李曉靖，彭道黎，王海賓

(北京林業(yè)大學(xué) 林學(xué)院, 北京 100083)

基于最優(yōu)尺度和規(guī)則的高分辨率影像分類研究

李曉靖，彭道黎，王海賓

(北京林業(yè)大學(xué) 林學(xué)院, 北京 100083)

高分辨率影像的廣泛應(yīng)用推進(jìn)面向?qū)ο笥跋穹治?OBIA)的發(fā)展，而分割作為面向?qū)ο蠓诸惖年P(guān)鍵步驟，其尺度的選擇直接關(guān)系到地物信息的提取。空間尺度是地物的固有屬性，在合適的分割尺度下可以更好地挖掘地物信息。本文結(jié)合最大面積法和分割質(zhì)量評(píng)價(jià)模型對(duì)張山營鎮(zhèn)影像進(jìn)行分割實(shí)驗(yàn)，先通過分析對(duì)象最大面積初步得到最優(yōu)尺度范圍，后結(jié)合分割質(zhì)量評(píng)價(jià)模型以確定最優(yōu)分割尺度層次。在此基礎(chǔ)上，綜合樣本提取的光譜、紋理等特征進(jìn)行規(guī)則訓(xùn)練，最終完成面向?qū)ο蟮耐恋馗脖环诸愌芯俊＝Y(jié)果顯示：基于多層次最優(yōu)尺度的規(guī)則分類方法獲得更好的分類結(jié)果，其總體精度為88.8%，Kappa系數(shù)為0.861，而基于單一尺度的最鄰近法總體精度81.4%，Kappa系數(shù)0.773，基于單一尺度的規(guī)則分類法總體精度為83.2%， Kappa系數(shù)為0.85。

面向?qū)ο蠓诸?；多尺度分割；最?yōu)尺度；規(guī)則；尺度層次

面向?qū)ο笥跋穹治?OBIA)是一種公認(rèn)的處理高分辨率遙感影像的有效手段，克服傳統(tǒng)基于像元的分類技術(shù)中存在的缺陷，如“椒鹽現(xiàn)象”、不易區(qū)分同譜異物的地物類型、運(yùn)算速度緩慢等，提高分辨率影像的分類處理精度[1-7]。雖然在理論上圖像分析表現(xiàn)優(yōu)異，但是實(shí)際操作中精度依賴于分割尺度的確定和分析水平。影像分割是影像處理的重要環(huán)節(jié)，分割尺度的選擇直接關(guān)系到后續(xù)分類的效果，分割尺度合適的情況下，地物的信息能夠被更好的挖掘，分類精度也會(huì)隨之提高。不同地物間最優(yōu)分割尺度差異很大，如何確定適宜各類地物的分割尺度，提高分類精度是目前面向?qū)ο笥跋裉幚淼臒狳c(diǎn)問題之一[8-10]。

在探索最優(yōu)分割尺度的過程中，國內(nèi)外研究人員提出并試驗(yàn)了多種方法，具體主要包括指標(biāo)評(píng)價(jià)法、模型計(jì)算法和經(jīng)驗(yàn)選擇法三類[11]。Woodcock通過計(jì)算局部方差來確定最優(yōu)尺度，這一方法也成為研究尺度問題的經(jīng)典[12]；張俊針對(duì)“類內(nèi)同質(zhì)性大、類間異質(zhì)性大”的分類原則，提出了面向?qū)ο蟮腞MAS法[13]；朱成杰采用評(píng)價(jià)指標(biāo)(準(zhǔn)確率P、查全率R、相對(duì)相似性S)來度量欠分割和過分割的程度[14]；陳杰通過計(jì)算信息熵分析有效尺度范圍，使影像丘陵農(nóng)田的提取精度達(dá)到73.06%[15]。這些研究表明，通過實(shí)驗(yàn)確定最優(yōu)分割尺度可改進(jìn)影像的分類效果，但是基于單一方法判斷最優(yōu)分割尺度以及單一的最優(yōu)尺度依然存在一些局限。據(jù)此，本文采用最大面積法和分割質(zhì)量評(píng)價(jià)模型，對(duì)北京市延慶區(qū)張山營鎮(zhèn)的QuickBird影像進(jìn)行分割實(shí)驗(yàn)。先通過計(jì)算分割對(duì)象最大面積得到最優(yōu)尺度的取值范圍，后依據(jù)評(píng)價(jià)模型判斷最終的最優(yōu)尺度層次，并根據(jù)地物樣本的光譜和空間特征信息建立多層次的分類規(guī)則結(jié)構(gòu)。結(jié)果表明，這種基于多層次最優(yōu)尺度和規(guī)則的分類精度明顯優(yōu)于基于單一分割尺度的分類方式。

