靳歡歡

（河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院，河南焦作 454000）

0 引言

隨著遙感技術(shù)的迅速發(fā)展和高科技社會(huì)時(shí)代的需求，遙感影像數(shù)據(jù)成為數(shù)字智能地球的主要數(shù)據(jù)來(lái)源之一，隨之而來(lái)的高光譜、高時(shí)空分辨率影像也越來(lái)越受人們歡迎。與中、低分辨率遙感影像相比，高分辨率影像在景觀結(jié)構(gòu)、形狀、紋理和細(xì)節(jié)等方面都具有非常突出的信息，能夠在較小的空間尺度上觀察地表的細(xì)節(jié)變化。目前，遙感影像的分類(lèi)可以采用逐像元分類(lèi)或面向?qū)ο蠓诸?lèi)。逐像元分類(lèi)主要考慮像元的波段光譜特征強(qiáng)度信息，但忽視空間結(jié)構(gòu)關(guān)系和上下文語(yǔ)義信息特征。面向?qū)ο蠓诸?lèi)可以結(jié)合使用光譜、空間、上下文等更多特征信息進(jìn)行分類(lèi)。由于高分辨率遙感影像上地物的光譜信息較少，基于像元的分類(lèi)方法并不能提供有效的專(zhuān)題信息。但面向?qū)ο蠓治龇椒梢栽趯?duì)高空間分辨率遙感影像分類(lèi)時(shí)結(jié)合更多的特征，從而可以更有效地提取專(zhuān)題信息。另外，傳統(tǒng)的逐像元分類(lèi)是以像素為單元分類(lèi)的，易造成分類(lèi)精度低。面向?qū)ο蠓诸?lèi)的對(duì)象不再是單個(gè)像素而是由多個(gè)具有相關(guān)關(guān)聯(lián)的像素組成的對(duì)象，不僅利用了影像的光譜信息，還利用了空間信息。本文以GeoEye 數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)，開(kāi)展了如下研究：

（1）以監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)評(píng)價(jià)逐像元方法在試驗(yàn)區(qū)土地分類(lèi)的有效性；

（2）評(píng)價(jià)基于面向?qū)ο蠓椒ㄔ谠囼?yàn)區(qū)土地分類(lèi)中的有效性；

（3）對(duì)于高分辨率影像，通過(guò)計(jì)算總體分類(lèi)精度和Kappa系數(shù)比較逐像元分類(lèi)和面向?qū)ο蠓诸?lèi)方法的分類(lèi)精度。

1 試驗(yàn)數(shù)據(jù)特點(diǎn)

本次實(shí)驗(yàn)影像數(shù)據(jù)由GeoEye 衛(wèi)星獲得，GeoEye-1 衛(wèi)星是美國(guó)的一顆商業(yè)衛(wèi)星，于2008 年9 月從美國(guó)加州范登堡空軍基地發(fā)射。GeoEye-1 是太陽(yáng)同步軌道衛(wèi)星，軌道高度684km，運(yùn)行周期98min，該衛(wèi)星攜帶高分辨率的CCD 相機(jī)。GeoEye 系列2 顆衛(wèi)星，亞米級(jí)分辨率；GeoEye-1 全色影像分辨率0.41m，多光譜影像分辨率1.65m；其中，全色波長(zhǎng)：450～800nm；多光譜中的藍(lán)光波長(zhǎng)：450～510nm；綠光波長(zhǎng)：510～580nm；紅光波長(zhǎng)：655nm～690nm；近紅外波長(zhǎng)：780nm～920nm。簡(jiǎn)而言之，GeoEye-1 衛(wèi)星具有分辨率最高、測(cè)圖能力極強(qiáng)、重訪(fǎng)周期極短的特點(diǎn)，在實(shí)現(xiàn)大面積成圖項(xiàng)目、細(xì)微地物的解譯與判讀等方面優(yōu)勢(shì)突出。

