潘俊虹，梁 明

（武夷學(xué)院數(shù)學(xué)與計(jì)算機(jī)學(xué)院，武夷山 354300）

0 引言

隨著我國(guó)遙感技術(shù)的發(fā)展，高分辨率的遙感影像在農(nóng)業(yè)資源調(diào)查、作物病蟲害和長(zhǎng)勢(shì)監(jiān)測(cè)等領(lǐng)域也得到了越來(lái)越多的應(yīng)用。影像分割尺度的準(zhǔn)確性直接關(guān)系到目標(biāo)特征的提取，影響目標(biāo)特征的識(shí)別在實(shí)際場(chǎng)景中的應(yīng)用效果，一直是遙感影像處理領(lǐng)域的一個(gè)關(guān)鍵研究問題［1-3］。文獻(xiàn)［4］利用多特征融合有效提高了遙感地物分類精度；文獻(xiàn)［5］采用多尺度的遙感影像分析,解答了對(duì)各種地物從各種空間尺度影像數(shù)據(jù)中獲取的難題；陳蘇婷等［6］充分利用了高分辨率遙感影像的特征信息來(lái)構(gòu)建最優(yōu)分割尺度函數(shù)，采用模糊均值聚類的方法獲得最終分類結(jié)果；徐勝軍等［7］提出由膨脹卷積特征提取的多尺度特征，結(jié)合深度神經(jīng)網(wǎng)絡(luò)模擬遙感成像將建筑物自動(dòng)分割的新方案，能夠?qū)崿F(xiàn)對(duì)不同尺寸大小建筑物進(jìn)行自適應(yīng)提??；沈吉寶［8］將多種特征作為最小二乘法支持向量機(jī)分類器的輸入，進(jìn)行數(shù)學(xué)形態(tài)優(yōu)化道路提取結(jié)果。楊國(guó)俊等［9］通過(guò)將多尺度特征進(jìn)行融合，實(shí)現(xiàn)遙感影像中建筑物的精確分割。

本文根據(jù)高分2 號(hào)（GF-2）衛(wèi)星遙感影像的特點(diǎn)，將像素塊對(duì)象作為影像處理的基礎(chǔ)單元，綜合考慮影像的光譜特征信息，幾何特征信息以及空間結(jié)構(gòu)信息，利用最優(yōu)分割層構(gòu)建尺度層網(wǎng)絡(luò)，通過(guò)從不同尺寸劃分各種類型的地物目標(biāo)，進(jìn)而融合各種地物目標(biāo)在其最優(yōu)尺度下的光譜、紋理等各種特性，采用面向?qū)ο蠼Q策樹對(duì)影像進(jìn)行優(yōu)化分割，從而提取出目標(biāo)地物。

1 遙感影像數(shù)據(jù)獲取與預(yù)處理

1.1 遙感數(shù)據(jù)獲取

本研究實(shí)驗(yàn)數(shù)據(jù)來(lái)源于GF-2 遙感衛(wèi)星影像，研究區(qū)位于福建省武夷山市境內(nèi)，以山地為主，主要地物類型為林地、農(nóng)業(yè)用地、建筑、河流等。本次影像成像時(shí)間為2019年5月19日，云量覆蓋度為0，5月份為植被旺盛生長(zhǎng)期，比較適合山區(qū)地物分類研究。

GF-2 遙感衛(wèi)星作為我國(guó)自主研制的第一顆空間分辨率在1 m 以下的民用遙感衛(wèi)星，于2015年3月6日正式投入使用，可實(shí)現(xiàn)1 m 清晰度的全色影像和4 m清晰度的多光譜影像。具體參數(shù)如表1所示。

表1 GF-2衛(wèi)星有效載荷技術(shù)指標(biāo)

