廖珊珊　張建宇

摘 ? 要：本文以廣西扶綏縣為例，在對(duì)甘蔗種植區(qū)特征分析基礎(chǔ)上，運(yùn)用面向?qū)ο蟮母叻直媛视跋裉卣魈崛〉姆椒?，采取多尺度分割，分別采取不同的信息提取策略，得到試驗(yàn)區(qū)信息分類(lèi)成果。著重討論面向?qū)ο蟮母叻直媛蔬b感信息提取的關(guān)鍵技術(shù)，探討光譜特征、形狀特征、紋理特征、典型特征等在甘蔗地種植區(qū)信息提取中的最優(yōu)參數(shù)選擇及具體應(yīng)用，并對(duì)其分類(lèi)結(jié)果進(jìn)行精度驗(yàn)證和評(píng)價(jià)。研究結(jié)果表明，試驗(yàn)區(qū)影像分類(lèi)的精度較高，且在一定程度上提高了面向?qū)ο笮畔⑻崛〉男屎妥詣?dòng)化程度。

關(guān)鍵詞：面向?qū)ο??多尺度分割 ?高分辨率影像 ?甘蔗 ?精度評(píng)價(jià)

中圖分類(lèi)號(hào)：S566 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1674-098X（2019）06（b）-0124-03

本文以廣西扶綏縣為研究區(qū)域，以甘蔗地種植區(qū)為研究對(duì)象，采用面向?qū)ο蟮倪b感影像分析方法，在影像分割基礎(chǔ)上得到對(duì)象，充分利用對(duì)象特征，探討利用eCognition軟件對(duì)北京二號(hào)高分遙感影像進(jìn)行分類(lèi)具體應(yīng)用，從而實(shí)現(xiàn)信息有效提取?；诿嫦?qū)ο蟮母收岱N植區(qū)的遙感影像處理技術(shù)，突破了著眼于關(guān)注地物局部細(xì)節(jié)而忽略地物圖斑的整體紋理及結(jié)構(gòu)信息導(dǎo)致的分類(lèi)精度降低的缺陷，解決了“同譜異物”及“同物異譜”問(wèn)題，避免了“椒鹽現(xiàn)象”[2]，有效地提高了甘蔗地識(shí)別的精度和效率，對(duì)廣西糖料蔗生產(chǎn)保護(hù)區(qū)及“雙高”基地的劃定、管理及監(jiān)測(cè)具有重要意義。

1 ?試驗(yàn)區(qū)數(shù)據(jù)

1.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)所用的遙感圖像數(shù)據(jù)為北京2號(hào)衛(wèi)星拍攝的廣西扶綏縣遙感影像，成像時(shí)間為2017年8月，影像數(shù)據(jù)共有4個(gè)光譜波段，空間分辨率為0.8m，波段范圍分別為：藍(lán)光波段0.45～0.9?m、綠光波段0.52～0.59?m、紅光波段0.63～0.69?m、近紅外波段0.77～0.89?m。本文選取具有代表性的4000*4000像素的子區(qū)進(jìn)行試驗(yàn)研究。影像經(jīng)過(guò)輻射定標(biāo)、大氣校正、正射校正和融合處理等預(yù)處理后，獲取研究區(qū)影像。根據(jù)試驗(yàn)區(qū)所在區(qū)域的先驗(yàn)知識(shí)、專(zhuān)題資料和人工目視解譯，將研究區(qū)地物大類(lèi)分為道路、水體、建筑物、林地、耕地、裸地和云層共7種地物類(lèi)別。

1.2 真值數(shù)據(jù)

廣西第一次全國(guó)地理國(guó)情普查成果數(shù)據(jù)2017年通過(guò)驗(yàn)收，數(shù)據(jù)范圍覆蓋了廣西全省經(jīng)過(guò)遙感人工目視解譯與外業(yè)實(shí)地調(diào)繪核實(shí)的地理國(guó)情要素，可認(rèn)定為真值。

2 ?研究方法

2.1 技術(shù)路線

在影像多尺度分割的基礎(chǔ)上，以遙感影像認(rèn)知和地學(xué)理解為主要分析視角，合理選擇目標(biāo)地物的分類(lèi)特征，開(kāi)展研究區(qū)高分辨率影像分類(lèi)研究。本文探討采用eCognition軟件對(duì)廣西扶綏縣高分影像進(jìn)行最優(yōu)分割尺度分割，根據(jù)特征類(lèi)別對(duì)影像對(duì)象特征賦值，再依據(jù)人工目視解譯數(shù)據(jù)用于樣本訓(xùn)練，并結(jié)合樣本監(jiān)督分類(lèi)，高效高精度地提取地物對(duì)象，最后利用國(guó)情普查數(shù)據(jù)檢查樣本，并對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)分析，分類(lèi)結(jié)果精度較高。具體技術(shù)路線如圖1所示。

