王亞娟,馬要中

(1.中國礦業(yè)大學(北京)土地復墾與生態(tài)重建研究所，北京 100083；2.河南理工大學，河南 焦作 454000)

基于模糊分割參數優(yōu)化下的土地利用分類研究

王亞娟1,馬要中2

(1.中國礦業(yè)大學(北京)土地復墾與生態(tài)重建研究所，北京 100083；2.河南理工大學，河南 焦作 454000)

影像分割是分類的基礎，分割結果的好壞直接影響分類結果的精度。針對目前存在的分割結果獲取通常消耗大量時間且結果因人而異這一現象，文中基于一種模糊分割的參數優(yōu)化工具—Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)來確定分割參數，并借助面向對象分類軟件eCognition以濟寧某一地區(qū)高分辨率遙感影像為基礎進行土地利用的分類研究。結果表明，利用該工具不僅可以快速確定土地的最優(yōu)分割尺度，結合eCognition也可較高精度地對土地利用進行分類。

FbSP optimizer；eCognition；高分辨率影像；土地分類

隨著遙感技術的發(fā)展，高分辨率影像的應用越來越廣泛，由于其包含豐富的光譜與紋理信息使之在地物提取上更為有利。如何從高分辨率影像中提取豐富的信息并滿足一定的精度要求成為研究熱點[1]。為了充分利用其空間信息實現地物的精確分類，面向對象的方法應運而生[2]。該方法是通過對影像進行分割，得到同質對象，再根據分類目標綜合分析對象的光譜、形狀和紋理等特征，進行分類和地物目標的提取[3-4]。目前較多使用的分割方法是通過eCognition來實現的[5]，該軟件以影像對象為基本空間單元進行地物目標提取，可應用于各種專題研究[6]。

為了得到不同尺度的最優(yōu)分割參數通常需要不斷試驗，耗費大量時間且結果因人而異。因此，本文借助章云[7]所提出的基于模糊分割的參數優(yōu)化工具—Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)，同時結合eCognition軟件通過訓練樣本可快速找到基于樣本的最優(yōu)分割尺度參數，并結合光譜、紋理及自定義特征快速有效地對土地利用進行分類，為后續(xù)礦區(qū)土地利用分類系統(tǒng)的構建提供借鑒與參考。

1 研究區(qū)概況及數據來源

研究區(qū)位于山東省濟寧市任城區(qū)的濟東煤田中部，井田范圍東西寬10 km，南北長6～11 km，濟寧市行政區(qū)劃圖及研究區(qū)遙感影像圖如圖1所示。

研究采用高分2號影像，拍攝時間為2015年6月5日，全色分辨率1 m，多光譜4 m，包含紅、綠、藍及近紅外4個波段。

圖1 研究區(qū)位置及遙感影像圖

2 研究方法

本文對研究區(qū)的土地利用信息提取流程主要包括影像預處理(正射校正、影像融合、影像裁剪)、影像分割、分類及精度評價。影像分割是基礎，分類依分割得到的影像對象而進行。本研究利用參數分割工具進行參數確定，根據研究區(qū)范圍大小最終將土地利用做出以下分類：水體、林地、道路、耕地及建設用地。

2.1 影像分割

首先對影像進行過分割，使某一地物分割破碎，然后利用破碎地物分割的子對象信息及將其合并后的目標信息進行參數評估，最后根據工具運算后的參數再次執(zhí)行分割。若結果與目標地物信息邊緣相一致則可確定分割參數，否則需要進行迭代運算至最終確定最優(yōu)分割參數為止。其中子對象信息包括紋理特征(Texture)、穩(wěn)定性(Stability)、亮度值(Brightness)及像元數(Area)，目標信息除包含以上4個特征值外還包括矩形擬合值(Rectangle Fit)及緊湊度(Compactness)。Texture及Stability值[5]分別由方程(1)和(2)所得，Compactness由方程(4)獲得[5]，其余特征值采用在子對象形成時eCognition所給出的值。

Tecxeture(mobjects)=

(1)

其中:m為目標對象包含的子對象數，nmerge為合并

(2)

(3)

(4)

式中:l為目標對象的邊界長度，nobjM為目標對象的像元數。

由于研究區(qū)采煤塌陷導致多地出現積水情況，經治理后有很多零散分布的小面積水域，若分割尺度過大就會與相鄰地物混合在一起，降低分類精度。為準確提出水體部分先進行較小尺度的分割，當尺度為50時部分水體如圖2(a)所示，部分建筑物及耕地如圖2(c)所示；當尺度為100時部分水體如圖2(b)所示，部分建筑物及耕地如圖2(d)所示。形狀及緊湊度按照默認設置即shap:0.1,，Compactness:0.5。

