顧留碗, 王 崠, 吳 見, 王帥帥

(1.滁州學院 地理信息與旅游學院, 安徽 滁州 239000; 2.安徽省地理信息集成應用協(xié)同創(chuàng)新中心, 安徽 滁州 239000)

?

基于QuickBird影像的退耕地林分類型識別方法研究

顧留碗1,2, 王 崠1,2, 吳 見1,2, 王帥帥1,2

(1.滁州學院 地理信息與旅游學院, 安徽 滁州 239000; 2.安徽省地理信息集成應用協(xié)同創(chuàng)新中心, 安徽 滁州 239000)

摘要：[目的] 減少遙感數(shù)據(jù)的噪聲影響,提高光譜信息的傳統(tǒng)林分類識別方法的提取精度。 [方法] 在MNF變換融合處理的基礎上,采用一種基于光譜和空間信息相結(jié)合的分類方法,融入空間信息對研究區(qū)不同林分遙感信息進行提取。 [結(jié)果] 該方法可以有效地抑制分類結(jié)果的“麻點”現(xiàn)象,對各類型林分信息的平均提取精度達83.6%,高于傳統(tǒng)最大似然法11.6%。 [結(jié)論] 融入空間信息的林分信息提取方法可以有效地改善分類效果,能夠提高分類精度,在退耕地林分信息提取和變化監(jiān)測等方面具有一定的實際意義。

關鍵詞：空間信息; QuickBird; 退耕地; MNF; 林分類型

傳統(tǒng)的退耕地遙感信息提取技術(shù)主要包括監(jiān)督分類、非監(jiān)督分類和目視解譯技術(shù)。遙感信息與地面目標往往存在一一對應的關系，可以從研究地物目標的光譜特征直接進行提取信息[1-3]。因此，基于光譜特征的退耕地林分類型信息提取技術(shù)已有了許多研究，主要的提取方法有基于距離計量和貝葉斯準則的監(jiān)督與非監(jiān)督分類法。該方法計算相對簡單，實施方便，能夠?qū)崿F(xiàn)計算機的自動分類，國內(nèi)外許多研究都是基于該方法進行的[4-6]，但此類方法的缺陷是分類精度較低，結(jié)果不能直接使用。由于解譯精度的要求，目視解譯一直以來備受研究人員的青睞，是目前運用最為成熟的解譯技術(shù)，而目視解譯的效率很低，費時費力。隨后，以斑塊為單位的面向?qū)ο蠹夹g(shù)在林分信息提取研究中得到了應用，也取得了一定的研究成果[7-9]。

由于現(xiàn)實地物常常分布不均衡，加之遙感數(shù)據(jù)易受噪聲干擾，這些方法的信息提取結(jié)果常常出現(xiàn)“麻點”現(xiàn)象，即某一地物類別里面具有其他類別的像元，造成分類結(jié)果較差。有研究表明，實際地物的分布在空間上通常具有連續(xù)性，即一種地類的周圍或鄰近區(qū)域仍然是這種地類的概率最大，因此在影像分類時引入空間信息可以改善分類效果[10]，如SRSSHF算法等，此項信息在林分類型信息提取中非常重要，是提高分類精度，改善“麻點”現(xiàn)象的關鍵。

本文在基于MNF變換影像融合處理的基礎上，采用一種基于光譜和空間信息相結(jié)合的分類方法，對研究區(qū)的退耕地林分類型信息進行提取，旨在有效改善“麻點”現(xiàn)象。

1基于空間信息的分類方法

在MNF變換融合后，進一步執(zhí)行基于空間信息的林分信息提取。采用D代表影像數(shù)據(jù)立方體，以Dij描述坐標(i,j)處的光譜值，i=1,2,…,M；j=1,2,…,N，M，N各表示影像像元的行與列數(shù)。采用S(M行，N列)的分塊矩陣，并且以Sij描述坐標(i,j)位置的Dij相對應的塊數(shù)。同時，設置一個分塊閾值μ，采用x與y兩條不同的光譜曲線，并以F(x,y)描述這2條光譜曲線的相似度。如果F(x,y)≤μ，則此兩條光譜曲線相似度較高，可歸屬相同的塊；如果F(x,y)>μ，則此2條光譜曲線相似度較低，定義為不同的塊[10-11]。具體操作步驟[10]為：

(1) 將影像數(shù)據(jù)第1行與第1列的像元塊數(shù)定義成1，即S11=1。

(2) 如果

F(D1,j,D1,j-1)≤μ

(1)

則：S1,j-1=S1j。

反之S1,j-1=S1j+1(j=2,3,…,N)

