黨濤， 宋起， 劉勇， 徐安建， 徐波， 張宏剛

(1.西安測(cè)繪總站，西安 710054； 2.蘭州大學(xué)資源環(huán)境學(xué)院，蘭州 730000)

0 引言

面向?qū)ο笥跋穹治?object-based image analysis，OBIA)方法突破了傳統(tǒng)分類(lèi)以像素為基本處理單元的局限性，能夠綜合利用對(duì)象的光譜、紋理、幾何和空間結(jié)構(gòu)特征，實(shí)現(xiàn)較高層次的遙感影像專(zhuān)題信息分類(lèi)提取，以其明顯的特點(diǎn)和優(yōu)勢(shì)，成為建筑物目標(biāo)提取不可或缺的重要方向和研究熱點(diǎn)[1]。目前，國(guó)內(nèi)外已有不少學(xué)者利用基于對(duì)象的分類(lèi)方法，從不同角度入手研究提取影像建筑物信息，也針對(duì)性地提出了不同檢測(cè)模型與策略，取得了在限定條件下較好的分類(lèi)效果[2-10]。

然而，城市環(huán)境中地表情況復(fù)雜，不同類(lèi)型地物都有其適宜的空間尺度，利用統(tǒng)一的尺度層次進(jìn)行影像分割難以獲得精確的專(zhuān)題信息提取成果[11]。黃惠萍等[12]針對(duì)從單一尺度進(jìn)行影像特征提取的不合理性，提出了多尺度遙感影像分析方法； 李秦等[13]采用多尺度多層次分類(lèi)方法對(duì)海岸帶地區(qū)進(jìn)行土地利用分類(lèi)，并與單一尺度下的分類(lèi)結(jié)果比較，地物識(shí)別精度明顯提高。同時(shí)，城市地物目標(biāo)存在嚴(yán)重的光譜變異性，“同物異譜”和“異物同譜”現(xiàn)象較為突出，地物信息提取面臨很大挑戰(zhàn)和干擾[14]。對(duì)于建筑物而言，屋頂?shù)牟馁|(zhì)和顏色不同，光譜響應(yīng)也會(huì)有所區(qū)別，在遙感影像上表現(xiàn)出較大的光譜差異，而且某些建筑物與道路、裸地等不透水面在光譜、紋理、形狀等特征上具有一定的相似性[15]，會(huì)對(duì)分類(lèi)結(jié)果產(chǎn)生不同程度的影響。為避免建筑物光譜不同帶來(lái)的提取誤差，吳煒等[16]采用剔除非建筑物的策略提取建筑物； 譚衢霖[17]利用空間特征構(gòu)建了規(guī)則集來(lái)識(shí)別提取建筑物。另外，影像分類(lèi)需要綜合利用地物的多種特征信息，數(shù)量往往較多，其中可能存在不相關(guān)或冗余信息，不進(jìn)行合理的特征選擇優(yōu)化，容易造成“維數(shù)災(zāi)難”，出現(xiàn)分類(lèi)精度不增反降的現(xiàn)象[18]。劉舒等[19]采用Relief F和多目標(biāo)遺傳隨機(jī)森林(random forest,RF)組合的特征選擇算法，來(lái)削弱高維特征集對(duì)面向?qū)ο鬂竦胤诸?lèi)精度的影響； 薛章鷹等[20]提出了結(jié)合Relief F、遺傳算法和支持向量機(jī)的建筑物目標(biāo)識(shí)別特征選擇算法。

鑒于上述情況，本文以O(shè)BIA為基礎(chǔ)，采用層次化分割分類(lèi)處理的方式，顧及地物光譜多樣性，結(jié)合影像特征選擇方法，通過(guò)集成數(shù)據(jù)挖掘技術(shù)與機(jī)器學(xué)習(xí)分類(lèi)算法，以期實(shí)現(xiàn)對(duì)高空間分辨率遙感影像城市建筑物信息的有效提取。