圖2 不同尺度(局部)分割結果

由圖2可知，當尺度為50時水體、耕地及建筑物都過于破碎，不利于訓練樣本的選擇；當尺度為100時對于較小的水體可以較好地區(qū)分出來，耕地及建筑物同樣實現了過分割，可選擇適當的訓練樣本及目標地物通過迭代運算獲得最優(yōu)尺度參數。因此，本文在初始分割為100的基礎上進行訓練樣本的選擇來獲取最優(yōu)分割尺度參數。

章云及童恒建對建筑物、森林及商業(yè)住宅區(qū)進行試驗所獲得的最優(yōu)分割尺度均是在形狀參數及平滑度均設置為0.1的情況下所獲得的結果，但對于本文所選擇的同一地塊的訓練樣本，不同的平滑度具有不同的訓練結果?；诖?，本文在形狀參數為0.1情況下(經實驗，形狀參數為0.1時即可滿足初始分割條件)將平滑度分別設置為0.1、0.3、0.5、0.7、0.9進行優(yōu)化運算，不同平滑度及迭代次數下的分割參數如表1所示。

表1 不同平滑度下的分割參數

本文以圖3(以平滑度為0.5為例)最右方標注耕地部分為訓練樣本進行迭代以獲取最優(yōu)分割參數。

圖3 尺度為100時部分分割效果

當按照表1不同平滑度參數所得結果進行分割時，所得分割參數結果差別較大但最終分割結果大體相同，只有尺度為231時部分建筑物分割較碎。經比較，當尺度為251時部分耕地及建筑用地沒有在尺度為325時分割效果完整；但當尺度為412時部分道路與建筑物出現合并現象，如圖4(a)、圖4(b)所示。綜合考慮分割效果，最終選擇尺度參數為325時作為最終分割結果。

礦區(qū)煤炭的開采導致礦區(qū)環(huán)境遭到破壞，出現部分水域面積較小的塌陷積水區(qū)，該積水區(qū)域的確定為土地復墾工作的開展提供依據[8]。由于試驗的不同尺度對水體的分割均出現過分割現象。因此，本文在尺度為100的分割參數上先進行水體的提取，然后以水體為專題圖層對其余部分在最優(yōu)尺度分割結果上進行土地利用的分類。

圖4 部分分割效果對比圖

2.2 分類提取

eCognition中提供了多種分類方法，有基于樣本的監(jiān)督(最近鄰)分類、基于知識的模糊分類、多條件類描述分類、閾值分類及分類器算法分類等。本文采用通過閾值來指定類別的指定類算法以及在類描述中使用閾值的類描述分類算法來綜合分析影像地物特征，實現地物信息的提取。

本文地物類型主要分為水體、林地、道路、耕地及建設用地，所利用參數特征主要包括光譜特征中的NDVI值、近紅外及幾何特征中的紋理、形狀等特征。其中，本文紋理特征采取紅、綠、藍3個通道的標準偏差的平均值作為提取特征，即Texture=([Standard deviation Red Channel]+[Standard deviation Green Channel]+[Standard deviation Blue Channel])/3，由于林地及建設用地紋理較為粗糙，耕地及道路較為平滑，再結合相適應的光譜值可較好地實現地物信息的提取。研究區(qū)各地物分類特征如表2所示。

表2 研究區(qū)地物分類特征

3 分類結果及精度評價

3.1 分類結果

基于FbSP optimizer分割工具并結合eCognition面向對象法的研究區(qū)地物分類結果如圖5所示。為比較影像的提取結果，采用常規(guī)利用ENVI5.1基于樣本的面向對象方法進行對比，提取結果如圖6所示。將圖5、圖6同一部分局部放大(矩形邊框范圍)，詳見圖7。由圖可知，基于eCognition面向對象法相對傳統(tǒng)面向對象方法分類結果圖斑較為完整。

圖5 基于eCognition提取結果

圖6 傳統(tǒng)面向對象提取結果

圖7 兩種方法分類局部對比圖

3.2 精度評價

易康針對分類結果以及分類方式提供4種精度評價方法，包括分類穩(wěn)定性、最佳分類結果概率、基于像素的混淆矩陣及基于對象樣本的混淆矩陣。為降低主觀人為因素影響，本文選擇基于像素的混淆矩陣精度評價方法，即Error Matrix based on TTA Mask。在ArcGIS里選擇樣本點時，為保證樣本點的精度可對照谷歌地球影像，然后選擇一個一個樣本點創(chuàng)建點矢量文件，導入到eCognition工程中轉化為樣本后創(chuàng)建TTAMask文件，最后進行精度評價，評價結果如表3所示，傳統(tǒng)面向對象分類結果同樣采取混淆矩陣精度評價方法，結果如表4所示。

