任金銅 楊武年 鄧曉宇 王蕾 王芳

摘 要： 高分二號作為國產高分辨率遙感的代表，其影像數據對提高地物信息提取的質量和精度的作用值得研究和探索。通過分析高分二號多光譜數據特點，利用OIF指數選取最佳波段組合，選用ESP最優(yōu)尺度分析算法獲得研究區(qū)最優(yōu)分割尺度，最后在最佳波段組合和最優(yōu)分割尺度的基礎上提取典型地物，并對分類結果進行精度驗證。研究發(fā)現，高分二號多光譜數據最佳波段組合為134；利用最佳波段組合和最優(yōu)分割尺度提取地物信息的總體分類精度均大于85%，Kappa系數均大于0.8，分類結果精度較高；從總體來看，當選用最優(yōu)分割尺度為82時，分類結果精度最高，其總體精度為93%，Kappa系數為0.910；其次是最優(yōu)分割尺度為31，其總體精度為89%，Kappa系數為0.859；最優(yōu)分割尺度為42的分類結果精度表現最差，其總體精度為85%，Kappa系數為0.808。

關鍵詞： 高分二號； OIF； 多尺度分割； 面向對象分類； KNN； 遙感衛(wèi)星； 地物信息提取

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2018）08?0072?06

Abstract： GF?2 is a representative of high?resolution remote sensing satellites of China， whose image data′s function to improve the quality and accuracy of ground object information extraction is worthy of research and exploration. Optimal waveband combinations are selected by analyzing the characteristics of GF?2′s multispectral data and using the OIF indexes. The ESP optimal scale analysis algorithm is selected to obtain the optimal segmentation scales in the research area. On the basis of optimal waveband combinations and optimal segmentation scales， the typical ground objects are extracted and the accuracy of classification results is verified. The research results show that the optimal waveband combination of GF?2′s multispectral data is 134； the overall classification accuracy of ground object information extracted by means of optimal waveband combinations and optimal segmentation scales is larger than 85%， the Kappa coefficient is larger than 0.8， and the accuracy of classification results is high； on the whole， when the selected optimal segmentation scale is 82， the accuracy of the classification results is the highest （the overall accuracy is 93% and the Kappa coefficient is 0.910）； when the optimal segmentation scale is 31， the accuracy of the classification results comes to the second （the overall accuracy is 89% and the Kappa coefficient is 0.859）； when the optimal segmentation scale is 42， the accuracy of the classification results is the lowest （the overall accuracy is 85% and the Kappa coefficient is 0.808）.

Keywords： GF?2； OIF； multi?scale segmentation； object?oriented classification； KNN； remote sensing satellite； ground object information extraction

0 引 言

隨著空間信息技術的不斷發(fā)展，20世紀90年代以來高分辨率遙感衛(wèi)星影像數據逐漸進入商業(yè)和民用領域，應用領域日益廣闊[1]。2006年我國將高分辨率對地觀測系統(tǒng)重大專項（高分專項）列入《國家中長期科學與技術發(fā)展規(guī)劃綱要（2006—2020年）》，高分二號（GF?2）的成功發(fā)射，宣告了我國高空間分辨率遙感進入亞米時代[2]。

“高分專項”的實施使得我國自主獲取高空間分辨率遙感衛(wèi)星影像的能力越來越強。如何提高國產高分辨率遙感數據處理能力和信息提取精度值得進一步研究和探索。針對國產衛(wèi)星遙感數據處理和應用方面已有較多的研究，研究人員分別從國產衛(wèi)星遙感數據的質量、數據處理能力和定位精度等方面開展了相關研究[3?9]。在國產衛(wèi)星遙感應用方面，開展了諸如土地利用、地理國情監(jiān)測、地質調查、專題地物信息提取及生態(tài)環(huán)境等方面的研究工作[10?19]。目前，針對GF?2遙感影像數據處理及信息提取方面的研究，主要涉及遙感數據融合方法及地物信息的提取[20?23]。

1 實驗數據

高分二號于2014年8月19日發(fā)射成功，是我國自主研發(fā)的首顆空間分辨率優(yōu)于1 m的民用光學遙感衛(wèi)星，搭載有兩臺高分辨率1 m全色、4 m多光譜相機[2]。據中國資源衛(wèi)星應用中心統(tǒng)計，截止2017年5月31日GF?2存檔數據0級產品1 513 225景，1A級產品782 957景，2A級產品5 250景，GF?2遙感影像數據已被應用于國土、住建、交通和林業(yè)等多個部門[24]。

