朱丹瑤

(牡丹江師范學(xué)院歷史與文化學(xué)院，黑龍江牡丹江 157011)

基于面向?qū)ο蟮腟POT5濕地影像分類

朱丹瑤

(牡丹江師范學(xué)院歷史與文化學(xué)院，黑龍江牡丹江 157011)

本文選取洪河保護區(qū)濕地景觀為研究對象，運用面向?qū)ο蠓诸惙椒▽ρ芯繀^(qū)進行分類研究，分類精度達到95.31%，Kappa系數(shù)為0.9452。面向?qū)ο蟮姆诸惙椒ǔ浞挚紤]地物的幾何、光譜、紋理、結(jié)構(gòu)等多方面的信息，能夠有效地彌補傳統(tǒng)分類方法的缺陷，在高分辨率應(yīng)用上可以體現(xiàn)更好的效果。

面向?qū)ο?；濕地分類；SPOT5

近年來，隨著遙感技術(shù)的不斷發(fā)展，不同時空分辨率、不同光譜分辨率的遙感數(shù)據(jù)被廣泛應(yīng)用于各個領(lǐng)域。其中對于小尺度范圍內(nèi)的環(huán)境監(jiān)測，如景觀環(huán)境監(jiān)測、地質(zhì)資源勘探等，更加傾向使用高分辨率的遙感影像，使其能夠反映更多地物信息。對于高分辨率影像的分類實踐，傳統(tǒng)的分類方法表現(xiàn)出其固有的局限性。在此基礎(chǔ)上發(fā)展的神經(jīng)網(wǎng)絡(luò)分類器(Neural Net Classifier)[1]和模糊集(Fuzzy Set)[2]分類方法等在一定程度上提高了圖像分類精確度，但本質(zhì)上都是基于像元層次，對于高分辨率影像仍不能滿足精度需求為了提高其分類精度，一些學(xué)者提出面向?qū)ο蠓诸惙椒╗3-5]。面向?qū)ο蟮姆诸惙椒ú粌H考慮目標(biāo)光譜信息，同時還利用目標(biāo)空間信息，如結(jié)構(gòu)、紋理、分布、形狀等信息，提取更多參考數(shù)據(jù)參與分類，現(xiàn)已表現(xiàn)出較強的適用性，主要應(yīng)用于高分辨率影像的分類研究中。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

本文選取我國境內(nèi)三江平原東北部典型淡水濕地環(huán)境——洪河保護區(qū)為研究區(qū)。該區(qū)域位于黑龍江省東北部同江市與撫遠(yuǎn)縣交界處，東鄰前鋒農(nóng)場，西與洪河農(nóng)場接壤，北與鴨綠河農(nóng)場相接。地理坐標(biāo)為133°34′38″E～133°46′29E″，47°42′18″N～47°52′07″N，總面積21835hm2。研究區(qū)屬于溫帶大陸性季風(fēng)氣候，地貌單一，地勢坡降極小，從而集聚大量水體，發(fā)育各種濕地特有植被，形成典型的濕地生態(tài)系統(tǒng)[6]。

1.2 數(shù)據(jù)源與預(yù)處理

研究采用的遙感數(shù)據(jù)為由法國SPOT衛(wèi)星高分辨率多波段掃描儀(HRV)獲取的空間分辨率為2.5m的全色波段遙感影像2景，獲取時間為2012年7月。首先對SPOT影像進行高分辨率與多光譜的圖像融合，融合后影像以保護區(qū)1:10萬國家基本比例尺地形圖作為參考圖像，對SPOT影像進行幾何糾正。由于洪河保護區(qū)橫跨兩景SPOT影像，需對糾正后的影像進行拼接處理，之后按照保護區(qū)矢量邊界進行裁切處理，最后由于對圖像進行2%線性拉伸，得到圖像增強的效果。最終得到嚴(yán)格校準(zhǔn)、圖像信息增強顯示的保護區(qū)遙感影像圖(圖1)。

2 研究方法

2.1 面向?qū)ο蠓诸惙椒?/p>

面向?qū)ο蠓诸惒辉僖韵裨獮樘幚韱卧?，突破了傳統(tǒng)分類的局限[7]。它以圖斑作為分類的處理對象，圖斑包含的語義信息比單個像元更加豐富，不僅僅包含光譜信息，還包括多種特征如形狀、大小、紋理、位置等信息。

