魏本贊 田言亮 盧輝雄,3 牛海威 董雙發(fā) 張建永,3

（1.核工業(yè)航測遙感中心，石家莊 050002；2.中國地質(zhì)科學院水文地質(zhì)環(huán)境地質(zhì)研究所，石家莊050061；3.東華理工大學地球科學學院，南昌 330013）

一、前言

遙感技術作為地球信息科學的前沿技術，可以在短期內(nèi)連續(xù)獲取大范圍的地面信息，實現(xiàn)農(nóng)業(yè)信息的快速收集和定量分析，反應迅速，經(jīng)濟，客觀性強，是目前最為有效的對地觀測技術和信息獲取手段。國內(nèi)外學者對遙感影像信息提取開展了大量的工作，我國早在1979年陳述彭先生就開始倡導遙感估產(chǎn)[1]，LENNGTON等首先利用陸地衛(wèi)星數(shù)據(jù)的混合像元分解進行了作物種植面積提取的試驗[2]，徐希孺等利用混合像元的因子分析方法用NOAA/AVHRR數(shù)據(jù)講行了河南省冬小專播種而積的估算，提取的結果與TM影像的提取結果趨勢一致，具有較好的相關性[3]，N A QUARMBY等1992年采用混合像元線性分解方法用NOAA/AV HRR數(shù)據(jù)進行了農(nóng)作物種植面積的估算，達到了89%的精度[4]。傳統(tǒng)的基于像元的信息提取方法（如監(jiān)督分類與非監(jiān)督分類），主要利用影像的光譜特征進行，但隨著技術發(fā)展，越來越多的研究工作圍繞著面向對象的分類方法進行。

基于面向對象思想的影像分析方法，分割是基礎，分割尺度的選擇又是其中一個關鍵性問題；其次，為了提高信息提取的可靠性與準確性，對尺度選擇進行定量化己經(jīng)成為面向對象的遙感影像信息提取的一個亟待解決的問題。本文利用eCognition軟件，以面向對象遙感影像分類為主線，通過對影像分割參數(shù)的定量實驗，分析各個分割參數(shù)在影像對象生成中所起的作用，論證最佳影像分割尺度，采用全局精度、混淆矩陣及Kappa系數(shù)對信息提取結果進行評價，以期對實現(xiàn)大面積農(nóng)作物遙感信息準確提取和快速更新。

二、試驗區(qū)概況及遙感影像特征

2.1 試驗區(qū)概況

本文以河北省衡水市饒陽縣某地區(qū)作為影像分類與信息提取的試驗區(qū)。饒陽縣屬于暖溫帶亞濕潤季風氣候，共有林地面積23.8萬畝，森林覆蓋率達30%；有耕地58萬畝，有效灌溉面積38萬畝。試驗區(qū)處于我國主要糧食基地黃淮海平原上，農(nóng)作物種類較多，完全可以滿足本次試驗的需要。

2.2 遙感數(shù)據(jù)特征

本次主要選擇Landsat8數(shù)據(jù)作為遙感數(shù)據(jù)源，該數(shù)據(jù)從中國對地觀測中心免費獲取。Landsat8上攜帶有兩個主要載荷：OLI和TIRS，Landsat8 OLI數(shù)據(jù)主要為可見光到短波紅外波段，TIRS為熱紅外波段，本次研究工作主要使用Landsat8 OLI數(shù)據(jù)。其具有如下特征：

OLI陸地成像儀包括9個波段（表1），空間分辨率為30m，其中包括一個15m的全色波段，成像寬幅為185×185km。

?

?

2.3 數(shù)據(jù)預處理

遙感數(shù)據(jù)預處理，旨在改正或補償成像過程中的輻射失真、幾何畸變、各種噪聲以及高頻信息的損失等，為進一步做各類增強或分類處理等提供高質(zhì)量的圖像數(shù)據(jù)。試驗區(qū)所選用的遙感數(shù)據(jù)，均進行了圖像預處理，主要包括大氣校正、幾何校正、圖像配準、圖像鑲嵌等處理。

