帥慕蓉 謝貽文 楊鵬飛

摘要：文章針對株洲縣堂市鄉(xiāng)某部分區(qū)域高分辨率影像，采用eCognition的多尺度分割和面向?qū)ο蟮淖钹徑▽τ跋襁M行分類，同時與ENVI5.3軟件平臺下的最大似然法分類結(jié)果進行了對比分析，并以野外驗證后的目視解譯為基準進行精度評價。結(jié)果表明：基于eCognition平臺下的面向?qū)ο蟮姆诸惙椒ū苊饬藗鹘y(tǒng)分類結(jié)果噪聲嚴重、精度低的缺陷，其總體分類精度為80%，Kappa系數(shù)為0.739 7，比傳統(tǒng)分類結(jié)果精度高，比目視解譯效率高。

關(guān)鍵詞：eCognition；面向?qū)ο蠓诸?；高分辨率影像；最大似然法；Kappa系數(shù)

近年來礦山地質(zhì)環(huán)境調(diào)查是以遙感技術(shù)為手段，如何高效地從高分辨率影像中自動提取高精度地理信息已是當今遙感分類重點研究的問題。傳統(tǒng)的分類法是基于光譜信息的智能算法（如支持向量機（Support Vector Machine，SVM）算法[1]等），即使解譯人員可以根據(jù)專業(yè)知識提高分類效果，但也不能解決“同譜異物”和“同物異鋪”問題[2]。針對傳統(tǒng)分類方法存在諸多的局限性，不僅耗時耗力，而且精度低等問題，Baatz等[3]提出了面向?qū)ο蟮姆诸惣夹g(shù)，克服了傳統(tǒng)遙感影像分類方法的不足，能夠在一定程度上提高影像的解譯效率和質(zhì)量。為了使礦山周邊環(huán)境可持續(xù)發(fā)展，面向?qū)ο蟮募夹g(shù)在礦山調(diào)查中的應用就顯得格外重要。因此，本文應用eC。gniti。n8.9軟件對研究區(qū)進行影像分類實驗研究，為湖南省礦山地質(zhì)環(huán)境調(diào)查提供基礎的地理信息數(shù)據(jù)，在野外調(diào)查中具有一定的指導意義。

1 面向?qū)ο蟮姆诸惣夹g(shù)

面向?qū)ο蟮姆诸惣夹g(shù)是基于目標對象的信息提取技術(shù)，以影像分割后的對象作為分類的基礎。目前，基于eCognition平臺下的分割算法有棋盤分割、四叉樹分割、多尺度分割及光譜差異分割。本文選用了常用的多尺度分割技術(shù)。多尺度分割是一個基于像素層的自下而上的分割技術(shù)，從一個像素的對象開始進行相鄰像素的區(qū)域歸并或者將小的分割對象歸并到大的分割對象中去。為了達到最優(yōu)分割效果，必須保證分割對象間的平均異質(zhì)性最小，分割對象內(nèi)部每個像元間同質(zhì)性最大。建立影像對象的層次網(wǎng)絡，可以在不同的尺度同時表征影像信息，根據(jù)應用的需求選擇最優(yōu)的分割對象層作為進一步分類的信息源。傳統(tǒng)的最大似然法以概率數(shù)理統(tǒng)計為理論基礎，而面向?qū)ο蟮淖罱彿诸惙ㄊ且苑指畹玫降挠跋駥ο笞鳛榉诸惖幕締卧?，?yōu)選對象的特征如紋理、幾何、層次等，構(gòu)建對象的特征空間，以最小間隔為測度進行判別分類。

2 精度評價

分類結(jié)果精度評價有混淆矩陣和工作特征（Receiver Operating Characteristic，ROC）曲線兩種方式。本文采用比較常用的混淆矩陣來評價分類精度，有6種評價因子分別為混淆矩陣、總體分類精度、Kappa系數(shù)、錯分誤差、生產(chǎn)精度和用戶精度?；煜仃囀腔谖恢玫脑u價，因此樣本點的空間分布及選取樣本點個數(shù)都極其重要。

為了使分類精度評價盡可能精準，樣本點數(shù)量的選定極其重要。Foody[4]認為樣本點數(shù)量太多或者太少在一定程度上都會影響分類精度的評價。Tortom等[5]提出過用于混淆矩陣分類結(jié)果精度評價的樣本個數(shù)的計算公式：

n=B/4b2（1）

式中：n為采樣點數(shù)量；B是自由度為1的卡方檢驗（1-P/M）的臨界值，其中P為置信度誤差，M為分類數(shù)；b為置信度誤差。本文解譯5類地物，假設對置信水平的要求為95%以上，置信度誤差允許范圍5%，在假定的情況下，卡方檢驗下自由度為1的臨界值B=γ2（1，0.99）=6.635，故本次研究至少要664個采樣點。

