曾　波，趙　展2

(1. 山西省測繪工程院，山西 太原030002； 2. 武漢大學測繪學院，湖北 武漢430079)

Research on High Spatial Resolution Remote Sensing Image Classification for

Geographic National Conditions Investigation

ZENG Bo，ZHAO Zhan

?

地理國情普查中高分辨率遙感影像自動分類技術研究

曾波1,2，趙展2

(1. 山西省測繪工程院，山西 太原030002； 2. 武漢大學測繪學院，湖北 武漢430079)

ResearchonHighSpatialResolutionRemoteSensingImageClassificationfor

GeographicNationalConditionsInvestigation

ZENGBo，ZHAOZhan

摘要：地表覆蓋分類是我國地理國情普查的重要內(nèi)容。地理國情普查要求的地物類別非常細致，對影像分類技術提出了很大的挑戰(zhàn)。本文總結了山西省地理國情普查試點中的實踐經(jīng)驗，結合面向對象分類技術、人工實地采集分類樣本及分層次分類的思想，并加入適當?shù)娜斯じ深A過程，提出了一個利用高分辨率遙感影像進行國情監(jiān)測影像分類的方案。試驗表明本文方案能夠兼顧作業(yè)效率和分類精度，為我國國情普查的工程化作業(yè)提供了一條可行的備選技術路徑。

關鍵詞：地理國情普查；監(jiān)測；高分辨率影像；面向對象分類；分類樣本

一、引言

目前我國地理國情普查工作正如火如荼地展開。在地理國情普查工作中，地表覆蓋信息獲取是一項重要工作內(nèi)容，為地理國情統(tǒng)計與發(fā)布提供重要數(shù)據(jù)依據(jù)，也是開展地理國情監(jiān)測的基礎[1]。我國地理國情普查要求的地表覆蓋類別非常細致，分為12 個一級類，58 個二級類，133個三級類。如此細致的分類，如果全部使用人工解譯方法，會導致巨大的工作量。這是當前制約國情普查試點進展速度的最重要影響因素。隨著我國國情普查工作的進一步展開，這一矛盾將會愈發(fā)突出。采用遙感影像自動分類技術，盡可能地利用計算機自動處理技術提高影像解譯的工作效率，是當前國情普查工作的迫切需求,也是地理國情監(jiān)測任務開展的必要技術儲備。然而，國情普查要求的非常細致的地表覆蓋類別同樣對影像自動分類技術提出了很大挑戰(zhàn)。特別是對于一些二級類和三級類，類別之間易于混淆，同物異譜、異物同譜現(xiàn)象更加嚴重。盡管目前國內(nèi)有很多關于國情普查中的影像計算機自動分類方法研究[1]，但仍然沒有一個切實可行的工程化方案。本文總結了山西省地理國情普查試點中的實踐經(jīng)驗，結合面向對象分類技術、人工實地采集分類樣本及分層次分類的思想，研究并提出了一個兼顧作業(yè)效率和分類精度要求的國情普查影像分類方案。

二、國情普查影像分類方案

本文提出的國情普查影像分類方案以面向對象分類技術為基礎，利用面向對象分析技術提取多種特征解決復雜類別分類問題。為了保證細致類別體系下訓練樣本的準確性，本文分類方案的最大特點是采用人工實地采集的樣本作為訓練樣本。同時，為了減少分類的難度，方案提出分級分類的思想，先進行易于區(qū)分的地物的分類，再進行易混淆類別的分類，通過層層分解，降低分類問題的復雜性。

國情普查采用的影像是分辨率為0.5m的高分辨率影像衛(wèi)星影像。對于高分辨率影像的分類問題，面向對象方法是目前主流的分類方法。面向對象分類方法以影像分割得到的區(qū)域(稱為影像對象)為分類基本單元，從影像對象中可以獲得形狀、紋理、上下文等多種特征，不僅能有效提高分類精度，而且可以避免基于像素分類方法中的“椒鹽現(xiàn)象”。因此，本文中的影像分類方案以面向對象的分類方法為基礎。