1 研究方法

1.1 多層次分割分類(lèi)模型

城市遙感影像中的地物類(lèi)型主要有建筑物、道路、裸地、植被、水體和陰影等，同一類(lèi)型地物因?qū)傩詷?gòu)成或表面狀況不同，在影像中也會(huì)呈現(xiàn)出較大差異，如不同顏色屋頂?shù)慕ㄖ锖筒煌伱娌馁|(zhì)的道路。由于地表景觀本身具有多尺度的層次組織結(jié)構(gòu)[14]，采用分層分類(lèi)的遙感地學(xué)分析方法進(jìn)行地物信息提取，構(gòu)建合適的類(lèi)別層次結(jié)構(gòu)是OBIA的基礎(chǔ)和關(guān)鍵。因此，本文從建筑物的不透水物理屬性出發(fā)，按照分層分類(lèi)處理的思路，基于“不同地物采用不同尺度進(jìn)行分割，不同影像對(duì)象層中根據(jù)相應(yīng)地物類(lèi)別選擇不同特征信息和分類(lèi)方法”的原則，建立了多層次結(jié)構(gòu)以進(jìn)行目標(biāo)地物的分類(lèi)提取(表1)。

表1 多層次影像分割分類(lèi)結(jié)構(gòu)Tab.1 Hierarchical image segmentation classification structure

本文提出的多層次分割分類(lèi)體系包括不透水面提取和建筑物提取2個(gè)階段。首先將光譜上難以區(qū)分的建筑物、道路和裸地合并為不透水面，在尺度層1上基于不透水面最優(yōu)尺度參數(shù)進(jìn)行影像分割，提取對(duì)象光譜、紋理和幾何形狀等信息，采用RF算法獲取不透水面分布，剔除水體、植被、陰影等背景地物； 然后以不透水面提取結(jié)果為基礎(chǔ)特征影像，在尺度層2上基于建筑物最優(yōu)尺度參數(shù)進(jìn)行影像分割，為更好地解決不透水面組成地物光譜相似問(wèn)題，根據(jù)光譜多樣性特征，將建筑物、道路和裸地進(jìn)一步分成若干子類(lèi)，在多元化地利用對(duì)象光譜、形狀及紋理特征的前提下，綜合建筑物與陰影對(duì)象的鄰近關(guān)系特征，采用J48決策樹(shù)算法建立多層次分類(lèi)規(guī)則提取特定地物，獲得建筑物最終提取結(jié)果。

1.2 特征選擇算法

特征信息是地物識(shí)別提取的基礎(chǔ)，采用有效的特征屬性及合適的特征空間維度是影像分類(lèi)成功的關(guān)鍵[18]。通常而言，根據(jù)評(píng)價(jià)準(zhǔn)則，特征選擇方法可分為過(guò)濾式、封裝式和組合式3類(lèi)[21]。

粒子群優(yōu)化算法(particle swarm optimization，PSO)是一種隨機(jī)搜索算法，通過(guò)群體中個(gè)體之間的協(xié)作和信息共享，使整個(gè)群體的運(yùn)動(dòng)在問(wèn)題求解空間中產(chǎn)生從無(wú)序到有序的演化過(guò)程，從而獲得最優(yōu)解[20]。通常采用K-最近鄰、支持向量機(jī)、決策樹(shù)等分類(lèi)器作為適應(yīng)度函數(shù)來(lái)評(píng)價(jià)特征集優(yōu)劣程度[23]。本文結(jié)合多層次分割分類(lèi)模型，選擇RF算法和J48決策樹(shù)算法分別構(gòu)成PSO_RF和PSO_J48封裝算法，應(yīng)用于相應(yīng)層次影像特征選擇。

本文將Relief F算法與PSO封裝算法有效結(jié)合，提出了Relief F-PSO二階段組合特征選擇方法(圖1)。

圖1 Relief F-PSO特征選擇算法流程Fig.1 Relief F-PSO feature selection algorithm flow chart

首先利用Relief F算法對(duì)原始特征集中各特征進(jìn)行權(quán)重排序，選擇n個(gè)分類(lèi)能力較強(qiáng)的特征組合參與Wrapper優(yōu)化，達(dá)到快速降維和減少粒子搜索空間的目的； 然后運(yùn)用PSO封裝算法對(duì)預(yù)選特征集中各特征重要性進(jìn)行度量，進(jìn)一步消除冗余和不相關(guān)特征，保留對(duì)分類(lèi)有貢獻(xiàn)力的m個(gè)特征； 最后對(duì)特征重要性進(jìn)行降序排列，利用RF算法與序列后向選擇方法相結(jié)合的方式，每次從特征集合中刪除重要性排序最后的特征，逐次迭代運(yùn)算，確定特征維度與分類(lèi)精度的關(guān)系，尋找最優(yōu)特征子集。

