被的局部細(xì)節(jié)以及空間幾何分布特征。本研究選擇分割尺度為70,其它參數(shù)設(shè)置為:形狀權(quán)重0.35,緊湊度0.6。
圖4 不同分割尺度結(jié)果比較
分割后的遙感影像具有光譜信息、紋理結(jié)構(gòu)、形狀等各種屬性。因材質(zhì)、空間分布方式的差異,每一地物類別都具有獨立于其它地物的專屬特征[7]。本研究主要通過光譜特征、紋理、形狀特征等三個方面對地物進(jìn)行識別分類。
2.3.1光譜特征
水體多成青色,且色調(diào)單一,與其它地物的光譜特征相差較大,可用歸一化水指數(shù)(NDWI)來提取。該指數(shù)是基于綠波段與近紅外波段的歸一化比值指數(shù),計算公式為:NDWI=[p(Green)-p(Nir)]/[p(Green)+p(Nir)]。通過對選擇的訓(xùn)練區(qū)樣本統(tǒng)計發(fā)現(xiàn),水體NDWI值一般大于0.05,非水體一般為負(fù)數(shù),不大于0.02。
不同地物的歸一化植被指數(shù)(NDVI)值差別較大,歸一化植被指數(shù)計算公式為:NDVI=[p(nir)-p(red)]/[p(nir)+p(red)],為基于近紅外波段和紅外波段的譜間特征。通過計算統(tǒng)計,研究區(qū)典型地物間的NDVI區(qū)間如表1所示。從表1可知,植被與非植被NDVI指數(shù)差別明顯,在NDWI指數(shù)區(qū)分水體和非水體后,用于區(qū)分植被與非植被。
表1 典型地物NDVI指數(shù)區(qū)間范圍
除NDWI、NDVI外,還可運用亮度值、波段均值差、標(biāo)準(zhǔn)差等光譜特征參數(shù),對相似地物進(jìn)行輔助分類。如,道路的亮度值高于建筑物;在相同NDWI數(shù)值基礎(chǔ)上,養(yǎng)殖池塘的紅色波段與藍(lán)色波段均值的比值在一定區(qū)間內(nèi),具有較明顯的區(qū)分度。
同時,植被中不同地類有一定的差異,但也有相近的光譜特征曲線,僅用光譜特征是難以區(qū)分的,更不能保證分類的精度。因此,為了更有效地進(jìn)行土地利用分類,需借助其它參數(shù)進(jìn)行多角度分析。
2.3.2紋理特征
影像紋理值指灰度值在空間上的變化,是一種獨立于顏色反映地物同質(zhì)性的特征。在各種紋理分析方法中,灰度共生矩陣是當(dāng)前公認(rèn)較成熟的統(tǒng)計方法之一,它反映了圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息[8]。
紋理特征主要用于區(qū)分光譜特征相似的地物。從上述光譜特征分析可知,耕地、菜地、林地光譜參數(shù)分布有重疊的區(qū)間,在此情況下,紋理特征是區(qū)分三類地物的重要參數(shù)之一。菜地園地和耕地都較為規(guī)則,林地比較不規(guī)則;菜地園地、耕地排列都較為規(guī)則,但因地物尺寸不一樣,所呈現(xiàn)的紋理特征也不一致,菜地園地紋理更為稀疏,耕地紋理較為細(xì)膩。紋理特征是面向?qū)ο蠹夹g(shù)區(qū)分同譜異物的重要方法之一。
2.3.3形狀特征
除上述兩項重要的特征外,形狀特征也有利于快速有效地分辨不同幾何形態(tài)的地物,提高分類精度。如道路為條帶狀,其長寬比和形狀指數(shù)大于其它地物;居民地建筑呈一定規(guī)則的方形,可利用矩形擬合度輔助分類。
根據(jù)類層次結(jié)構(gòu),以上述三項特征為主要分類方向選取特征參數(shù),輔以模糊分類、最近鄰法等。通過反復(fù)試驗和實地驗證,選取了較為合理的評價指標(biāo)體系,并制定隸屬函數(shù)分類規(guī)則,研究區(qū)分類體系與地物特征如表2所示。每一個對象對應(yīng)于一個特定類別的隸屬度,隸屬度值越高,屬于該類的概率則越大[9]。同時,需對隸屬函數(shù)自動分類后的結(jié)果進(jìn)行修正,調(diào)整樣本函數(shù)曲線,也可通過人工判別、手動修正歸類來提高分類精度。通過多次反復(fù)試驗和調(diào)整,最終獲得較為科學(xué)、合理的分類規(guī)則體系。
表2 研究區(qū)地類分類體系與地物特征
瑯岐島面向?qū)ο蠓椒ㄍ恋乩梅诸惖慕Y(jié)果見表3和圖5,同時為了比較影像的分類結(jié)果,采用傳統(tǒng)的基于像素的最大似然法進(jìn)行分類,傳統(tǒng)分類結(jié)果見圖6。
表3 瑯岐島土地利用分類統(tǒng)計表
圖5 瑯岐島面向?qū)ο蠹夹g(shù)土地利用分類結(jié)果圖
圖6 瑯岐島最大似然法土地利用分類結(jié)果圖
將圖5和圖6在同一部分放大對比可以看出(詳見圖7),面向?qū)ο蠹夹g(shù)提取的分類結(jié)果圖斑完整性較好,避免出現(xiàn)了“椒鹽現(xiàn)象”。eCognition作為一種獨創(chuàng)的基于對象的影像分析軟件,支持將提取的特征以柵格或矢量的格式導(dǎo)出。直接輸出的矢量(.shp)格式,包含了斑塊的空間屬性信息,可以實現(xiàn)無損失的直接導(dǎo)入ArcGIS等GIS軟件平臺中,較為便捷地在GIS中實現(xiàn)對部分自動分類出現(xiàn)的錯誤斑塊進(jìn)行目視補判、人工修正等,進(jìn)一步提高分類精度。而ERDAS平臺下的最大似然法分類結(jié)果為帶有很多“椒鹽”的柵格格式(.img),需要進(jìn)行去除雜點、小圖斑等后處理,再在GIS平臺中進(jìn)行數(shù)據(jù)交換,根據(jù)需要轉(zhuǎn)換為Coverage、shp等格式。格式轉(zhuǎn)換過程不僅相對復(fù)雜,而且效果不夠好。
