楊思媛，秦安臣

(河北農(nóng)業(yè)大學 園林與旅游學院，保定 071000)

我國的風景資源分布廣泛，許多地方受到地理條件的限制人跡罕至，依靠傳統(tǒng)的人工實地調查方法很難對面積較大或地理環(huán)境險要的景區(qū)獲取資源信息，因此借助科技手段自動或半自動解譯旅游資源的研究是迫切需要的。遙感(Remote Sensing，RS)技術在景區(qū)資源獲取中的應用使得資源獲取變得更加便捷高效[1-3]。本文意在借助RS影像對九龍鎮(zhèn)建筑物資源信息進行解譯，以期為后續(xù)管理和優(yōu)化九龍鎮(zhèn)建筑物資源配置提供可參考資料和理論依據(jù)。

許多學者對建筑解譯做了相關研究，提取方法大致可分為三類：一是基于平面輪廓信息的提取方法，趙俊娟等[4]首次提出基于角點的自動識別和定位方法對矩形建筑物進行了輪廓提取，通過盡量少的數(shù)據(jù)快速識別目標地物。李云帆等[5]分析點云數(shù)據(jù)特點，利用Alpha Shapes算法獲取建筑物輪廓，借助直線特征和邊緣線特征對輪廓進行精細化，進而將點到直線的距離作為投票機制的因子，從中過濾出真實的建筑物邊界，最終獲取精確的建筑物外輪廓。王秋燕等[6]同樣采用Alpha Shapes 算法從一堆離散的點集中進行幾何形狀的重建，無需知道點云中各點處的法向量及其他先驗知識即可對建筑物輪廓進行提取。吳煒等[7]利用Quick Bird影像結合光譜特征和對建筑物具有普適性的形狀特征對影像進行閾值分類，結果表明結合多特征分類比利用陰影等相鄰關系提取建筑物的識別率和精度更高。但該方法對面積較大研究區(qū)和異形建筑物提取精度欠佳，不具有普適性。二是基于對象分類方法，該方法多采用多尺度分割[8-12]，先將影像分為內(nèi)部均質的影像對象，然后利用建筑物的影像特征進行分類。KAMAGATA[13]，孫波中[14]等通過對基于像元和基于對象分類兩類方法的對比試驗表明基于對象分類方法精度更高。賀曉璐等[15]借助Worldview-2影像利用建筑物的固有特征和高程特征與引入影像特有的紅色邊緣波段建立提取規(guī)則集分別對建筑物進行提取，結果表明引入紅色邊緣波段提取精度更高。三是基于輔助信息的提取方法，輔助信息多為DEM，DSM和陰影等。田峰等[16]借助GF-2號影像對研究區(qū)進行多尺度分割，然后充分利用陰影的光譜、形狀等特征構建MSI算法剔除其他地物，利用陰影長度計算得到建筑物高度，通過與實測高度對比表明90%的建筑物高度誤差小于1 m。王俊博等[17]借助DSM利用坡度和高差等信息對地面、陡坡和建筑物進行區(qū)分，并利用固有特征對建筑物輪廓進行優(yōu)化，結果表明輔以DSM比無DSM精度更高，精度達到97.9%。

本文采用第二種基于對象分類方法對野三坡風景區(qū)內(nèi)九龍鎮(zhèn)建筑物進行解譯。首先采用基于對象的閾值分類(Threshold Classification)、決策樹(Classification and Regression Tree, CART)分類、最鄰近(K-Nearest Neighbor, K-NN)分類三種方法對九龍鎮(zhèn)進行建筑物提取并進行精度分析，然后采用形狀一致性和面積一致性評價方法對解譯精度最高的方法進行評價。

1 研究區(qū)概況及數(shù)據(jù)預處理

1.1 研究區(qū)概況

野三坡風景區(qū)內(nèi)九龍鎮(zhèn)建筑物分布較為密集且集中，故選取九龍鎮(zhèn)區(qū)域作為研究區(qū)(圖1)。該區(qū)位于河北省淶水縣西北部的野三坡風景區(qū)，地處東經(jīng)115°24′—115°25′，北緯39°47′—39°48′，坐落于山體中間低海拔平坦地帶，距河北省保定市145 km，距北京市區(qū)100 km，研究區(qū)面積125 hm2。

圖1 九龍鎮(zhèn)研究區(qū)

