馬浩然 趙天忠 曾 怡

(北京林業(yè)大學，北京，100083)

森林資源是陸地上的主要生物資源，具有分布廣、生產(chǎn)周期長等特點。及時準確地對森林資源進行監(jiān)測，掌握森林資源變化規(guī)律，具有重要的社會、經(jīng)濟和生態(tài)意義[1]。隨著遙感影像分辨率的提高以及分類手段的完善，遙感影像分類成為森林資源調(diào)查和監(jiān)測的重要手段。面向對象分類方法能夠綜合影像局部同質區(qū)域各類特征，提取影像的空間信息和紋理信息等，克服傳統(tǒng)分類方法的缺點。森林的特點是覆蓋面積大，同種森林內(nèi)部結構較為一致，不同類型森林之間結構差異較為明顯。因此，面向對象的分類方法被廣泛應用于遙感影像森林植被分類。

Forster等[2]應用 QuickBird 影像，采用面向對象的模糊邏輯規(guī)則方法對德國南部巴伐利亞林區(qū)的植被信息進行提取，提取出山毛櫸、云杉、落葉松等樹種。Robert等[3]針對美國俄亥俄州南部的一個區(qū)域，應用Landsat－7 TM影像，采用面向對象的模糊分類方法區(qū)分出大區(qū)域范圍的常綠以及落葉森林的覆蓋范圍。陳旭等[4]應用 QuickBird影像，對植被進行面向對象的多層次分類及對象的特征提取，實現(xiàn)對針闊葉層樹種的分類。吳見等[5]在對Quick-Bird影像進行非線性濾波處理的基礎上，通過對分割算法的改進，應用知識規(guī)則分類法對退耕地的樹冠信息進行提取。郭亞鴿等[6]應用HJ－1CCD影像輔以TM影像、DEM等，采用隸屬度函數(shù)規(guī)則分類方法提取出了不同種類的針葉林、闊葉林。

目前，中低分辨率的影像多用來監(jiān)測森林類型，而對樹種類型的監(jiān)測需要具備豐富光譜和紋理信息的高分辨率影像。此外，由于森林本身的復雜性，森林往往沒有明顯的樹種區(qū)域邊界，尤其樹種之間的差異性不如其他地物之間差異性明顯，且林地內(nèi)部偶爾有采伐以及更新的變化，增大了森林樹種提取的難度。

1 研究區(qū)概況

本文以福建省三明市將樂縣國有林場內(nèi)的明頭山工區(qū)為研究對象。將樂縣地處武夷山支脈東南麓，扼閩江支流金溪中下游，地貌以巖溶類型為主，為閩西北低山丘陵地帶。地理坐標為26°26'～27°04'N，117°05'～117°40'E，海拔 400～800 m。該區(qū)屬中亞熱帶季風氣候區(qū)，具有大陸性氣候特征，同時受海洋性氣候的影響，年平均氣溫18.7℃，平均降水量1669 mm，平均蒸發(fā)量1204 mm，年平均霜期為72 d，無霜期287 d。該地區(qū)氣候溫和，土層深厚，土壤肥沃，土壤以紅壤為主，并分布有黃紅壤。林場森林資源豐富，植物種類繁多。林場總面積6830.9 hm2，林地面積 6509.7 hm2，森林覆蓋率達 93.76%。森林總蓄積量達1.143×106m3。植被類型主要為常綠針葉林，主要喬木樹種為杉木(Cunninghamia lanceolata)、馬尾松(Pinus massoniana)、毛竹(Phyllostachys pubescens)、木荷(Schima superba)、黃楠(Machilus grijsii Hance)、木油桐(Vernicia montana Lour)、苦櫧栲(Castanopis sclerophylla)、樟樹(Cinnamomum camphora)等。林下植被以雜灌、芒萁為主。

2 研究方法

本研究基于影像分割后的對象進行分類，在對QuickBird影像進行多層次分割的基礎上進行特征選取，建立相應特征的分類規(guī)則，實現(xiàn)研究區(qū)域影像中地物的分類和樹種信息的提取。

根據(jù)研究區(qū)域影像的地物覆蓋狀況，結合森林資源規(guī)劃設計調(diào)查分類系統(tǒng)[7]，以及將樂縣明頭山工區(qū)森林資源二類調(diào)查資料，將研究區(qū)域地物類型分為有林地、未成林造林地、采伐跡地、耕地、建筑用地以及水體六大類別。由于本文重點提取有林地類別內(nèi)的樹種信息，因此，又將有林地細分為杉木、馬尾松、建柏、硬闊葉樹種和軟闊葉樹種五個類別。技術流程如圖1所示。