圖1　分類方案整體流程

本文的分類方案中采用分級分類的思想，首先進行大的類別劃分，然后進行層層細分。如先將整個影像劃分為植被和非植被兩個類別，然后將植被類別分為耕地、林地、園地、草地4個一級類別，再進一步進行二、三級類別的分類。在分類過程中，每一級的分類采用的分類特征都是不同的，根據(jù)類別特點選擇最有效的分類特征。在分類過程中無論分類精度多高，誤分總是存在。在分級分類中，上一級的分類錯誤會傳遞到下一級的分類過程中。因此在本文方案的分類過程中加入必要的手工操作，即每進行一級分類后，都進行適當?shù)娜斯ふ{(diào)整。另外，對于某些特殊的地類，很難通過自動分類方法區(qū)分，只能通過人工分類。在本文方案設計中，耕地、園地、林地、草地、房屋建筑物、道路、水域等采用自動分類；構筑物、人工堆掘地、荒漠與裸露地表主要通過手工分類。整個分類方案的總體流程如圖1所示。面向對象分類方法中，影像分割是基礎。地物只有被準確地分割，才能被準確地分類。準確的分割對保證分類精度是十分重要的。本文方案采用易康軟件，其采用的分割方法是分形網(wǎng)絡演化算法FENA[2]。FENA算法中影響分割結果的參數(shù)是光譜權值、形狀權值、緊致性權值、光滑性權值及控制分割尺度的尺度參數(shù)。在本研究中，總體采用階段分割的方法，首先進行小尺度分割，然后在小尺度分割結果的基礎上進行大尺度分割。在小尺度分割過程中，分割對象較小，形狀特征并不明顯，參數(shù)設置原則是光譜權值較大而形狀權值較小，保證分割邊緣的準確性；在大尺度分割過程中，則設置較大的形狀權值，保證分割對象具有較好的形狀特征。

本文分類方案采用的分類樣本通過人工實地采集，使用帶有GPS定位功能的設備采集照片。根據(jù)照片可以確定地物類別，根據(jù)地理坐標確定照片地物在影像上的位置并進行裁切。采集作業(yè)要求是各種地物類別的樣本在影像上均勻分布并覆蓋所有分類，樣本采集的數(shù)量是在5km×5km(0.5m分辨率的影像大小10 000像素×10 000像素)區(qū)域內(nèi)不少于500個樣本點。表1給出了部分類別的樣本示例。

表1　部分類別的地面采集樣本示例

續(xù)表1

面向對象方法的一個顯著優(yōu)點是可以提取非常多的特征，這對于國情監(jiān)測中細致類別的分類是非常有用的。另外，不同的地物類別所適用的最佳分類特征不同。在本文的分級分類方案中，在每一級別的分類中，不同地物類別都各自有一套獨立的分類特征。

在分類植被與非植被時，分類特征采用各波段光譜均值、NDVI、紅外波段紋理；分類房屋與非房屋時，分類特征采用各波段光譜均值、紅和紅外波段紋理、長寬比、矩形度；分類道路與非道路時，分類特征采用各波段光譜均值、長寬比；分類水域與非水域時，分類分類特征采用各波段光譜均值、NDWI。植被類分成耕地、林地、園地、草地4類時，分類特征采用各波段光譜均值和方差、NDVI、紅波段紋理。

很多二、三級類具有地域特色，如山西不存在水田、橡膠園、竹林等。同時很多二、三級類具有區(qū)域集中特點，在一幅作業(yè)影像上只存在少數(shù)二、三級類別。因此，在本文方案中，二、三級類別在一起分類。林地的二、三級分類時，分類特征采用各波段光譜均值和方差、NDVI、紅、綠波段紋理；房屋的二、三級分類時，采用多尺度分類方法區(qū)分高密度房屋和低密度房屋，采用LiDAR數(shù)據(jù)輔助區(qū)分不同高度的房屋；水域的二、三級分類采用長寬比區(qū)分河渠和庫塘；其他二、三級分類采用人工分類。

三、試驗

試驗區(qū)位于山西省北部的朔州市懷仁縣，屬于溫帶大陸性季風氣候，地形地貌以平原和山地為主。采用的試驗影像為0.5 m分辨率的WorldView2衛(wèi)星融合影像，共4個波段，影像大小約為10 000像素×10 000像素。試驗影像上的主要地物類別包括旱地、苗圃、林地(針葉林和闊葉林)、草地、村鎮(zhèn)房屋道路等(如圖2所示)。

圖2　試驗影像與實地采集樣本分布

本文以植被分類為例說明本文分類方案的效果。首先將影像分為植被類和非植被類；然后將植被類分成耕地、林地、園地、草地4類；對于試驗影像，在這4類中耕地主要是旱地，園地主要是苗圃，草地主要是中密度天然草地，而林地還可以細分為針葉林、闊葉林、針闊混交林和喬冠混合林4個二、三級類別。

首先對試驗影像先進行分割，第一次分割設置尺度參數(shù)為80、光譜權值0.8、形狀權值0.2、緊致性權值0.4、光滑性權值0.6。在第一次分割基礎上進行第二次分割，割設置尺度參數(shù)為160、光譜權值0.4、形狀權值0.6、緊致性權值0.6、光滑性權值0.4。在分割的基礎上，按照本文第二章所選擇的分類特征，進行分級分類，分類的結果如圖3—圖5所示。