2 逐像元分類(lèi)方法

傳統(tǒng)的監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)都是基于像元的分類(lèi)方法，分類(lèi)處理時(shí)的最小單元是像元，主要考慮單個(gè)對(duì)象的光譜信息。

2.1 非監(jiān)督分類(lèi)

非監(jiān)督分類(lèi)是指人們事先對(duì)分類(lèi)過(guò)程不施加任何的先驗(yàn)知識(shí)，而僅憑數(shù)據(jù)（遙感影像地物的光譜特征的分布規(guī)律），即自然聚類(lèi)的特性，進(jìn)行“盲目”的分類(lèi)；其分類(lèi)的結(jié)果只是對(duì)不同類(lèi)別達(dá)到了區(qū)分，但并不能確定類(lèi)別的屬性。

ENVI 軟件包括K-Means 和ISODATA 兩種非監(jiān)督分類(lèi)方法。K-Means 是通過(guò)計(jì)算像元的聚類(lèi)相似度對(duì)地物進(jìn)行迭代聚類(lèi)分析，而ISODATA 是使用最小距離技術(shù)對(duì)像元進(jìn)行迭代聚合?？梢钥闯?，在這2 種方法中，迭代次數(shù)越多，得到的分類(lèi)結(jié)果越精確，本試驗(yàn)中選取的迭代次數(shù)為6 次。非監(jiān)督分類(lèi)總體上一般分為4 個(gè)過(guò)程：執(zhí)行非監(jiān)督分類(lèi)、類(lèi)別定義、合并子類(lèi)和評(píng)價(jià)結(jié)果。定義類(lèi)別的根據(jù)可以通過(guò)在高分辨率圖像上目視解譯獲得，也可以基于野外實(shí)地調(diào)查數(shù)據(jù)。本次通過(guò)目視判讀將試驗(yàn)區(qū)分為耕地、林地、裸地、沙地、村莊、其他6 類(lèi)。通過(guò)ENVI軟件評(píng)價(jià)分類(lèi)結(jié)果，其中總精度和Kappa 系數(shù)越大表明分類(lèi)效果越好。從表1 中可以看出，Isodata 方法分類(lèi)精度比K-Mean分類(lèi)精度高。但總的來(lái)說(shuō)都比較偏低，不能滿(mǎn)足要求。

表1 非監(jiān)督分類(lèi)精度結(jié)果

2.2 監(jiān)督分類(lèi)

監(jiān)督分類(lèi)是利用訓(xùn)練樣本（即先驗(yàn)知識(shí)）去識(shí)別其他未知類(lèi)別像元的一種分類(lèi)方法。ENVI 中監(jiān)督分類(lèi)的分類(lèi)器有平行六面體、最小距離、馬氏距離、最大似然、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。用戶(hù)根據(jù)分類(lèi)精度要求選擇合適的分類(lèi)器，選擇不同的分類(lèi)器需要設(shè)置的參數(shù)不一樣，但是都需要訓(xùn)練樣本。ENVI 中是利用ROI Tool 來(lái)定義訓(xùn)練樣本的，也就是把感興趣區(qū)當(dāng)做訓(xùn)練樣本，因此定義訓(xùn)練樣本的過(guò)程就是創(chuàng)建感興趣區(qū)的過(guò)程。訓(xùn)練樣本的定義主要靠目視解譯。定義好樣本后可以使用ENVI 中的ROI 可分離性（Compute ROI Separability）工具來(lái)計(jì)算任意類(lèi)別間的統(tǒng)計(jì)距離，這個(gè)距離用于確定2 個(gè)類(lèi)別間的差異性程度。這個(gè)參數(shù)值的范圍是0～2，大于1.8 為及格，數(shù)值越大表示類(lèi)別間的可分離性效果越好。本次試驗(yàn)中計(jì)算的數(shù)值為1.914，表示本次選擇的訓(xùn)練樣本可分離性較好。