三、研究方法

3.1 面向對象的多尺度圖像分割

首先進行多尺度分割，多尺度影像分割可以理解為一個局部優(yōu)化過程。影像分割的參數(shù)主要有分割尺度、光譜因子、形狀因子等[5-6]。其中，分割尺度決定了分割對象的大小，不同的地物類別需要在不同尺度上分割；光譜因子決定了均質(zhì)性由圖像層的光譜值所決定的百分比；光滑度和緊湊度同屬于形狀因子，光滑度因子是通過光滑邊界來優(yōu)化圖像對象的，而緊湊度因子是通過聚集度來優(yōu)化圖像對象。異質(zhì)性則是由對象的形狀和光譜差異決定的，形狀的異質(zhì)性則是由其光滑度和緊湊度來衡量。

分割時應遵循兩個原則：一是盡可能設置較大的光譜因子權值；二是對于邊界不很光滑，但聚集度較高的影像可能使用形狀因子[7-8]。在滿足必要的精細條件下，盡量以最大的分割尺度獲取影像對象。影像分割參數(shù)，無既定的規(guī)則可行，需要通過試驗獲得[9]。Landsat8數(shù)據(jù)空間分辨率15m，本文經(jīng)過多次試驗結果，光譜因子取值0.8，形狀因子0.2，光滑度0.7，緊湊度0.3，影像分割效果好（圖1）。

本次試驗主要選擇3個分割尺度：20、60、100對試驗區(qū)的Landsat8影像進行分割，分別得到3個分割結果（圖1～圖3）。通過對比分析（表2），在尺度60上，裸地、耕地、道路等地物能夠較好地區(qū)分開，同時由較少的對象表示。

3.2 信息提取

3.2.1 植被指數(shù)分析

植被在紅波段、近紅外波段的反射值具有較大差異，通常對紅波段、近紅外波段進行數(shù)學預算來設計植被指數(shù)，突出植被信息。本次信息提取主要運用歸一化植被指數(shù)NDVI。

式（1）中，NIR表示近紅外波段，R表示紅外波段。NDVI取值范圍（-1，1），負值表示地面覆蓋云、水、雪等，對可見光高反射；0表示有巖石或裸土等，NIR和R近似相等；正值表示植被覆蓋，NDVI越大表示植被覆蓋度越大。

3.2.2 隸屬度函數(shù)分類

試驗區(qū)Landsat8數(shù)據(jù)時相為7月份，本次信息提取采用隸屬度函數(shù)分類法對植被與非植被進行分類。

隸屬度函數(shù)（成員函數(shù)）是一個模糊表達式，通過將影像對象的仟意特征值轉換為0～1之間的數(shù)值，表示該對象屬于某類地物的可能性，值越大，則該對象屬于此類的可能性就越大。本次植被與非植被信息提取中隸屬度函數(shù)設置分別如圖4、圖5所示。

運用S函數(shù)和反S函數(shù)，根據(jù)NDVI值，提取植被信息。在Landsat8影像中，對象的NDVI值越大，則屬于植被的可能性就越大，當對象的NDVI值達到0.01或更大，則該對象確認為植被。對象的NDVI值越小，則屬于非植被的可能性就越小，當對象NDVI值為0或更小時，則該對象被確定為非植被。

基于Landsat8影像植被信息提取結果如圖6所示。

四、精度評價

4.1 精度評價指標

全局精度（QA）是所有準確分類中所占的比例，是一個比較粗的精度衡量指標，只能給出整體的精度信息，不能給出某一具體類別的精度信息。全局精度計算公式如下：

式（2）中，n為所涉及的像素總數(shù)，QA為混淆矩陣對角線上的總和除以所涉及的像素總數(shù)值。

利用全局精度進行精度評價時，像素類別的小變動可能導致百分比的變化，運用這些指標的客觀性依賴于采集樣本及方法。許多專家學者對信息提取結果精度評價指標進行過研究與探討，其中Kappa系數(shù)法應用非常廣泛。蒲智、曹雪、葛春青、熊軼群、周春艷、莫登奎等[10-15]，都采用Kappa系數(shù)對信息提取的結果進行精度評價。

kappa系數(shù)采用一種離散的多元技術，克服了像素類別小的變動可能導致百分比變化的缺點，可以更客觀地評價分類質(zhì)量，既考慮了對角線上被正確分類的像素，也考慮了不在對角線上的各種漏分和混分誤差。Kappa分析產(chǎn)生的評價指標被稱為Khat統(tǒng)計，統(tǒng)計公式如式（2）所示。

