王昌滿WANG Chang-man；趙俊三ZHAO Jun-san

（昆明理工大學國土資源工程學院，昆明 650093）

（Faculty of Land Resource Engineering，Kunming University of Science and Technology，Kunming 650093，China）

0 引言

隨著要遙感影像分辨率的不斷提高，地物的空間信息變得非常豐富，采用傳統(tǒng)的基于像元的的光譜信息提取技術已經(jīng)遠遠不能滿足高分辨率遙感影像信息提取的要求。根據(jù)高分辨率遙感影像的特點，Baatz M（1987）等根據(jù)高空分辨率影像的特點提出了面向對象的遙感分類方法[1]。Baatz M（2000）等基于異質性最小的原則提出區(qū)域合并分割算法，實現(xiàn)了影像對象的多尺度認知模型構建[2]。Hofmann（2001）等使用DEM 作為高程專題層參與影像分割，利用IKONOS 影像提取了建筑物、道路，使建筑物、道路的形狀得到了更正確的體現(xiàn)[3]。在國內，面向對象的遙感影像分類方法也取得了很大的進展。黃慧萍（2003-2004）等用高分辨率IKONOS 影像，采用面向對象的多尺度遙感影像分割方法，自動提取了大慶市城市綠地覆蓋信息，取得較好的效果[4]。莫登奎（2005）等基于模糊聚類的面向對象分析方法，對株洲市城鄉(xiāng)結合部土地利用信息進行提取，精度高，速度快[5]。前人對面向對象影像信息提取做了很多的工作，本文利用eCogniton 軟件，結合高分辨率遙感影像的空間特征對地信息進行提取。

1 面向對象遙感影像信息提取方法的研究

向對象的信息提取核心問題是將遙感影分割成為一個個影像對象，綜合影像對象的光譜、形狀、紋理、層次、鄰域、空間位置、類間關系等特征信息對影像進行分割得到同質對象，再對影像對象進行信息提取和分析。

1.1 影像的分割 影像分割的關鍵就是面對遙感影像進行分析，分割的好壞直接影響到信息的提取和識別的精度。[6]不同的地類有它的一個最優(yōu)分割尺度和分割參數(shù)，目前最優(yōu)的分割尺度和分割參數(shù)都是通過反復的實驗得來的。國內外已經(jīng)提出了許多數(shù)字圖像分割算法，有些是全自動的，有些是半自動的。大致可把影像分割的方法分為兩大類：一是自上而下的方法(top—down)，即知識驅動的方法(knowledge driven methods)；二是自下而上的方法(bottom—up)，即數(shù)據(jù)驅動的方法(data driven methods)[7]。eCognition 中提供了3 種分割方法：四叉樹分割，棋盤分割和多尺度分割[8]。四叉樹分割是將影像分割為不同尺寸的正方形，它通過在尺度參數(shù)里定義每個正方形的色差進行分割的。四叉樹分割性能良好，結果合理，目前主要應用于細胞分析，可以很好地區(qū)分背景和前景。棋盤分割是將整景影像或者感興趣的區(qū)域分割為較小的相同大小的正方形。棋盤分割可以細化影像，但是也將連續(xù)的同質影像分為若干個小區(qū)域，棋盤分割多用于大影像的分塊，為了處理大影像，把他們剪切為小塊來分別處理。多尺度分割是按照從下往上的方式進行的，主要是基于區(qū)域合并的算法，以單個像元為生長點，采用區(qū)域生長的算法生成小的影像對象，反之在形成較大的影像對象，在兩者合并過程中，影像對象遵循異質性最小原則進行合并。因此，分割尺度參數(shù)較大的將會產(chǎn)生較大的影像對象，而較小的尺度參數(shù)將會產(chǎn)生較小的影像對象。多尺度分割是一種最優(yōu)化的過程，最大限度地減少影像對象異質性，同時有最大的同質性。圖像區(qū)域的異質性f 包含光譜異質性和形狀異質性兩方面，其計算式為：