2 研究區(qū)概況及數(shù)據(jù)源

研究區(qū)位于寧夏回族自治區(qū)中衛(wèi)市，主要地物類(lèi)型有建筑物、道路、裸地、植被、水體和陰影。建筑物形狀結(jié)構(gòu)復(fù)雜，屋頂顏色多樣，有紅色、藍(lán)色、灰色、紫色和白色等。東部和北部建筑物群屬于商品住宅區(qū)域，以封閉式小區(qū)毗鄰排列，屋頂面多采用混凝土或彩色瓦片，呈淺灰色、紅色和深藍(lán)色； 住宅區(qū)內(nèi)部散列分布著彩鋼瓦材料的臨時(shí)建筑物，屋頂面呈規(guī)則矩形且顏色均勻，影像上表現(xiàn)為淺藍(lán)色。西南部多以水體和植被為主，零星分布著深灰色屋頂建筑物。因太陽(yáng)高度角及建筑物本身高差影響，陰影附加于屋頂?shù)囊粋?cè)或兩側(cè)。整個(gè)區(qū)域存在建筑物、植被、道路、人工地和陰影等交錯(cuò)分布的復(fù)雜情況。

本研究采用2016年7月8日獲取的WorldView 3遙感影像(圖2)，多光譜和全色影像空間分辨率分別為2 m和0.5 m，實(shí)驗(yàn)選取1 749×907像元大小區(qū)域，面積約0.4 km2。首先對(duì)多光譜影像輻射定標(biāo)后使用FLAASH模型進(jìn)行大氣輻射校正，全色波段輻射定標(biāo)為大氣表觀反射率，然后利用自帶的RPC文件和數(shù)字高程模型對(duì)多光譜和全色波段數(shù)據(jù)進(jìn)行正射校正，運(yùn)用 Gram-Schmidt 算法融合生成0.5 m空間分辨率的遙感影像。該影像包括8個(gè)多光譜波段，根據(jù)不同波段信息量和相關(guān)系數(shù)，結(jié)合最佳指數(shù)法[24]及目標(biāo)地物特點(diǎn)等，優(yōu)選出紅、綠、藍(lán)和近紅外4個(gè)波段，應(yīng)用于不同類(lèi)別地物的提取研究。

圖2 研究區(qū)WorldView3 B3(R)，B2(G)，B1(B)合成影像Fig.2 Study area image with WorldView3 B3(R),B2(G),B1(B)

3 結(jié)果與討論

3.1 影像分割

多尺度影像分割是基于光譜、形狀相結(jié)合的異質(zhì)性最小原則，實(shí)現(xiàn)影像對(duì)象同質(zhì)性區(qū)域的增長(zhǎng)合并[20]。分形網(wǎng)絡(luò)演化算法(fractal net evolution approach，F(xiàn)NEA)主要利用尺度因子(scale)、形狀因子(shape)和緊湊度因子(compactness)參數(shù)組合決定地物在影像中的分割結(jié)果。為獲得較好的分割效果以利于目標(biāo)地物的識(shí)別提取，在影像分割前有必要進(jìn)行最優(yōu)分割參數(shù)的選擇，以使分割后影像對(duì)象與真實(shí)地物斑塊能夠達(dá)到較高的吻合度。

本文利用Liu等[24]提出的不一致性評(píng)價(jià)法分割參數(shù)優(yōu)選模型，結(jié)合目標(biāo)地物特點(diǎn)，選擇尺度層1尺度因子取值范圍為20～200，步長(zhǎng)為20； 尺度層2尺度因子取值范圍為40～400，步長(zhǎng)為10； 形狀因子和緊湊度因子均設(shè)為0.1～0.9，步長(zhǎng)為0.1。通過(guò)歐幾里德距離(ED2)與尺度因子關(guān)系(圖3)，確定影像最優(yōu)分割參數(shù)組合，建立建筑物目標(biāo)的最優(yōu)尺度多層次分割體系，如圖4所示。

(a) 尺度層1的ED2值與尺度因子的關(guān)系 (b) 尺度層2的ED2值與尺度因子的關(guān)系

圖3 ED2值與尺度因子的關(guān)系

Fig.3RelationshipbetweenED2valueandscale

圖4 研究區(qū)建筑物提取分割層次Fig.4 Study area building extractionsegmentation hierarchical graph