2.2 多尺度影像分割

影像分割依據(jù)同質(zhì)性或異質(zhì)準(zhǔn)則，把圖像分為一定數(shù)量具有特征差異的子區(qū)域，這些子區(qū)域內(nèi)部像元具有某種共性，且內(nèi)部相互聯(lián)系，且相鄰的子區(qū)域有明顯的差異性，是面向?qū)ο蟮倪b感影像分類(lèi)的基本單元[1]。eCognition軟件中的多尺度分割算法，是采用基于異質(zhì)性最小的一種區(qū)域合并算法，其目標(biāo)是實(shí)現(xiàn)分割后影像對(duì)象保持各自同質(zhì)性最大的限度同時(shí)其平均異質(zhì)性最小化，完成兩兩區(qū)域合并實(shí)現(xiàn)的自上而下的分割方法[3]。經(jīng)試驗(yàn)，F(xiàn)NEA分割算法符合試驗(yàn)區(qū)數(shù)據(jù)要求。FNEA分割算法異質(zhì)性規(guī)則加權(quán)成分如圖2所示，其中Wcolor代表的是顏色因子權(quán)重，Wshape指的是形狀因子權(quán)重，兩者權(quán)重相加之和為 1;Wcom和Wsmo則表示緊湊度和平滑度的權(quán)重，兩者權(quán)重和也為1[2]。試驗(yàn)區(qū)多尺度分割結(jié)果如圖3所示。

2.3 特征類(lèi)別分析

2.3.1 形狀特征

一般情況下，人工地物的幾何形狀較為規(guī)則，如道路、建筑用地等。地類(lèi)對(duì)象的幾何形狀特征提取是基于影像對(duì)象的矢量來(lái)建立幾何形狀特征提取的模型，形狀指標(biāo)由光滑度和破碎化程度兩個(gè)參數(shù)來(lái)決定，兩參數(shù)權(quán)重和為1。

2.3.2 光譜特征

植被的反射光譜特征可使其在遙感影像上與其他地物相區(qū)別，可利用光譜特征提取植被要素。隨著遙感影像空間分辨率的提高，高分辨率影像中同類(lèi)地物的光譜特征也表現(xiàn)的更復(fù)雜也更多，最直接的表現(xiàn)是：影像中的單個(gè)像元混合表現(xiàn)多個(gè)地物的情況減少了，而僅表現(xiàn)一個(gè)地物的單個(gè)像元增多了，高分辨率影像中不同類(lèi)別的地物能在影像空間上區(qū)分出來(lái)了。

2.3.3 紋理特征

面向?qū)ο蟮募y理分析，一種方法是使用eCognition Developer提供的預(yù)定義紋理特征，即由子對(duì)象的光譜屬性、對(duì)比以及形狀屬性等紋理表征來(lái)描述影像對(duì)象;另一種是分析已分類(lèi)的子對(duì)象的組成，類(lèi)相關(guān)特征（Relations to Sub-Objects）可用于提供一個(gè)影像對(duì)象的紋理信息?；叶裙采仃嚕℅LCM）可提供影像灰度值的方向、變化幅度和間隔等信息，但灰度共生矩陣并不能直接區(qū)別紋理之間差異，因此需要對(duì)灰度共生矩陣提取一些能夠定量描述紋理特征的相關(guān)統(tǒng)計(jì)屬性。常用于描述影像中紋理信息的灰度共生矩陣的統(tǒng)計(jì)屬性主要有8種。

本試驗(yàn)區(qū)以突出影像中紋理的脊線和谷線的信息對(duì)比度為目的，一方面能夠更大顯示紋理信息，另一方面也能夠去除對(duì)影像產(chǎn)生質(zhì)量影響的各種噪聲。首先把全色的影像進(jìn)行轉(zhuǎn)換而生成灰度影像，然后對(duì)得到的灰度影像再進(jìn)行歸一化處理，最后再對(duì)歸一化成果進(jìn)行二值化處理，從而得到紋理特征增強(qiáng)后的影像，最后利用灰度共生矩陣特征量描述影像區(qū)域紋理用以提出影像地類(lèi)信息[4]。