式（3）中，r是混淆矩陣中的總列數(shù)；xii是混淆矩陣中第i行、第i列上像素數(shù)量；xi+和x+i分別是第i行和第i列的總像素數(shù)量；N是用于精度評價的總像素數(shù)量。

4.2 精度評價

通過試驗區(qū)的外接矩形，將其平均分為10行15列，則試驗區(qū)內(nèi)行與列的交點作為精度評價的采樣點，共150個?；贚andsat8影像，通過目視解譯，設定目視解譯結果為已知地物類，按試驗信息提取的圖像中特定像元與已知分類的參考像元（圖7）進行比較，用通用的遙感分類圖像質(zhì)量評價混淆計算全局精度及Kappa系數(shù)。

面向對象Landsat8影像植被信息提取結果的混淆舉證如表3所示。

?

通過混淆矩陣計算，面向對象的Landsat8影像信息提取結果中，全局精度為85.33%，Kappa系數(shù)為0.67。根據(jù)kappa統(tǒng)計值與分類精度的對應關系[16]，分類精度較好。

五、結語

（1）通過面向對象多尺度分割實驗，確定了試驗區(qū)基于Landsat8影像的分割尺度60為最優(yōu)分割尺度。

（2）在最優(yōu)分割尺度的基礎上，采用隸屬度函數(shù)分類法對植被與非植被進行信息提取，

通過精度分析評價，全局精度為85.33%，Kappa系數(shù)為0.67，分類精度較好。

（3）通過本次實驗，論證了面向對象影像分類與信息提取效果較好，可以有效應用在農(nóng)作物遙感快速解譯與監(jiān)測中。

[1]吳炳方.中國農(nóng)情遙感速報系統(tǒng)[J].遙感學報,2004,8(6):202—205．

[2]R K LENNGTON,C T SORENSEN,R P HEYDORN.A Mixture Model Approach forEstimating Crop Areas from Land sat Data [J].Remote Sensing of Environment.1984,14:197—206.

[3]徐希孺,周蓮芳,朱曉紅.混合像元的因子分析方法及其在大范圍冬小麥播種面積估算中的應用探討[J].科學通報,1989,34(12):946-949.

[4]N A QUARMBY,J R G TOWNSHEND,J J SETTLE,et al.Linear mixture modeling applied to AVHRR data for crop area estimation [J].Int.J.Remote sensing,1992,13(3):415-425.

[5]陽松.面向對象的模糊分類法在土地利用調(diào)查中的應用[J].科技情報開發(fā)與經(jīng)濟,2007,(3):184-185

[6]Gusella L.Object-oriented Image Understanding and Postearthquake Damage Assessment for the 2003 Bam,Iran,Earthquake[J].Earthquake Spectra,2005,Sl(21):225-238.

[7]馬春林.基于植被指數(shù)NDVI的遙感信息提取[J].信息科技,2009:114．

[8]Mao J,Jain A.Texture classification and segmentation using multiresolution simultaneous autoregressive models [J].Pattern Recognition,25:173-188.

[9]Woodcock C E,Strahler A H.The factor for scale in remote sensing[J].Remote Sensing of Environment,1987,21:311-332.

[10]曹雪,柯長青.基于對象級的高分辨率遙感影像分類研究[J].應用技術,2006,5(87):27-30．

[11]蒲智,劉萍,楊遼,等.面向對象技術在城市綠地信息提取中的應用[J].福建林業(yè)科技,2006,33(1):40-44.

[12]周春艷,王萍,張振勇,等.基于面向對象信息提取技術的城市用地分類[J].遙感技術與應用,2008,23(1):31-35．

[13]莫登奎,林輝,孫華,等.基于高分辨率遙感影像的土地覆蓋信息提取[J].遙感技術與應用,2005,20(4):411-414．

[14]熊軼群,吳健平.面向對象的城市綠地信息提取方法研究[J].華東師范大學學報(自然科學版),2006,4:84-90．

[15]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].2009,2:86-90．

[16]Lucas,I.F.J,Frans,J.M.Accuracy assessment of satellite deriverd land-cover date:a review[J].Photogrammetric Engineering＆Remote Sensing,1994,60(4):410-432.