摘要： 本文采用面向?qū)ο蟮姆椒▽?duì)高分辨率衛(wèi)星影像進(jìn)行土地分類信息提取。首先利用最近鄰分類法對(duì)多尺度分割后形成的影像對(duì)象塊粗分類。隨后根據(jù)各地類的影像特征構(gòu)建知識(shí)庫(kù)，優(yōu)化錯(cuò)分類的地類信息。試驗(yàn)表明，面向?qū)ο蟮母叻直媛视跋裢恋胤诸惸艹浞掷糜跋裥畔?，提高了信息提取的精度?/p>

Abstract： This paper proposes an objected-oriented method to extract land-use from high-resolution satellite image. Firstly， the nearest neighbor classification method is used to obtain rough classification result though judgment of image objects. These image objects come from multiresolution segmentation to raw image. Then， the knowledge base is constructed according to the image features of different classes. Lastly， land-use information is optimized using knowledgebase. The experiment result show that object-oriented land-use information extraction could use image information completely and obtain better effect.

關(guān)鍵詞： 土地分類；高分辨率衛(wèi)星影像；面向?qū)ο?；知識(shí)庫(kù)

Key words： land-use information；high spatial resolution satellite image；object-oriented；knowledge base

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2017）24-0187-03

0 引言

土地分類是按照土地自然屬性進(jìn)行的土地類型劃分，分類后形成的土地類型是土地資源評(píng)價(jià)、土地利用規(guī)劃的基礎(chǔ)。傳統(tǒng)的分類方式以實(shí)地勘察為主，但這類方式速度慢、時(shí)效性低。隨著QuickBird、GeoEye、Worldview等高分辨率衛(wèi)星影像的出現(xiàn)，人們?cè)诶糜跋竦墓庾V信息的同時(shí)還可以利用影像中豐富的紋理和地物形狀、位置信息，這為土地類型快速、準(zhǔn)確地劃分提供了條件。

利用高分辨率遙感影像進(jìn)行信息提取時(shí)，如果采用傳統(tǒng)的面向像元方法會(huì)由于高分辨率影像信息的豐富性、細(xì)致性產(chǎn)生大范圍的“椒鹽現(xiàn)象”，造成分類精度的降低。面向?qū)ο蟮倪b感影像分類方法能利用影像中的光譜、紋理、空間信息進(jìn)行影像類別判定，從而能提高信息提取的精度。Hackelford和Davis通過(guò)對(duì)比面向?qū)ο蠓诸惙椒ㄅc面向像元分類方法，得出了面向?qū)ο蟮姆诸惙椒ǜm合于進(jìn)行城市或城郊分類信息提取的結(jié)論[1]。Hofmanne使用面向?qū)ο蟮姆诸惙椒ㄡ槍?duì)IKONOS影像較好的識(shí)別了非正式居民地[2]。余坤勇、許章華、劉健等使用“基于片層-面向類”算法實(shí)現(xiàn)了南方山地丘陵區(qū)的竹林信息提取[3]。余曉敏、湛飛并采用了一種基于影像對(duì)象最優(yōu)化特征組合的方式對(duì)城市地表信息提取[4]。莫登奎等則基于模糊邏輯分類的面向?qū)ο蟮姆治龇椒ㄌ崛×酥曛奘谐青l(xiāng)結(jié)合部的土地覆蓋信息[5]。這些方法雖然取得了不少研究成果，但在提取的速度、自動(dòng)化程度上還與實(shí)際的運(yùn)用有一定的差距[6]。

本文利用高分辨率衛(wèi)星影像自身的光譜、空間、紋理特征，對(duì)研究區(qū)進(jìn)行土地分類信息提取。

1 面向?qū)ο蟮耐恋仡愋吞崛》椒?/p>

面向?qū)ο蟮男畔⑻崛∈菍⒂跋穹指畛赏|(zhì)影像塊后模擬人類認(rèn)知事物的過(guò)程對(duì)分割好的影像塊設(shè)定條件，將滿足條件的影像塊分配到合適的類別中去，最后得到與實(shí)際相符的分類圖[7]。本文采用的面向?qū)ο笸恋胤诸惲鞒倘鐖D1所示。

1.1 影像分割

影像分割是面向?qū)ο筮b感信息提取的第一步，只有通過(guò)分割才能形成具有光譜、紋理、形狀、位置信息的影像對(duì)象塊。分割算法包括對(duì)比度分割、多閾值分割、光譜差異分割等，在沒(méi)有任何輔助數(shù)據(jù)的條件下將原始遙感影像數(shù)據(jù)進(jìn)行分割的常用算法是多尺度分割。多尺度分割是基于給定分辨率影像對(duì)象的最小影像異質(zhì)性的由下至上分割，而影像的異質(zhì)性由光譜、光滑度和緊湊度三個(gè)指標(biāo)決定，計(jì)算公式為shape=1-color；shape= smoothness +compactness；smoothness=（1-βcompactness）*shape。其中shape為影像對(duì)象的形狀因子，color是光譜信息，smoothness是對(duì)象邊界的光滑度，compactness代表了對(duì)象的緊湊性。