1 實(shí)驗(yàn)方法與原理

多尺度分割(Multiresolution Segmentation)是eCognition軟件的核心分割算法，能夠有效利用光譜信息和空間信息進(jìn)行圖像分割[16]。它是一種自下而上(bottom-up)的區(qū)域合并技術(shù)，在分割的過程中，執(zhí)行鄰域間異質(zhì)性的計(jì)算，若異質(zhì)性小于預(yù)設(shè)閾值，則將像元合并入內(nèi)部，若異質(zhì)性超過閾值時(shí)則停止合并[17]。這種分割方式最終得到數(shù)個(gè)內(nèi)部像元同質(zhì)性最大的對(duì)象，而且預(yù)設(shè)尺度越大，生成的分割對(duì)象越少，面積越大。在處理影像時(shí)，可以構(gòu)建多層次分割體系，進(jìn)行不等空間的多次分割與合并，確保目標(biāo)地物能一個(gè)或多個(gè)地物來表示，避免欠分割現(xiàn)象的發(fā)生。所以尺度的確定是本研究的一個(gè)關(guān)鍵問題之一。多尺度分割參數(shù)(形狀、緊實(shí)度)的設(shè)定組合差異同樣影響地物的信息提取，為不影響分割尺度效果判斷，本研究中統(tǒng)一設(shè)定為0.3，0.5[1]。

1.1 主要涉及的最優(yōu)尺度計(jì)算方法

1)最大面積法。最大面積在這里是指影像分割對(duì)象的最大面積，隨分割尺度的逐漸增大，影像對(duì)象的面積大小應(yīng)不超過其類別實(shí)體的固有大小，即在一定尺度范圍內(nèi)，影像對(duì)象的最大面積值保持穩(wěn)定，那么該尺度范圍能較好的表示該類地物的實(shí)際大小[18]。但對(duì)于地物比較復(fù)雜的遙感影像，該方法并不能適用于所有類別，因?yàn)橛行┑匚镌诜指畛叨茸兓^程中一直處于最大面積狀態(tài)，這樣地物的最優(yōu)分割尺度難以確定，需要配合其他方法使用。

2)均值方差法。當(dāng)分割尺度適合某類地物時(shí)，分割對(duì)象大小與地物實(shí)際面積對(duì)應(yīng)，此時(shí)對(duì)象與其他對(duì)象之間在光譜、紋理、空間結(jié)構(gòu)等方面都存在較大的差異，達(dá)到較好的分割效果。當(dāng)對(duì)象間均值方差最大時(shí)，其所對(duì)應(yīng)的分割尺度是最優(yōu)的，這種方法能夠有效避免目視分割效果的主觀誤判。但是在使用均值方差法評(píng)價(jià)分割質(zhì)量時(shí)，只考慮了單波段的信息，且沒有考慮對(duì)象內(nèi)部同質(zhì)性變化對(duì)分割效果的影響。

1.2 最優(yōu)尺度確定方法及改進(jìn)的基于多波段的模型計(jì)算

首先通過統(tǒng)計(jì)對(duì)象最大面積，繪制統(tǒng)計(jì)曲線圖，得到一個(gè)最優(yōu)分割尺度的模糊取值范圍。結(jié)合模糊取值范圍和分割效果評(píng)價(jià)模型的計(jì)算結(jié)果，最終確定分割體系的最優(yōu)層次尺度。

理想分割結(jié)果特征在各個(gè)波段都能夠一定程度上體現(xiàn)。李朝奎面向?qū)ο蠛鸵?guī)則的高分影像分類研究中，只考慮了對(duì)象間的異質(zhì)性情況分割尺度，忽視了內(nèi)部同質(zhì)性的分割效果[10]。綜合考慮多波段特征及對(duì)象內(nèi)外信息，提出了改進(jìn)的最優(yōu)尺度評(píng)價(jià)模型，以便確定最優(yōu)的分割尺度層次。