圖5反映了各分割尺度所對(duì)應(yīng)的影像分割效果。尺度層1中，水體、陰影和植被等地物在分割影像中表現(xiàn)出良好的邊緣信息和真實(shí)形狀。尺度層2中大部分建筑物輪廓分割相對(duì)完整，且與道路、裸地等有明顯區(qū)分，但也有部分建筑物因頂部構(gòu)成材質(zhì)存在一定程度的褪色情況，造成光譜信息缺失而與鄰近地物產(chǎn)生不同程度的過(guò)分割或欠分割現(xiàn)象。

綜合來(lái)看，建議在實(shí)際生產(chǎn)上選用化學(xué)殺蟲(chóng)劑防治茶棍薊馬時(shí)，5-8月可選用30%溴蟲(chóng)腈懸浮劑(20 g/667m2)靜電噴霧器噴施，安全間隔期為7 d；其余時(shí)間段可選用5%聯(lián)苯菊酯乳油(20 g/667m2)靜電噴霧器噴施，安全間隔期為7 d。

(a) 尺度層1不透水層提取影像分割結(jié)果 (b) 尺度層2 建筑物提取影像分割結(jié)果

圖5 研究區(qū)影像分割結(jié)果(局部)

Fig.5Imagesegmentationresults(partial)

3.2 類(lèi)間可分性

對(duì)研究區(qū)內(nèi)建筑物、道路、裸地、植被、水體和陰影6類(lèi)地物的多波段光譜特征進(jìn)行分析，每一類(lèi)地物隨機(jī)選擇30個(gè)樣本點(diǎn)，并且考慮了同一類(lèi)地物的光譜多樣性特征和空間分布，統(tǒng)計(jì)結(jié)果如圖6所示。

(a) 建筑物 (b) 道路

(c) 裸地 (d) 植被

圖6-1 研究區(qū)典型地物各波段亮度均值及亮度箱線(xiàn)圖

Fig.6-1Meanvalueandbrightnessboxdiagramofeachbandoftypicalfeatures

(e) 水體 (f) 陰影

(g) 亮度 (h) 示意圖

圖6-2 研究區(qū)典型地物各波段亮度均值及亮度箱線(xiàn)圖

Fig.6-2Meanvalueandbrightnessboxdiagramofeachbandoftypicalfeatures

從圖6可以看出，建筑物、道路和裸地的光譜曲線(xiàn)整體趨勢(shì)大致相同，不同波段亮度均值及亮度較高，且差異較小易于混淆，但都與植被、水體和陰影的光譜響應(yīng)有明顯區(qū)別； 水體和陰影2類(lèi)地物亮度值都較低，但水體在綠波段有明顯反射峰，在近紅外波段出現(xiàn)低谷； 而陰影在綠波段出現(xiàn)低谷，隨后又上升，植被在近紅外波段反射率陡峭上升，綜合地物在各波段的光譜反射率，可利用波段之間的亮度值差異，進(jìn)行特定組合及運(yùn)算(差值、比值或歸一化)，有助于突出相關(guān)地物信息。建筑物、道路和裸地“異物同譜”現(xiàn)象表現(xiàn)突出，單純利用光譜信息難以對(duì)其進(jìn)行有效區(qū)分。

對(duì)各波段亮度標(biāo)準(zhǔn)差進(jìn)行統(tǒng)計(jì)分析發(fā)現(xiàn)，建筑物、道路和裸地各波段標(biāo)準(zhǔn)差都較高，水體和陰影的標(biāo)準(zhǔn)差則較小，尤其是水體物理構(gòu)成相對(duì)均一，亮度標(biāo)準(zhǔn)差為最小。建筑物、道路和裸地各類(lèi)別由于構(gòu)成材質(zhì)不同，影像灰度表現(xiàn)差異較為明顯，在空間中呈現(xiàn)出多樣化的光譜特征，體現(xiàn)在遙感影像上即為“同物異譜”現(xiàn)象。在復(fù)雜城市景觀條件下，光譜特征的變異性較大，嚴(yán)重制約了地物信息的識(shí)別與提取精度。

