陳興芳，尹繼鑫，郭德福

（1.西寧市測繪院，青海 西寧 810000）

遙感應用技術是當代信息提取方法中最具實效性與精準性的方式之一，能夠為城市規(guī)劃，城市監(jiān)測等行為提供極其重要的數(shù)據(jù)支撐。在城市地區(qū)的高分辨率遙感圖像中，超過80%的目標是人造結構。人造物體范疇相對多樣，其中最具代表性的包括建筑，橋梁，道路等。人工物體因其復雜性，一直都是當前遙感信息提取的難點及重點，打造更具針對性與先進性的人工目標識別系統(tǒng)，能夠對于提升高分辨率遙感影像識別精準度提供臂助之力[1-15]。

本研究區(qū)在陜西省西安市臨潼區(qū)地處關中平原，地貌特征極為復雜。近年來，國內(nèi)外學者利用eCognition進行土地利用信息提取，取得了良好的模擬結果[1-5]。但是對于復雜地貌特征下的土地利用信息提取研究工作還比較少見。因此本研究基于eCognition 進行土地利用信息提取研究具有十分重要的意義。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

本研究以西安市臨潼區(qū)為研究區(qū)，隸屬于陜西省西安市，位于關中平原之東，南換藍田縣，北換閻良區(qū)，西北換連咸陽市三原縣，西換高陵區(qū)，東換渭南市臨渭區(qū)，西南與灞橋區(qū)為界。介于109°05′49″～109°27′50″E， 34°16′49″～34°44′11″N 之間，總面積915 km2。著名的“世界第八大奇跡”秦始皇兵馬俑、“北京時間”的來源中國科學院國家授時中心就位于臨潼區(qū)。

1.2 數(shù)據(jù)來源

本文數(shù)據(jù)來源于分辨率為1 m 的全色圖像和分辨率為2.5 m 的多光譜IKONOS 衛(wèi)星圖像。 IKONOS 衛(wèi)星發(fā)射于1999 年，是世界范疇內(nèi)首例具有高分辨率衛(wèi)星圖像拍攝傳輸?shù)纳虡I(yè)遙感衛(wèi)星，能夠有效適用于地理信息的多頻次高頻率更新，采集范圍相對可觀，應用實效性突出，影像覆蓋面積良好，后期維護處理難度低，適用于環(huán)境惡劣的山地海洋以及禁飛區(qū)等。其全色波段：0.55～0.90 μm；多光譜波段1（藍色）：0.55 ～0.53 μm；波段2（綠色）：0.52 ～0.61 μm；波段3（紅色）：0.65 ～0.72 μm；波段5（近紅外）：0.77～0.88 μm。

1.3 數(shù)據(jù)預處理

本研究在Erdas2013 中挑選一定數(shù)量的同名點，對影像進行幾何校正，并對其進行重采樣處理。對于遙感圖像進行研究時，我們意識到其中全色遙感圖像與多光譜遙感圖像在分辨率方面具有極其明顯的差異性，通過分辨率融合的方式，能夠對于城市土地進行深入剖析以及精準區(qū)分，能夠為后續(xù)研究測算奠定極其關鍵的圖像基礎與數(shù)據(jù)支撐。

2 影像分割參數(shù)和尺度

2.1 分割尺度確定

土地物體類型不同，其自然屬性以及社會功能亦具有明顯的差異性，通過采用最優(yōu)分割尺度，能夠最大化研究對象特征的趨同性與類同性。其中重點關注于圖像分辨率以及真實對象，能夠最大化避免由于過分割和欠分割導致的信息提取誤差。

分割比例10～20 時，其適用于對于獨立植被以及公園等狹窄小道的提取。

分割規(guī)模為30～50 時，提取建筑信息是有利的。

分割尺度為60 ～100 時，有利于提取植被中的草地和森林面積以及道路信息。

分割范圍是100～120 時，提取水信息是有利的。

分割尺度200 時，很容易導致過分割出現(xiàn)，有悖于信息提取。

綜上，想要提升圖像分割精準度，找到有效合理的分割參數(shù)以及分割尺度必不可少。實驗過程中，某種類型對象的特征信息往往需要通過不同分割對象層進行交叉呈現(xiàn)。但在提取城市土地利用信息時，分割和提取道路和建筑物非常困難。道路上的車輛，兩側的綠樹和高層建筑的陰影對道路信息提取有很大影響，這使得圖像對象的性能特征不明顯。由于在城市建筑中增加了許多時尚元素，建筑物的形狀多樣化，僅利用圖像信息難以獲得良好的分割效果。高分辨率圖像信息資源以及類似極其多樣，因而致使過分割以及欠分割情況頻繁發(fā)生。針對過度分割，并在分割的信息提取的精度，本文采用多層次，多尺度分割使用最優(yōu)的參數(shù)和不同的權重因子，從而達到相對高質(zhì)量的信息提取效果。