式中，hcolor表示光譜異質性，hshape表示形狀異質性，wcolor表示光譜相對于形狀的權重，而1-wcolor則為形狀的權重。

1.2 特征知識庫的構建 影像對象特征作為區(qū)別不同地物的知識，常被用一些數(shù)學模型表達式作為對象特征的定量描述方法，對象特征包括光譜、形狀、紋理、層次和專題屬性等特征[9]。提取的水田包括三個部分：有莊稼的水田（水田A），覆蓋地膜的水田（水田B）和未種植的水田（水田C）下同。

論文采用采用以下幾個特征構建提取水田信息的知識庫。

①Green-Ratio(綠波段比值)：用來提取植被的一個常用指數(shù)。

其中，red：紅波段的值，blue：藍波段的值，green：綠波段的值。

②Brightnees（亮度）：一個影像對象的光譜平均值除以圖層數(shù)。

③Length/Width（長寬比）：長寬比可以將纖細的物體與圓形和方形的物體區(qū)分開來，可以將道路了居民地區(qū)分開來。長寬比用邊界框來近似為：

其中：a 為外接矩形的長，b 為外接矩形的寬，f 為矩形的填充度，A 為影像對象的面積。

1.3 影像對象的分類 面對遙感影像對象進行分類，不僅要考慮到影像對象的特征，還要考慮兩者之間相關的特征，結合人的思維模式，提取出符合實際的目標，以此來提高精度信息。由于影像對象的各種特種的描述都是從不同的角度進行區(qū)分的，這樣才能夠更好地定量影像對象特征提供信息提取的標準和依據(jù)。在高分辨率遙感影像信息提取時，綜合多個特征才能較好地分類出各個地物類別，因此，需要構建一個多維特征空間分類模型。

常用的分類方法有最鄰近分類法和模糊分類法。最鄰近法分類法是通過訓練樣本的對象構建多維的特征空間，然后由鄰近的匪類器進行計算，這樣就能按距離的大小給各個類別賦予0-1 之間的隸屬度值，距離越小，隸屬度值越大。模糊分類方法是基于地類在多尺度空間的特性，類別特征的描述是通過隸屬函數(shù)來實現(xiàn)，把像元的類型特征值轉換成0 與1 之間的模糊值，以此來判定某一地類在一個空間尺度上的隸屬度。

2 面向對象的水田信息提取實驗研究

2.1 實驗數(shù)據(jù) 數(shù)據(jù)源采用QuickBird 影像，影像的拍攝時間為2008年5 月，空間分辨率為0.61 米，地物清晰可見，有3 個光譜波段。

本文選取昆明市晉寧縣某鎮(zhèn)827×701 個像元作為研究區(qū)域，見圖1。研究區(qū)域區(qū)域內地形不復雜，以水田為主和居民地為主，對水田信息提取有很高的要求。

圖1 原始影像圖

2.2 多尺度分割及分類 本文將影像分為居民區(qū)、道路、水田A、水田B 和水田C 五類來提取，采用面向對象的多尺度分割方法，設置參數(shù)中波段的權重全部為1。本文在同一圖中對影像進行多次分割和分類，總體分割圖如圖2。

圖2 分割效果圖

2.2.1 居民區(qū)的分割及提取 由于本文的重點研究對象為水田，居民區(qū)的小路和建筑的陰影等全部列入居民區(qū)內，對居民區(qū)在LI 層中的最優(yōu)分割尺度為300，選擇顏色因子權重0.8，形狀因子權重0.2，緊致度權重0.8，光滑度權重0.2。為了避免居民區(qū)和其他地類之間的同普異物現(xiàn)象，采用大尺度分割對居民區(qū)進行最鄰近分類，分為居民區(qū)和非居民區(qū)。

2.2.2 道路的分割及提取 eCognition 中在同一層中對影像對象層進行分割時，若分割尺度小于要分割的影像對象原的分割尺度時，Level Usage 選擇Use Current。實驗對非居民區(qū)進行分割對道路提取的最優(yōu)尺度為80，選擇顏色因子權重0.8，形狀因子權重0.2，緊致度權重0.2，光滑度權重0.8。