2.1 數(shù)據(jù)來源及預處理

試驗采用的遙感影像數(shù)據(jù)為QuickBird衛(wèi)星影像，成像時間為2012年7月2日，為標準真彩色數(shù)據(jù)，包含紅(R)、綠(G)、藍(B)三個波段(紅波段630～690 nm，綠波段 520～600 nm，藍波段 450～520 nm)空間分辨率為0.6 m。此外，研究區(qū)域數(shù)據(jù)還包括1∶10000地形圖、2012年將樂國有林場森林資源二類調(diào)查小班調(diào)查資料以及小班矢量圖。在影像信息提取之前，依據(jù)1∶10000地形圖對QuickBird影像進行幾何校正，誤差控制在1.5個像元之內(nèi)。并根據(jù)獲取的研究區(qū)域矢量文件，從校正好的影像中裁剪出研究區(qū)影像。

2.2 多層次下最優(yōu)分割尺度

影像分割結果直接關系到信息提取的精度，影像分割對象與地物邊界吻合度越高，對信息提取結果越有益。然而，不同地物異質性不同，在高分影像中尤為明顯，為了滿足不同地物的最佳分割效果，需要尋找各自最適宜的分割尺度，獲得不同類型的影像對象[8]。研究區(qū)內(nèi)既有大片分布的林地、河流等地物，又有小面積分布的建筑物，林地中還包含部分采伐跡地和更新的森林。因此，本文采用多層次分割的方法對影像進行分割，滿足不同地物在不同層次中的良好分割效果。分割采用eCogniton軟件中的多尺度分割算法對影像區(qū)域進行試驗。

圖1 面向對象分類技術流程

由于多尺度分割算法需要確定分割時的尺度參數(shù)值、形狀因子和緊致度因子三個參數(shù)，本研究借助ESP(Estimation of Scale Parameter)尺度評價工具[9]來獲取不同地物的最優(yōu)分割參數(shù)，通過采用ESP尺度評價工具計算適宜分割參數(shù)，并通過目視判別分割效果并與小班矢量圖匹配效果來選擇不同地物的最優(yōu)分割尺度參數(shù)。

ESP工具是Dragut針對eCogniton軟件中的多尺度分割算法提出的一種自動獲得最佳分割尺度參數(shù)的工具，該工具通過計算不同分割尺度參數(shù)下，影像對象同質性的局部變化(local variance，LV)作為分割對象層的平均標準差，以此來判別分割效果是否最佳。并用LV的變化率值ROC－LV(rates of change of LV)來指示對象分割最佳尺度參數(shù)，當LV的變化率值最大即呈現(xiàn)峰值時，該點對應的分割尺度值即為最佳分割尺度。LV的變化率值的計算公式為:

式中:ROC為LV的變化率，Li為目標層第i層對象層的平均標準差，而 Li－1則為目標層第i－1層中對象層的平均標準差。

當?shù)貢r間12月11日下午3點多，不列顛哥倫比亞省高等法院的法官宣布，準許華為公司首席財務官孟晚舟女士保釋。孟晚舟女士獲得保釋后通過社交網(wǎng)絡表示，“我以華為為傲，我以祖國為傲！”

2.3 對象特征分析

通過對影像對象特征進行相應的統(tǒng)計分析，采用人腦認知功能及專家知識的方式，對每一層地物進行特征選取和特征閾值的確定，以確保該層下分類效果最佳。本文主要采用光譜特征、HIS變換值和紋理特征分析對象特征。

光譜特征是遙感影像數(shù)據(jù)分析的基礎[10]。它是描述影像對象光譜信息的一種特征，與對象內(nèi)像元的灰度值有關，是由實際地物組成成分和影像成像狀態(tài)所決定的固有的光學物理屬性。常用的描述影像對象的光譜特征有均值、亮度、方差、波段灰度比值等特征。

HIS 分別表示色調(diào)(Hue，H)、亮度(Intensity，I)和飽和度(Saturation，S)。色調(diào)(H)用于彩色的彼此區(qū)分，如區(qū)分紅、藍、綠等;亮度(I)指影像上地物的明亮程度，與地物的反射率呈正比;飽和度(S)是彩色的純潔度，S值越大，彩色越純。影像經(jīng)過HIS變換得到的H、I、S可作為顏色差異明顯的地物之間分類的重要依據(jù)[11]。對于QuickBird真彩色影像，地物影像顏色呈現(xiàn)出與實際顏色相符，不同地物呈現(xiàn)一定顏色差異。

影像紋理是描述影像光譜特性的一個重要特征[12]?；叶裙采仃嚪ㄊ悄壳皯眯Ч^好的一種紋理統(tǒng)計分析方法。它通過描述灰度的空間相關特性來描述紋理，是統(tǒng)計影像中局部區(qū)域或整個區(qū)域相鄰象元或一定間距內(nèi)兩象元灰度呈現(xiàn)某種關系的一種矩陣。常用于提取遙感影像中紋理信息的特征統(tǒng)計量主要有:均值、方差、同質性、對比度、非相似性、熵、角二階矩、相關性等[13]。