(3) 如果j= 1，設

F=min〔F(Di1,Di-1,1)； (Di1,Di-1,2)〕

(2)

F(Di1,Dlm)=t

(3)

當t≤μ時，Si1=Slm；反之Si1=max(S+1)。

如果j≠1，設

F=min〔F(Dij,Di-1,j-1)；F(Dij,Di-1,j)；

F(Dij,Di-1,j+1)；F(Dij,Di,j-1)〕

(4)

F(Dij,Dlm)=t

(5)

當t≤μ時，Sij=Slm；

反之，Si1=max(S)+1(i=2,3,…,M;j=2,3,…,N)。

(4) 計算D中相同塊數(shù)的全部像元的影像光譜均值。例如，S中只有Sij=Si,j+1=Si+1,j=c，那么D中相應坐標位置的光譜值計算為：

(6)

(5) 在D中計算出相同塊數(shù)的光譜均值后，進一步采用合適的分類方法進行分類。

采用方格—影像像元及其光譜，計算像元。全部像元分塊完成以后，計算具有相同塊數(shù)值的像元光譜均值，得到影像G，該影像各像元不再是帶有噪聲的原始光譜，而是相同塊數(shù)像元的均值光譜，可有效抑制噪聲。像元分塊時，同時利用了影像空間和光譜信息，因此可認為具有相同塊數(shù)值的像元是相同的類別，這個假設在大部分影像中是合理的[10]。在獲取影像G的基礎上，進一步選取分類方法進行分類，可有效避免“麻點”現(xiàn)象。

本研究以歐氏距離法對光譜進行相似性判定，在分塊后的進一步分類過程中是把樣本平均光譜跟各塊的均值光譜比較，將F(x, y)以dxy替換[10]:

(7)

式中：x=(bx1,bx2,…,bxn)； y=(by1,by2,…,byn)； n——波段數(shù)。

分塊過程中，當dxy<μ時，x與y塊數(shù)相同，反之不同；對影像G進行分類時，引人另一個閾值σ，當dxy<σ時，x與y類別相同，反之不同。

2基于空間信息的退耕地林分類型信息提取

2.1　研究區(qū)概況及數(shù)據(jù)預處理

延慶縣位于北京市西北部，地理坐標為40°16′03″—40°47′28″N，115°43′45″—116°34′10″E，屬連接內(nèi)蒙、河北壩上與北京平原地區(qū)的過渡地帶，是華北地區(qū)五大風廊之一，也是風沙進入北京城的咽喉要道。延慶縣屬大陸季風氣候區(qū)，是暖溫帶與中溫帶，半濕潤與干旱氣候的過度地帶，四季分明，全年平均氣溫8.7 ℃，各季節(jié)之間和晝夜之間溫差大。由于森林植被狀況差，降水量少而不均，每年平均降水量為493 mm，最高年份達到600 mm，降水量的集中使其每年都有不同程度的山洪，泥石流發(fā)生，造成嚴重的經(jīng)濟損失。張山營鎮(zhèn)位于延慶縣西北部，該鎮(zhèn)自2000年開始實施京津風沙源工程，到2003年共完成工程面積12 600 hm2。

獲取覆蓋試驗區(qū)的2007年9月12日的QuickBird數(shù)據(jù)，其中含有2.44 m分辨率的多光譜數(shù)據(jù)和0.6 m分辨率的全色波段。利用地面采集的GPS點作為控制點對圖像做正射糾正，誤差為0.3個像元，滿足精度需求。通過手持GPS獲取野外調(diào)查數(shù)據(jù)，在每一種林分類型中隨機選取60個抽樣點，記錄林分類型。

2.2　退耕地林分類型分類體系構(gòu)建

在進行林分類型信息提取之前，首先對影像覆蓋的研究區(qū)進行實地調(diào)查，調(diào)查的內(nèi)容包含樹種、GPS定位坐標、不同林分類型的大致區(qū)域等，同時記錄林分之間的混雜情況。根據(jù)研究區(qū)的具體情況，將林分類型分為6種類型(見表1)。

表1　研究區(qū)退耕地林分類型分類體系

2.3　基于MNF變換的影像融合

為了將多光譜影像的光譜信息與全色影像的高空間分辨率的優(yōu)勢相結(jié)合，本研究采用一種基于MNF變換的影像融合方式對影像進行處理，具體流程[12]如下。

(1) 對幾何配準后的多光譜影像執(zhí)行MNF(minimum noise fraction)正變換，同時選取性質(zhì)相似平面小區(qū)域，在全部影像中對小區(qū)域統(tǒng)計的噪聲進行運用；