最優(yōu)尺度的分割質(zhì)量由兩部分體現(xiàn)，一部分是對(duì)象內(nèi)部的同質(zhì)性，以對(duì)象內(nèi)部的標(biāo)準(zhǔn)差來表現(xiàn)[16]。另一部分是對(duì)象間的異質(zhì)性，以對(duì)象間均值方差來表現(xiàn)[10]。

(1)

(2)

式中:Vb為b波段的對(duì)象同質(zhì)性指數(shù)，n為分割對(duì)象的總個(gè)數(shù)，ai是對(duì)象i的面積，引入面積因子是為了避免小對(duì)象造成的不穩(wěn)定性，Vi是對(duì)象i在b波段的標(biāo)準(zhǔn)差；V為總同質(zhì)性指數(shù)，其數(shù)值為各個(gè)波段的同質(zhì)性加權(quán)平均值，N為波段個(gè)數(shù)，tb為波段b的權(quán)重。V數(shù)值越小，意味著內(nèi)部異質(zhì)性越小，同質(zhì)性越高，分割效果則越佳。

(3)

(4)

(5)

(6)

為了得到量綱一致的同質(zhì)性和異質(zhì)性指數(shù)，對(duì)上述結(jié)果先做歸一化處理，后根據(jù)同質(zhì)性和異質(zhì)性的標(biāo)準(zhǔn)化因子構(gòu)建分割質(zhì)量評(píng)價(jià)模型F：

(7)

(8)

F=wF(V)+(1-w)F(S2).

(9)

式中:F為分割質(zhì)量評(píng)價(jià)函數(shù)，也就是目標(biāo)函數(shù)，F(xiàn)(V)為歸一化同質(zhì)性函數(shù)，F(xiàn)(S2)為歸一化異質(zhì)性函數(shù)，w為權(quán)重，其范圍為[0,1]。

基于模型計(jì)算，可以得到試驗(yàn)尺度范圍的分割質(zhì)量值，通過繪制質(zhì)量值曲線，確定波峰位置，其所對(duì)應(yīng)的尺度即為所求。

2 實(shí)驗(yàn)方案

2.1 數(shù)據(jù)與預(yù)處理

本文采用北京市延慶縣張山營鎮(zhèn)的QuickBird影像作為數(shù)據(jù)源，其多光譜影像空間分辨率為2.44 m(包括藍(lán)、綠、紅、近紅外4個(gè)波段)，全色影像空間分辨率為0.6 m。影像經(jīng)過幾何校正、影像融合、影像裁剪的預(yù)處理。在前人有關(guān)高分辨率影像融合的研究中， Gram-Schmidt Pan Sharpening算法具有較好的融合效果[19]，故本文選擇此種方法進(jìn)行影像融合。為了對(duì)地區(qū)進(jìn)行完整的分類研究，影像的裁剪區(qū)域較大，為7 594像素×9 276像素。最后以研究區(qū)踏查結(jié)果和同期延慶縣二類調(diào)查小班數(shù)據(jù)結(jié)合目視解譯結(jié)果作為驗(yàn)證數(shù)據(jù)源。

2.2 最優(yōu)分割尺度的確定

確定分割尺度是面向?qū)ο蠓诸愔兄陵P(guān)重要的一環(huán)，直接影響著最終分類的精度。為了確定各種地物類別對(duì)應(yīng)的最優(yōu)分割尺度，本文選擇30～200的尺度范圍進(jìn)行尺度梯度分割實(shí)驗(yàn)，間隔單位設(shè)為10。通過影像目視解譯，確定研究區(qū)地物主要類型有：水體、林地、耕地、苗圃、建筑、道路、裸地7類，其中研究區(qū)建筑類地物面積較小，水體分布分散且有很多面積較小的小水洼，林地、耕地、苗圃的單位地物面積大。當(dāng)分割尺度設(shè)定較大時(shí)，建筑、水體等會(huì)發(fā)生欠分割現(xiàn)象，與植被、裸地能混為一體，只有當(dāng)分割尺度設(shè)定較小時(shí)，單個(gè)地物才能被完整的分割出來。不同尺度的分割效果見圖1。