1.2 面向?qū)ο笸恋胤诸愋畔⒌奶崛≡?/p>

土地類型由于受到土壤、氣候、人類活動(dòng)等多方面的影響，在不同時(shí)間、不同地段會(huì)呈現(xiàn)出不同的類型、不同成分的表現(xiàn)，比如土壤在北方呈現(xiàn)出黑色，而在云南多以紅土為代表。面向?qū)ο蟮仡愋畔⑻崛〉年P(guān)鍵就是根據(jù)各地類的特點(diǎn)設(shè)置相關(guān)的規(guī)則集，從而進(jìn)行地類的識(shí)別。表1呈現(xiàn)了常見(jiàn)5大地類的特征。

根據(jù)土地類別的特征，利用分割后形成的影像對(duì)象塊的光譜、紋理、形狀特征進(jìn)行最大似然分類，形成遙感影像土地類型的初分類。然后根據(jù)地類的特征設(shè)置提取規(guī)則集優(yōu)化地類信息提取的效果。

2 土地分類信息提取試驗(yàn)

2.1 試驗(yàn)區(qū)概況

安寧縣位于滇中高原中部，有“安寧雄鎮(zhèn)，諸爨要沖”的美譽(yù)，年平均氣溫14.8℃，屬于中亞熱帶氣候。本試驗(yàn)選取拍攝于2010年1月經(jīng)過(guò)校正和與全色光融合后QuickBird安寧市溫泉鎮(zhèn)影像，精度達(dá)到0.61m，覆蓋面積達(dá)到了6512.25平方米，如圖2所示。

從圖2可以看出，該地區(qū)地類主要包括植被、裸地、水體、道路和建筑5個(gè)類別。由于對(duì)太陽(yáng)光線的遮擋，在高分辨率的遙感影像上就出現(xiàn)了若干由植被或者建筑物遮擋產(chǎn)生的暗色調(diào)陰影區(qū)域。在沒(méi)有其他輔助數(shù)據(jù)的協(xié)助下很難識(shí)別落影下的實(shí)際地類類型，故將陰影另設(shè)為一特殊的地類。

2.2 影像初處理

面向?qū)ο筮b感信息提取的第一步就是根據(jù)影像的特點(diǎn)選擇相應(yīng)的參數(shù)對(duì)影像進(jìn)行分割，形成與實(shí)際地物相似的影像對(duì)象塊。通過(guò)多次數(shù)據(jù)實(shí)驗(yàn)本文選擇分割尺度為80，光譜異質(zhì)性權(quán)重在藍(lán)光波段為0.5、綠光和紅光波段為0.8、近紅外光波段為1，形狀差異性權(quán)重為0.8，緊湊度權(quán)重為0.2的多尺度分割算法對(duì)影像進(jìn)行分割，分割后的影像對(duì)象塊邊界與地類邊界相一致且避免了對(duì)象的過(guò)度破碎。

在分割完成后需要利用影像對(duì)象的光譜、形狀、紋理信息進(jìn)行最近鄰采樣，即在選擇了有代表性的樣本后，以樣本的光譜亮度均值、標(biāo)準(zhǔn)差及形狀指數(shù)為指標(biāo)參數(shù)進(jìn)行最近鄰分類，并最終將影像對(duì)象塊分類到植被、裸地、水體、道路、建筑和陰影6個(gè)類別中，粗分類結(jié)果如圖3所示。

2.3 基于知識(shí)庫(kù)的土地分類優(yōu)化

從圖3可以看出由于地類間光譜信息的相似性和影像中紋理、位置信息的利用不充分導(dǎo)致了部分土地類型的錯(cuò)分類，造成了土地分類碎化性嚴(yán)重、一定量的地類歸并為陰影類等情況。針對(duì)以上問(wèn)題需要根據(jù)各地類錯(cuò)分類的情況，利用地類在影像上的特征構(gòu)建相應(yīng)的規(guī)則集進(jìn)行土地分類優(yōu)化。

建筑物地類的錯(cuò)分類主要由兩部分組成：一是具有藍(lán)綠色屋頂?shù)慕ㄖ锉诲e(cuò)分到了植被類中。由于植被在藍(lán)光波段的低反射性和藍(lán)綠色屋頂在藍(lán)光波段的小反射峰，可以將NDVI>0.2且藍(lán)光波段均值小于200的建筑物派送到植被類中；二是由于試驗(yàn)區(qū)影像的拍攝區(qū)域存在一定量的鄉(xiāng)鎮(zhèn)地帶，鄉(xiāng)鎮(zhèn)建筑物的形狀、顏色具有很大的自主性，難于尋到統(tǒng)一的規(guī)范，所以通過(guò)手動(dòng)調(diào)整的方法進(jìn)行修改。