2.2 分割參數(shù)確定

在eCognition 中創(chuàng)建工程，選擇實驗區(qū)域并進行多尺度分割實驗。實驗結果表明對于不同類型的對象，分割參數(shù)也不同，用于獲取圖像對象的分割尺度也不同。圖像對象反映的信息直換影響對象提取的效果，因此有必要設置合理的分割參數(shù)。以下是分割尺度為40，不同形態(tài)因子和緊致度因子的道路分割結果，其差異性如圖1 所示。

圖1 分割參數(shù)結果對照圖

表1 形狀與緊致度系數(shù)參數(shù)

通過表1 比較可以發(fā)現(xiàn)，隨著形狀因子的增加，道路圖像對象逐漸變得清晰，符合自身特點，呈線性。但隨著compct 因子的增加，圖像對象逐漸變得均勻，沒有明顯的形狀特征。對于不同類型的對象，特定參數(shù)的設置是不同的。在信息提取范疇中，倘若對象同譜異物現(xiàn)象凸出，則可以對其展開二次分割從而便于提升精準度?？傊詈玫姆椒ㄊ亲畲笙薅鹊仫@示提取的信息。

3 土地利用信息提取

3.1 層次結構網(wǎng)法

本文設計的分層網(wǎng)絡方法可以有效地解決上述問題。高分辨率影像所反映出的地物類型多，同譜異物現(xiàn)象凸顯，用同樣的分割尺度和分割參數(shù)無法將所有的地物類型區(qū)分出來，采用逐層分割分類，可以從粗到細將多種目標地物逐層分解出來。

1）以高分辨率遙感圖像作為研究基體，依據(jù)不同尺度展開有序分割，且對象層遵循自低至高的原則。選擇要提取的對象類型的多個圖像對象層。

2）圖像對象是特征來源，對象不同，特征同樣具有差異性，由此可知可以通過分割圖像對象實現(xiàn)特征的不同表達。鑒于這種差異，設計了一種自上而下的方法，通過使用與類相關的特征來提取信息，從而達到逐步改進的效果。

3）提取某個對象的信息后，在小規(guī)模的對象上顯示相對完整的結果。如果我們繼續(xù)在現(xiàn)有對象級別上執(zhí)行其他對象類型的分類，則當它被分成最低級別時將不可避免地出現(xiàn)重復的分類現(xiàn)象，這將導致錯誤分類現(xiàn)象。鑒于此，在提取某個對象信息之后，應該合并圖像對象然后分割兩次，并再次對未分類的對象進行分類，直到對所有類型的對象進行分類。

依據(jù)結果可知，分層網(wǎng)絡方法對于提升信息提取精準度具有積極作用，同時能夠盡可能緩解由于“過分割”以及“分割不足”情況導致的信息提取困難。此外，分類器設計得很好，不會導致規(guī)則集報告錯誤，其亦是直換決定著高精度信息提取的可行性與誤差性。

為了進一步夯實信息提取的可行性，避免誤差破壞精準度，本文采用了更具針對性的分層網(wǎng)絡方法。以下是利用分層網(wǎng)絡方法逐步從上到下提取植被信息，可以實現(xiàn)更完美的提取效果。

3.2 植被信息提取

本文以層次結構網(wǎng)絡法作為切入點，依據(jù)自定義特征NDVI、SAVI、DVI、MSAVI 實現(xiàn)對于植被信息的多方面多角度多層次提取。同時真正意義上實現(xiàn)分類信息由父對象至子對象的遺傳轉移，其中子對象亦可反作用于父對象，起到重要的輔助補足作用，提取效果如圖2 所示。圖2 能夠實現(xiàn)有效認知層次結構法分類的積極作用，規(guī)避了傳統(tǒng)大尺度分割中由于分割缺失引發(fā)的混合像元影像現(xiàn)象，極大程度豐富了植被信息的全面性與準確性。如圖2 所示，植被更多覆蓋于綠地，公園，廣場，山河湖泊附近，在綠化帶范疇亦是頗多表現(xiàn)，基本于地理空間特征相類似。