2.3.4 典型特征

遙感圖像上的植被信息主要通過(guò)綠色植物葉子和植被冠層的光譜特性及其差異、變化反映?；跇颖緦W(xué)習(xí)，根據(jù)上述特征分類(lèi)可有效剔除平地層中大部分的水體、裸地、道路、居民地等非植被地物，并區(qū)分出植被大類(lèi)，如林地與耕地。但要從耕地內(nèi)區(qū)分出甘蔗種植區(qū)，還需要增加三個(gè)典型特征指數(shù)，比值植被指數(shù)（RVI）、歸一化植被指數(shù)（NDVI）和歸一化水指數(shù)（NDWI）。NDVI、NDWI、RVI值的綜合應(yīng)用可提取植被信息，也可以根據(jù)NDVI值與RVI值的范圍剔除非甘蔗地種植區(qū)的其它植被作物。不同地類(lèi)反應(yīng)的NDVI和RVI范圍值不同，甘蔗地種植區(qū)的NDVI值區(qū)間在0.25～0.55，RVI值區(qū)間在1.8～3.0。

2.4 決策樹(shù)算法

決策樹(shù)算法（CART分類(lèi)樹(shù)和回歸樹(shù)）是常見(jiàn)的用于數(shù)據(jù)約簡(jiǎn)的方法，需要做一系列的決策以將數(shù)據(jù)分為許多個(gè)內(nèi)部同質(zhì)的子集，其目標(biāo)是創(chuàng)建一個(gè)模型基于一些輸入的變量可以預(yù)測(cè)目標(biāo)變量值，樹(shù)可以通過(guò)對(duì)基于屬性值的測(cè)試將原集分割為子集進(jìn)行學(xué)習(xí)。建立樹(shù)算法進(jìn)行分析的目的是為了決定一系列if-then邏輯（分割）條件，決策樹(shù)算法中每個(gè)節(jié)點(diǎn)需要的樣本數(shù)量的最小值取決于參數(shù)Min sample count。如果決策樹(shù)有太少的分支會(huì)失去提高分類(lèi)精度的機(jī)會(huì)，而如果有太多的分支則會(huì)出現(xiàn)冗余，需在eCognition中通過(guò)設(shè)置“Cross validation folds”進(jìn)行交叉驗(yàn)證。對(duì)于交叉驗(yàn)證來(lái)說(shuō)，分類(lèi)樹(shù)根據(jù)學(xué)習(xí)樣本計(jì)算出來(lái)，并其預(yù)測(cè)精度由測(cè)試樣本進(jìn)行測(cè)試[3]。該試驗(yàn)區(qū)決策樹(shù)分析過(guò)程如圖5所示。

3 ?結(jié)果與分析

3.1 分類(lèi)結(jié)果

通過(guò)對(duì)影像特征類(lèi)別隸屬度函數(shù)分析，隸屬度值的計(jì)算是根據(jù)函數(shù)的斜率計(jì)算隸屬的函數(shù)值，依據(jù)對(duì)象與樣本的不同距離，可得到不同的隸屬度值。設(shè)定特征類(lèi)別函數(shù)的模糊區(qū)間，將其相互之間差異大的進(jìn)行組合，被分類(lèi)的對(duì)象與樣本的特征空間距離由所有特征的標(biāo)準(zhǔn)差、波段均值、亮度等特征值進(jìn)行標(biāo)準(zhǔn)化，可實(shí)現(xiàn)不同特征在特征空間中的組合分類(lèi)。經(jīng)過(guò)反復(fù)大量的實(shí)驗(yàn)，進(jìn)行影像信息提取決策樹(shù)規(guī)則的構(gòu)建，再由每種特征確定出最準(zhǔn)確的分類(lèi)閾值范圍，根據(jù)以上結(jié)果，進(jìn)行“與”運(yùn)算，由于本次試驗(yàn)主要目的是提取甘蔗種植區(qū)信息，重點(diǎn)將對(duì)耕地分類(lèi)予以確定，基于面向?qū)ο蠓诸?lèi)后的耕地圖斑按特征類(lèi)別分類(lèi)綜合提取后，分類(lèi)為耕地甘蔗地種植區(qū)（Farmland sugarcane）以及耕地非甘蔗地種植區(qū)（Farmland No sugar）。試驗(yàn)區(qū)基于面向?qū)ο蟮姆诸?lèi)效果如圖6所示。從圖中可看出，甘蔗種植區(qū)域分布較廣，種植面積大小較為規(guī)則，旱地與水田均有甘蔗種植區(qū)，道路周?chē)鷧^(qū)域種植面積較多也較為成片。

