李朝奎，方　文，董小姣

(1. 湖南科技大學地理空間信息技術(shù)國家地方聯(lián)合工程實驗室，湖南 湘潭 411201；

2. 湖南科技大學地理空間信息湖南省工程實驗室，湖南 湘潭 411201)

LI Chaokui，F(xiàn)ANG Wen，DONG Xiaojiao

面向?qū)ο蠛鸵?guī)則的高分辨率影像分類研究

李朝奎1，2，方文1,2，董小姣1，2

(1. 湖南科技大學地理空間信息技術(shù)國家地方聯(lián)合工程實驗室，湖南 湘潭 411201；

2. 湖南科技大學地理空間信息湖南省工程實驗室，湖南 湘潭 411201)

Research on the Classification of High Resolution Image Based on Object-oriented and Class Rule

LI Chaokui，F(xiàn)ANG Wen，DONG Xiaojiao

摘要：隨著航天遙感技術(shù)的發(fā)展，遙感數(shù)據(jù)的空間分辨率、光譜分辨率和時間分辨率極大提高，高效解譯并處理海量的、具有空間幾何信息和紋理信息的地物高分辨率遙感影像數(shù)據(jù)已成為遙感領域研究的重點與難點。對此，本文提出一種面向?qū)ο蠛鸵?guī)則的遙感影像數(shù)據(jù)的分類提取方法，即通過發(fā)現(xiàn)和挖掘高分辨率影像豐富的光譜和空間特征知識，建立影像對象多層次網(wǎng)絡分割分類結(jié)構(gòu)，實現(xiàn)對遙感影像準確快速的地物分類和精度評價。以藏南地區(qū)WorldView-2影像數(shù)據(jù)為試驗研究對象，采用面向?qū)ο蠛鸵?guī)則的影像分類方法進行驗證試驗，即綜合采用均值方差法、最大面積法、精度比較法進行分析，選擇3種最佳分割尺度建立多層次影像對象網(wǎng)絡層次結(jié)構(gòu)進行影像分類試驗。結(jié)果表明，采用面向?qū)ο笠?guī)則分類方法對高分辨率影像進行分類，能使高分辨率影像分類結(jié)果近似于目視判讀的結(jié)果，分類精度更高。面向?qū)ο笠?guī)則分類法的綜合精度和Kappa系數(shù)分別為97.38%、0.967 3；與面向?qū)ο骃VM法相比，分別高出6.23%、0.078；與面向?qū)ο驥NN法相比，分別高出7.96%、0.099 6。建筑物的提取精度、用戶精度分別比面向?qū)ο骃VM法高出18.39%、3.98%，比面向?qū)ο驥NN法高出21.27%、14.97%。

引文格式： 李朝奎，方文，董小姣. 面向?qū)ο蠛鸵?guī)則的高分辨率影像分類研究[J].測繪通報，2015(9)：9-13.DOI:10.13474/j.cnki.11-2246.2015.0267

關(guān)鍵詞：面向?qū)ο?；?guī)則；高分辨率；多尺度分割

中圖分類號：P237

文獻標識碼：B

文章編號：0494-0911(2015)09-0009-05

收稿日期：2014-11-13

基金項目：國家自然科學基金(41271390；41571374)；國土資源部公益性行業(yè)科研專項(201511079-04)