圖2 植被信息提取結果圖

3.3 水體信息提取

實驗區(qū)域具有獨特性，很容易造成以偏概全情況出現(xiàn)，因此為進一步夯實信息準確率，便于信息提取，本文將對于水體展開三步劃分：

第一步，提取范疇為非建設用地時，主要提取方式為自定義，輔助以紋理判定，其信息重心在于水體信息；第二步，從光譜信息來看，陰影憑借其相似性很容易對于河流信息造成干擾，這就需要對于可能對于水體信息進行干擾的陰影信息展開篩選剔除，其關鍵點在于陰影呈現(xiàn)為不規(guī)則性；第三步，水體信息提取基本結束，需要注意水體部分中存在一定比例的淺水區(qū)域，需要依據(jù)紅波段比值的方式展開進一步篩選。上述提取結束后，水體信息已相對完整，隨后需要對于其他分級信息進行再次提取。

3.4 建筑信息提取

以建筑物作為提取基體，我們認識到其顯著特征在于房屋頂部可以分為亮屋頂以及暗屋頂兩類，其區(qū)分方式在于提取光譜信息，輔助以幾何提取以及紋理提取等等。如圖3 所示。

圖3 建筑物信息提取圖

亮屋頂往往能夠進行更具清晰性與準確性的提取運用，暗屋頂則受困于道路等其他附屬信息的干擾，提取精度難，想要延緩甚至規(guī)避這種不利條件，可以輔助以形狀，紋理等多方面的特征搜集。

3.5 道路信息提取

在城市建設中，保護性植被一般分布在道路兩側，保護性植被的幾何特征與道路相似。想要進一步完善道路信息提取方面的精準度，必須進一步挖掘植被信息中可能對于反饋道路信息具有重要幫助的部分，盡可能規(guī)避植被信息對于道路信息搜集造成的負面干預。提取之后的植被信息應該及時覆蓋于新地圖，并且以多尺寸分割的方式對于建設用地進行有效劃分，最終依據(jù)分層結構方法以及類相關特征分類分層獲取有效的道路信息。

4 土地利用信息提取結果

4.1 分類成果

本文秉持理論與實踐結合的理念，圍繞城市土地利用信息提取進行探討，初期分類成果如圖4 所示。依據(jù)分類種類差異性以及需求差異性展開探究，結果較為清晰準確，基本能夠符合提取期望。

圖4 土地利用分類成果圖

4.2 結果導出

在eCognition 中提取土地利用信息后，為了進行后續(xù)審查和使用，有必要輸出分類信息提取結果，然后將其與地理信息系統(tǒng)進行分析和應用。

4.3 精度評價與分析

面向對象分類方法具有不可替代的積極作用，為了進一步印證其理論優(yōu)勢與實踐作用，本文將以示例影像作為研究基體，并采用Erdas 監(jiān)督分類的方式，對其精度數(shù)值展開綜合評價，提升對比效果。

4.3.1 基于監(jiān)督分類的精度評價

經(jīng)過監(jiān)督分類，其結果分類完畢，按照類別不同進行精度評定。主要利用Erdas 隨機取樣的方式展開測算，經(jīng)計算，監(jiān)督分類在植被信息搜集方面，其精準度高至較為可觀的87.50%，然而對于交通設置用地展開搜集的精準度僅能勉強達到50%，至于居民點建設用地信息搜集的精準度只有28.57%，土地利用信息無法進行有效歸納，難以進行有效利用，信息提取應用依舊存在較大缺失。

4.3.2 面向對象的精度評價

采用eCognition 對于面向對象的分類進行測算歸納，根據(jù)其自身具備的分類精度范疇進行挑選，選取分類穩(wěn)定性評價以及誤差矩陣作為切入點，盡可能保障評價精確性與實踐性。經(jīng)計算，一級信息提取方面總精度達到99.4%，kappa 系數(shù)為96.5%；在第二類信息提取中，總精度為78.5%，kappa 系數(shù)為72.2%；在第三類信息提取中，總精度為94.6%，kappa 系數(shù)為73.3%。對于對象類別的特定特征，提取的準確性是相當大的，這可以在上述精度評估圖中參考?；诿嫦驅ο笈c基于像元的分類結果，不僅是分類精度的不同，面向對象方法的優(yōu)勢在于將信息提取相關的特征從光譜擴充到形狀、空間位置、層與層之間的關系。

5 結 語

本文主要研究西安市臨潼區(qū)的圖像信息提取，在了解地理情況和圖像數(shù)據(jù)特征的基礎上，通過基于特征點和空間分辨率融合的幾何精確校正對高分辨率遙感圖像進行預處理。研究表明eCognition 在復雜地貌特征下具有良好的適用性，對于國內(nèi)外其他類似復雜地貌下的研究具有重要的借鑒意義。