3 結果與分析

3.1 多層次分割參數(shù)獲取

影像分割首先針對大面積的河流，在滿足足夠精細的條件下，盡可能使用大分割尺度來區(qū)分影像不同的區(qū)域獲得影像對象[14]。通過多次實驗發(fā)現(xiàn)，由于QuickBird影像的高分辨率，形狀因子和緊致度因子需要設置較小時，河流與河岸才能較好區(qū)分。當形狀因子與緊致度因子設置較小時，河流會被細分割為多個對象，內(nèi)部的一些淺灘會被單獨分割出來，這種影響在尺度參數(shù)值設置較大時也不例外。由于淺灘的特征與建筑相似，這就會對建筑等其他地物的區(qū)分造成困擾。針對這種現(xiàn)象，考慮將高分辨率的影像重采樣為低分辨率的影像重新對其分割，獲取大尺度下適合提取河流信息的尺度參數(shù)。

因此，對QuickBird(分辨率0.6 m)影像進行重采樣，得到 1.2、1.8、2.4、3.0 m 分辨率影像，對這幾種分辨率影像分別進行分割嘗試，同時借助ESP分割尺度評價工具分別獲取幾種分辨率下水體的最優(yōu)分割尺度。通過對比發(fā)現(xiàn)，2.4 m分辨率下，當分割尺度為204、形狀因子為0.4、緊致度因子為0.6時，水體的分割狀態(tài)最佳，且河流內(nèi)部淺灘也沒有被單獨分出來。此外，針對其他地物的分割也通過多次分割嘗試并借助ESP分割尺度評價工具，獲得不同層次地物的最優(yōu)分割參數(shù)，詳細分割參數(shù)(見表1)。

表1 多尺度分割參數(shù)設置表

不同層次下對應不同地物的分割效果如圖2所示。

3.2 面向對象的信息提取

3.2.1 光譜特征提取

在分割尺度為88的影像對象層中，人工選取每種地物1/3數(shù)量的對象樣本，統(tǒng)計3個波段中各種地物對象的光譜均值和亮度均值，得到各種地物類別的光譜和亮度響應數(shù)據(jù)(見表2)。分析發(fā)現(xiàn)，建筑用地具有極高的反射率，光譜值和亮度值較高;采伐跡地接近于裸地，但仍有少量植被存在;未成林造林地的性質介于有林地和采伐跡地之間，一般具有稀疏林木，因而未成林造林地和采伐跡地與植被之間的光譜值和亮度值呈現(xiàn)一定差異性。此外，水體也呈現(xiàn)出與其他地物具有較好可分性。

表2 不同地物的HIS變換值統(tǒng)計

3.2.2 HIS 變換值和紋理特征提取

有林地、未成林造林地、耕地在影像上依次呈現(xiàn)出由深到淺的綠色，水體呈現(xiàn)出淡藍色，建筑多為白色、灰色或亮藍色。由表2可知，水體、建筑與其他地物在HIS值上具有明顯的可分性，此外，采伐跡地和草地二者在S值上具有一定可分性，同時與未成林造林地的H和I值具有較好可分性。

圖2 不同分割尺度下的分割效果

研究區(qū)域的有林地覆蓋度較高，不同樹種森林在影像上呈現(xiàn)一定的紋理差異，馬尾松在影像上面呈現(xiàn)為毛絨狀，顏色較其他樹種深，杉木在影像上的紋理較為粗糙，闊葉樹種紋理偏向于團狀。

通過對不同層次中相應地物進行特征提取，最終確定幾層地物的分類規(guī)則見表3。

3.3 分類結果與精度評價

在前三層中提取出相應地物后，在層4中利用層次對象語義關系，實現(xiàn)對層1、2、3地物類別信息的繼承，最終形成完整的分類結果，分類結果如圖4所示。

表3 多層次下的地物分類規(guī)則

圖3 面向對象多層次規(guī)則分類結果

在影像分類結果圖上，隨機選取452個樣點，結合地面調(diào)查資料和目視解譯二類調(diào)查小班數(shù)據(jù)資料，通過對分類結果建立混淆矩陣，計算分類精度。為了客觀地對分類結果進行評價，將面向對象的多層次規(guī)則分類結果，與采用0.6 m分辨率影像在單一層次(分割尺度參數(shù)值為88，形狀因子為0.5，緊致度因子為0.6)下的最近鄰分類結果精度進行對比。結果表明:面向對象的多層次規(guī)則分類精度為80.53%，明顯比單一層次下基于最近鄰分類的精度71.68%要高。單一層次基于最近鄰的分類中存在大量采伐跡地、未成林造林地與其他地物之間的混淆，同時杉木、馬尾松和其他少量樹種之間也存在較多的誤分。多層次規(guī)則分類方法克服了單一層次最近鄰分類在這些地物分類中的不足，同時也減少了水體等大面積地物分類的過于破碎現(xiàn)象，兩種方法的分類精度評價結果見表4～5。