本研究選用四川高分中心提供的2015年8月5日GF?2的PMS1遙感數據（GF2_PMS1_E105.3_N29.6_20150805_L1A0000962396?MSS1），實驗數據包括4 m多光譜數據和1 m全色數據，其中，多光譜數據包括有藍（0.45～0.52 μm）、綠（0.52～0.59 μm）、紅（0.63～0.69 μm）和近紅外（0.77～0.89 μm）波段。選取影像數據中地物特征較為典型的2 000×2 000像元的區(qū)域作為研究區(qū)開展研究工作，如圖1所示，研究區(qū)內分布有城鎮(zhèn)建筑物、耕地、林地、水體和裸地等典型地物類型。

2 GF?2影像數據預處理及最佳波段組合

2.1 GF?2衛(wèi)星遙感影像數據預處理

針對GF?2遙感影像數據特點及后續(xù)研究需要，利用ENVI軟件平臺開展數據預處理工作：

1） 針對GF?2衛(wèi)星遙感影像的亮度值偏低、影像整體色調偏暗的現象，進行Linear 3%的線性拉伸，以實現圖像增強處理；

2） 利用中國資源衛(wèi)星應用中心提供的《2016年國產陸地觀測衛(wèi)星外場絕對輻射定標系數》進行輻射定標處理；

3） 利用GF?2影像數據自帶的RPC文件和地理空間數據云（http：//www.gscloud.cn/）提供的DEM（ASTER GDEM V2）數據，對影像進行正射校正；

4） 選取具有典型地物特征的區(qū)域，對研究區(qū)2 000×2 000像元區(qū)域進行裁剪和重采樣，獲取研究區(qū)影像數據。

2.2 最佳波段組合選取

為了充分利用GF?2多光譜影像特征，有針對地選取不同波段組合開展相關研究是很有必要的。最佳指數因子（Optimum Index Factor，OIF）是美國查維茨首次提出，OIF理論以波段合成后的信息量最大和波段間信息相關性最小作為選取最佳波段的依據[25]，具體計算公式為：

式中：Si表示i波段的輻射亮度值的標準差；Rij表示i，j波段之間的相關系數；m表示波段合成總數。

如圖2和表1所示，通過不同波段組合和相關計算可知：

1） 波段134組合的標準差之和最大，相關系數之和最小，OIF指數也就最大；而波段123組合的標準差之和最小，相關系數之和最大，說明波段123組合的數據量最小，波段間冗余度最大，OIF指數最小。

2） 通過對不同波段組合進行OIF計算排序后，得到研究區(qū)GF?2多光譜數據的最佳波段組合方案134，其次是234。

3） 對研究區(qū)GF?2多光譜波段進行不同波段組合，通過可視化方式的假彩色合成效果對比可知，波段321組合的RGB假彩色合成顯示效果最接近真實地物色彩，符合人們對地物理解；波段431組合的效果由于利用近紅外波段替代波段紅波段進行RGB假彩色合成，植被和水體特征被進一步凸顯，影像色彩特征更為豐滿。

3 GF?2影像最佳波段組合分類適用性

3.1 基于最優(yōu)分割尺度的面向對象分類

為了解決基于像元分析的遙感分類方法難以綜合考慮地物目標中除光譜特征以外的信息，研究者提出了影像對象的概念，將影像中具有同質性的區(qū)域分割出來作為后續(xù)處理的最小單元[26]。面向對象的遙感影像分類質量和精度，不僅取決于影像自身的特點，還取決于對影像分割的質量。當分割尺度較小時，目標地物類型將被分割成較多的影像對象，出現“過分割”現象；反之，分割尺度設置過大，分割后的影像對象可能包含兩個或兩個以上的目標地物類型，出現“欠分割”現象[27]，只有在獲得較好分割效果的基礎上，地物信息的提取與目標特征的識別才可獲得理想的效果[28]。多尺度分割是對不同尺度的影像對象層采用不同的尺度分割[29]。由于不同地物類別具有不同的尺度，如果基于單一的尺度進行分割，會使得分割后的圖像變得過于破碎或分割不完全，這樣的分割很難保證影像的分類精度。為確保分類精度，應盡量選擇最優(yōu)尺度進行遙感圖像分割，最優(yōu)分割尺度本質上是提取地物信息獲得高精度地物類別的最適合尺度[30]。