作者簡介：李朝奎(1967—)，男，教授，主要研究方向為GIS理論方法及其應用。E-mail：616059644@qq.com

一、前言

隨著遙感數(shù)據(jù)空間分辨率、光譜分辨率和時間分辨率的顯著提高，深入挖掘和利用遙感數(shù)據(jù)中的各類語義關(guān)聯(lián)信息、有效去除各種復雜的干擾因素、提高解譯的自動化和精確化程度已成為高分辨率遙感發(fā)展和應用的主要挑戰(zhàn)[1]。面向?qū)ο蠓诸惙椒╗2-4]克服了高分辨率遙感影像傳統(tǒng)分類方法的缺陷，該方法不僅充分利用多種知識提取規(guī)則作為高復雜性和差異性高分辨率影像分類的依據(jù)，而且把分割和分類進行一定程度的相互融合，從而實現(xiàn)對遙感影像準確快速分類，提高了影像分類的精度和速度。在此基礎上，本文提出一種面向?qū)ο蠛鸵?guī)則的高分辨率影像分類方法(object-oriented and class rule classification，OCRC)，該法通過發(fā)現(xiàn)和挖掘高分辨率影像豐富的光譜和空間特征知識，建立影像對象多層次網(wǎng)絡分割分類結(jié)構(gòu)，并以藏南地區(qū)錯那縣WorldVew-2遙感影像數(shù)據(jù)為研究對象，將該分類方法的分類結(jié)果和面向?qū)ο笞罱彿诸惙椒ǖ姆诸惤Y(jié)果分別進行對比分析[5-7]。研究結(jié)果表明，本文提出的面向?qū)ο蠛鸵?guī)則的高分辨率影像分類方法在影像建筑物提取精度、用戶精度上具有明顯的優(yōu)勢。

二、面向?qū)ο蠛鸵?guī)則的信息提取方法

1. 研究區(qū)及數(shù)據(jù)源

研究區(qū)位于藏南地區(qū)的錯那縣。藏南地區(qū)屬熱帶地區(qū)，氣候溫暖濕潤，水熱條件充沛，具有“西藏的江南”之稱。它也是世界上最齊全的山地垂直自然帶地區(qū)，且是中國水力資源最豐富的地區(qū)之一，主要河流雅魯藏布江全流域水能蘊藏量僅次于長江，單位流域面積和單位河長的水能蘊藏量居我國各大河之首。

本文選取2012年11月28日WorldView-2遙感影像為數(shù)據(jù)源。WorldView-2影像包括0.5 m全色波段和1.8 m分辨率的多光譜波段，具有4個標準波譜段(紅、綠、藍、近紅外)。遙感影像預處理包括幾何校正、影像融合和影像裁切。

2. 最佳分割尺度

地表實體的現(xiàn)象和過程都是客觀真實的，不同尺度研究對象的現(xiàn)象和過程則表現(xiàn)出地表實體的復雜性[8]。在一個最優(yōu)尺度上能清楚地觀察研究目標的地理現(xiàn)象、過程和地理特征間的規(guī)律，保持地物實體大小的空間結(jié)構(gòu)特征是遙感影像分割的基本準則，即地物最佳分割尺度，直接影響分類結(jié)果和精度。本文采用均值方差法、最大面積法、精度比較法選取各類地物的最佳分割尺度，選擇10、20、30、40、50、60、70、80、90、100、110尺度分割試驗區(qū)。試驗結(jié)果得出，均值方差法的最佳分割尺度為30、60和80，最大面積法最佳分割尺度區(qū)間為(40，50)、(60，80)、(90，100)，精度比較法中建筑物、水體、植被、裸地、道路的分割尺度分別在30、80、60、20、30時分類精度達到最大值(如圖1—圖3所示)。綜上所述，本文選擇分割尺度80區(qū)分水體和非水體，分割尺度60區(qū)分非水體中的植被和非植被，分割尺度30區(qū)分非植被中的建筑物、道路、裸地。

圖1　分割尺度與均值方差值關(guān)系

圖2　分割尺度與最大面積值關(guān)系

圖3　尺度與精度關(guān)系

3. 地物光譜和空間特征分析

(1) 光譜特征

通過對影像的整體觀察和分析，本文將研究區(qū)分為植被、水體、道路、裸地、建筑物5類地物，選擇并觀察影像上植被、水體、道路、裸地、建筑物樣本的光譜特征如何變化(如圖4所示)，總結(jié)植被、水體、道路、裸地、建筑物的特征，最后在影像上按植被、水體、道路、裸地、建筑物類別分別選取30個大小為10～15的典型區(qū)域像素樣本。試驗結(jié)果表明，各目標類別訓練樣本之間的分離性均大于0.8，分離性較好，適宜作為訓練樣本進行光譜特征分析。

通過采集和分析大量典型地物特征樣本值的特點和變化，利用光譜間的相互關(guān)系，總結(jié)突出的某些特征分布規(guī)律，使其能充分反映地表物體的屬性和空間分布特征。