還可以運用專家知識進行特征提取，也可以實現(xiàn)較高層次的目標(biāo)地物提取。面向?qū)ο蟮姆诸惙椒ㄖ饕譃閮蓚€步驟，分別為發(fā)現(xiàn)對象以及特征提取。發(fā)現(xiàn)對象首先要對圖像進行分割，得到同質(zhì)對象，再根據(jù)具有相同屬性的對象進行同一類別的合并，后根據(jù)圖斑屬性以及具體知識進行目標(biāo)地物的提取[8](圖2)。

圖2 面向?qū)ο蠓诸惲鞒虉D

2.2 技術(shù)路線

該分類方法存在兩個關(guān)鍵點，其一是圖像分割，目的是找到合適的分割尺度，使得到的圖斑對影像的分類更加合理，同時能夠包含相對豐富的信息屬性。目前圖像分割方法較多，其中以多尺度為基礎(chǔ)的圖像分割方法[9]的分割結(jié)果較為理想，其計算公式如下：

(1)

其中，F(xiàn)為波段融合值，fi為第i波段融合值，hs為圖像總波段數(shù)。

fi=wi·hc+(1-wi)hs.

(2)

其中，wi為第i波段權(quán)重，hc為光譜融合值，hs為形狀融合值。

(3)

其中，n、?分別為對象像元數(shù)及對象像元標(biāo)準(zhǔn)差，wc為光譜權(quán)重。

hs=wcm·hcm+(1-wcm)hsm.

(4)

其中，wcm為形狀緊湊度權(quán)重，hcm為形狀緊湊度，hsm為形狀光滑度。

(5)

(6)

其中，n、l分別為對象像元數(shù)、周長，b為外接矩形的周長。

另一個技術(shù)難點是如何簡便、快捷地選擇和提取對象特征。單一目標(biāo)地物總是具有特殊的特征組合，合理、有效地選擇其特征以及特征組合才能提取具有較高精度的目標(biāo)地物，同時區(qū)別于其他類別。地物特征的選擇首先受到影像本身的限制，如遙感圖像的成像條件、成像季節(jié)等；還與分類人員本身對研究區(qū)的熟悉程度以及具有的決策知識密切相關(guān)。

本文基于面向?qū)ο筮b感分類方法，采用SPOT5遙感數(shù)據(jù)進行濕地群落分類研究。根據(jù)研究區(qū)濕地植被特點及SOPT數(shù)據(jù)分辨率，確定分類群落類型為漂筏苔草群落、毛果苔草群落、狹葉甜茅群落、小葉章-苔草群落、小葉章群落、小葉章-灌叢群落、沼柳-叢樺群落、白樺群落、農(nóng)田以及無植被水域。由于試驗區(qū)為淡水濕地沼澤，遙感圖像具有復(fù)雜的光譜特征。濕地景觀群落的分布與水文因素具有高度的相關(guān)性，因此該區(qū)域的地形圖可作為輔助數(shù)據(jù)參與分類。運用ENVI5.0EX模塊作為數(shù)據(jù)處理平臺，首先輸入經(jīng)過預(yù)處理的原始圖像，輸入DEM圖像作為輔助分類圖像，經(jīng)過多次反復(fù)試驗，分割閾值設(shè)為55，合并分塊閾值設(shè)為60，同時選擇具有典型性和代表性的訓(xùn)練樣區(qū)，且數(shù)量不宜過多；之后提取目標(biāo)的特征信息則主要依靠專家知識；最后應(yīng)用選取的特征類型和特征值，運用最近鄰域分類方法得到較為理想的分類效果(圖3)。

圖3 洪河保護區(qū)植被群落分類

2.3 分類結(jié)果精度評價

為了更好地說明面向?qū)ο蠓诸惙椒ǖ姆诸愋Ч?，現(xiàn)將傳統(tǒng)的監(jiān)督分類方法即最大似然法與面向?qū)ο蠓椒ㄟM行比較分析(圖4)。最大似然法[10-11]是傳統(tǒng)的遙感影像分類法中比較具有代表性,同時應(yīng)用比較普遍的一種方法。

