孫小芳

(閩江學(xué)院地理科學(xué)系，福州 350121)

結(jié)合目標(biāo)分割的高光譜城市地物分類

孫小芳

(閩江學(xué)院地理科學(xué)系，福州 350121)

結(jié)合高光譜影像地物光譜特征與高空間分辨率影像分割獲得的目標(biāo)對(duì)象進(jìn)行地物分類。首先，對(duì)Hyperion影像進(jìn)行壞線和Smile效應(yīng)去除，經(jīng)過(guò)FLAASH大氣校正后，得到研究所用的155個(gè)波段； 其次，利用地物光譜曲線的特征點(diǎn)確定適合地物識(shí)別的光譜分辨率，進(jìn)行Hyperion影像降維，生成降維后所需的21個(gè)寬波段； 然后，對(duì)IKONOS影像采用小波融合，利用多分辨率分割技術(shù)生成高空間分辨率影像目標(biāo)對(duì)象； 最后，基于層次分析法對(duì)分割后生成的目標(biāo)對(duì)象進(jìn)行分類，采用模糊隸屬函數(shù)利用植被紅邊效應(yīng)、水體在近紅外波段吸收特征進(jìn)行第1層次分類，再取距離值最大的前10個(gè)Hyperion影像波段作為標(biāo)準(zhǔn)最鄰近分類的特征波段，完成第2層次分類。分類結(jié)果表明，研究區(qū)共分出9種地物類型，分類效果明顯優(yōu)于最大似然法分類與光譜角填圖法。

Hyperion降維； IKONOS融合； 分割； 光譜特征； 分類

0 引言

進(jìn)入21世紀(jì)以來(lái)，各種成像光譜儀技術(shù)的進(jìn)步及其應(yīng)用領(lǐng)域的快速擴(kuò)展，使高光譜遙感技術(shù)被廣泛應(yīng)用于國(guó)土資源利用、環(huán)境監(jiān)測(cè)、地質(zhì)勘探、農(nóng)業(yè)生產(chǎn)、災(zāi)害預(yù)警、城市規(guī)劃、人工目標(biāo)識(shí)別以及軍事探測(cè)等領(lǐng)域。潘灼坤等[1]利用植被光譜的豐度分析表示植被脅迫的特征； Zhang等[2]基于AVIRIS圖像的紋理特征和光譜特征，利用神經(jīng)網(wǎng)絡(luò)分類器完成15種植被分類，平均Kappa值達(dá)到0.94； Roberts等[3]利用213個(gè)波段的VSWIR影像和第8波段的TIR影像進(jìn)行14種城市地物類型的識(shí)別； 龔建周等[4]以廣州市大學(xué)城Hyperion影像為研究對(duì)象，采用光譜角匹配、無(wú)約束和全約束的線性混合像元分解等3種方法進(jìn)行地物識(shí)別與分類，分別生成地物分類圖。與此同時(shí)，高空間分辨率遙感數(shù)據(jù)也已被廣泛應(yīng)用于地物識(shí)別。余先川等[5]提出了一種基于面向?qū)ο蟮臒o(wú)監(jiān)督分類方法，進(jìn)行無(wú)任何先驗(yàn)知識(shí)的高空間分辨率遙感數(shù)據(jù)的自動(dòng)分類； Petropoulos等[6]結(jié)合QuickBird與Hyperion影像，利用支持向量機(jī)分類，完成土地利用制圖； Pu等[7]利用基于目標(biāo)的分析方法完成了WorldView-2影像中7種城市綠化樹種的識(shí)別； Huang等[8]提出在圖像原有參數(shù)基礎(chǔ)上，利用三維小波變換建立光譜-空間局域方差參數(shù)，完成高空間分辨率影像分類。本文結(jié)合高光譜數(shù)據(jù)對(duì)地物的鑒別能力及高空間分辨率影像的空間特征，充分利用2種數(shù)據(jù)源的優(yōu)勢(shì)，兼顧光譜與空間信息開展地物識(shí)別及分類研究。

1 數(shù)據(jù)源

采用的Hyperion數(shù)據(jù)范圍為福州市中心城區(qū)，數(shù)據(jù)獲取時(shí)間為2003年3月26日(其L1R數(shù)據(jù)產(chǎn)品生成于2009年7月7日)； 采用的高級(jí)陸地成像儀(advanced land imager， ALI)全色影像及IKONOS影像也獲取于同一時(shí)期。