1.2 遙感影像預(yù)處理

影像預(yù)處理可以去除影像中無(wú)關(guān)的統(tǒng)計(jì)信息，提高特性選取、影像分離、匹配與識(shí)別的準(zhǔn)確度。本文利用ENVI5.3 軟件采用了傅立葉變換信號(hào)濾波處理，然后對(duì)影像進(jìn)行正射校正，并通過(guò)識(shí)別數(shù)據(jù)分析結(jié)果的RPC 信號(hào)，依次對(duì)多光譜信號(hào)和全色數(shù)據(jù)執(zhí)行正射校準(zhǔn)，并檢測(cè)正射校準(zhǔn)后的多光譜數(shù)據(jù)和全色數(shù)據(jù)是否全部配準(zhǔn)。使用NNDiffuse Pan Sharpening 對(duì)多光譜數(shù)據(jù)進(jìn)行處理以及正射校準(zhǔn)后的全色數(shù)據(jù)的融合，最后利用快速大氣校正對(duì)融合后的影像進(jìn)行大氣校正消除和減弱大氣的影響，影像處理結(jié)果如圖1所示，融合后的影像提高了空間分辨率，顏色紋理也得到了較好的保留。

圖1 GF-2影像融合

2 實(shí)驗(yàn)過(guò)程及對(duì)比分析

2.1 最優(yōu)分割尺度的選擇

高分辨率遙感影像中尺度通常可采用均值方差法確定，均值是指在某個(gè)對(duì)象內(nèi)全部像元灰度值的平均數(shù)，而均值方差法是指在整個(gè)影像中的每個(gè)對(duì)象內(nèi)像元灰度值平均數(shù)或方差。最佳的分割尺度參考值出現(xiàn)在平均變異數(shù)峰值，且方差變動(dòng)率開始出現(xiàn)下行趨勢(shì)的分隔值時(shí)。此技術(shù)具有很多弊端，對(duì)分離成果質(zhì)量的評(píng)估只是考察了單一頻段的數(shù)據(jù)，并未全面考察遙感影像具有多個(gè)頻段的特征，同時(shí)分離成果的評(píng)估不能和分離過(guò)程建立起連接，在均值方差曲線上的最優(yōu)尺度是某個(gè)數(shù)值，而并非某個(gè)區(qū)域。為彌補(bǔ)過(guò)去僅考慮單一頻段信息，引入了局部方差的思路，兼顧遙感影像中各頻段的特性，同時(shí)又使分割結(jié)論和過(guò)程之間形成了聯(lián)系。統(tǒng)計(jì)不同分割尺度上的局部方差，隨著分割尺度的增加局部方差增大，直到其與真實(shí)的地物相匹配，局部方差就達(dá)到最大值，同一對(duì)象內(nèi)部同質(zhì)化最大，各對(duì)象之間差異最大，執(zhí)行流程如圖2所示。

圖2 最優(yōu)分割尺度尋找

同時(shí)，為了評(píng)估LV（Local Variance，局部方差）從一個(gè)對(duì)象級(jí)別到另一個(gè)對(duì)象級(jí)別的動(dòng)態(tài)，定義了變化率的度量：

這里，L代表目標(biāo)層的局部方差；L-1 表示基于L目標(biāo)層的最低層的局部方差；當(dāng)目標(biāo)層的局部方差L超過(guò)或小于下一級(jí)的局部方差L-1時(shí)，即該目標(biāo)層為最優(yōu)分割尺度，也就是分割尺度近似目標(biāo)對(duì)象的大小。

本文實(shí)驗(yàn)使用eCognition 軟件中的插件ESP2，使用三個(gè)層次采用自下而上的不同增量對(duì)SP 進(jìn)行優(yōu)化，以取代通過(guò)自動(dòng)程序?qū)V 圖進(jìn)行人工解釋。為了比較尺度上參數(shù)變動(dòng)對(duì)分類結(jié)果的影響，將其他參數(shù)統(tǒng)一設(shè)定為默認(rèn)值以消除影響，形狀度因子定義為0.1，緊致度因子定義為0.5，循環(huán)次數(shù)為300，經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證，默認(rèn)的起始分割尺度為10，三層的尺度增量分別為1、10、100，進(jìn)行分割并計(jì)算ROCLV 變化率。經(jīng)過(guò)多次切割實(shí)驗(yàn)確定235、185、140、135 為四種切割尺寸的最佳參考位置，經(jīng)過(guò)目視篩選，根據(jù)四種地物分別對(duì)三個(gè)尺度構(gòu)建多尺度分割的分類層次，如表2所示，分割尺度結(jié)果如圖3所示。