圖4　地物特征光譜曲線

植被的NDVI值與其他地物類別的NDVI值差異很大，植被的NDVI值在所有地類中是最高的，其平均值大于0.6，而其他地類的NDVI平均值均小于0.2(如圖5(a)所示)。水體的NDWI值與其他地物差異明顯，在結(jié)果圖中顯示為白色，水體指數(shù)的取值范圍通常為[0.29,0.6](如圖5(b)所示)。

從圖4中的典型地物波譜特征可知，道路的亮度值為Band 2>Band 1>Band 4>Band 3，建筑物的亮度值為Band 2>Band 1>Band 4>Band 3。為了區(qū)分道路和建筑物，通過波譜特征分析和反復試驗，F(xiàn)=(B1-B4)/B1大于閾值0為建筑物，小于等于閾值0為道路。在WorldView-2影像上，雖然裸地、道路、建筑物特征比較明顯，通過目視就能將其區(qū)分。但是由于裸地、部分道路與建筑物(白色)的亮度均值變化大小順序相似，在影像上光譜都呈現(xiàn)出白色，為了區(qū)分裸地、部分道路與白色建筑物，B2大于閾值640為建筑物，小于等于閾值640且大于等于閾值450為裸地，小于閾值450為道路。

圖5　NDVI、NDWI特征結(jié)果

(2) 空間特征

形狀特征是高分辨率影像中目標識別和分類中一個非常重要的特征。面向?qū)ο蟮姆诸惙椒ㄊ且詫ο鬄榛痉诸悊卧?，對象的形狀特征能通過數(shù)學工具、人工智能、非線性系統(tǒng)等科學計算出來，從而準確反映和描述地表真實地物的形狀。本文將選擇長寬比特征、寬度特征、矩形適合性、曲率、標準差曲率和密度特征用于規(guī)則分類，尺度30的分割結(jié)果如圖6所示。

圖6　各形狀特征結(jié)果

4. 分類規(guī)則及層次結(jié)構(gòu)

影像分割后，利用不同特征知識提取具有高復雜性和差異性的高分辨率影像地物，通過多層次間的傳遞，使得層次之間具有繼承關(guān)系，組成復雜的規(guī)則知識網(wǎng)絡結(jié)構(gòu)，實現(xiàn)影像上各種地物高效和準確地逐級分層分類。本文以Ecognition8.7軟件為平臺，綜合利用影像中各層次地物類別光譜、形狀、紋理、上下文特征信息，選擇合適的分類特征或特征組合，建立各類地物的分類規(guī)則集。根據(jù)對研究區(qū)中的地物知識分析和特征挖掘，建立水體、植被、建筑物、道路、裸地分層體系和分類規(guī)則，對WorldView-2影像進行逐級分類(見表1)。

表1　研究區(qū)地物分類規(guī)則

三、試驗結(jié)果分析

試驗將分類圖像中特定的對象與已知分類的參考對象檢驗樣本進行比較，采用混淆矩陣精度評價方法，計算分類結(jié)果的用戶精度、生產(chǎn)者精度、總精度和Kappa系數(shù)，對影像信息提取結(jié)果進行評價。面向?qū)ο蟮囊?guī)則分類總精度高達97.38%，Kappa系數(shù)為0.967 3，建筑物的生產(chǎn)者精度和用戶精度分別高達91.67%、96.37%。試驗結(jié)果顯示，面向?qū)ο蟮囊?guī)則分類效果較好，能有效地將光譜信息類似的裸地、建筑物、道路進行區(qū)分，各類地物信息提取完整。通過對5類地物的特征知識發(fā)現(xiàn)和挖掘，選擇與面

向?qū)ο笠?guī)則相同的對象特征用于SVM和KNN分類，選擇光譜、形狀、植被指數(shù)、水體指數(shù)等共20個特征指數(shù)，見表2。圖7、表3—表5分別是各分類結(jié)果圖和各精度評價表。

表2　影像中影像對象特征總和

圖7　3種方法分類結(jié)果

表3　面向?qū)ο笠?guī)則分類結(jié)果精度評價

表4　面向?qū)ο骃VM分類結(jié)果精度評價

表5　面向?qū)ο驥NN分類結(jié)果精度評價

四、結(jié)論

本文提出了面向?qū)ο蠛鸵?guī)則的遙感影像分類方法。對面向?qū)ο笠?guī)則的分類方法、面向?qū)ο骃VM分類方法和面向?qū)ο驥NN分類方法進行了試驗對比分析，結(jié)果表明：