1.1 Hyperion數(shù)據(jù)預(yù)處理

由于Hyperion探測(cè)器工作不正常和定標(biāo)精度存在問(wèn)題，導(dǎo)致部分波段圖像某列數(shù)據(jù)缺少光譜信息，圖像上呈現(xiàn)一條黑線(即壞線)[9-10]。經(jīng)檢測(cè)所采用的L1R數(shù)據(jù)壞線列號(hào)為： 1，6，22，91，92，94，112，114，137，147，199，239和255，選用出現(xiàn)壞線相鄰列的平均值替換壞線部分進(jìn)行修復(fù)。隨后采用交叉軌道照度校正方法完成Smile效應(yīng)的糾正[11]。

大氣校正是為了消除大氣和光照等因素對(duì)地物反射的影響，獲取地物的真實(shí)反射率，研究中所采用的FLAASH是基于MODTRAN4輻射傳輸模型的大氣校正模塊。

Hyperion的LlR產(chǎn)品一共242個(gè)波段，其中只有198個(gè)波段進(jìn)行了定標(biāo)處理，其他波段的值賦為0。經(jīng)過(guò)FLAASH大氣校正后，再去除噪聲嚴(yán)重、數(shù)據(jù)質(zhì)量差的波段，最終用于研究的有155個(gè)波段，即8～57，79，83～119，133～164，183，184，188～220[12-13]。

1.2 Hyperion數(shù)據(jù)降維

Hyperion影像光譜分辨率為10 nm，對(duì)研究所用的155個(gè)波段進(jìn)行7次DB離散小波分解，各層所對(duì)應(yīng)的光譜分辨率分別為20 nm，40 nm，80 nm，160 nm，320 nm，640 nm和1 280 nm。小波方差僅為尺度函數(shù)，與位置無(wú)關(guān)，通過(guò)小波方差的拐點(diǎn)值可以直觀地識(shí)別光譜特征尺度，而小波細(xì)節(jié)系數(shù)表示光譜反射值變化較快和局部特征部分，通過(guò)計(jì)算小波細(xì)節(jié)系數(shù)方差來(lái)說(shuō)明光譜特征尺度。在研究中計(jì)算9種地物樣本平均光譜，進(jìn)行小波分解，獲得各樣本小波細(xì)節(jié)系數(shù)方差，結(jié)果顯示在1～3尺度中的細(xì)節(jié)表現(xiàn)能力下降較少，3尺度以后方差變大，說(shuō)明3尺度光譜分辨率(即光譜分辨率為80 nm)可以基本區(qū)分9類地物。根據(jù)地物可識(shí)別的光譜分辨率確定Hyperion影像的寬波段范圍，將該范圍內(nèi)的各高光譜波段進(jìn)行小波融合，生成21個(gè)寬波段影像。圖1以草坪光譜為例，說(shuō)明光譜尺度特征拐點(diǎn)[14]。

圖1 草坪光譜小波細(xì)節(jié)系數(shù)方差

1.3 影像融合

(1)

(2)

(3)

式中：PABkSA(x,y)反映了影像的整體清晰度； 而LBkSBk(x,y)反映了影像的彩色對(duì)比度，可用于校正融合影像中存在的彩色偏差；MA(i,j)和MBk(i,j)分別為全色和多光譜影像第k波段低頻近似分量均值。利用局部方差最大準(zhǔn)則來(lái)重構(gòu)高頻小波系數(shù)。同理，將Hyperion影像降維后的21個(gè)波段與ALI全色影像進(jìn)行融合。

2 IKONOS多分辨率分割

IKONOS影像融合后借助多分辨率分割技術(shù)獲得目標(biāo)對(duì)象。目標(biāo)差異值包括： 光譜值、緊密度和光滑度[15]。研究中通過(guò)多次實(shí)驗(yàn)，設(shè)定目標(biāo)緊密度值為0.5，光滑度值為0.3，最小分割單元為100個(gè)像元。因?yàn)槿诤虾蟮腎KONOS影像空間分辨率為1 m，融合后的Hyperion影像空間分辨率為10 m，當(dāng)IKONOS影像的最小分割單元設(shè)定為100個(gè)像元時(shí)，剛好對(duì)應(yīng)Hyperion影像的1個(gè)像元大小。

