基于對象和特征組合的高分辨率遙感影像分類研究

聶倩，葉曉婷

(寧波市測繪設計研究院，浙江寧波 315042)

1 引言

高分辨率遙感影像能夠提供大量的地表特征，使同一地物類別內部組成要素豐富的細節信息得到表征，地物的幾何結構、形狀、紋理及相鄰地物間的關系更加突出［1，2］。然而高分辨率影像的光譜統計特征不如低分辨率影像穩定，地物的局部異質性較大，故傳統的僅依靠像元光譜信息的分類方法在處理此類影像時，會過多地關注地物的局部像素而忽略地物的整體幾何結構信息，必然造成分類結果出現“椒鹽現象”。因此，傳統的單純依靠光譜特征的像素層次上的分類方法已經不再適合高分辨率影像的信息提取［3］。

針對高分辨率遙感影像特點和傳統分類方法存在的缺陷，本文采用基于多尺度分割的對象級分類方法對高分辨率影像進行信息提取。該方法通過多尺度分割得到不同尺度的對象層，利用對象所包含的光譜特征、幾何和拓撲特征確定地物識別中可能用到的各種特征參數，最后采用模糊分類器逐級分類來提取地物信息。

2 試驗區數據

研究采用的試驗數據是合肥市西北部的QuickBird多光譜影像，其經度和緯度范圍分別為31°46'～31°46'43″和117°11'20″～117°12'07″，如圖1 所示。其空間分辨率是2.44 m(紅、綠、近紅外3個波段)，成像時間為2005年5月，影像為Standard級，地理投影方式為UTM投影。結合研究區的具體情況和特點，主要進行7類地物目標的提取:水體、道路、陰影、植被、建筑物、裸地、操場。

3 面向對象的分類原理

圖1 QuickBird彩紅外影像

面向對象的遙感影像分類是以影像對象作為基本處理單元的圖像分析方法，其基本原理是通過多尺度分割獲得同質對象，構建與地表實體相似的層次等級結構，為同一研究區域中不同的地物提供多尺度影像數據，最后選擇影像特征隸屬函數并結合專家知識進行影像模糊分類，其分類技術流程如圖2所示。

圖2 面向對象分類技術流程圖

3.1 多尺度影像分割

本文采用的分割算法綜合考慮了遙感影像的光譜和空間信息兩個因子，是一種自上而下異質性最小的區域合并算法，其分割過程可以理解為一個局部優化過程，而異質性則是光譜異質性和形狀異質性的加權和，反映兩個對象合并前后光譜和形狀信息的變化量［4、5］，即

式中，f為異質性指數;ω是光譜權重(0＜ω＜1);hcolor和hshape分別為兩個對象合并產生的光譜異質性和形狀異質性;hshape由對象的緊湊度hc和光滑度hs組成;

遙感影像上各類地物都具有自身的形狀和尺寸，采用不同的分割尺度對影像進行多尺度分割以形成影像目標層次。如圖3所示，分別選取100、60和40作為影像分割閾值，同質性標準中光譜和形狀的權重分別占0.6和0.4，形狀的緊湊度和光滑度均為0.5，得到大、中、小3個尺度的對象，不同類別的信息提取在相應的影像對象層中進行。

圖3 不同分割尺度得到的對象圖

3.2 特征參數的選擇

多尺度分割后，影像的基本單元已不是單個像元，而是由同質像元組成的多邊形對象，每一多邊形對象可計算出所包含像元的光譜、形狀、紋理、拓撲關系等信息。本文根據研究區地物的特點，除利用對象的光譜特征外，還選取對象的紋理特征、形狀特征和拓撲特征等來區分各類地物，如表1所示。

3.3 分類規則及層次結構

地物分類規則的建立應考慮以下3個層次:

(1)根據對象的光譜、幾何和拓撲特征定義各層次類別的判定規則;

(2)若存在子類型，子類型應首先繼承其父類型的判定規則，然后增加其特有的特征或特征組合作為判定規則;

(3)對每一層的分類結果進行合并與傳遞，形成最終的分類規則［6］。

根據對象的特征信息及地物間的關系，本文建立了分類層次結構，如表1所示。

影像對象的特征選擇和分類規則表1

4 試驗結果及精度評價

采用上述基于面向對象和特征組合的分類方法，得到QuickBird影像的分類結果圖(如圖4所示)。為了說明基于對象的分類方法更適合于幾何和紋理信息更豐富的高分辨率影像，本文采用傳統的最大似然法進行分類，其分類結果如圖5所示。

同時為了客觀定量的評價這兩種分類方法的優劣，在試驗區采用相同的分類精度檢驗點進行精度評價，其分類精度評價結果如表2所示。

圖4 面向對象分類

圖5 最大似然法分類

QuickBird影像總體分類精度對比 表2

從精度對比可以看出，最大似然分類較面向對象分類法精度要低，尤其體現在對建筑物和道路的識別上，運用傳統的基于像元分類方法，這兩類地物是不能夠很好區分，由于“異物同譜”現象造成道路和部分房屋等水泥構成物分類混淆。觀察兩幅分類結果圖可以看出，最大似然分類結果(圖5)中分布有許多細碎的小斑塊，即“椒鹽噪聲”，其根本原因在于高分辨率影像的局部異質性大，基于像元的傳統分類方法沒有充分考慮像元與鄰接像元的上下文關系，因此它在高分辨率影像的信息提取中有很大的局限性;而對象級方法充分利用對象的光譜和空間特征進行分類，從而減少了分類結果的不確定性，提高了分類的精度。

5 結論

針對高分辨率影像的空間分辨率高而光譜分辨率相對不足的特點，本文采用基于對象和特征組合的分類方法，充分利用地物的光譜、紋理、形狀及影像中地物之間的上下文信息，通過構建語義層次結構對QuickBird影像進行分類，精度相對于傳統方法有了明顯的提高，不僅顯著提高了ADS40影像的分類精度，而且使分類后的影像含有豐富的語義信息，同時避免了“椒鹽”現象的發生。

［1］黃昕，張良培，李平湘.基于小波的高分辨率遙感影像紋理分類方法研究［J］.武漢大學學報:信息科學版，2006，31(1):66～69

［2］崔林麗，唐娉，趙忠明.一種基于對象和多特征整合的分類識別方法研究［J］.遙感學報，2006，10(1):104～110

［3］蔡銀橋，毛政元.基于多特征對象的高分辨率遙感影像分類方法及其應用［J］.國土資源遙感，2007，71(1):77～81

［4］杜鳳蘭，田慶久，夏學齊等.面向對象的地物分類法分析與評價［J］.遙感技術與應用，2004，19(1):20～23

［5］Frieke M.B.Van Coillie，Lieven P.C.Verbeke and Robert R.De Wulf，“Feature selection by genetic algorithms in object－based classification of IKONOS imagery for forest mapping in Flanders，Belgium”，Remote Sensing of Eenvironment，2007，pp.476 ～487

［6］陳云浩，馮通，史培軍等.基于面向對象和規則的遙感影像分類研究［J］.武漢大學學報:信息科學版，2006，31(4):312～320