本文通過(guò)對(duì)WorldView3 B3(R),B2(G),B1(B)合成影像目視解譯，將研究區(qū)建筑物目標(biāo)按照屋頂顏色進(jìn)一步分為藍(lán)頂、紅頂和灰頂建筑物3種類(lèi)型，道路目標(biāo)按照鋪面材質(zhì)分為瀝青路和水泥路2種類(lèi)型，裸地目標(biāo)按照色彩明度分為亮裸地和暗裸地2種類(lèi)型，光譜統(tǒng)計(jì)結(jié)果如圖7所示。從圖7中可以看出，各地物類(lèi)內(nèi)光譜差異明顯，亮裸地在各波段的亮度值明顯高于其他地物，可分性最好； 而不同顏色屋頂建筑物光譜曲線(xiàn)走勢(shì)明顯不同，藍(lán)頂建筑物在藍(lán)波段反射率較高，且紅波段與近紅外波段亮度值差異最大，可分性較好； 紅頂建筑物在藍(lán)、綠波段亮度值較低，而在紅、近紅外波段處陡峭提升； 灰頂建筑物與瀝青路、水泥路以及暗裸地光譜曲線(xiàn)較為接近，且亮度差異較小，對(duì)象間可分性較差。

圖7 研究區(qū)典型地物各波段亮度值Fig.7 Mean value diagram of each band of typical figure

3.3 基于RF算法的不透水面提取

在尺度層1中，本文共提取了影像對(duì)象的60個(gè)特征，構(gòu)成影像分類(lèi)原始特征集。其中，光譜特征14個(gè)，包括多光譜影像4個(gè)波段的均值、標(biāo)準(zhǔn)差、比率以及亮度和最大差分； 形狀特征10個(gè)，為對(duì)象的面積、長(zhǎng)度、寬度、長(zhǎng)寬比、主方向、不對(duì)稱(chēng)性、緊致度、密度、圓度和形狀指數(shù)； 紋理特征32個(gè)，為對(duì)象灰度共生矩陣(gray level cooccurrence matrix,GLCM)4個(gè)方向的均值、標(biāo)準(zhǔn)差、同質(zhì)性、異質(zhì)性、相關(guān)性、對(duì)比度、信息熵和角二階矩特征值； 利用各波段之間的比值運(yùn)算提取指數(shù)特征4個(gè)，包括歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、歸一化差異綠度指數(shù)(normalized difference green index，NDGI)、歸一化差異水體指數(shù)(normalized difference water index，NDWI)和比值居民地指數(shù)(ratio resident-area index，RRI)。

采用Relief F算法對(duì)原始特征集進(jìn)行篩選，根據(jù)各特征權(quán)值大小，保留與目標(biāo)類(lèi)相關(guān)性較大的45個(gè)特征； 然后利用PSO_RF封裝算法對(duì)預(yù)選特征集優(yōu)化處理，依據(jù)平均袋外誤分率(out of bag error,OOB)獲得各特征重要性，得到對(duì)分類(lèi)有貢獻(xiàn)力的35個(gè)特征，如圖8所示。可以看出優(yōu)選獲得的特征子集以光譜信息為主，紋理信息也較多，而形狀特征數(shù)量較少且分類(lèi)作用不明顯。重要性最高的是多光譜各波段比率、藍(lán)波段均值、NDGI以及NDVI。

圖8 特征重要性程度分析

Fig.8Characteristicimportancedegreeanalysischart

為進(jìn)一步說(shuō)明選擇方法對(duì)特征重要性度量的有效性，針對(duì)重要性最高的7個(gè)特征，隨機(jī)選取典型地物共440個(gè)訓(xùn)練樣本，統(tǒng)計(jì)得到特征歸一化結(jié)果，如圖9所示?？梢钥闯?，綠波段比率、近紅外比率和NDVI指數(shù)對(duì)植被和水體的可分性都較高，而NDVI指數(shù)對(duì)陰影也有一定的可分性； 藍(lán)波段比率和紅波段比率對(duì)植被分類(lèi)有明顯優(yōu)勢(shì)，NDGI指數(shù)對(duì)水體區(qū)分更有利，藍(lán)波段均值能夠較好地區(qū)分出不透水面?？傮w而言，優(yōu)選得到的7個(gè)光譜特征對(duì)4類(lèi)地物具有較好的區(qū)分度，部分特征對(duì)于特定地物的區(qū)分作用也比較明顯，但由于陰影與部分不透水面存在光譜相似性，容易產(chǎn)生混淆問(wèn)題。