3 層次法分類

采用層次分析法對(duì)分割后生成的目標(biāo)對(duì)象進(jìn)行分類，觀察Hyperion影像中不同種類地物光譜曲線，利用植被所特有的紅邊現(xiàn)象(在可見(jiàn)光與近紅外波段之間，即760 nm附近，反射率急劇上升，形成所謂“紅邊”[10])的第1層次分類將地物分成植被和非植被2大類。第2層次分類則根據(jù)較純凈的自然水體在1 100～2 500 nm波段范圍反射率很低，幾乎接近于0，將非植被分成人工地物和水體2大類。由于上述分類指標(biāo)較單一，采用模糊隸屬度函數(shù)可以精確定義對(duì)象屬于某一類的標(biāo)準(zhǔn)，并進(jìn)行快速分類。

隨后，再將植被細(xì)分成樹灌和草坪2類。人工地物也進(jìn)一步細(xì)分成道路、不可滲透表面、紅棕建筑、藍(lán)色建筑、灰黑建筑和亮色建筑6類。地物細(xì)分是依據(jù)降維后Hyperion數(shù)據(jù)的光譜值，在Hyperion波段特征優(yōu)選的基礎(chǔ)上，采用光譜標(biāo)準(zhǔn)最鄰近分類法進(jìn)行分類。

3.1 模糊分類

利用植被紅邊效應(yīng)，選擇降維后Hyperion影像第5波段(760 nm)和第4波段(670 nm)，通過(guò)采用布爾大于隸屬函數(shù)方法判斷上述波段的斜率來(lái)區(qū)分植被，即當(dāng)斜率大于0時(shí)為植被，當(dāng)斜率小于0時(shí)為非植被。利用水體近紅外波段光譜平均值小于45的指標(biāo)來(lái)判定水體，由于降維后的Hyperion數(shù)據(jù)從第6波段(833 nm)開始為近紅外波段，故采用小于隸屬函數(shù)的方法來(lái)判斷第6波段以后所有波段的光譜平均值，當(dāng)平均值小于45時(shí)則歸為水體。

3.2 標(biāo)準(zhǔn)最鄰近分類

標(biāo)準(zhǔn)最鄰近分類是基于易康軟件平臺(tái)的監(jiān)督分類。該算法先定義影像對(duì)象的類別，選擇具有代表性的樣本，通過(guò)計(jì)算樣本類別的特征，在一個(gè)特征空間下完成影像的分類。在研究中利用Hyperion影像波段分割的對(duì)象光譜均值作為分類特征，通過(guò)計(jì)算各樣本對(duì)象的光譜均值距離，取距離值最大的前10個(gè)波段作為分類的特征波段。這10個(gè)波段依次為： 8，17，2，21，1，12，7，4，16和6。表1為9類地物樣本上述10個(gè)波段的可分性距離矩陣。

表1 樣本類別可分性距離矩陣

從表1中可以看出，最小可分性距離0.894為不可滲透表面與灰黑建筑，最大可分性距離6.713為水體與亮色建筑，平均可分性距離為2.177。

本研究在基于本文方法開展分類的同時(shí)，進(jìn)行了IKONOS影像的最大似然法分類(maximum likelihood classification,MLC)與Hyperion影像的光譜角填圖法(spectral angle mapper,SAM)分類[15]。3種分類結(jié)果如圖2所示。

(a) IKONOS影像MLC法 (b) Hyperion影像SAM法 (c) 本文方法

圖23種分類方法結(jié)果

Fig.2Threekindsofclassificationresults

從圖2(a)中可以看出IKONOS影像空間分辨率高，地物細(xì)節(jié)表現(xiàn)能力強(qiáng)，但由于光譜波段數(shù)過(guò)少，分類結(jié)果容易產(chǎn)生過(guò)多細(xì)小斑塊[16]，例如在影像中存在將道路與不可滲透表面誤分的情況，造成道路完整性表現(xiàn)不好。圖2(b)中由于Hyperion影像空間分辨率不高，在表現(xiàn)城市地物時(shí)存在著較多的混合像元現(xiàn)象，不能較好地表現(xiàn)地物的可區(qū)分性，在影像中存在較多未分類的區(qū)域(黑色)。圖2(c)綜合了2種數(shù)據(jù)的優(yōu)勢(shì)，采用分割層次分類能體現(xiàn)主要的城市地物特征，保證了對(duì)象的完整性和可區(qū)分性，取得了較好的分類效果。