圖7 兩種分類方法分類結(jié)果細(xì)部對比圖
因國土部門的土地利用數(shù)據(jù)較本研究使用的遙感數(shù)據(jù)年份更早,與現(xiàn)狀地類存在一定的差異。本研究在土地利用現(xiàn)狀數(shù)據(jù)的基礎(chǔ)上,結(jié)合野外實地調(diào)查以及高分辨率影像目視選取樣本,采用誤差矩陣的評價方法對兩種分類結(jié)果的精度進(jìn)行評價,兩種分類方法精度評價結(jié)果分別見表4和表5。
表4 面向?qū)ο蠓ǚ诸惥仍u價分析
表5 最大似然法分類精度評價分析
結(jié)果表明,面向?qū)ο蟮姆诸惙椒ǖ玫降目傮w精度為88.25%,明顯高于最大似然法(總體精度為74.17%),分類結(jié)果較為理想。KAPPA系數(shù)是一種計算分類精度的方法,系數(shù)在0.61~0.80,則表明精度為高度的一致性(substantial),在0.81~1之間,則表示幾乎完全一致(almost perfect)??梢钥闯觯嫦?qū)ο蠓诸惤Y(jié)果KAPPA系數(shù)評價結(jié)果為幾乎完全一致,最大似然法評價結(jié)果為高度一致性,面向?qū)ο蠹夹g(shù)評價結(jié)果具有明顯的精度優(yōu)勢。
面向?qū)ο蠓椒▽Φ缆泛徒ㄔO(shè)用地、耕地的分類結(jié)果明顯高于基于像素最大似然法,這是因為面向?qū)ο蠓诸惙椒ǔ紤]地物的光譜特征外,還綜合利用了紋理和形狀等特征參數(shù)。
此外,對于面向?qū)ο蠓诸惤Y(jié)果而言,分類用戶精度較低的地類主要為林地(70.28%)和菜地園地(72.72%),主要原因在于影像拍攝時間為2013年3月,為植被生產(chǎn)初期,耕地、菜地、果園和森林等植被之間光譜特征差別度不大,容易混淆,從而造成分類精度不高。為此,需進(jìn)一步挖掘總結(jié)各類地物在光譜、紋理、形狀方面的細(xì)微差異,并綜合運用最近鄰分類、疊加DEM等方法,全方位地建立分類規(guī)則,提高分類精度。
(1)與傳統(tǒng)基于像素的最大似然法相比,基于面向?qū)ο蠓诸惣夹g(shù)的eCognition軟件分類結(jié)果具有更高的精度,用地分類總體精度達(dá)到了88.25%,KAPPA系數(shù)為0.8560。
(2)面向?qū)ο蠓诸惙椒ㄊ且杂跋穹指罴夹g(shù)為前提,綜合考慮了光譜特征,以及地物形狀、紋理、分布、相互關(guān)系等各個要素,在一定程度上解決了同物異譜、同譜異物的現(xiàn)象,不僅分類精度較傳統(tǒng)的最大似然法高,并且也能避免傳統(tǒng)分類方法“椒鹽現(xiàn)象”的產(chǎn)生。
(3)地物特征識別和分類規(guī)則建立是基于面向?qū)ο蠹夹g(shù)進(jìn)行土地利用分類的關(guān)鍵,通過試驗、實地驗證并總結(jié)更加科學(xué)合理且具有區(qū)域特征的分類規(guī)則,有效選擇特征參數(shù),對進(jìn)一步提高分類精度具有重要的作用。
[1] Wang Fangju.Fuzzy supervised classification of remote sensing images[J]. IEEE Trans. On Geosci. and Remote Sensing, 1990, 28(2): 194-201.
[2] Benediktssn J A,Swain P H, Ersoy O K. Neural network approaches versus statistical methods in classification of multisource remote sensing data[J]. IEEE Trans. On Geosci. And Remote Sensing, 1990, 28(4):540-552.
[3] 翟立君.衛(wèi)星MPLS網(wǎng)絡(luò)關(guān)鍵技術(shù)研究[M].北京:清華大學(xué)出版社,2001.
[4] 李娜,周德民,趙魁義.高分辨率影像支持的群落尺度沼澤濕地分類制圖[J].生態(tài)學(xué)報,2011,31(22):6717-6726.
[5]WINTER Rolf. The Coming of Age of MPLS[J]. IEEE Transations on Electron Devices,2011(59): 2964-2972.
[6] 曹雪,柯長青.基于對象級的高分辨率遙感影像分類研究[J].應(yīng)用技術(shù),2006(5):27-30.
[7] 鄧媛媛,巫兆聰,易俐娜.面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類[J].國土資源遙感,2010,12(15):117-121.
[8] Lucas R,Rowlands A,Brown A,et a1.Rule—based Classification of Multi—temporal Satellite Imagery for Habitat and Agricultural Land Cover Mapping[J].ISPRS Journal of Photogrammetry&Remote Sensing,2007(62): 165-185.
[9] 黃慧萍.面向?qū)ο笥跋穹治鲋械某叨葐栴}研究[D].北京:中國科學(xué)院遙感應(yīng)用研究所,2003.