圖9 典型地物樣本特征分析Fig.9 Characteristic analysis diagram of typical feature samples

在地物光譜特征分析的基礎(chǔ)上，為更加合理地確定最優(yōu)特征子集的大小，采用RF算法與后向序列選擇方法相結(jié)合的方式，對(duì)預(yù)選特征子集中重要性降序排列的45個(gè)特征進(jìn)行迭代分類(lèi)，10折交叉驗(yàn)證得到特征數(shù)量與分類(lèi)精度和卡帕系數(shù)之間的變化關(guān)系，如圖10所示。

圖10 總體精度和Kappa系數(shù)與特征數(shù)量之間的關(guān)系圖Fig.10 Relationship between the overall accuracy andthe Kappa coefficient and the number of features

從圖10中可以看出，分類(lèi)特征數(shù)量較少時(shí)，因不足以提供區(qū)分信息，模型分類(lèi)精度不高； 隨著特征數(shù)量增加，參與分類(lèi)的信息更多，但精度反而會(huì)有所降低，說(shuō)明加入冗余特征會(huì)對(duì)分類(lèi)器性能產(chǎn)生不同程度的影響，合適的特征維度至關(guān)重要。從結(jié)果中可以看出，當(dāng)特征數(shù)量為18時(shí)，總體精度和Kappa系數(shù)達(dá)到最高點(diǎn)，故而選取前18個(gè)特征(表2)作為最優(yōu)特征空間進(jìn)行RF分類(lèi)，獲取不透水面的分布結(jié)果(圖11)。

表2 不透水面提取最優(yōu)特征集Tab.2 Optimal feature sets for impervious classes

圖11 基于RF算法的不透水面提取結(jié)果Fig.11 Impervious ground extraction results based on random forests

3.4 基于J48決策樹(shù)算法提取建筑物類(lèi)

J48決策樹(shù)是在C4.5算法的基礎(chǔ)上，增加了有效的剪枝過(guò)程，訓(xùn)練出的規(guī)則易于理解且準(zhǔn)確度較高[25]。葉節(jié)點(diǎn)中所需實(shí)例的最小數(shù)量M以及用于修剪的置信系數(shù)C，是決策樹(shù)學(xué)習(xí)器2個(gè)重要的調(diào)整參數(shù)，其取值會(huì)直接影響分類(lèi)效果，因此需要進(jìn)行參數(shù)尋優(yōu)[26]。

在尺度層2中，本文針對(duì)建筑物(紅頂、藍(lán)頂和灰頂)、道路(瀝青路和水泥路)和裸地(亮裸地和暗裸地)共計(jì)7種地物類(lèi)型進(jìn)行分類(lèi)研究。在尺度層1中提取的影像對(duì)象光譜、形狀和紋理特征中加入2個(gè)空間關(guān)系特征，即與相鄰陰影類(lèi)對(duì)象的距離和相對(duì)邊界，共計(jì)62個(gè)特征構(gòu)成原始特征集。置信系數(shù)C取值為0.1～0.5，步長(zhǎng)為0.1，最小數(shù)量M設(shè)為1～10，步長(zhǎng)為1。利用Relief F-PSO_J48特征選擇方法對(duì)特征集和決策樹(shù)參數(shù)進(jìn)行同步優(yōu)化，獲得最優(yōu)特征子集(表3)及整定后參數(shù)值C為0.1，M為3。從表3中可以看出特征子集中光譜特征信息數(shù)量較多，其次是紋理特征，而形狀特征只有密度信息。

表3 建筑物提取最優(yōu)特征集Tab.3 Optimal feature sets for building classes

為進(jìn)一步分析說(shuō)明影像分類(lèi)過(guò)程中顧及地物光譜差異的必要性與可行性，隨機(jī)選取典型地物共120個(gè)樣本，統(tǒng)計(jì)得到最優(yōu)特征集中近紅外波段均值、近紅外波段標(biāo)準(zhǔn)差、藍(lán)波段比率、綠波段比率、密度以及GLCM角二階矩90°的特征值歸一化結(jié)果，如圖12所示。由圖12可知，不同顏色屋頂?shù)慕ㄖ镌诠庾V特征上都表現(xiàn)出了顯著差異，尤其在藍(lán)波段比率和綠波段比率特征上最為明顯，且藍(lán)波段比率對(duì)藍(lán)頂建筑物、綠波段比率對(duì)紅頂建筑物具有較好的區(qū)分度； 瀝青路和水泥路在近紅外波段均值及標(biāo)準(zhǔn)差特征上有較大差異，亮裸地和暗裸地在GLCM角二階矩90°方向差異明顯； 灰頂建筑物與道路、裸地存在一定混淆現(xiàn)象，很難利用某一特征對(duì)其有效區(qū)分； 密度和近紅外波段標(biāo)準(zhǔn)差分布相似，地物具有一定的可分性，但可分性不強(qiáng)； 因此，需要組合利用對(duì)象的空間、光譜和紋理特征，提高建筑物對(duì)象之間以及與其他地物之間的可分性。