本文中選用了常用的4 種監(jiān)督分類(lèi)器：最小距離、馬氏距離、最大似然、支持向量機(jī)對(duì)影像分別分類(lèi)，然后對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)。這4 個(gè)分類(lèi)器中圖像的像元值意義分別為：到類(lèi)中心的距離和、到類(lèi)中心的距離、像元屬于該類(lèi)的概率、距分類(lèi)超平面最近的像素。這4 種監(jiān)督分類(lèi)的精度評(píng)價(jià)結(jié)果如表2 所示。從表中可以看出，在監(jiān)督分類(lèi)中，支持向量機(jī)分類(lèi)的精度較高。

表2 監(jiān)督分類(lèi)精度結(jié)果

3 面向?qū)ο蠓诸?lèi)

面向?qū)ο蠓诸?lèi)是指根據(jù)影像的光譜信息及形狀信息，設(shè)置一定的均質(zhì)標(biāo)準(zhǔn)參數(shù)，將遙感影像進(jìn)行分割以形成影像對(duì)象，每一個(gè)影像對(duì)象都是具有相似光譜特征的像素的集合。此方法不是以單個(gè)像素為分析目標(biāo)，而是以影像中的像素集合為分析單元，充分考慮了對(duì)象和周?chē)h(huán)境之間的聯(lián)系等因素，借助對(duì)象特征知識(shí)庫(kù)來(lái)完成對(duì)影像信息的提取。隨著高分辨率遙感影像技術(shù)的發(fā)展，越來(lái)越多的遙感軟件具有這個(gè)功能，本文運(yùn)用的是ENVI 的EX 模塊，是基于影像空間以及影像光譜特征的面向?qū)ο罂臻g特征提取模塊—Feature Extraction。EX 先對(duì)影像進(jìn)行分割，然后針對(duì)分割出來(lái)的斑塊對(duì)象，利用光譜、紋理和幾何信息對(duì)目標(biāo)進(jìn)行分類(lèi)和提取。

3.1 影像分割

影像分割是一種重要的影像分析技術(shù)，是指把影像分成各具特性的區(qū)域的技術(shù)和過(guò)程。比較常用的分割算法是多尺度分割法，多尺度分割是指從一個(gè)像素的對(duì)象開(kāi)始進(jìn)行一個(gè)自下而上的區(qū)域合并技術(shù)，小的影像對(duì)象可以合并到稍大的對(duì)象中。在這個(gè)聚集過(guò)程中，相鄰的影像對(duì)象只要符合設(shè)置的異質(zhì)最小生長(zhǎng)的標(biāo)準(zhǔn)就合并，如果這個(gè)最小的擴(kuò)張超出尺度參數(shù)定義的閾值范圍，合并過(guò)程結(jié)束。在多尺度影像分割過(guò)程中要達(dá)到滿(mǎn)意的分割結(jié)果，分割參數(shù)的選定很重要。選擇高尺度影像分割將會(huì)分出很少的圖斑，選擇一個(gè)低尺度影像分割將會(huì)分割出更多的圖斑，分割效果的好壞一定程度上決定了分類(lèi)效果的精確度，我們可以通過(guò)預(yù)覽分割效果（見(jiàn)圖1），選擇一個(gè)理想的分割閥值（范圍是0～100），盡可能好地分割出邊緣特征。本次試驗(yàn)中選擇的分割閾值為40。

圖1 影像分割預(yù)覽圖

3.2 分塊合并

在影像分割時(shí)，由于設(shè)置的閾值過(guò)低，一些特征會(huì)被錯(cuò)分，一個(gè)特征也有可能被分成很多部分。我們可以通過(guò)分塊合并來(lái)解決這些問(wèn)題。同樣也需要選擇一個(gè)理想的合并閾值（范圍是0～100），本次試驗(yàn)中選擇的合并閾值為90（見(jiàn)圖2）。