圖1 不同預(yù)設(shè)尺度的分割效果

2.2.1 計(jì)算對(duì)象最大面積

根據(jù)分割尺度及其所對(duì)應(yīng)的對(duì)象最大面積值繪制折線圖(見圖2)，由圖2分析可知最優(yōu)分割尺度范圍位于[60，70],[80，90],[100，120],[130，140],[160，200]。

圖2 最大面積法最優(yōu)尺度選擇

2.2.2 基于多波段的分割質(zhì)量模型計(jì)算

根據(jù)上述對(duì)象最大面積與分割尺度關(guān)系圖，可以得到初步的最優(yōu)分割尺度范圍，借助分割質(zhì)量模型進(jìn)一步判定。確定各尺度下的同質(zhì)性和異質(zhì)性，把波段權(quán)重暫且都設(shè)為1。隨分割尺度的遞增，分割對(duì)象的數(shù)目越來越少，同質(zhì)性指數(shù)總體呈遞減趨勢(shì)(見圖3)，異質(zhì)性指數(shù)總體呈遞增趨勢(shì)(見圖4)，同質(zhì)性和異質(zhì)性因子本身的矛盾性。在本次分割實(shí)驗(yàn)中，側(cè)重考慮異型性對(duì)分割結(jié)果的貢獻(xiàn)，所以設(shè)w=0.3，也就是說同質(zhì)性指標(biāo)權(quán)重為0.3，異質(zhì)性指標(biāo)權(quán)重為0.7，分割質(zhì)量模型結(jié)果如圖5所示。

圖3 同質(zhì)性指標(biāo)值與分割尺度的關(guān)系

圖4 同質(zhì)性指標(biāo)值與尺度的關(guān)系

2.2.3 最優(yōu)分割尺度選擇

從圖5可以看出，當(dāng)分割尺度為160,150,100,60時(shí)，分割質(zhì)量值位于波峰位置，同時(shí)結(jié)合最大面積的尺度取值區(qū)間，最終確定最優(yōu)分割尺度為160,100,60三個(gè)層次。根據(jù)經(jīng)驗(yàn)及目視分割效果確定不同地物類別的所屬層次，林地、耕地、苗圃單位地物面積較大，為了避免過分割現(xiàn)象，采用160的尺度；水體、建筑具有很多面積很小的個(gè)體，為了保證最小的個(gè)體能夠被完整的分割出來，故采用60的尺度；裸地、道路采用100的尺度，效果如圖6所示。

圖5 分割質(zhì)量值與分割尺度的關(guān)系

2.3 特征信息提取與分類規(guī)則制定

2.3.1 樣本采集

要對(duì)地物分別制定合適的規(guī)則及其他類別區(qū)別開來，深入理解各個(gè)類別的光譜、形狀、空間特征。訓(xùn)練樣本的采集和數(shù)據(jù)分析是理解地物特征的常用方式之一，訓(xùn)練樣本的數(shù)量和質(zhì)量直接決定著地物的特征能否被很好的表達(dá)與分析。根據(jù)7種地物的分割實(shí)驗(yàn)，本研究在其各自的最優(yōu)分割尺度下選擇樣本。選擇樣本時(shí)注意樣本的總面積與該類地物所占影像的總面積成正比，避免選擇位于類別邊緣、包含混合像元的樣本。

2.3.2 特征信息提取

統(tǒng)計(jì)樣本的光譜、空間特征值范圍(部分特征值見表1)，結(jié)合人工經(jīng)驗(yàn)分析地物類別間的特征差異：用歸一化植被指數(shù)NDVI值區(qū)分植被和非植被，歸一化水體指數(shù)NDWI值區(qū)分水體和非水體[20]；耕地、苗圃、建筑的形狀偏向矩形，可以由Rectangular Fit與其他類別區(qū)分；道路有亮色、暗色兩類，可以分別制定規(guī)則，裸地、道路(亮)及建筑的亮度值偏高；道路區(qū)別于其他地物的特征是其長寬比值大；苗圃一般位于交通便利的位置，可以用Distance to Road區(qū)別于一般林地。

2.4 建立分類規(guī)則體系

研究區(qū)域較大，為提高分類精度，需要利用光譜信息、空間信息等多方面的知識(shí)進(jìn)行判斷提取。在綜合利用地物多種特征統(tǒng)計(jì)值的基礎(chǔ)上，以eCognition軟件為平臺(tái)，進(jìn)行多次分類試驗(yàn)，確定最終多層次分類判別規(guī)則，見表2。