3.1.1 基于ESP的最優(yōu)分割尺度選擇

ESP（Estimation of Scale Parameter）方法是2010年由Dr?gu? L.，Csillik O.等人提出，2014年修改完善的最優(yōu)分割尺度計算方法[31]。其思路是根據不同對象的異質性建立局部方差（Local Variance，LV），以迭代的方式自上而下的計算影像對象在多尺度范圍中各層的局部方差，局部方差的閾值變化率（Rate of Change，ROC）表明影像在每一層的范圍中根據影像數據本身屬性所得到最適合方式得到的分割尺度，異質性的變化通過回執(zhí)一個局部方差與對應尺度關系圖計算得到[27]。其中，

3.1.2 基于最優(yōu)分割尺度的面向對象信息提取

本研究選用K最鄰近（K?Nearest Neighbor，KNN）分類算法進行地類信息提取，使用KNN方法進行樣本類別劃分時，只與相鄰的樣本有關，在一定程度上改善了過分依賴極限定理的現象。由于研究區(qū)地物類別較為復雜，易產生交叉或重疊的待分樣本，因此選用KNN分類算法。

在進行面向對象信息提取過程中，選用研究區(qū)GF?2多光譜影像的最佳波段431組合進行RGB假彩色合成，為了提高可視效果利用全色波段進行綠波段增強。分別選取最優(yōu)分割尺度為31，42，82對圖像進行分割處理，將研究區(qū)地類劃分為：耕地、林地、建設用地、水體和裸地五種地物類型，不同最優(yōu)分割尺度的分類結果如圖4所示。

3.2 分類結果的精度評價

本研究采用定量評價主要基于常用的混淆矩陣計算分類結果的總體精度、Kappa系數，以及分類結果中各地類的生產精度、用戶精度等。結合圖4的分類結果對比表2、表3和表4可知：

1） 最優(yōu)分割尺度為82的總體分類精度最高，其次是最優(yōu)分割尺度31，相對而言最優(yōu)分割尺度42表現最差；

2） 總體來說，三種最優(yōu)分割尺度的總體分類精度大于80%，Kappa系數均大于0.8，說明GF?2多光譜數據在選取最佳波段組合后，利用ESP算法獲取最優(yōu)分割尺度進行的面向對象分類過程中，獲得了較理想的分類效果。

當最優(yōu)分割尺度為31時進行KNN面向對象分類，由表2可知：

1） 水體和建設用地分類結果較好，生產精度較高，被正確分類結果占比較高；林地和耕地的生產者精度偏低，被正確分類結果相比水體和建設用地偏低；裸地的生產精度最低，被正確分類結果最差。

2） 從用戶精度來看，耕地被錯分誤差較大，其次是林地。

3） 從分類結果混淆矩陣可知，分類結果中有部分林地被錯分為耕地，部分耕地被錯分為了建設用地和裸地，有些建設用地被錯分為裸地，小部分裸地被錯分為了耕地。

當分類選用最優(yōu)分割尺度為42時，通過表3可看出：

1） 從生產精度來看，耕地和建設用地生產者精度較高，被正確分類結果占比較高；其次是林地和裸地，水體表現最差，被正確分類結果占比最低。

2） 從用戶精度來看，林地和水體的最高，其次是裸地和建設用地，耕地表現最差。

3） 從混淆矩陣的錯分情況來看，林地和水體所選樣本并未被錯分；耕地錯分較多，部分耕地被錯分為林地、水體、裸地和建設用地；建設用地中有被錯分為水體的情況。

當分類選用最優(yōu)分割尺度為82時，從表4可看出：

1） 從生產精度來看，耕地最高，耕地被正確分類占比最高，分類效果最好，其次是林地、水體和建設用地，裸地最低。

2） 對于用戶精度，林地、水體和裸地的最高，其次是建設用地，耕地最差。

3） 從混淆矩陣的錯分情況來看，所選驗證樣本中，耕地、水體和裸地未被錯分，部分建設用地被錯分為水體，耕地被錯分情況最為嚴重，部分耕地被錯分為林地、裸地和建設用地。

4 結 論

通過對GF?2多光譜數據進行OIF指數計算，獲得最佳波段組合；通過ESP算法選擇最優(yōu)分割尺度，利用KNN面向對象分類方法進行分類，并對分類結果進行評價得出以下結論：