3.2 精度評(píng)價(jià)

混淆矩陣法是目前分類(lèi)精度評(píng)價(jià)中使用范圍最廣的方法。本試驗(yàn)區(qū)以人工目譯與先驗(yàn)知識(shí)獲取的218個(gè)樣本對(duì)象為精度評(píng)價(jià)的樣本，該訓(xùn)練樣本均勻分布在整個(gè)研究區(qū)，約占總分類(lèi)對(duì)象的15%，而檢驗(yàn)樣本則利用隨機(jī)采樣法選取620個(gè)地類(lèi)要素圖斑點(diǎn)為真值數(shù)據(jù)檢驗(yàn)點(diǎn)進(jìn)行分類(lèi)結(jié)果驗(yàn)證，云層無(wú)真值不參與精度評(píng)價(jià)故刪除，最后采用混淆矩陣方法獲得試驗(yàn)區(qū)誤差矩陣，對(duì)試驗(yàn)區(qū)各種類(lèi)別遙感信息的制圖精度、用戶(hù)精度、Kappa系數(shù)進(jìn)行分析并得出面向?qū)ο蠓诸?lèi)精度評(píng)價(jià)，Kappa系數(shù)為0.87394，甘蔗地種植區(qū)的用戶(hù)精度和生產(chǎn)精度均高于95%，結(jié)果顯示見(jiàn)表1，可得出試驗(yàn)區(qū)影像分類(lèi)的精度較好，滿(mǎn)足應(yīng)用的需求。

3.3 結(jié)果分析

對(duì)比分析以上試驗(yàn)，得出如下結(jié)論。

（1）基于面向?qū)ο蟮男畔⑻崛》椒伸`活運(yùn)用地物的形狀、光譜和紋理等特征信息，相比基于像元的傳統(tǒng)分類(lèi)方法，能得到更多的地物信息和更好的提取效果。

（2）通過(guò)多尺度影像分割算法，基于面向?qū)ο蟮男畔⒎诸?lèi)提取方法能保持分類(lèi)對(duì)象在空間上的連續(xù)性，有效避免椒鹽噪聲現(xiàn)象。

（3）紋理是圖斑精細(xì)分類(lèi)信息提取最重要的影響因素。尋找對(duì)象的顯著特征對(duì)面向?qū)ο蟮男畔⑻崛≈陵P(guān)重要，雖費(fèi)時(shí)長(zhǎng)但精度高。在后續(xù)深度學(xué)習(xí)中，可強(qiáng)化紋理特征提取方法的應(yīng)用。

（4）決策樹(shù)算法可更充分合理的利用提取的這些對(duì)象的特征，能從眾多的特征中選擇出最優(yōu)的特征，進(jìn)而提取出分類(lèi)規(guī)則，對(duì)提出的決策樹(shù)規(guī)則能夠?qū)崿F(xiàn)可視化，并在分類(lèi)過(guò)程中對(duì)建立的規(guī)則加入人工干預(yù)。

綜上所述，隨著影像空間分辨率的提高，基于面向?qū)ο蟮挠跋穹诸?lèi)信息提取方法通過(guò)機(jī)器學(xué)習(xí)影像特征類(lèi)別自動(dòng)分析識(shí)別分類(lèi)，并通過(guò)決策樹(shù)算法人工干預(yù)分類(lèi)規(guī)則與類(lèi)別參數(shù)，用于精細(xì)化提取出甘蔗地，既減少外業(yè)核查工作量，又提高地類(lèi)識(shí)別提取效率。

參考文獻(xiàn)

[1] 陳啟浩.面向?qū)ο蟮亩嘣催b感數(shù)據(jù)分類(lèi)技術(shù)研究與實(shí)現(xiàn)[D].中國(guó)地質(zhì)大學(xué)，2007.

[2] 李莉.面向?qū)ο蟮母叻直媛蔬b感影像信息提取研究[D].成都理工大學(xué)，2012.

[3] 張振勇，王萍，朱魯，等.eCognition技術(shù)在高分辨率遙感影像信息提取中的應(yīng)用[J].國(guó)土資源信息化，2007（2）：15-17.

[4] 李敏，崔世勇，李成名，等.面向?qū)ο蟮母叻直媛蔬b感影像信息提取—以耕地提取為例[J].遙感信息，2008（6）：63-66.