4 結(jié)論

1)高光譜數(shù)據(jù)能夠詳細(xì)地反映出地物的光譜信息，增加地物的可區(qū)分性，有助于開展精細(xì)分類； 高空間分辨率影像能很好地表現(xiàn)地物細(xì)節(jié)特征，利用基于目標(biāo)對(duì)象的分割方法可以使分類結(jié)果保持更好的完整性。

2)2種數(shù)據(jù)相結(jié)合可有效識(shí)別出常見(jiàn)的9類城市地物，分類效果優(yōu)于各自單個(gè)數(shù)據(jù)的分類結(jié)果，可以為小比例尺專題制圖提供一種實(shí)用方法。

但是，文中對(duì)地物高光譜特征的應(yīng)用較為簡(jiǎn)單。在后續(xù)研究中可以進(jìn)一步探討不同種類地物的高光譜特征用于精細(xì)化分類識(shí)別和專題制圖的方法。

[1] 潘灼坤,王芳,夏麗華,等.高光譜遙感城市植被脅迫監(jiān)測(cè)研究[J].遙感技術(shù)與應(yīng)用,2012,27(1):68-76. Pan Z K,Wang F,Xia L H,et al.Research on urban vegetation stress monitoring by hyperspectral remote sensing[J].Remote Sensing Technology and Application,2012,27(1):68-76.

[2] Zhang C Y,Xie Z X.Combining object-based texture measures with a neural network for vegetation mapping in the Everglades from hyperspectral imagery[J].Remote Sensing of Environment,2012,124:310-320.

[3] Roberts D A,Quattrochi D A,Hulley G C,et al.Synergies between VSWIR and TIR data for the urban environment:An evaluation of the potential for the Hyperspectral Infrared Imager(HyspIRI) Decadal Survey mission[J].Remote Sensing of Environment,2012,117:83-101.

[4] 龔建周,陳健飛,劉彥隨.基于EO-1 Hyperion影像地物識(shí)別與分類不同方法的效果比較[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2013,21(3):453-462. Gong J Z,Chen J F,Liu Y S.Comparison of land use identification and classification using different models for EO-1 Hyperion images[J].Journal of Basic Science and Engineering,2013,21(3):453-462.

[5] 余先川,安衛(wèi)杰,賀輝.基于面向?qū)ο蟮臒o(wú)監(jiān)督分類的遙感影像自動(dòng)分類方法[J].地球物理學(xué)進(jìn)展,2012,27(2):744-749. Yu X C,An W J,He H.A method of auto classification based on object oriented unsupervised classification[J].Progress in Geophysics,2012,27(2):744-749.

[6] Petropoulos G P,Kalaitzidis C,Vadrevu K P.Support vector machines and object-based classification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery[J].Computers and Geosciences,2012,41:99-107.

[7] Pu R L,Landry S.A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species[J].Remote Sensing of Environment,2012,124:516-533.

[8] Huang X,Lu Q K,Zhang L P.A multi-index learning approach for classification of high-resolution remotely sensed images over urban areas[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,90:36-48.

[9] 譚炳香,李增元,陳爾學(xué),等.EO-1 Hyperion高光譜數(shù)據(jù)的預(yù)處理[J].遙感信息,2005(6):36-41. Tan B X,Li Z Y,Chen E X,et al.Preprocessing of EO-1 Hyperion hyperspectral data[J].Remote Sensing Information,2005(6):36-41.

[10]Roshan-Chhetri P,Abd-Elrahman A.De-striping hyperspectral imagery using wavelet transform and adaptive frequency domain filtering[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(5):620-636.

[11]喬振民,邢立新,李淼淼,等.Hyperion數(shù)據(jù)玉米葉綠素含量制圖[J].遙感技術(shù)與應(yīng)用,2012,27(2):275-281. Qiao Z M,Xing L X,Li M M,et al.Mapping of maize Chlorophyll content with Hyperion data[J].Remote Sensing Technology and Application,2012,27(2):275-281.