1） 由計算OIF指數可知，GF?2多光譜數據134波段組合的波段信息量最大、波段間的信息相關性最小，確定為最佳波段組合；

2） 通過ESP算法的計算，分析最優(yōu)尺度分析結果ROC?LV圖，選取尺度為31，42和80作為最優(yōu)分割尺度對圖像進行分割；

3） 利用最佳波段組合和最優(yōu)分割尺度對GF?2多光譜數據進行KNN面向對象分類，通過對分類結果進行定性和定量分析發(fā)現：從定性分析來看，采用三種最優(yōu)分割尺度進行分割，都獲得了較為滿意的分類效果，由于尺度的不同，選用最優(yōu)分割尺度為82時，分類結果中部分細節(jié)被錯分，如林地和耕地，但陰影被錯分較少，而對于最優(yōu)分割尺度為31，42時，雖能保持地物細節(jié)，但陰影部分被錯分為水體較多，部分水體由于色調偏亮被錯分為建設用地；從定量分析來看，三者最優(yōu)分割尺度的分類效果的總體分類精度均大于80%，Kappa系數均大于0.8，可見分類效果較好，其中選用最優(yōu)分割尺度為82的分類精度最高，其次是最優(yōu)分割尺度為31的分類精度。

總體來說，最優(yōu)分割尺度為82的總體分類精度最高，但往往忽視地物細節(jié)，由于分割尺度較大，部分細碎地物被錯分為其他地物類別；最優(yōu)分割尺度為31的分類由于所選分割尺度較小，能夠保留細碎地物而不被錯分，但總體分類精度相比最優(yōu)分割尺度為82的精度稍低。根據實際工作需要，可參考選擇不同最優(yōu)分割尺度開展圖像分割。然而，本研究僅利用GF?2多光譜數據開展研究工作，應用全色波段作為輔助，并未對其融合后的亞米級高分影像開展研究。另外，由于地物類別復雜多變，最優(yōu)尺度分割的適應度還有待于進一步研究。

注：本文通訊作者為楊武年。

參考文獻

[1] 方濤，霍宏，馬賀平，等.高分辨率遙感影像智能解譯[M].北京：科學出版社，2016.

FANG Tao， HUO Hong， MA Heping， et al. Intelligent interpretation of high resolution remote sensing image [M]. Beijing： Science Press， 2016.

[2] 胡如忠，劉雪萍，楚良才，等.國產遙感衛(wèi)星進展與應用實例[M].北京：電子工業(yè)出版社，2016.

HU Ruzhong， LIU Xueping， CHU Liangcai， et al. Progress and application of domestic remote sensing satellites [M]. Beijing： Publishing House of Electronic Industry， 2016.

[3] 施駿騁，王金強，文廣，等.資源三號影像的DOM制作對比分析[J].測繪科學，2016，41（1）：133?138.

SHI Juncheng， WANG Jinqiang， WEN Guang， et al. Comparative analysis on DOM production by ZY3 data [J]. Science of surveying and mapping， 2016， 41（1）： 133?138.

[4] 胡芬，楊博，唐新明，等.ZY?3衛(wèi)星異軌立體影像幾何定位精度分析[J].航天返回與遙感，2016，37（1）：71?79.

HU Fen， YANG Bo， TANG Xinming， et al. Geo?positioning accuracy analysis of ZY?3 cross?track stereo?images [J]. Spacecraft recovery &； remote sensing， 2016， 37（1）： 71?79.

[5] 李德仁，張過，蔣永華，等.國產光學衛(wèi)星影像幾何精度研究[J].航天器工程，2016，25（1）：1?9.

LI Deren， ZHANG Guo， JIANG Yonghua， et al. Research on image geometric precision of domestic optical satellites [J]. Spacecraft engineering， 2016， 25（1）： 1?9.

[6] 甘世書，賀鵬，胡覺，等.基于國產資源衛(wèi)星遙感影像正判率及其影響因素分析[J].中南林業(yè)調查規(guī)劃，2015，34（4）：32?34.

GAN Shishu， HE Peng， HU Jue， et al. Analysis of correct interpretation rate and influence factors based on domestic resource satellite images [J]. Central south forest inventory and planning， 2015， 34（4）： 32?34.

[7] 劉玉紅，趙筱榕，劉津.基于RPC像方改正模型的國產衛(wèi)星幾何糾正算法研究[J].地理信息世界，2014，21（6）：43?47.