圖12 典型地物樣本特征分析Fig.12 Typical feature sample analysis

利用選擇的8個(gè)最優(yōu)特征，以J48決策樹(shù)為分類(lèi)器，設(shè)置相關(guān)參數(shù)對(duì)訓(xùn)練樣本數(shù)據(jù)進(jìn)行模型學(xué)習(xí)，10折交叉驗(yàn)證模型的正確分類(lèi)率為89.52%，Kappa系數(shù)為0.87。得到研究區(qū)地物提取規(guī)則集及變量閾值(表4)。將相關(guān)特征和閾值按照先后順序應(yīng)用到eCognition軟件中，從不透水面中分類(lèi)提取出紅頂、藍(lán)頂和灰頂建筑物。將不同顏色屋頂建筑物提取結(jié)果進(jìn)行合并，通過(guò)設(shè)定建筑物面積閾值(area≤68.05)，濾除影像中噪聲圖斑。再采用“先開(kāi)后閉”的數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行優(yōu)化處理，卷積核大小均設(shè)為3×3，有效填補(bǔ)了建筑物內(nèi)部孔洞，使幾何形態(tài)進(jìn)一步規(guī)則化，結(jié)果如圖13所示。

表4 研究區(qū)地物提取規(guī)則集Tab.4 Feature extraction rule set

圖13 研究區(qū)影像建筑物最終提取結(jié)果Fig.13 Final building extraction results

4 對(duì)比實(shí)驗(yàn)及精度評(píng)價(jià)

4.1 對(duì)比實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證說(shuō)明多層次影像分割分類(lèi)過(guò)程中，影像層次構(gòu)建的合理性，特征選擇方法的有效性和顧及地物類(lèi)內(nèi)光譜差異的必要性，本文針對(duì)性地采用3種分類(lèi)方法進(jìn)行了對(duì)比研究。其中，方法一利用“單一尺度層”進(jìn)行影像分割，并結(jié)合RF算法對(duì)建筑物進(jìn)行分類(lèi)提??； 方法二根據(jù)經(jīng)驗(yàn)知識(shí)和地物特點(diǎn)，人為分析選擇典型特征構(gòu)建影像知識(shí)庫(kù)分類(lèi)提取建筑物； 由于地物光譜多樣性特征在邏輯學(xué)上可被解釋為屬種關(guān)系，屬概念反映了地物類(lèi)別所具有的共性，而種概念則表示不同子類(lèi)的個(gè)性，本文方法是從種概念的角度出發(fā)，采用多元化處理方式提取了建筑物信息，因而方法三基于地物屬概念，在不考慮光譜多樣性前提下，將建筑物整體上作為“一類(lèi)地物”進(jìn)行分類(lèi)提取。結(jié)果如圖14所示。

(a) 基于單一尺度層方法提取建筑物結(jié)果

(b) 基于經(jīng)驗(yàn)特征方法提取建筑物結(jié)果

(c) 基于地物屬概念方法提取建筑物結(jié)果圖14 不同分類(lèi)方法建筑物提取結(jié)果Fig.14 Building extraction results from different classification methods

4.2 精度評(píng)價(jià)

為定量評(píng)價(jià)分類(lèi)效果，通過(guò)人工目視解譯，獲得研究區(qū)建筑物矢量數(shù)據(jù)，作為參考數(shù)據(jù)分別統(tǒng)計(jì)建筑物正確提取、錯(cuò)分和漏分面積，并利用錯(cuò)分率(FP/TP)、漏分率(FN/TP)、完整率(TP/(TP+FN))和準(zhǔn)確率(TP/(TP+FP))4個(gè)指標(biāo)評(píng)價(jià)建筑物提取結(jié)果[20]，其中，TP為正確提取的建筑物面積；FN為漏分的建筑物面積；FP為錯(cuò)誤識(shí)別為建筑物的面積。對(duì)上述各分類(lèi)方法中使用影像特征數(shù)量及成果精度進(jìn)行統(tǒng)計(jì)，結(jié)果如表5所示。