[12]龔建周,陳健飛,劉彥隨.EO-1 Hyperion高光譜影像的FLAASH大氣校正與評(píng)價(jià)[J].廣州大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,10(5):69-75. Gong J Z,Chen J F,Liu Y S.Atmospheric correction and evaluation for EO-1 Hyperion images based on FLAASH model[J].Journal of Guangzhou University(Natural Science Edition),2011,10(5):69-75.

[13]Pu R L,Gong P.Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping[J].Remote Sensing of Environment,2004,91(2):212-224.

[14]Hsu P H.Feature extraction of hyperspectral images using wavelet and matching pursuit[J].ISPRS Journal of Photogrammetry and Remote Sensing,2007,62(1):78-92.

[15]Gmb H.Ecognition User Guide[M].Germany:Definients Image Company,2004:110-125.

[16]王露.面向?qū)ο蟮母叻直媛蔬b感影像多尺度分割參數(shù)及分類研究[D].長(zhǎng)沙:中南大學(xué),2014. Wang L.Analysing Classification and Segmentation Parameters Selection in High Resolution Remote Sensing Image Using Based on Object[D].Changsha:Central South University,2014.

[17]王雪,李培軍,姜莎莎,等.利用機(jī)載LiDAR數(shù)據(jù)和高分辨率圖像提取復(fù)雜城區(qū)建筑物[J].國(guó)土資源遙感,2016,28(2):106-111.doi:10.6046/gtzyyg.2016.02.17. Wang X,Li P J,Jiang S S,et al.Building extraction using airborne LiDAR data and very high resolution imagery over a complex urban area[J].Remote Sensing for Land and Resources,2016,28(2):106-111.doi:10.6046/gtzyyg.2016.02.17.

(責(zé)任編輯：陳理)

Urbanfeaturesclassificationbasedonobjectssegmentationandhyperspectralcharacteristics

SUN Xiaofang

(DepartmentofGeography，MinjiangCollege，F(xiàn)uzhou350121，China)

Urban features classification is based on hyperspectral characteristics and high-resolution image segmentation objects. After the removal of bad lines and Smile effect, FLAASH atmospheric correction and 155 Hyperion bands were used in this study. Spectrum feature was used to determine objects recognition suitable spectral resolution, and after Hyperion dimensional reduction, 21 wide-bands were generated. Utility wavelet fusion was performed, and IKONOS high-resolution objects were generated by multi-resolution segmentation. On the basis of hierarchical analysis classification method for segmentation objects, fuzzy membership function of the vegetation red edge effect and the water absorption characteristics in the near infrared were used to complete first level classification. The larger distance of 10 Hyperion bands was used as feature bands, and the second level classification was completed by standard nearest neighbor classification. 9 types of urban features were separated. The classification results are better than the maximum likelihood classification and spectral angle mapper.

Hyperion dimensional reduction； IKONOS fusion； segmentation； spectral characteristics； classification

10.6046/gtzyyg.2017.03.25

孫小芳.結(jié)合目標(biāo)分割的高光譜城市地物分類[J].國(guó)土資源遙感,2017,29(3)：171-175.(Sun X F.Urban features classification based on objects segmentation and hyperspectral characteristics[J].Remote Sensing for Land and Resources,2017,29(3)：171-175.)

2016-03-07；

2016-04-09

國(guó)家自然科學(xué)基金項(xiàng)目“基于MODIS BRDF 產(chǎn)品的葉片聚集度系數(shù)遙感反演與驗(yàn)證”(編號(hào)： 41271354)、福建省科技廳資助項(xiàng)目“基于高光譜特征與目標(biāo)分割的城市地物識(shí)別研究”(編號(hào)： 2015J01627)和閩江學(xué)院資助項(xiàng)目“攝影測(cè)量學(xué)實(shí)踐教學(xué)改革”(編號(hào)： MJU2014BD19)共同資助。

孫小芳(1973-)，女,副教授,主要從事遙感圖像處理、高光譜與高空間分辨率遙感研究。Email： sunxf99@163.com。

TP 237

： A

： 1001-070X(2017)03-0171-05