表2 多尺度分割分類層次表

圖3 不同尺度下的影像分割結(jié)果

從圖3和表2中可以得出，在分割尺度為235 時(shí)，產(chǎn)生342 個(gè)影像數(shù)據(jù)，而通過(guò)面向?qū)ο筇卣鞯奶崛〗?jīng)驗(yàn)可以看出，在此分割層下可以很好地將河流與其他地物分離；分割尺寸為185時(shí)，總共生成了543 個(gè)對(duì)象圖斑，其中的房屋、河流都進(jìn)行過(guò)切割，由于影像對(duì)象的體積尺寸略低于真實(shí)斑塊，因此可以直接從這個(gè)級(jí)別上獲??；分割尺度為140 時(shí)，總共生成了890 個(gè)對(duì)象斑，林地、裸地均處于過(guò)分割，適合典型地物的提取。

2.2 基于多特征融合面向?qū)ο蠓诸?/h3>

遙感影像中相似地物或相似環(huán)境的紋理、地貌、光照、植被覆蓋等特征，應(yīng)當(dāng)具有統(tǒng)一或相似的光譜信息特征和空間信息特征，但從圖片中捕捉具有鑒別性質(zhì)的特點(diǎn)和得到更準(zhǔn)確的影像分類結(jié)果則具有很大困難。為提高目標(biāo)地物的可識(shí)別性，將對(duì)layer4進(jìn)行賦予紅光的波段增強(qiáng)顯示。在適當(dāng)?shù)姆指畛叽缦?，影像?duì)象將與實(shí)際地物對(duì)象的圖斑形狀尺寸一致，并在此基礎(chǔ)上獲取目標(biāo)對(duì)象的特性信息，如光譜特性、紋理特征以及陰影、噪聲的多種特性等，并整合了人工解譯和專家知識(shí)庫(kù)，融合多種特征建立分類算法。

首先，將前面四個(gè)分割尺寸中從大到小的235、185、140、135 形成一個(gè)層次關(guān)系，并從各自的灰度特征中抽取出來(lái)，通過(guò)局部二進(jìn)制方法獲取影像的局部紋理特征空間結(jié)構(gòu)和灰度特征，以增強(qiáng)提取對(duì)象的表征功能。在前面三個(gè)層次的分割尺寸中獲取適宜的地物類型，對(duì)本文內(nèi)容進(jìn)行了四次分割，且在其中從上至下的尺度網(wǎng)絡(luò)層中分割尺寸依次降低，然后通過(guò)類層次結(jié)構(gòu)創(chuàng)建類別并將影像對(duì)象賦值在類別中。

在level1層中將地物分為水體和非水體，在level2 層中將非水體進(jìn)一步分類，分為房屋和非房屋；在level3 中繼承l(wèi)evel2 中的非房屋進(jìn)行進(jìn)一步的分類。利用目標(biāo)具有的閾值指標(biāo)、波譜特征等，通過(guò)對(duì)遙感影像的多次實(shí)驗(yàn)，構(gòu)建了決策樹中每個(gè)節(jié)點(diǎn)的提取規(guī)則，并設(shè)計(jì)了多級(jí)遙感和多尺度分析策略（見圖4）。

圖4 多層次多尺度遙感分析策略

通過(guò)各種地物的光譜特征、紋理特征和形狀被的整合，利用類的繼承將分類結(jié)果在分割尺度為135 時(shí)進(jìn)行展示，獲得分類結(jié)果如圖5（a）所示。為了比較多尺度分割和單尺度分類的結(jié)果，在提取規(guī)則設(shè)置不變的情況下，當(dāng)分割尺度為185、140、135 時(shí)，多個(gè)特征融合得到的分割結(jié)果依次如圖5（b）、圖5（c）、圖5（d）所示。

圖5 面向?qū)ο蠖喑叨确指疃嗵卣魅诤戏诸悎D

3 最優(yōu)分割尺度分類結(jié)果分析及評(píng)價(jià)