3 實驗結(jié)果與分析

3.1 研究區(qū)概況

研究區(qū)為株洲縣堂市鄉(xiāng)某部分區(qū)域。堂市鄉(xiāng)位居湖南省株洲縣的西南部，東邊以湘江為鄰，總占地面積達77.23 km2。數(shù)據(jù)由湖南省國土資源廳所提供，影像是空間分辨率達0.2m的1：2 000數(shù)字正射影像，其面積有2 km2。影像的成像時間為2009年11月，數(shù)據(jù)采用的大地基準是CGCS2000國家大地坐標系，高程基準是1985國家高程基準，地圖投影是高斯-克呂格投影，3度分帶，中央子午線114°。

3.2 數(shù)據(jù)預處理

利用面向?qū)ο蟮姆诸惣夹g(shù)對影像進行分類，而多尺度分割得到的影像對象層為影像分類奠定基礎，因分割的優(yōu)劣直接影響著分類精度的高低，為了獲取最優(yōu)的分割尺度，使分割后的對象與真實地物斑塊能夠達到較好的擬合程度，所以各參數(shù)權(quán)重的合理設置顯得極其重要。若80作為分割尺度起始值，0.3作為形狀因子權(quán)重及0.5作為緊致度權(quán)重，此后每間隔80取一個尺度參數(shù)，經(jīng)過反復試驗，最終得出當scale parameter=240， shape=0.3， compactness=0.5時，分割效果最佳。以分割后的影像為基礎，利用算法配置特征空間，然后建立樣本集，優(yōu)化特征空間，最后進行最鄰近法分類。本文分類用到的特征函數(shù)有平均值、反射率標準差、亮度值、形狀指數(shù)等。此外，在ArcmaplO.2 軟件平臺下對影像進行目視解譯，其精度檢驗通過高分辨率影像結(jié)合野外調(diào)查方法來實現(xiàn)。

3.3 結(jié)果分析

基于eCognition軟件對株洲縣堂市鄉(xiāng)某部分區(qū)域影像進行地物提取，提取了耕地、水體、人工表面、林地、園地。將面向?qū)ο蠓诸惤Y(jié)果圖與目視解譯結(jié)果對比，發(fā)現(xiàn)地物的空間分布呈現(xiàn)出高度一致性。此外，傳統(tǒng)分類難以劃分出地類的邊界、紋理、形狀等信息，導致分類結(jié)果粗糙且存在“椒鹽現(xiàn)象”，而自動解譯表面光滑且類別清晰，可以解決傳統(tǒng)分類存在的問題。實驗記錄目視解譯和自動解譯兩種作業(yè)方式下所消耗的時間分別為10 h和4 h，由此可知，自動解譯工作效率遠遠高于人工解譯。采用野外核查修正過的目視解譯結(jié)果作為正確的分類圖層，結(jié)合樣本點，對面向?qū)ο蟮姆诸惣皞鹘y(tǒng)的分類結(jié)果進行精度評價。將各類樣本點與分類結(jié)果進行連接，然后統(tǒng)計各地類分類正確樣本數(shù)和錯分樣本數(shù)，同時記錄錯分樣本落入相應地類的個數(shù)，計算分類總體精度及Kappa系數(shù)，由精度評價混淆矩陣結(jié)果可知，面向?qū)ο蟮淖詣咏庾g總體精度達到了80%， Kappa系數(shù)為0.739 7，具有高度一致性，整體上能滿足精度需求，而傳統(tǒng)最大似然法的分類結(jié)果總體精度達到了66.72%，Kappa系數(shù)為0.569 9，只具備中等的一致性，整體上精度偏低。

4 結(jié)語

本研究以目視解譯作為參照基準，從定性和定量兩個角度，將面向?qū)ο蟮姆诸惻c面向像元的分類結(jié)果進行對比分析，在各類面積占比相似的情況下，突出了面向?qū)ο蠓诸惣夹g(shù)在時間上的高效。面向?qū)ο蟮姆诸惥冗h遠高于傳統(tǒng)分類精度，各地類輪廓線分明，能更理想地鑒別各類地物，面向?qū)ο蠓诸惣夹g(shù)突破了僅基于光譜信息傳統(tǒng)分類的局限性，可為湖南省礦山地質(zhì)環(huán)境調(diào)查提供技術(shù)支撐和精準的基礎數(shù)據(jù)，同時可以降低野外調(diào)查成本，大幅提高工作效率。

[參考文獻]

[1]鄧曾，李丹，柯櫻海，等.基于改進SVM算法的高分辨率遙感影像分類[J].國土資源遙感，2016（3）：12-18.

[2]顏梅春.高分辨率影像的植被分類方法對比研究[J].遙感學報，2007（2）：235-240.

[3]BAATZ M， SCHAPE A.An optimization approach for high quality multi-scale image segmentation [JJ.Beitrage Zum Agit-symposium，2000（12）：12-23.

[4]FOODY G M.Sample size determination for im- age classification accuracy assessment and comparison [J].International Journal ofRemote Sensing， 2009（20）：5273-5291.

[5]TORTORA R D.A note on sample size estimation f-or multinomial populations [J].American Statistician， 1978（3）：100-102.