1.2 數(shù)據(jù)預處理

借助2018年4月16日高分2號(GF-2)遙感影像，利用ENVI5.3軟件經(jīng)過影像幾何校正、鑲嵌、裁剪、圖像增強、圖像融合等步驟得到實驗所需圖像，然后利用Region of Interest(ROI)裁剪工具得到研究區(qū)域。

2 研究過程

2.1 各地物解譯標志的確定

RS圖像的特征主要包括光譜特征、幾何特征、紋理特征和拓撲特征，不同影像呈現(xiàn)出的地物特征不盡相同，針對研究區(qū)影像確定各地物解譯標志，見表1。

表1 九龍鎮(zhèn)各地物圖例

2.2 多尺度分割

基于對象影像分析的前提和關鍵一步是影像分割，分割結果直接影響最終分類精度，本文利用eCognition8.9軟件對研究區(qū)GF-2號影像進行分割。

首先將形狀因子權重和緊致度因子權重均固定為0.5，改變尺度參數(shù)數(shù)值，確定建筑物對象的最佳尺度。由于建筑物尺度相對較小，根據(jù)分割效果顯示，尺度在100以上建筑物處于“欠分割”狀態(tài)，不予考慮。將尺度參數(shù)由10到100以10為單位依次遞增，通過對比認為：當形狀因子和緊致度因子為0.5時，尺度參數(shù)設置越小分割越破碎，對象數(shù)量越大，面積越小，反之亦然(圖2)。最終確定尺度參數(shù)為20時對于建筑物的分割效果最佳。

圖2 相同形狀因子和緊致度因子下不同尺度分割

將尺度參數(shù)固定為20，確定形狀因子和緊致度因子權重。由于建筑物形狀多接近矩形，故緊致度因子應設置較高些。將形狀因子固定為0.5，緊致度因子由0.5到0.9以0.1為單位依次遞增，效果表明緊致度因子為0.8時分割邊界更符合建筑物邊界。然后將緊致度因子固定為0.8，通過試驗確定形狀因子為0.4(圖3)。最終經(jīng)過多次反復試驗確定建筑物的尺度參數(shù)為20，形狀因子為0.4，緊致度因子為0.8(圖3(d))。

圖3 分割尺度為20時不同緊致度和形狀因子分割

2.3 解譯方法及結果

在多尺度分割的基礎上對分割后的影像對象進行分類，借助eCognition8.9軟件選擇合適的影像對象特征，分別采用閾值分類、CART分類、K-NN分類三種分類方法將地物分為建筑物、道路、農(nóng)田、裸地、林地和其他6種類別。三種方法均采用分割尺度20，緊致度0.8，形狀因子0.4的分割結果進行分類。

通過多尺度分割和影像分類，得到三種建筑物提取結果，如圖4所示。從圖4可以看出，三種方法分類結果整體效果較好，但均存在錯分、漏分現(xiàn)象。

圖4 三種分類方法建筑物解譯結果

3 結果分析

3.1 誤差矩陣精度評價

在ArcGIS中目視選取建筑物78個、農(nóng)田29個、道路23個、裸地10個、林地10個，共計150個點作為精度檢驗的樣本點。利用eCognition中的基于樣本點的誤差矩陣(Error Matrix Based on Samples)分別對三個分類結果進行精度評價，評價結果見表2。

由表2可知，閾值、CART、K-NN三種分類方法總體精度均達到85%以上，CART分類精度最低，閾值分類次之，K-NN分類方法精度最高。從分類速度而言，CART分類速度最快，K-NN次之，閾值分類速度最慢，CART分類在選取樣本點和合適的地物特征后采用分類器軟件自動完成分類，K-NN分類需要不斷重復 “選樣本點—分類”的過程提高分類精度，而閾值分類則需要嘗試不同的分類特征并盡可能全面地選擇可以區(qū)分不同地物的閾值，特征的選擇和閾值的選擇沒有定式，需因地制宜根據(jù)研究區(qū)影像特征做判斷，且各地物分類順序不同導致的分類結果也不同。

表2 三種方法分類精度比較

建筑物的制圖精度分別為92.77%，81.33%，97.22%，表明三種分類方法精度由高到低依次為K-NN分類>閾值分類>CART分類，K-NN分類對本研究區(qū)建筑物提取效果最好，閾值分類次之，CART分類效果較差。主要原因是K-NN分類在借助ArcGIS選擇樣本時更加注重建筑物樣本點的選擇，選擇較為全面且分布均勻，各個顏色、紋理、位置的建筑物基本均勻選取，故其分類精度較高；閾值分類在嘗試多種規(guī)則集后選擇分類效果較好的規(guī)則進行分類，但規(guī)則集及特征閾值的確定存在主觀性且不夠全面，分類精度次之；CART分類選擇特征過多時可能出現(xiàn)冗余的現(xiàn)象，借助分類器自動完成分類，雖然操作相對簡單且分類速度較快，但分類精度較低。