3.3 分類(lèi)結(jié)果和精度分析

ENVI 的EX 中的特征提取方法有3 種：監(jiān)督分類(lèi)、規(guī)則分類(lèi)和直接矢量輸出。本文選擇的是監(jiān)督分類(lèi)，這里的監(jiān)督分類(lèi)和上面提到的監(jiān)督分類(lèi)是有區(qū)別的，它不僅僅包括光譜信息，還包括空間、紋理等信息。從目視結(jié)果可以看出，面向?qū)ο蟮姆诸?lèi)結(jié)果優(yōu)于基于像素分類(lèi)。面向?qū)ο蟮姆诸?lèi)總體精度為89.2830%，Kapaa 系數(shù)為0.8516，明顯高于之前的基于像素的分類(lèi)方法的精度。圖3 和圖4 為面向?qū)ο蠛突谙裨姆诸?lèi)結(jié)果圖。總的來(lái)說(shuō)基于像素的信息提取方法對(duì)高分辨率的影像信息提取效果不好，因?yàn)楦叻直媛实墓庾V信息不是很豐富，而基于像素的分類(lèi)方法主要是根據(jù)地物的光譜信息特征來(lái)進(jìn)行分類(lèi)的。另外，傳統(tǒng)的基于像元的分類(lèi)方法易受高分辨率影像局部異質(zhì)性大的影響和干擾，同物異譜同譜異物的現(xiàn)象比較多并且存在大量的椒鹽現(xiàn)象，分類(lèi)結(jié)果也不易矢量化。而用面向?qū)ο蟮姆椒ㄟM(jìn)行信息提取能夠克服同物異譜同譜異物現(xiàn)象的影響，有效地消除了椒鹽噪聲，而且利用面向?qū)ο蟮姆椒ㄌ崛〉男畔⒔Y(jié)果比用基于像素的方法提取的信息具有更好的目視效果。

4 總結(jié)

通過(guò)對(duì)分類(lèi)結(jié)果的精度評(píng)定和目視判讀，我們可以發(fā)現(xiàn)面向?qū)ο蠹夹g(shù)更適合高分辨率遙感影像的分類(lèi)處理。因?yàn)榛谙裨姆诸?lèi)方法主要依據(jù)是像元的光譜特征。而高分辨率遙感圖像的細(xì)節(jié)信息豐富，光譜信息較少，圖像的局部異質(zhì)性大。面向?qū)ο蠓诸?lèi)方法可以利用高分辨率圖像上豐富的光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局以及圖像中地物之間的上下文信息對(duì)地物進(jìn)行分類(lèi)，具有較高的分類(lèi)精度，而且使分類(lèi)后的圖像含有豐富的語(yǔ)義信息，便于解譯和理解。對(duì)高分辨率影像來(lái)說(shuō)，面向?qū)ο蠓诸?lèi)是一種非常有效的信息提取方法，具有很好的應(yīng)用前景。

圖3 面向?qū)ο蠓诸?lèi)圖

圖4 基于像元分類(lèi)圖

［1］鄧書(shū)斌.ENVI 遙感圖像處理方法［M］.北京：科學(xué)出版社，2010.

［2］John A.Richards Xiuping Jia.遙感數(shù)字圖像分析［M］.張曄，張鈞萍，谷延鋒，等，譯.4 版.北京：電子工業(yè)出版社，2009.

［3］祝振江.基于面向?qū)ο蠓诸?lèi)法的高分辨率遙感影像礦山信息提取應(yīng)用研究［D］.北京：中國(guó)地質(zhì)大學(xué)，2010.

［4］韋玉春，湯國(guó)安，楊昕，等.遙感數(shù)字圖像處理教程［M］.北京：科學(xué)出版社，2007.

［5］汪秋來(lái).面向?qū)ο筮b感影像分類(lèi)方法及其應(yīng)用研究［D］.南京：南京林業(yè)大學(xué)，2008.

［6］張俊，于慶國(guó)，朱曉東，等.面向?qū)ο蟮母叻直媛视跋裉卣鬟x擇研究［J］.測(cè)繪科學(xué)，2011（3）.