表1 各地類樣本部分特征值統(tǒng)計(jì)

表2 分類體系與規(guī)則

在實(shí)際分類操作中，結(jié)合合并工具，采用分割尺度遞增的分類模式，具體分類過程如圖7所示。首先基于60的尺度進(jìn)行全圖分割， 60的尺度下陰影為單獨(dú)研究對(duì)象，且與水體光譜相近，在此利用NDWI值區(qū)分水體和非水體，陰影部分被很好地區(qū)分；然后合并非水體類別，對(duì)非水體執(zhí)行尺度為160的重分割，后根據(jù)NDVI值區(qū)分植被和非植被部分。研究區(qū)大部分陰影為樹影及山地起伏造成，由于其NDVI值較高且實(shí)際地類也屬于植被區(qū)，故不單獨(dú)提?。粚?duì)于非植被區(qū)，重分割設(shè)置尺度為60，建立建筑提取規(guī)則，由于建筑和部分道路的光譜特征重合，暫時(shí)會(huì)有一定的錯(cuò)分情況；接著將剩余的非植被區(qū)合并，再進(jìn)行尺度為100的重分割，設(shè)置道路和裸地的提取規(guī)則，同時(shí)對(duì)建筑類也執(zhí)行合并與重分割，再根據(jù)道路提取規(guī)則(Length of main line等)排除錯(cuò)分的道路部分；最后對(duì)于植被區(qū)，設(shè)置苗圃和耕地的提取規(guī)則，提取這兩類后，余下的部分為林地。這種多層次逐級(jí)分類方式，既能避免經(jīng)典的由大尺度分割到小尺度分割造成的小類別歸并錯(cuò)誤，又能充分利用層次間的繼承關(guān)系與局部差異性，提高高分辨率影像分類的效率與準(zhǔn)確性。

3 結(jié)果與分析

為了更好地比較本方法與以往單一尺度分割方式的分類結(jié)果，進(jìn)行基于單一尺度的分割分類試驗(yàn)。在實(shí)驗(yàn)中，保證所選樣本位置固定，基于各個(gè)分割尺度執(zhí)行最近鄰分類，采用基于樣本點(diǎn)(踏查結(jié)果、二調(diào)數(shù)據(jù)結(jié)合目視判別)的混淆矩陣進(jìn)行精度驗(yàn)證，故分類精度最高的結(jié)果對(duì)應(yīng)的尺度即為最優(yōu)單一分割尺度，具體最近鄰分類方法原理見文獻(xiàn)[19]。實(shí)驗(yàn)結(jié)果表明，最鄰近分類實(shí)驗(yàn)得到的最優(yōu)尺度為110，此時(shí)分類精度相對(duì)最高，總體精度為81.4%，Kappa系數(shù)為0.773，但錯(cuò)分地類零星散布，建筑、裸地、苗圃分類效果較差，見圖8(c)。同樣基于110的分割尺度，延續(xù)上文所用隸屬度函數(shù)(少量修改，如去掉面積約束)的規(guī)則分類結(jié)果，其總體精度為83.2%，Kappa系數(shù)為0.85，總體效果尚可，但個(gè)別類別如苗圃，精度只有48.3%，見圖8(b)。而經(jīng)本文的方法進(jìn)行分類后，地類破碎程度得到很大程度的改善，將分類結(jié)果與已知類別的驗(yàn)證樣本比較，結(jié)果顯示，基于最優(yōu)尺度層次和規(guī)則的面向?qū)ο蠓诸惪偩葹?8.8%，Kappa系數(shù)為0.861(見表3)，比基于單一尺度的分類精度提高了6%～8%，且高度改善了小面積地物的錯(cuò)分情況，如圖8(a)所示。從單個(gè)類別的分類結(jié)果分析，水體、林地的分類效果較好，而光譜信息相近的建筑、裸地、道路三類別效果欠佳，其中裸地的錯(cuò)分現(xiàn)象、建筑的漏分現(xiàn)象比較嚴(yán)重，苗圃的分類規(guī)則也還需要完善。另外，經(jīng)提取過程后，仍然有零星的建筑陰影沒有被賦予類別，因?yàn)槠涿娣e很小，對(duì)整個(gè)研究區(qū)的分類影像可以忽略，故在此沒有進(jìn)行進(jìn)一步的研究。