LIU Yuhong， ZHAO Xiaorong， LIU Jin. Research on the geometry correction of domestic satellite based on RPC?image space correction model [J]. Geomatics world， 2014， 21（6）： 43?47.

[8] 李衛(wèi)紅，周平華，李琦，等.“資源一號”02C衛(wèi)星影像幾何校正方法試驗[J].華北科技學院學報，2015，12（1）：99?102.

LI Weihong， ZHOU Pinghua， LI Qi， et al. The geometry rectification experiment of "ZY?1" 02C satellite [J]. Journal of North China Institute of Science and Technology， 2015， 12（1）： 99?102.

[9] 王雪平.基于稀少控制點的資源三號影像幾何糾正研究[D].長沙：中南大學，2014.

WANG Xueping. Geometric rectification for ZY?3 image with sparse control points [D]. Changsha： Central South University， 2014.

[10] 趙欣，王曉晶，趙院，等.國產高分一號衛(wèi)星數據傅里葉變換提取梯田影像可行性分析[J].中國水土保持，2016（1）：63?65.

ZHAO Xin， WANG Xiaojing， ZHAO Yuan， et al. Feasibility analysis on methodology of terraced extraction by using Fourier transformation based on domestic hi?resolution remote sensing images of GF?1 satellite [J]. Soil and water conservation in China， 2016（1）： 63?65.

[11] 黃艷艷，趙紅莉，楊樹文，等.HJ?1B衛(wèi)星遙感影像的積雪識別[J].測繪科學，2016，41（8）：129?133.

HUANG Yanyan， ZHAO Hongli， YANG Shuwen， et al. A method of snow identification based on HJ?1B satellite remote sensing data [J]. Science of surveying and mapping， 2016， 41（8）： 129?133.

[12] 李粉玲，常慶瑞，申健，等.基于GF?1衛(wèi)星數據的冬小麥葉片氮含量遙感估算[J].農業(yè)工程學報，2016，32（9）：157?164.

LI Fenling， CHANG Qingrui， SHEN Jian， et al. Remote sensing estimation of winter wheat leaf nitrogen content based on GF?1 satellite data [J]. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（9）： 157?164.

[13] 黃帥，丁建麗，李艷華.面向對象的國產GF?1遙感影像水體信息提取研究[J].人民長江，2016，47（5）：23?28.

HUANG Shuai， DING Jianli， LI Yanhua. Study of water information extraction based on domestic GF?1 remote sensing image by using object?oriented method [J]. Yangtze river， 2016， 47（5）： 23?28.

[14] 郭玉寶，池天河，彭玲，等.利用隨機森林的高分一號遙感數據進行城市用地分類[J].測繪通報，2016（5）：73?76.

GUO Yubao， CHI Tianhe， PENG Ling， et al. Classification of GF?1 remote sensing image based on random forests for urban land?use [J]. Bulletin of surveying and mapping， 2016（5）： 73?76.

[15] 陳玲，梁樹能，周艷，等.國產高分衛(wèi)星數據在高海拔地區(qū)地質調查中的應用潛力分析[J].國土資源遙感，2015，27（1）：140?145.

CHEN Ling， LIANG Shuneng， ZHOU Yan， et al. Potential of applying domestic high?resolution remote sensing data to geological survey in high altitudes [J]. Remote sensing for land and resources， 2015， 27（1）： 140?145.

[16] 劉佳.國產高分衛(wèi)星數據的農業(yè)應用[J].衛(wèi)星應用，2015（3）：31?33.

LIU Jia. Agricultural applications of domestic Gaofen satellite data [J]. Satellite application， 2015（3）： 31?33.

[17] 付帥，艾波，高小明，等.基于資源三號衛(wèi)星影像的水深反演：以永興島為例[J].海洋信息，2015（1）：55?58.

FU Shuai， AI Bo， GAO Xiaoming， et al. Water depth inversion based on ZY?3 satellite image?a case study of Yongxing Island [J]. Marine information， 2015（1）： 55?58.

[18] MA Ligang， DENG Jinsong， YANG Huai， et al. Urban Landscape classification using Chinese advanced high?resolution satellite imagery and an object?oriented multi?variable model [J]. Frontiers of information technology &； electronic engineering， 2015， 16（3）： 238?248.

[19] 官尚碧，劉智華，馬澤忠，等.基于國產環(huán)境一號衛(wèi)星的土地生態(tài)安全評價[J].安徽農業(yè)科學，2015（17）：357?359.