圖3　植被與非植被分類結果

圖5　林地分類成針葉林、闊葉林、針闊混交林和喬冠混合林分類結果

懷仁縣作為山西省國情普查試點區(qū)域，已經(jīng)利用人工解譯和外業(yè)核查完成了整個區(qū)域內(nèi)的地表覆蓋解譯工作。通過采用人工解譯結果來檢查自動分類精度，植被類和非植被類的分類總體精度為99.0%，Kappa系數(shù)0.92；耕地、林地、園地、草地的分類總體精度為60.1%，Kappa系數(shù)0.48；針葉林、闊葉林、針闊混交林和喬冠混合林的分類總體精度為49.7%，Kappa系數(shù)0.33。從精度統(tǒng)計結果可以看出，初次分類的精度比較高；隨著分類的細化，分類精度依次下降。試驗圖像在二、三級分類時分類精度不高，但是觀察圖5中分類結果細節(jié)，錯誤分類區(qū)域一般都是比較小的零碎區(qū)域，而正確分類區(qū)域則大部分聚集在一起，總體面積較大。因此，即使總體分類精度不高，但分類結果作為人工調(diào)整的參考，可以快速實現(xiàn)準確的人工類別調(diào)整，得到較準確的分類最終結果。

四、結束語

地表覆蓋分類是我國地理國情普查與監(jiān)測的重要工作內(nèi)容。國情監(jiān)測要求的地物類別非常細致，對影像分類技術提出了很大的挑戰(zhàn)。本文結合面向對象分類技術和實地采集樣本，采用分級分類方法并加入適當?shù)娜斯じ深A，提出了一個國情監(jiān)測影像分類方案。方案試驗表明，進行初級分類的精度比較高，但二、三級分類的精度比較低，需要以自動分類結果為參考，加入一定的人工干預。盡管加入了必要的人工干預，本文方案的效率仍明顯優(yōu)于全人工解譯，能夠兼顧作業(yè)效率和分類精度，在國情普查全面展開時為我國國情普查的工程化作業(yè)提供了一條可行的備選技術路徑，提高了國情普查的作業(yè)效率。

參考文獻：

[1]陳俊勇．地理國情監(jiān)測的學習札記[J]．測繪學報，2012,41(5)：633-635.

[2]BAATZ M, SCHAPE A. Multiresolution Segmentation-an Optimization Approach for High Quality Multi-scale Image Segmentation[J].Photogrammetric Engineering & Remote Sensing，2000(34)：12-23.

[3]程滔，劉若梅，周旭． 基于高分辨率遙感影像的地理國情普查水體信息提取方法[J]． 測繪通報，2014(4)：86-89．

[4]程滔，周旭，劉若梅.面向地理國情監(jiān)測的地表覆蓋信息提取方法[J]．測繪通報，2013(8)：84-86.

[5]仉明，汪偉，李承鑫，等. 面向對象的遙感分類技術在地理國情監(jiān)測中的應用[J]. 城市勘測，2013(3)：81-83.

[6]曹子榮.地理國情監(jiān)測地表覆蓋數(shù)據(jù)的兩種采集方法比較[J].測繪技術裝備，2013(2)：22-24.

[7]李英利，閆會杰，茍衛(wèi)濤，等.地理國情普查地表覆蓋林地信息人工解譯技術方法探討[J].測繪標準化， 2014，30(1)：4-6.

[8]湯育紅. 地理國情普查地表覆蓋與國情要素信息的提取方法探討[J]. 測繪與空間地理信息，2013(12)：89-91.

[9]王樹文，劉俊衛(wèi). 遙感與GIS 技術在地理國情監(jiān)測中的應用與研究——以天津市為例[J].測繪通報，2012(8): 51-54.

[10]洪亮，張凱，車風，等. 淺析湖北省第一次全國地理國情普查實施方案[J].地理空間信息，2013(5)：10-15.

[11]胡艷，袁超. 多方法的地理國情地表覆蓋分類研究[J].地理空間信息,2014(2)：6-9.

[12]李德仁，眭海剛，單杰.論地理國情監(jiān)測的技術支撐[J].武漢大學學報：信息科學版，2012，37(5)：505-512.

引文格式： 曾波，趙展. 地理國情普查中高分辨率遙感影像自動分類技術研究[J].測繪通報，2015(1)：95-98.DOI:10.13474/j.cnki.11-2246.2015.0019

作者簡介：曾波(1973—)，男，教授級高工，主要從事測繪工程、地理信息工作。E-mail： zengbo73@263.net

收稿日期：2014-09-10

中圖分類號：P237

文獻標識碼：B

文章編號：0494-0911(2015)01-0095-04