圖7 具體分類流程

上述結(jié)果表明，基于多層次最優(yōu)尺度的分類優(yōu)于基于單一分割尺度的方法，能夠充分利用類別間局部差異和繼承關(guān)系，而制定規(guī)則區(qū)分地物的分類方法可以幫助減少地物的零散與錯(cuò)誤情況。總的來說，本文研究方法能夠有效區(qū)分高分辨率影像的地物類別，為將來影像精細(xì)分類提供經(jīng)驗(yàn)參考。

4 結(jié)束語

1)本文利用面向?qū)ο蟮姆椒ǎC合分割對(duì)象最大面積和評(píng)價(jià)模型確定多尺度分割層次，彌補(bǔ)使用單一方法在判斷合適尺度的局限和不足。在分割尺度的選擇上，確定最優(yōu)尺度層次而非單一最優(yōu)尺度，能夠利用不同類型地物的完整信息和類間關(guān)聯(lián)進(jìn)行提取。在分類的過程中，結(jié)合合并工具的使用，進(jìn)行由小尺度地物到大尺度地物的分類，使地物間的繼承關(guān)系與局部差異較好的體現(xiàn)。在分析地物特征信息的基礎(chǔ)上，采用基于規(guī)則的方法對(duì)張山營鎮(zhèn)的影像進(jìn)行分類，總體精度達(dá)到了88.8%，Kappa系數(shù)為0.861，明顯優(yōu)于基于單一尺度的最近鄰分類和規(guī)則分類。表明結(jié)合最優(yōu)分割尺度和基于規(guī)則的方法能夠較為準(zhǔn)確獲取土地利用類型，為高分辨率的精細(xì)分類提供了經(jīng)驗(yàn)和參考。

2)規(guī)則的制定直接影響最終的規(guī)則分類結(jié)果，由于提取建筑的規(guī)則較為粗泛，所以研究中建筑的過度提取比較明顯，其生產(chǎn)者精度高而錯(cuò)分現(xiàn)象較為嚴(yán)重，所以用戶精度只有不到80%。而對(duì)于某些地類，如建筑、苗圃等，其光譜信息與其他某些地類沒有明顯區(qū)別，單一以紋理、空間信息加以區(qū)分效果較差，建筑生產(chǎn)者精度只有66.2%，苗圃的生產(chǎn)者精度只有63.3%，說明現(xiàn)有的方法和規(guī)則不能對(duì)其進(jìn)行準(zhǔn)確地信息提取，需要進(jìn)一步的研究。

3)同時(shí)，基于規(guī)則的分類方法依賴于研究者的主觀分析判斷水平，為提高分類效果，本文選取特征規(guī)則數(shù)目較多，優(yōu)選、排除的過程也較為繁雜，如何改進(jìn)、簡(jiǎn)化分類過程也是后續(xù)的研究方向。

[1] 崔一嬌,朱琳,趙力娟. 基于面向?qū)ο蠹肮庾V特征的植被信息提取與分析[J].生態(tài)學(xué)報(bào),2013,33(3):867-875．

[2] ANDRESEN T, MOTT C, ZIMMERMANN S, et al. Object-oriented information extraction for the monitoring of sensitive aquatic environments[C]. IEEE International Geoscience and Remote Sensing Symposium(IGARSS), 2002, 5:3083-3085.

[3] JACQUIN A, MISAKOVA L. A hybrid object-based classification approach for mapping urban sprawl in periurban environment[J]. Landscape and Urban Planning, 2008,84:152-165.

[4] BLASCHKE T. Object based Image Analysis for Remote Sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):2-16.

[5] 朱俊杰,范湘濤,杜小平. 面向?qū)ο蟮母叻直媛蔬b感圖像分析[M].北京:科學(xué)出版社,2014:4-10.

[6] 陳杰,鄧敏,肖鵬峰,等.粗糙集高分辨率遙感影像面向?qū)ο蠓诸怺J]. 遙感學(xué)報(bào),2010,14(6):1139-1155.

[7] 甘甜, 李金平, 李小強(qiáng), 等. 面向?qū)ο蟮母叻直媛蔬b感影像建筑物震害信息提取[J]. 測(cè)繪工程, 2015,24(4):11-15.