道路地類的長(zhǎng)條狀特性使其在影像對(duì)象塊的類別判定中具有明顯的優(yōu)勢(shì)，該地類的錯(cuò)分主要表現(xiàn)在與裸地和建筑物陰影的錯(cuò)分中。低等級(jí)道路的路寬較窄、路面多由沙土鋪設(shè)而成，因而與裸地存在一定的誤分，通過(guò)設(shè)置長(zhǎng)寬比大于8的裸地派送為道路類。建筑物的落影在影像上構(gòu)成長(zhǎng)條狀的影像對(duì)象，其陰影的暗色調(diào)會(huì)掩蓋地物的實(shí)際類別，通過(guò)將明亮度小于150的規(guī)則將錯(cuò)分為道路的對(duì)象劃分到陰影類。

部分裸地由于土質(zhì)成分、光線照射不充分等原因使其成像色調(diào)較暗被錯(cuò)分成了陰影類，需要通過(guò)位置關(guān)系將距離建筑物超過(guò)30米且亮度大于148的陰影歸為裸地類。

陰影的錯(cuò)分類主要集中在植被、水體和道路類中，該類錯(cuò)誤則通過(guò)如上所說(shuō)的NDVI、NDWI指數(shù)和明亮度進(jìn)行完善。

通過(guò)上述基于知識(shí)庫(kù)的方法對(duì)影像中的五大地類信息進(jìn)行類別優(yōu)化后，最終的分類結(jié)果如圖4所示。

3 結(jié)果分析與評(píng)價(jià)

從圖4的分類結(jié)果來(lái)看，本文提出的方法能較好的保證土地分類中各地類內(nèi)部的均一性和連續(xù)性。為了精確的驗(yàn)證面向?qū)ο蟮母叻直媛蔬b感影像土地分類結(jié)果，使之與Erdas監(jiān)督分類進(jìn)行比較，并隨后在Erdas中對(duì)兩種分類結(jié)果隨機(jī)抽取250個(gè)點(diǎn)進(jìn)行分類精度評(píng)價(jià)。比較結(jié)果如表2所示，可以看出本文提出的面向?qū)ο笸恋胤诸惙椒ū葌鹘y(tǒng)基于像元的監(jiān)督分類方法精度提高了將近17%。

本文采用方法的不足之處在于對(duì)土地分類中的道路、裸地信息識(shí)別精度較低。這主要是由于實(shí)驗(yàn)區(qū)影像含有一定量的鄉(xiāng)鎮(zhèn)地區(qū)，鄉(xiāng)間道路等級(jí)較低，其光譜特性與黃褐色的裸地極易混淆；再者村鎮(zhèn)中的建筑物密度高且形狀不規(guī)則，會(huì)對(duì)其間的內(nèi)部道路有不同程度的遮擋，造成影像上道路的突然中斷或者形狀不連續(xù)，因而無(wú)法很好的利用道路識(shí)別知識(shí)庫(kù)的內(nèi)容進(jìn)行提取。所以在以后研究中應(yīng)注重對(duì)鄉(xiāng)鎮(zhèn)土地類型中的道路、建筑和裸地信息光譜、形狀、紋理相應(yīng)特征的研究，以提高鄉(xiāng)鎮(zhèn)土地利用類型信息提取的精度。

4 結(jié)束語(yǔ)

本文利用面向?qū)ο蟮姆椒?，在最近鄰分類完成后通過(guò)建立的土地類型知識(shí)庫(kù)的方式進(jìn)一步完成了高分辨率衛(wèi)星影像的土地分類信息的提取。該種方法能較好的利用影像的位置、紋理信息，避免由于影像分辨率過(guò)高而造成的地類破碎化嚴(yán)重的問(wèn)題，很好地識(shí)別了各地類。

參考文獻(xiàn)：

[1]陳小良.基于面向?qū)ο蠹夹g(shù)的土地利用/覆被分類研究[M].中國(guó)地質(zhì)大學(xué)，2009.

[2]Hofmann，P.Detecting informal settlements from IKONOS image data using methods of object oriented image analysis-an example from Gape Town （South Africa），Remote Sensing of Urban Areas/Femerkundung in urbanen Raumen.Regenseburg，ed.By JURGENS，C，2001：41-42.

[3]余坤勇，許章華，劉健，等.“基于片層-面向類”的竹林信息提取算法與應(yīng)用分析[J].中山大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，51（1）：89-95.

[4]余曉敏，湛飛并.基于高分辨率遙感影像的城市地表信息提取研究[J].測(cè)繪與空間地理信息，2012，35（7）：21-24.

[5]蔡銀橋，毛政元.基于多特征對(duì)象的高分辨率遙感影像分類方法及其應(yīng)用[J].國(guó)土資源遙感，2007（1）：77-81.

[6]史文中，朱長(zhǎng)青，王昱.從遙感影像提取道路特征的方法綜述與展望[J].測(cè)繪學(xué)報(bào)，2001，30（3）：257-262.

[7]唐靜，吳俐民，左小清.面向?qū)ο蟮母叻直媛市l(wèi)星影像道路信息提取[J].測(cè)繪科學(xué)，2011，36（5）：98-99.