圖4 分類結(jié)果對比圖

圖4中，(a)和(b)分別是面向?qū)ο蠓诸惤Y(jié)果和最大似然法分類結(jié)果?？梢灾庇^地看出，最大似然法進行運算的分類結(jié)果更加破碎化，圖像放大之后會看到更多的噪音，原因在于最大似然法僅運用光譜信息進行分類，而高分辨率影像光譜信息復(fù)雜多樣，同物異譜或同譜異物現(xiàn)象更加嚴(yán)重，導(dǎo)致該方法在運用于高分辨率影像分類時誤差較大。而面向?qū)ο蠓诸惙椒ㄗ鳛樘卣鲄⑴c分類的不僅僅是光譜信息，還包括分割得到圖斑的幾何形狀、空間位置、相互關(guān)系以及可人為定義的大量專家知識，在處理高分辨率遙感影像方面更加具有適用性，避免了分類結(jié)果的破碎化和椒鹽現(xiàn)象，并且分類結(jié)果中各類別邊界明確清晰。分類結(jié)束之后,對兩種方法進行精度測試，結(jié)果表明面向?qū)ο蠓诸惤Y(jié)果精度達到95.31%，Kappa系數(shù)為0.9452；而最大似然法的分類結(jié)果精度只有80.07%，Kappa系數(shù)為0.6650。說明面向?qū)ο蠓诸惙椒ㄔ谶M行高分辨率遙感影像信息提取時比傳統(tǒng)的最大似然監(jiān)督分類方法具有更高的分類精度。

[1]Skidmore A, Turner B, Brinkhof W, et al.Performance of neural network: Mapping forests using GIS and remotely sensed data[J].ISPRS Journal of Photogrammetric Engineering & Remote Sensing,1997(63):501-514.

[2]Maselli F,Rudolfa,Conese C. Fuzzy classification of spatially degraded Thematic Mapper data for the estimation of sub-pixel components[J].International Journal of Remote Sensing,1996(17):537-551.

[3]Lobo A,Chic O,Casterad A.Classification of mediterranean crops with multi sensor data: per-pixel versus per-object statistics and image segmentation[J].International Journal of Remote Sensing,1996(17):2358-2400.

[4]Blaschke T,Lang S, Lorup E,et al.Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications[C]//Environmental Information for Planning, Metropilis-Verlag,2000(2):555-570.

[5]Hofamnn P.Detection informal settlements from IKONS image data using methods of object oriented image analysis:an example from Cape Town(South Africa) [C].Remote Sensing of Urban Areas/F Enerkundung in Urbanen Raumen,2001:41-42.

[6]周德民,宮輝力.洪河保護區(qū)濕地水文生態(tài)模型研究[M].北京:中國環(huán)境科學(xué)出版社,2007.

[7]Baatz M, Schpe A. Object-Oriented and Multi-Scale Image Analysis in Semantic Networks[R].Proc.of the 2nd International Symposium on Operationalization of Remote Sensing,Enschede:ITC,1999.

[8]曹寶,秦其明,馬海建,等.面向?qū)ο蠓椒ㄔ赟POT5遙感圖像分類中的應(yīng)用——以北京市海淀區(qū)為例[J].地理與地理信息科學(xué),2006(22):46-54.

[9]Baatz M, Schap E. Multiresolution Segmentation-an optimization approach for high quality multi-scale image segmentation[C]∥Strobl,Blaschke,Greisebener. Angewandte Geographische Information Sverarbeitung XI. Beitrage zum AGIT-Symposium Salzburg 1999,Karlsruhe:Herbert Wichmann Verlag,2000.

[10]Richardsia J.Remote Sensing Digital Image Analysis: An Introduction[M].Berlin:Springer,1999.

[11]Magd I,Tanton T. Improvements in Land Use Mapping for Irrigated Agriculture From Satellite Sensor Data using a Multi Stage Maximum Likelihood Classification[J].International Journal of Remote Sensing,2003,24(21): 4197-4206.

Object-oriented SPOT5 Wetland Image Classification

ZHU Dan-yao

(School of History and Culture, Mudanjiang Normal University, Mudanjiang Heilongjiang 157011, China)

In this paper, we take Hong-he National Nature Reserve wetland landscape as study area by object-oriented classification method. The classification accuracy is 95.31% and Kappa coefficient is 0.9452. Object-oriented classification methods take full account of information of spectrum, geometry, texture, structure and other aspects, make up for the deficiency of the traditional classification methods, and can get a better information result.

object-oriented; wetland classification; SPOT5

2014-07-11

朱丹瑤(1986- )，女，黑龍江北安人，牡丹江師范學(xué)院歷史與文化學(xué)院助教，碩士，從事環(huán)境遙感監(jiān)測研究。

X87

A

2095-7602(2014)06-0045-05