1) 面向?qū)ο蟮姆诸惙椒芎苡行У乩玫乇碚鎸嵉匚锏目臻g信息特征如面積、形狀、長度、長寬比、矩形適合性等參與影像的分類過程，特別是對于同譜異物的地物類別效果明顯。

2) 面向?qū)ο笠?guī)則分類的建筑物、道路、裸地、水體、植被等地類的生產(chǎn)精度、用戶精度、總精度、Kappa系數(shù)都要比面向?qū)ο骃VM法和面向?qū)ο驥NN法高，其中面向?qū)ο笠?guī)則法的總精度為97.38%，分別比面向?qū)ο骃VM分類和面向?qū)ο驥NN法高出6.23%、7.96%；Kappa系數(shù)為0.967 3，比面向?qū)ο骃VM分類和面向?qū)ο驥NN分類高出0.078、0.099 6；建筑物的生產(chǎn)者精度、用戶精度分別比面向?qū)ο骃VM方法高出18.39%、3.98%，且比面向?qū)ο驥NN方法高出21.27%、14.97%。

3) 通過面向?qū)ο蠖喑叨确指罘椒ǎ梢陨膳c影像上地物實體大小相似的影像對象，并以此進行分類的結(jié)果和精度比傳統(tǒng)的基于像元分類方法更精確，其中面向?qū)ο蟮囊?guī)則法通過對影像上真實地物特征知識的發(fā)現(xiàn)和挖掘，建立地物分類規(guī)則和分類結(jié)果，比面向?qū)ο蟮谋O(jiān)督分類方法，如面向?qū)ο骃VM法和面向?qū)ο驥NN法分類結(jié)果好、精度更高，并且其中的建筑物信息提取更為完整精確。

參考文獻：

[1]REGO L F G.Automatic Land-cover Classification Derived from High-resolution IKONOS Satellite Image in the Urban Atlantic Forest in Rio De Janeiro(Brazil) by Means of an Object-oriented Approach[J].Applied Remote Sensing for Urban Planning, Governance and Sustainability，2007(5)：25-36.

[2]BAATZ M, SCHAPE A.Object-oriented and Multi-scale Image Analysis in Semantic Networks[C]∥Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing.Enschede：[s.n.]，1999.

[3]BAATZ M, SCHAPE A. Multiresolution Segmentation: An Optimization Approach for High Quality Multi-scale Image Segmentation[J]. Angewandte Geographische Information sverarbeitung，2000(XII): 12-23.

[4]KETTINGRL,LANDGREBEDA.ComputerClassificationofRemotelySensedMultispectralImageDatabyExtractionandClassificationofHomogeneousObject[J].IEEETransactionsonGeoscienceElectronics,1976，14(1): 19-26.

[5]曹雨田, 閆冬梅, 張麗.基于QuickBird衛(wèi)星數(shù)據(jù)的土地利用分類規(guī)則集研究[J]. 地理與地理信息科學, 2011,27(6): 28-31.

[6]閆利.遙感圖像處理實驗教程[M].武漢：武漢大學出版社，2010:24-30.

[7]閆利, 趙展, 聶倩.利用規(guī)則進行高分辨率遙感影像地物提取[J]. 武漢大學學報：信息科學版，2012,37(6): 636-639.

[8]呂一河, 傅伯杰. 生態(tài)學中的尺度及尺度轉(zhuǎn)換方法[J]. 生態(tài)學報, 2001(12)：2096-2105.

[9]ZHANGL,HUANGX.Object-orientedSubspaceAnalysisforAirborneHyper-spectralRemoteSensingImagery[J].NeuroComputing,2010，73(4): 927-936.

[10]陳杰.結(jié)合支持向量機與粒度計算的高分辨率遙感影像面向?qū)ο蠓诸怺J]. 測繪學報, 2011,2(40)：128-134.

[11]黃慧萍.面向?qū)ο笥跋穹治鲋械某叨葐栴}研究[D]. 北京:中國科學院研究生院,2003：7482.