對于道路而言，從影像上可以看出，道路的光譜特征和幾何形狀特征比較明顯，在形狀特征中，長寬比(Length/Width) 特征非常明顯，由于道路和地膜的長寬比很難區(qū)分，但在光譜特征中，道路和地膜的亮度差別很大，因此，采用特征知識庫中的式（3）和（4）對道路信息進行提取，對道路提取的特征參數(shù)值為：Length/Width ≥7 并且Brightness≤180。

2.2.3 水田A，水田B 和水田C 的分割和提取 實驗繼續(xù)對現(xiàn)在的除居民地和道路的非居民區(qū)進行分割提取對水田A、水田B 和水田C，最優(yōu)分割尺度為30，顏色因子權重0.7，形狀因子權重0.3，緊致度權重0.9，光滑度權重0.1。

水田A 提取時，采用公式（2）進行模糊分類。水田B的亮度比較明顯，分類的時候采用公式（3），取Brightness≥180。把非居民地中未分類的對象全部設置為水田C，最終的影像分類結果見圖3。

圖3 影像最終分類結果圖

2.3 分類后處理 粗分類后的影像需對一些分類錯誤的類別調整。eCognion 中通過growing 和shrinking 兩種模式來平滑地類的輪廓線。合并和平滑后的分類結果見圖4。

圖4 影像分類處理后的效果圖

2.4 信息提取的精度評價 精度的高低決定了信息提取結果的可信程度，我們常用的精度評價方法主要有三個，即分類穩(wěn)定性評價法、最佳分類評價法和誤差矩陣統(tǒng)計法。分類穩(wěn)定性評價法和最佳分類評價法是從隸屬度的角度進行精度評價。面向對象的信息提取的方法是基于模糊的概念，因此，本文就是我們采用分類較為穩(wěn)定的評價法對信息結果進行精度評價。

分類穩(wěn)定性評價法，主要是通過統(tǒng)計最大隸屬度與次大隸屬度之間的差值來評價提取結果的穩(wěn)定性。當差值越大，影像對象的結果提取就較為穩(wěn)定，反之，影像對象的隸屬關系不夠明確。本文主要通過統(tǒng)計影像對象的均值、標準差、最小差值和最大差值對評估結果進行分類，見表1。

表1 分類穩(wěn)定性評價結果

由表1 我們不難看出，整個影像的分類都較為穩(wěn)定。而且道路、水田B 和水田C 的分類特征很明顯，但是穩(wěn)定性較高，居民區(qū)光譜特征比較復雜，水田A 比較分散，因此分類結果穩(wěn)定性稍低。

3 結論

本文主要針對水田信息的提取，居民區(qū)內部的復雜信息沒有分類提取，在以后的研究中該把居民區(qū)內部做一個詳細分類。在面向對象的分割和分類過程中，沒有一個標準，更多的是靠主觀因素去判斷，在今后的學習過程中如何減少主觀因素且保證精度是一個主要研究方向。

[1]Baatz M.,Schape A.Object-Oriented and multi-scale image analysis in semantic networks [A].In:Proc of the 2nd International Symposium on Operationalization of Remote Sensing [C].August 16-20th 1999.Ensehede ITC.

[2]Baatz M.,Schape A.Multiresolution Segmentation:An Optimization Approach for High Quality Multi -scale Image Segmentation [J].2000.

[3]Hofmann P.Detecting buildings and roads from IKONOS data using additional elevation information,GeoBIT/GIS,2001,6:28-33.

[4]黃慧萍,吳炳方,李苗苗等.高分辨率影像城市綠地快速提取技術與應用[J].遙感學報,2004,8(1):68-74.

[5]莫登奎,林輝,孫華等.基于高分辨率遙感影像的土地覆蓋信息提取[J].遙感技術與應用,2005,20(4):411-414.

[6]明冬萍，駱劍承，周成虎，等.高分辨率遙感影像信息提取及塊狀基元特征提取.數(shù)據(jù)采集與處理，2005,20(1):34-38.

[7]譚衢霖,劉正軍，沈偉.一種面向對象的遙感影像多尺度分割方法[J].北京交通大學學報，2007,31（4）:111-114.

[8]黃亮，左小青，張曉曉，等.面向對象的道路信息識別提取分析.昆明理工大學學報(理工版)，2010，35(6):6-10.

[9]Definiens Image Company.eCognition User Guide [M].German,2004.