表5 不同分類(lèi)方法相關(guān)數(shù)據(jù)統(tǒng)計(jì)比較Tab.5 Statistical comparison of data relatedfrom different classification methods

從統(tǒng)計(jì)結(jié)果可以看出，不同方法在分類(lèi)過(guò)程中所使用的特征信息數(shù)量不同，成果精度也會(huì)有所差異。按照特征數(shù)量平均值大小排序?yàn)椋?本文方法<單一尺度層方法<地物屬概念方法<經(jīng)驗(yàn)特征方法； 建筑物信息提取的完整率順序?yàn)椋?本文方法>單一尺度層方法>經(jīng)驗(yàn)特征方法>地物屬概念方法； 分類(lèi)成果準(zhǔn)確率排序?yàn)椋?本文方法>地物屬概念方法>經(jīng)驗(yàn)特征方法>單一尺度層方法。

結(jié)合分類(lèi)效果，可以得出如下結(jié)論： ①采用單一尺度層對(duì)不同類(lèi)型地物目標(biāo)提取，容易造成地物“過(guò)分割”與“欠分割”問(wèn)題，分類(lèi)出現(xiàn)嚴(yán)重的錯(cuò)漏分現(xiàn)象，成果準(zhǔn)確率下降了12.45%； ②根據(jù)專(zhuān)家經(jīng)驗(yàn)知識(shí)和影像地物特點(diǎn)，人為分析選擇典型特征參與影像分類(lèi)，會(huì)造成建筑物目標(biāo)提取的完整率和準(zhǔn)確率分別下降9.63%和8.26%； ③不考慮地物光譜多樣性特征，將其整體上作為“一個(gè)類(lèi)別”進(jìn)行分析研究，容易造成光譜相似性地物之間的錯(cuò)分現(xiàn)象，成果完整率下降了11.74%； ④本文方法能夠利用最少數(shù)量的影像特征信息，獲得最高精度的建筑物提取成果，完整率和準(zhǔn)確率分別為91.77%和80.64%。

5 結(jié)論

針對(duì)高空間分辨率遙感影像城市景觀復(fù)雜，“同物異譜”和“異物同譜”現(xiàn)象較為突出，地物信息提取面臨很大挑戰(zhàn)和干擾，特別是建筑物與道路、裸地等不透水面因光譜混淆嚴(yán)重而難以區(qū)分的問(wèn)題，本文在基于對(duì)象影像分析方法的支持下，顧及地物多尺度特性及光譜多樣性特征，采用層次化分割分類(lèi)處理的方式，并結(jié)合特征選擇方法優(yōu)化構(gòu)建了相應(yīng)層次的特征空間，實(shí)現(xiàn)了遙感影像城市建筑物信息的有效提取。通過(guò)將本文方法與“基于單一尺度層”、“基于經(jīng)驗(yàn)特征”和“基于地物屬概念”3種針對(duì)性提取方法的分類(lèi)結(jié)果進(jìn)行綜合對(duì)比分析，結(jié)果表明： 本文方法能夠利用最少數(shù)量的影像特征信息，獲得最高精度的建筑物提取成果，完整率和準(zhǔn)確率分別達(dá)到91.77%和80.64%。本文還需改進(jìn)的地方在于： ①針對(duì)樣本選擇問(wèn)題，研究如何減少人工干預(yù)的情況下，獲取更優(yōu)質(zhì)量的樣本，為特征選擇提供更科學(xué)的依據(jù)； ②本文方法只驗(yàn)證了對(duì)小場(chǎng)景小城市建筑物的識(shí)別效果，對(duì)于具有摩天大廈、高層住宅區(qū)和棚戶(hù)區(qū)等分布復(fù)雜的大城市區(qū)域，需要進(jìn)一步通過(guò)實(shí)驗(yàn)來(lái)精細(xì)區(qū)分建筑物類(lèi)型，并針對(duì)性地開(kāi)展相關(guān)研究，以提高分類(lèi)模型的適應(yīng)性。