3.2 形狀一致性評價

通過借助eCognition平臺的誤差矩陣分析可知K-NN分類結果精度最高，采用該分類結果利用ArcGIS平臺對建筑物邊界進行優(yōu)化處理，繪制出建筑物邊界矢量圖(圖5)，采用K-NN建筑物分類結果和優(yōu)化后建筑物矢量圖的對比對建筑物形狀進行評價。

圖5 建筑物K-NN分類及ArcGIS優(yōu)化結果

假設S1為K-NN分類結果中所選建筑物樣本的面積，S2為該建筑物樣本優(yōu)化后矢量圖的面積，S3為兩者不一致的面積，則S3=(S1∪S2)-(S1∩S2)。形狀一致性檢驗方法為

當D1<6%時，建筑物形狀極好；當6%10%時，建筑物形狀不合格。

在K-NN分類結果和優(yōu)化矢量圖上分別隨機選取相同的40個建筑物(表3)，通過計算有3個建筑物形狀極好，29個形狀合格，8個不合格，合格率為80%。主要原因是：1)雖然多尺度分割后影像對象比較貼近地物自然邊界，但由于分割是依據(jù)像素級進行的，所以仍不能完全與自然邊界吻合。2)建筑物周圍存在被植物或陰影遮擋的情況，導致分割和分類結果均存在誤差。

3.3 面積一致性評價

根據(jù)三種分類結果及優(yōu)化后影像借助ArcGIS平臺計算出各地物面積及建筑物密度，見表4。

將優(yōu)化后各地物面積作為參考值，由表4可知，三種分類方法在一定程度上均存在錯分漏分的情況，相比而言，閾值分類和CART分類錯分較多，統(tǒng)計面積較小，建筑密度偏??；K-NN分類建筑物面積和建筑密度更接近優(yōu)化值，統(tǒng)計結果較為準確。

采用K-NN分類結果與優(yōu)化后的影像對比，從圖5中隨機選取10個單體建筑物樣本進行面積一致性評價，假設漏分誤差為D2，錯分誤差為D3，則

由表5可知，漏分誤差D2在3.98%～7.32%，錯分誤差D3在3.20%～7.01%，錯誤率在7.94%～13.34%，正確率在86.66%～92.06%，平均準確率為89.73%。雖然分類效果較為理想，但仍存在一些問題，主要原因有：1)建筑物邊界存在被周圍植物或陰影遮擋的現(xiàn)象，導致建筑物邊界不完整。2)建筑物和道路的光譜特征相近，因此兩者存在錯分的現(xiàn)象。3)人為因素造成的誤差，如所選樣本較少且具有隨機性。

4 結束語

本文借助GF-2號遙感影像采用閾值分類、CART分類和K-NN分類三種分類方法對九龍鎮(zhèn)建筑物進行解譯，通過誤差矩陣、形狀一致性和面積一致性三種精度評價方法的分析認為三種分類方法均能基本滿足實際需求，其中K-NN分類方法精度更高，但仍存在一定誤差，針對上述誤差主要原因提出以下改進措施：

1) 影像分割和分類兩個步驟相互作用相互影響，九龍鎮(zhèn)影像在分割時未采用多層次分割的方法，后續(xù)研究可針對不同地物影像特征采用不同的分割參數(shù)進行分割，得到各類地物更加適宜的參數(shù)組合，以優(yōu)化分割結果，進而使分類精度更高。

2) 閾值分類在選取特征和閾值時存在多種可能和先后順序，需要操作者通過嘗試確定最佳方法。CART分類在特征選取時存在特征過多而數(shù)據(jù)冗余的現(xiàn)象，在后續(xù)研究中應更加重視其特征的選取。K-NN分類在選擇樣本時或存在偏差，可通過實地定位或盡量全面均勻的選擇樣本等手段提高分類精度。

3) 分類結果精度評價所選樣本存在一定的主觀性，選取樣本時應盡量做到全面準確且分布均勻。若條件允許，通過現(xiàn)場實際定位調查確定各地物經(jīng)緯度位置獲取樣本的方法更加準確。