(2) 將MNF 變換的第1分量與全色影像進行直方圖匹配，獲取一致的方差和均值；

(3) 采用直方圖匹配后的全色影像取代MNF 變換的第1分量；

(4) 將MNF變換的取余分量與直方圖匹配后的全色影像相結(jié)合，執(zhí)行MNF逆變換，獲取提高空間分辨率的融合結(jié)果。

2.4基于空間信息的退耕地林分類型信息提取結(jié)果

本研究采用基于光譜和空間信息相結(jié)合的分類方法對研究區(qū)的退耕地林分類型遙感信息進行了提取。最大似然法是目前遙感影像分類中最為流行的分類方法之一，發(fā)展比較成熟，以該方法作為對比，能夠體現(xiàn)本文方法與目前普遍采用的方法之間的差異，因此本文也采用了最大似然法對影像進行了分類。

2.5　精度評價

采用手持GPS進行野外樣點定位，每種林分類型隨機選取60個樣點，記錄每個樣點的具體坐標，對照實地記錄的坐標信息，在本文方法和最大似然法獲取的結(jié)果圖上進行驗證，如果記錄的坐標信息對應的實地調(diào)查和影像分類類型一致，則該點分類正確，否則為分類錯誤。以正確分類的點數(shù)占總調(diào)查點數(shù)的百分比計算林分信息的提取精度。本文方法和最大似然法的精度驗證方法一致(表2)。實地數(shù)據(jù)的調(diào)查時間為2007年9月至10月。

從表2可以看出，采用基于空間和光譜信息相結(jié)合的方法對研究區(qū)不同類型林分的平均分類精度達83.6%，與此相比，僅采用最大似然法的平均分類精度僅為72.0%。在本文方法中，對油松的識別正確率最高，達到88.3%，對山杏的識別正確率最低，為76.7%。根據(jù)實地調(diào)查，主要原因是山杏分布零散，且樹體的生長較小。采用最大似然法對楊樹的識別率最高達76.7%，對山杏的識別正確率仍為最低，為68.3%。融合光譜與空間信息進行分類時，可以有效抑制“麻點”現(xiàn)象，6種林分類型基本都可以被整塊地提取；最大似然法單純以光譜信息進行林分類型信息提取，“麻點”現(xiàn)象較為嚴重，不同類型林分之間存在較多的錯分現(xiàn)象。盡管本文采用的基于空間與光譜信息結(jié)合的林分類型信息提取方法同樣具有錯分現(xiàn)象，但總體效果較傳統(tǒng)方法有較大改善，基本滿足了實際調(diào)查的需求。

表2　不同林分類型分類結(jié)果精度評價

3結(jié)論與討論

3.1　討 論

遙感數(shù)據(jù)主要依據(jù)灰度值的空間梯度變化對不同地物的差異進行識別。隨著遙感技術(shù)的不斷發(fā)展，數(shù)據(jù)分辨率也逐步提高，但在地物相似性大、混合像元比重高、地類類別較多等情況下，傳統(tǒng)的單一尺度下紋理特征分類方法和基于光譜統(tǒng)計的分類方法常常出現(xiàn)嚴重的漏分、錯分、分類破碎等情況。在綜合實地考察和影像分析的基礎上，發(fā)現(xiàn)實際地物的分布在空間上通常具有連續(xù)性，在影像分類時引入空間信息可以改善分類效果，同時也對該思想做了一定的前期探索，如參考文獻[11]采用高光譜遙感數(shù)據(jù)對不同植被類型做了分類，有效改善了“麻點”現(xiàn)象，提高了分類精度。本研究是繼文獻[11]后的進一步研究，不是針對所有植被類型，而是只針對林業(yè)用地，將林地進一步細分，與傳統(tǒng)方法相比，同樣取得了較好的效果。本研究表明，空間信息的引入在林分類型信息提取中具有非常重要的作用。

3.2　結(jié) 論

通常情況下，遙感數(shù)據(jù)受噪聲影響較大，造成許多以光譜信息為基礎的分類方法提取林分信息時，常常出現(xiàn)“麻點”現(xiàn)象，使得分類效果不佳。本文采用基于MNF變換的影像融合法對原始影像進行了增強處理，進而采用一種基于光譜和空間信息相結(jié)合的分類方法，對研究區(qū)的林分信息進行了提取，有效地改善了“麻點”現(xiàn)象，得到如下結(jié)論：

(1) 基于光譜與空間信息融合的分類方法也需要與樣本平均光譜作比較，實質(zhì)上也是一種監(jiān)督分類的方法，是對現(xiàn)有監(jiān)督分類方法的一種補充和改進，可以有效地抑制分類結(jié)果的“麻點”現(xiàn)象，對各類型林分信息的平均提取精度高于傳統(tǒng)最大似然法11.6%。