GUAN Shangbi， LIU Zhihua， MA Zezhong， et al. Evaluation on land ecological safety based on HJ?1 satellite [J]. Journal of Anhui agricultural sciences， 2015（17）： 357?359.

[20] 張馨蓓.高分二號影像融合方法比較與評價[J].黑龍江科技信息，2016（17）：86?87.

ZHANG Xinbei. Comparison and evaluation of GF?2 image fusion methods [J]. Heilongjiang science and technology information， 2016（17）： 86?87.

[21] 胡茂瑩.基于高分二號遙感影像面向對象的城市房屋信息提取方法研究[D].長春：吉林大學，2016.

HU Maoying. Research on the object?oriented method of urban building extraction with GF?2 remote?sensing imagery [D]. Changchun： Jilin University， 2016.

[22] 王愛蕓.山地GF?2衛(wèi)星遙感圖像融合方法優(yōu)選研究[D].昆明：云南大學，2016.

WANG Aiyun. The research of remote sensing image fusion method optimization based on the GF?2 satellite in the mountain area [D]. Kunming： Yunnan University， 2016.

[23] 任金銅，楊武年，楊鑫，等.國產高分二號PMS數據融合效果評價研究[C]//資源環(huán)境與地學空間信息技術新進展學術會議論文集.北京：科學出版社，2016：223?225.

REN Jintong， YANG Wunian， YANG Xin， et al. Research on the evaluation of domestic GF?2 PMS data fusion [C]// Proceedings of the Academic Conference on New Progress of Resources Environment and Geomatics Spatial Information Technology. Beijing： Science Press， 2016： 223?225.

[24] China Center for Resources Satellite Data and Application. History data statistics of satellites [EB/OL]. [2017?03?15]. http：//218.247.138.119：7777/DSSPlatform/reportbysatellite.html？satellite=GF2&；isHistory=yes.

[25] 杜挺.Landsat8 OLI遙感影像融合算法比較及其土地利用分類適應性分析[D].西安：西北大學，2015.

DU Ting. The comparison among fusion algorithms of Landsat8 OLI remote?sensing imagery and the analysis on adaptability of the classification of land use [D]. Xian： Northwest University， 2015.

[26] 莊喜陽，趙書河，陳誠，等.面向對象的遙感影像最優(yōu)分割尺度監(jiān)督評價[J].國土資源遙感，2016，28（4）： 49?58.

ZHUANG Xiyang， ZHAO Shuhe， CHEN Cheng， et al. Supervised evaluation of optimal segmentation scale with object?oriented method in remote sensing image [J]. Remote sensing for land and resources， 2016， 28（4）： 49?58.

[27] 劉麗雅.基于國產GF?1的高寒山區(qū)土地利用/覆蓋分類研究[D].杭州：浙江大學，2016.

LIU Liya. Research on land use/cover classification of high cold mountain areas based on China?made GF?1 [D]. Hangzhou： Zhejiang University， 2016.

[28] 劉兆祎，李鑫慧，沈潤平，等.高分辨率遙感圖像分割的最優(yōu)尺度選擇[J].計算機工程與應用，2014，50（6）：144?147.

LIU Zhaoyi， LI Xinhui， SHEN Runping， et al. Selection of the best segmentation scale in high?resolution image segmentation [J]. Computer engineering and applications， 2014， 50（6）： 144?147.

[29] 周亦，張亞亞.利用eCognition進行高分一號衛(wèi)星數據土地利用現狀解譯能力測試[J].測繪通報，2016（8）：77?80.

ZHOU Yi， ZHANG Yaya. Test of land use interpretation ability with satellite data of GF?1 using the eCognition [J]. Bulletin of surveying and mapping， 2016（8）： 77?80.

[30] 朱紅春，蔡麗杰，劉海英，等.高分辨率影像分類的最優(yōu)分割尺度計算[J].測繪科學，2015，40（3）：71?75.

ZHU Hongchun， CAI Lijie， LIU Haiying， et al. Optimal segmentation scale calculation for high?resolution remote sensing image [J]. Science of surveying and mapping， 2015， 40（3）： 71?75.

[31] DR?GU? L， CSILLIK O， EISANK C， et al. Automated parameterisation for multi?scale image segmentation on multiple layers [J]. ISPRS Journal of photogrammetry &； remote sensing， 2014， 88： 119?127.