表4 面向對象的多層次規(guī)則分類精度評價

表5 面向對象的單一層次最近鄰分類精度評價

4 結論與討論

本研究針對高分辨率影像單一層次中分割破碎和難以同時滿足所有地物分割的現(xiàn)象，提出采用高分辨率影像結合重采樣低分辨率影像進行多層次分割，同時應用ESP(Estimation of Scale Parameter)分割尺度評價工具自動獲取不同地物的最優(yōu)分割參數(shù)，以達到不同地物良好分割效果，在此基礎上提取各地物的光譜特征、紋理特征及其他相關特征，分別建立分類規(guī)則，對研究區(qū)地物進行逐級分層分類，實現(xiàn)不同地物及樹種的提取。

實踐表明，本文采用的面向對象的多層次規(guī)則分類方法，對森林地物之間區(qū)分性良好，森林植被分類總精度達到 80.53%，Kappa 系數(shù)達 0.7738，有效避免了樹種之間以及與與其他地物之間的混淆。多分辨率影像結合分割可以改善影像分割的效果，為特征提取提供便利，對分類效果精度有改善作用。采用ESP分割尺度評價工具自動獲取最優(yōu)分割參數(shù)，經(jīng)目視判別選取參數(shù)的分割效果及與小班矢量圖匹配效果良好，為影像分割參數(shù)獲取提供依據(jù)，同時節(jié)省獲取分割參數(shù)的時間。所選對象特征及規(guī)則能夠很好地實現(xiàn)森林植被地物的分類，對不同地區(qū)的高分辨率影像林區(qū)分類具有一定的指導意義。

不同的地物類別的精度評價結果顯示，除了耕地類別和建柏類別，面向對象的多層次分類在其他類別的分類精度基本都比面向對象的單一層次的最近鄰分類方法精度要高或持平，尤其是水體和未成林造林地、采伐跡地的分類精度要明顯高于單一層次最近鄰分類方法。由于杉木和馬尾松的影像信息較為接近，耕地和未成林造林地之間也存在較大的相似性，因此存在一定的誤分。

由于本研究使用的QuickBird影像波段數(shù)量和研究區(qū)域相關輔助數(shù)據(jù)有限，對象特征的信息提取具有一定的局限性。若進一步獲取近紅外波段和高程等輔助信息，可在一定程度上提高分類精度。

[1]肖勝.森林資源管理的遙感技術應用研究[J].福建林業(yè)科技，1998，25(3):6－10.

[2]Forster M，Kleinschmit B.Object-Based image analysis[M].Heidelberg:Springer-Verlag，2008.

[3]Frohn R C，Chaudhary N.Multi-scale Image Segmentation and Object-Oriented Processing for Land Cover Classification[J].GIScience ＆ Remote Sensing，2008，45(4):377－391.

[4]陳旭，徐佐榮，余世孝.基于對象的QuickBird遙感圖像多層次森林分類[J].遙感技術與應用，2009，24(1):22－26，后插 1.

[5]吳見，彭道黎.基于面向對象的QuickBird影像退耕地樹冠信息提取[J].光譜學與光譜分析，2010，30(9):2533－2536.

[6]郭亞鴿，于信芳，江東，等.面向對象的森林植被圖像識別分類方法[J].地球信息科學學報，2012，14(4):514－522.

[7]亢新剛.森林資源經(jīng)營管理[M].北京:中國林業(yè)出版社，2001.

[8]黃慧萍，吳炳方.地物大小、對象尺度、影像分辨率的關系分析[J].遙感技術與應用，2006，21(3):243－248.

[9]Dragut L，Tiede D，Levick S R.ESP:a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J].International Journal of Geographical Information Science，2010，24(6):859－871.

[10]朱超洪，劉勇.基于影像認知和地學理解的面向對象分類研究[J].遙感技術與應用，2012，27(4):536－541.

[11]江振藍，林愛平.基于HIS變換的城鎮(zhèn)用地信息快速提取新方法[J].閩江學院學報，2011，32(2):131－136.

[12]張方利，杜世宏，郭舟.應用高分辨率影像的城市固體廢棄物提取[J].光譜學與光譜分析，2013，33(8):2024－2030.

[13]黃寧寧，賈振紅，楊杰，等.基于GLCM和EM算法的紋理圖像分割[J].通信技術，2011，44(1):48－49，52.

[14]王衛(wèi)紅，何敏.面向對象土地利用信息提取的多尺度分割[J].測繪科學，2011，36(4):160－161.