(2) 地物的空間連續(xù)性是本研究方法假設的前提，如果同一類型地物在空間上分布不連續(xù)，則本研究方法的適用性會降低，如何解決此類問題，是今后的主要研究方向。

(3) 本文中的方法僅僅采用了一個樣區(qū)進行試驗，獲取了較好的結(jié)果，對于其他樣區(qū)是否同樣具有優(yōu)勢，有待進一步探索。

空間與光譜信息相結(jié)合的分類方法，在一定程度上可以有效提高退耕地林分信息的分類精度，在退耕地林分信息提取和變化監(jiān)測等方面具有一定的實際意義。

[參考文獻]

[1]張杰夫.廣州市城市綠地提取方法研究[J].廣州農(nóng)業(yè)科學,2011,11(4):180-181.

[2]郭成軒,耿堅偉.基于TM影像的城市生態(tài)綠地格局分析與評價[J].國土資源遙感,2003,57(3):33-36.

[3]嚴海英.基于對象的城市綠地信息提取技術(shù)的研究[J].地理空間信息,2008,6(2):9-11.

[4]吳見,彭道黎.基于面向?qū)ο蟮腝uickBird影像退耕地樹冠信息提取[J].光譜學與光譜分析,2010,30(9):2532-2535.

[5]Townshend J R G, Huang C, Kalluri S N V, et al. Beware of per-pixel characterization of land cover[J]. International Journal of Remote Sensing, 2000,21(4):839-843.

[6]Flanders D, Hall-Beyer M, Pereverzoff J. Preliminary evaluation of eCognition object-based software for cut block delineation and feature extraction[J]. Canadian Journal of Remote Sensing, 2003,29(4):441-452.

[7]Chen Bo, Bao Zhiyi. Urban Forestry: The new forestry affected by urbanization[J]. World Forestry Research, 2005,18(1):28-32.

[8]蘇偉,李京,陳云浩,等.基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯?以馬來西亞吉隆坡市城市中心區(qū)為例[J].遙感學報,2007,11(4):521-530.

[9]熊軼群,吳健平.面向?qū)ο蟮某鞘芯G地信息提取方法研究[J].華東師范大學學報:自然科學版,2006(4):84-90.

[10]耿修瑞,張霞,陳正超,等.一種基于空間連續(xù)性的高光譜圖像分類方法[J].紅外與毫米波學報,2004,23(4):299-302.

[11]吳見,彭道黎.基于空間信息的高光譜遙感植被分類技術(shù)[J].農(nóng)業(yè)工程學報,2012,28(5):150-153.

[12]顧海燕,李海濤,楊景輝.基于最小噪聲分離變換的遙感影像融合方法[J].國土資源遙感,2007(2):53-55.

A Study on Identification Method of Stand Type in Farmland Returning to Woodland Based on QuickBird Image

GU Liuwan1,2, WANG Dong1,2, WU Jian1,2, WANG Shuaishuai1,2

(1.GeographyInformationandTourismCollege,ChuzhouUniversity,Chuzhou,Anhui239000,China; 2.AnhuiCenterforCollaborativeInnovationinGeographicalInformationIntegrationandApplication,Chuzhou,Anhui239000,China)

Abstract：[Objective] To reduce the side effects of noises for remote sensing data and improve the accuracy of spatial information of traditional stand type classification. [Methods] Minimum noise fraction(MNF) was used to deal with the image. Then a kind of classification method with the combination of spatial and spectral information was applied to complete the stand type classification in study area based on remote sensing information. [Results] This identification method can effectively restrain the phenomenon of “hard spots”. The average accuracy of all stand types information was 83.6% and 11.6% higher than the maximum likelihood method. [Conclusion] The stand type classification method of combining spatial information can effectively weaken the noises to a certain extent and improve classification accuracy. This method could provide references for other related researchs on remote sensing information extraction of stand types based on spatial information.

Keywords:spatial information; QuickBird; farmland returning to woodland; MNF; stand type

文獻標識碼：B

文章編號：1000-288X(2015)03-0172-04

中圖分類號：TP79

收稿日期：2014-01-25修回日期：2014-04-23

資助項目：滁州學院優(yōu)秀青年人才基金重點項目“平原河網(wǎng)區(qū)高保真數(shù)字高程模型研究”(2013RC009); 滁州學院校級科研啟動資助項目(2012qd18); 安徽高等學校省級自然科學研究項目(KJ2013B189)

第一作者：顧留碗(1981—),男(漢族),江蘇省南通市人,碩士,講師,主要從事森林監(jiān)測評價研究。E-mail:xiangfeidewujian@126.com。