表3 基于eCognition面向對象分類精度評價

表4 傳統(tǒng)面向對象分類精度評價

由于Kappa系數利用了整個誤差矩陣的信息，它通常認為能夠準確地反映整體的分類精度。結果表明，基于eCognition的分類結果總體精度由傳統(tǒng)分類法的87.997 8%上升至91.625 6%，Kappa系數由0.806 5提升至0.8914，依據分類質量與Kappa統(tǒng)計值的關系知結果為極好，可滿足分類要求。因此，本文利用該工具下的分割結果進行土地利用分類的研究具有可行性，這不僅大大減少了尋找最優(yōu)分割參數的時間也提高了工作質量。

4 結 論

1)本文結合使用eCognition及FbSP optimizer工具通過獲取最優(yōu)尺度分割參數對研究區(qū)高分2號影像進行地類信息的提取。結果表明，有效的分割結果不僅大大減少了不同地類不同分割參數的試驗時間，也提高了分類結果的精度，證明了利用該工具進行分割與分類的可行性。

2)本文根據礦區(qū)面積及土地利用所分地類選擇了耕地作為訓練樣本，并在不同平滑度參數實驗下確定了最優(yōu)尺度參數，較適應與整個區(qū)域，可作為其他相似地區(qū)的高分2號影像分割參數的參考。若研究區(qū)域較小、分類較細則應另選訓練樣本以獲取最優(yōu)尺度參數。

3)本文初步嘗試了利用最優(yōu)分割工具所得參數并結合所選提取特征進行了土地利用的分類，對于如何更好地利用光譜及紋理特征進行地物的分類還需進一步實驗與驗證。由于不同的訓練樣本會獲取不同的最優(yōu)分割尺度參數，對于如何更好地選擇訓練樣本還需進一步驗證。

[1] 黃瑾.基于E-cognition的面向對象的高分辨率遙感圖像分類研究[J].黑龍江工程學院學報,2015，29(5):16-19.

[2] 曾舉，李向新，王濤.基于Ecognition的高分辨率遙感影像水體提取研究[J].江西科學,2011，29(2):263-266.

[3] 葛春青,張凌寒,楊杰.基于決策樹規(guī)則的面向對象遙感影像分類[J].遙感信息,2009(2):86-90.

[4] 余其鵬,張曉祥,梅丹丹,等.結合地籍數據的高密度城區(qū)面向對象遙感分類[J].遙感技術與應用,2014，29(2):344-351.

[5] TONG H, MAXWELL T, ZHANG Y, et al.A supervised and fuzzy-based approach to determine optimal multi-resolution image segmentation parameters[J].Photogrammetric Engineering & Remote Sensing, 2012,78(10):1029-1044.

[6] 施益強，朱曉鈴，藺方.基于多因子對象的高空間分辨率遙感影像道路提取[J].集美大學學報(自然科學版),2010，15(4):312-316.

[7] ZHANG Y, MAXWELL T, TONG H, et al.Development of a supervised software tool for automated determination of optimal segmentation parameters for ecognition[M].na, 2010.

[8] 宮傳剛,嚴家平,陳孝楊,等.基于3S技術的采煤沉陷區(qū)土地利用變化分析——以淮北閘河礦區(qū)為例[J].測繪工程,2015,24(9):34-38.

[責任編輯：劉文霞]

Research on land use classification based on fuzzy segmentationparameter optimization

WANG Yajuan1,MA Yaozhong2

(1.Institute of Land Reclamation and Ecological Restoration, China University of Mining & Technology, Beijing 100083, China;2.Henan Polytechnic University,Jiaozuo 454000，China)

Image segmentation is the basis of classification, and the result of segmentation has a direct impact on the accuracy of classification results. For the current existence of the segmentation results which usually consume a lot of time, the results vary from person to person.This paper, based on a segmentation tool, determines the optimal segmentation parameters through the training process and fuzzy logic analysis, which is Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer). And the classification of land use is made based on the high resolution remote sensing image from Jining by using object-oriented classification software eCognition. The result shows that this tool can not only quickly determine the optimal scale of land use, but be used to classify the land use according to the eCognition.

FbSP optimizer; eCognition; high resolution image; land classification

10.19352/j.cnki.issn1671-4679.2017.03.002

2016-10-31

王亞娟(1991-)，女，碩士研究生，研究方向：遙感;土地復墾與生態(tài)重建.

TP751

A

1671-4679(2017)03-0005-05