3.1 結(jié)果分析

從圖5的分類結(jié)果可以看出，在單一尺度下存在細(xì)小圖斑，錯(cuò)分、漏分現(xiàn)象比較嚴(yán)重。如林地區(qū)混有裸地，而房屋因?yàn)轭伾^深被錯(cuò)分為水體，少部分水體被錯(cuò)分為植被等。從圖5（a）可以發(fā)現(xiàn)，在傳統(tǒng)面向?qū)ο蠓绞降那樾蜗氯匀淮嬖谥芏嗫臻g錯(cuò)分的情形，將部分顏色較暗的林地區(qū)域分類為房屋，但是由于傳統(tǒng)的面向?qū)ο蠓绞降韧褂玫亩际窃趩我怀叨认逻M(jìn)行各類地物的空間提取，因此使用傳統(tǒng)的面向?qū)ο蠓绞降仍谶M(jìn)行分類的時(shí)候往往會(huì)省略掉目標(biāo)地物在大尺度下的空間特性，以及存在過(guò)分割現(xiàn)象，對(duì)后面的分類會(huì)產(chǎn)生較大的誤差。雖然使用多種特征進(jìn)行提取會(huì)減少部分產(chǎn)生的誤分、漏分，但是與實(shí)際的地物類別始終存在較大的差異。而使用多尺度分割會(huì)降低這種過(guò)分割和欠分割的現(xiàn)象，較大程度上保留了目標(biāo)地物的多種特征。根據(jù)實(shí)驗(yàn)結(jié)果，在分割尺度為185時(shí)，房屋能夠很好地提取出來(lái)，但是在分割尺度為140、135時(shí)，房屋均出現(xiàn)了過(guò)分割現(xiàn)象，這是因?yàn)樵?85大尺度的分割條件下很好地保留了房屋的空間結(jié)構(gòu)，才能在規(guī)則判斷下完好地提取出來(lái)，得到的提取結(jié)果幾乎接近真實(shí)目標(biāo)地物。

3.2 精度評(píng)價(jià)

本文使用ArcMap 制作隨機(jī)樣本點(diǎn)，通過(guò)人工解譯確定目標(biāo)地物，并通過(guò)制作TTAmask 來(lái)使選取的樣本盡量達(dá)到隨機(jī)并且精確。采用基于像素的混淆矩陣（Error Matrix based on TTA Mask）得到分類結(jié)果精度比較，見表3。從多特征融合尺度為185 時(shí)分類結(jié)果和尺度為135 時(shí)分類結(jié)果比較來(lái)看，多特征融合多尺度分割的面向?qū)ο蠓诸惙椒傮w更優(yōu)，無(wú)論是總體精度還是Kappa 系數(shù)都在0.9 以上。最鄰近法分類時(shí)存在將顏色較深的區(qū)域誤分為房屋的情況。在面向?qū)ο笾蟹指畛叨炔煌闆r下，單一尺度分割參數(shù)使得各種地物達(dá)到了過(guò)分割的狀態(tài)，所以多尺度分割分類的方法更占優(yōu)勢(shì)，同時(shí)也為后面的分類產(chǎn)生了重要的影響。

表3 不同分類方法精度對(duì)比

4 結(jié)語(yǔ)

本文通過(guò)面向?qū)ο蠖嗵卣魅诤隙喑叨确指畹姆诸惙椒ê投嗵卣魅诤蠁我怀叨认碌膭澐址绞?，?duì)研究區(qū)福建武夷山市某地塊高分2號(hào)影像進(jìn)行了土地利用劃分，并將幾類方案的分類結(jié)果進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，從一頻段內(nèi)不同對(duì)象的局部方差出發(fā)，可以計(jì)算更多頻段局部方差的均值，當(dāng)目標(biāo)層的局部方差值L超過(guò)或低于目標(biāo)下層的局部方差值L-1 時(shí)，該目標(biāo)層可以作為最優(yōu)的劃分尺寸層參考。將尺寸層由上至下、由大至小形成尺寸層網(wǎng)絡(luò)，從而達(dá)到了在大尺寸層下劃分出父對(duì)象，在較小尺寸下劃分出若干段子對(duì)象提取的目標(biāo)地物。通過(guò)篩選出最佳分割尺寸，可以達(dá)到多種分割尺寸與真實(shí)目標(biāo)地物，保留最完整的空間特征，進(jìn)行策略分類能夠非常有效地提高面向?qū)ο蠓椒▽?duì)土地進(jìn)行分類。同時(shí)在面向?qū)ο蟮乃枷敕椒ㄏ逻x擇多種特征進(jìn)行提取融合，能夠?yàn)榭焖贉?zhǔn)確分類提供參考。多尺度分割的面向?qū)ο蠓椒ê投喾N特征融合在多種分類方法中獲得了最好的分類效果，說(shuō)明多種特征融合多種尺度分割能夠很好地利用空間特征，進(jìn)一步提高分類精度。