[8] 郭建聰,李培軍,肖曉柏. 一種高分辨率多光譜圖像的多尺度分割算法[J]. 北京大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,45(2):306-310.

[9] JOHNSON B, XIE Zhixiao. Unsupervised image segmentation evaluation and refinement using a multi-scale approach[J]. SPRS Journal of Photogrammetry and Remote Sensing, 2011, 66:473-483.

[10] 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(cè)繪通報(bào),2015(9):9-13.

[11] 朱紅春,蔡麗杰,劉海英,等. 高分辨率影像分類的最優(yōu)分割尺度計(jì)算[J].測(cè)繪科學(xué),2015(3):71-75.

[12] WOODCOCK C E, STRAHLER A H. The factor of scale in remote sensing[J]. Remote Sens Environ, 1987, 21(3):311-332.

[13] 張俊,朱國龍,李妍. 面向?qū)ο蟾叻直媛视跋裥畔⑻崛≈械某叨刃?yīng)及最優(yōu)尺度研究[J].測(cè)繪科學(xué),2011,36(2):107-110.

[14] 朱成杰,楊世植,崔生成,等. 面向?qū)ο蟮母叻直媛蔬b感影像分割精度評(píng)價(jià)方法[J].強(qiáng)激光與粒子束,2015,27(6):37-43.

[15] 陳杰,陳鐵橋,梅小明,等. 基于最優(yōu)尺度選擇的高分辨率遙感影像丘陵農(nóng)田提取[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(5):99-106.

[16] 劉兆祎,李鑫慧, 沈潤平,等. 高分辨率遙感影像分割的最優(yōu)尺度選擇[J].計(jì)算機(jī)工程與應(yīng)用,2014, 50(6):144-147.

[17] 宋曉陽,姜小三,江東,等. 基于面向?qū)ο蟮母叻钟跋穹诸愌芯縖J]. 遙感技術(shù)與應(yīng)用,2015,30(1):99-105.

[18] 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(xué)院研究生院(遙感應(yīng)用研究所),2003.

[19] 別強(qiáng),何磊,趙傳燕. 基于影像融合和面向?qū)ο蠹夹g(shù)的植被信息提取研究[J].遙感技術(shù)與應(yīng)用,2014,29(1):164-171.

[20] 孔博,鄧偉,李愛農(nóng),等. 多源數(shù)據(jù)的面向?qū)ο髧H河流土地覆被分類研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2015, 40(7):943-949.

[責(zé)任編輯：李銘娜]

Classification of high-resolution image based on optimal scale and rule

LI Xiaojing, PENG Daoli，WANG Haibin

(Forestry College，Beijing Forestry University，Beijing 100083，China)

The development of object-oriented classification technology has been promoted by extensive application of high-resolution image, and with segmentation as one key step of object-oriented classification, the selection of segmentation scale determines the result of information extraction. Spatial scale is an inherent attribute of the object, and the information of the object can be better recognized under the appropriate segmentation scale. Based on QuickBird image of Zhangshanying town, a segmentation experiment has been carried out in the scope of 30～200scale. An optimal scale range is obtained by analyzing the maximum area of the objects, and then the final scale level is determined by the segmentation quality assessment model. According to the spectrum and texture feature provided by the samples, the rules of object-oriented classification are built to finish the extraction of land cover type. The result shows that the method based on optimal scales and rules is more effective in high-resolution image information extraction than that based on single scale, which overall accuracy reaches 88.8%, and Kappa coefficient is 0.861.While the overall accuracy of the nearest neighbor method based on single scale is 81.4% and the overall accuracy of the method based on rules and single scale is 83.2%.

object-oriented classification；multi-scale segmentation；optimal scale；rule；scale level

2016-06-27

國家林業(yè)局948資助項(xiàng)目(2015-4-32);國家重點(diǎn)林業(yè)工程監(jiān)測(cè)技術(shù)示范推廣項(xiàng)目(2015-02)

李曉靖(1991-)女，碩士研究生.

彭道黎(1963-)男，教授，博士.

著錄：李曉靖，彭道黎，王海賓.基于最優(yōu)尺度和規(guī)則的高分辨率影像分類研究[J].測(cè)繪工程，2017，26(9)：14-22.

10.19349/j.cnki.issn1006-7949.2017.09.004

TP75;S257

A

1006-7949(2017)09-0014-09