面向?qū)ο蟮母叻直媛蔬b感影像城市地物信息提取研究

李小強(qiáng)，李金平，甘甜

(云南師范大學(xué)旅游與地理科學(xué)學(xué)院，云南昆明650500)

高分辨率衛(wèi)星遙感影像特別是IKONOS、QUICKBIRD、Worldview等高分辨率影像出現(xiàn)后，在城市生態(tài)環(huán)境評(píng)價(jià)、城市規(guī)劃、農(nóng)業(yè)以及自然災(zāi)害預(yù)報(bào)等方面［1-4］顯示出巨大的應(yīng)用潛力。高分辨率遙感影像為用戶提供了地物景觀的結(jié)構(gòu)、紋理、幾何和位置等信息，但光譜分辨率不足。針對(duì)高分辨率影像，在分類(lèi)時(shí)不僅要依靠其光譜特征，更要充分利用其幾何信息和結(jié)構(gòu)信息［5］。高分辨率衛(wèi)星影像信息處理成敗的關(guān)鍵在于能否充分挖掘高分辨率遙感影像包含的空間綜合信息，建立圖像數(shù)據(jù)與目標(biāo)特征之間的物理機(jī)理聯(lián)系［6］。

傳統(tǒng)的遙感影像信息處理和提取的方法，如ISODATA、K-均值分類(lèi)法、最小距離法、平行六面體法、最大似然分類(lèi)等是建立在基于像素級(jí)別的光譜信息分析的基礎(chǔ)上，它們的共同特征是使用圖像的強(qiáng)度量即灰度值的統(tǒng)計(jì)信息，其影像處理的效率和所能獲取的結(jié)果信息都是有限的，且處理結(jié)果中含有大量“椒鹽”噪聲，不能區(qū)分“同物異譜”及“同譜異物”現(xiàn)象［7］。盡管許多數(shù)學(xué)方法如各種神經(jīng)網(wǎng)絡(luò)方法、模糊分類(lèi)等的引入提高了分類(lèi)的精度，然而它們依然對(duì)地物形狀、結(jié)構(gòu)等信息的分析很少涉及，這些分類(lèi)方法本質(zhì)還是像素層次上的分類(lèi)。

對(duì)于具有突出結(jié)構(gòu)紋理等信息而光譜分辨率不高的高分辨率影像，傳統(tǒng)的單純依靠光譜特征的像素層次上的分類(lèi)方法已經(jīng)不再適合高分辨率影像的信息提取，面向?qū)ο蟮挠跋穹诸?lèi)方法應(yīng)運(yùn)而生。面向?qū)ο蟮倪b感信息提取方法綜合考慮光譜的統(tǒng)計(jì)特征、形狀、大小、紋理和相鄰關(guān)系等一系列因素，能夠提取較高精度的信息。

1 面向?qū)ο蟮挠跋穹诸?lèi)

面向?qū)ο筮b感圖像分類(lèi)處理的最小單元不再是單個(gè)像素，而是含有更多語(yǔ)義信息的多個(gè)相鄰像素組成的影像對(duì)象，在分類(lèi)時(shí)更多的是利用對(duì)象的幾何信息以及影像對(duì)象之間的語(yǔ)義對(duì)象、紋理信息、拓?fù)潢P(guān)系，而不僅僅是單個(gè)對(duì)象的光譜信息。它的基本思路是將不同的像素按照某種原則和閾值組合成不同的對(duì)象，不同的對(duì)象也可以按照某種原則和閾值組合成新的對(duì)象，然后采用監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)等方法對(duì)不同的對(duì)象進(jìn)行分類(lèi)。本文以eCognition軟件為例介紹面向?qū)ο蠓诸?lèi)原理，它包括兩個(gè)過(guò)程:分割和分類(lèi)。

1.1 多尺度分割技術(shù)

遙感影像分割是面向?qū)ο蟮倪b感影像分析方法的基礎(chǔ)和關(guān)鍵，在遙感影像工程中處于影像處理與影像理解的中間環(huán)節(jié)，是面向?qū)ο蟮挠跋穹治隼碚撗芯康耐黄瓶冢?］。

eCognition采用多尺度分割算法來(lái)生成影像對(duì)象，它是基于成對(duì)區(qū)域融合技術(shù)的自底向上的分割算法。多尺度分割作優(yōu)化處理，對(duì)給定數(shù)量的影像對(duì)象，最小化平均差異性并最大化它所代表的均一性。在進(jìn)行影像分割的過(guò)程中，除了考慮影像的光譜屬性，還考慮了影像的幾何特性，如形狀和大小。因此，分割考慮的標(biāo)準(zhǔn)主要是根據(jù)兩個(gè)指標(biāo):光譜異質(zhì)性和形狀異質(zhì)性。光譜異質(zhì)性主要根據(jù)像元的灰度值進(jìn)行設(shè)定閾值和分類(lèi)，形狀異質(zhì)性主要是根據(jù)圖像的紋理特征進(jìn)行分類(lèi)［9］。

總的異質(zhì)性值用光譜異質(zhì)性hcolor和形狀異質(zhì)性hshape計(jì)算:

式中w為光譜權(quán)值(0＜w＜1)。

光譜異質(zhì)性hcolor由對(duì)象本身的大小衡量權(quán)重:

式中:c為波段數(shù);wc代表每一波段的權(quán)重因子;nobj1、nobj2分別為合并前對(duì)象1和對(duì)象2的像素?cái)?shù)、分別為合并前對(duì)象1和對(duì)象2的每一波段的光譜標(biāo)準(zhǔn)差;nmerge為合并后對(duì)象的總體像素?cái)?shù);為合并后對(duì)象的光譜標(biāo)準(zhǔn)差。

形狀異質(zhì)性hshape由對(duì)象的緊密度wcompact和光滑度hsmooth組成:

式中wcompact是緊密度的權(quán)重因子。hcompact、hsmooth的公式為:

式中:lobj1、lobj2分別為合并前對(duì)象1和對(duì)象2的周長(zhǎng);bobj1c、bobj2c分別為合并前對(duì)象1和對(duì)象2外切矩形的周長(zhǎng);lmerge為合并后對(duì)象的周長(zhǎng);bmerge為合并后對(duì)象外切矩形的周長(zhǎng)。

多尺度分割時(shí)，在滿足必要的形狀標(biāo)準(zhǔn)的前提下，應(yīng)盡可能采用光譜標(biāo)準(zhǔn)，因?yàn)橛跋駭?shù)據(jù)中最重要的是光譜信息，形狀標(biāo)準(zhǔn)的權(quán)重過(guò)高會(huì)降低分割結(jié)果的質(zhì)量。另外，若光滑度的權(quán)重較高，分割后的對(duì)象邊界較為平滑，反之，若緊密度的權(quán)重較高，分割后的對(duì)象形狀較為緊密。采用不同的尺度對(duì)影像進(jìn)行多次分割，可以形成網(wǎng)絡(luò)層次結(jié)構(gòu)，父對(duì)象的邊界決定了子對(duì)象的邊界，父對(duì)象的區(qū)域大小由子對(duì)象的總和決定。

1.2 分類(lèi)器介紹

eCognition中面向?qū)ο蠓诸?lèi)法采用模糊分類(lèi)原理，用取值于區(qū)間［0，1］的隸屬函數(shù)A(x)表征x屬于A類(lèi)的高低程度。有兩種分類(lèi)器:最鄰近分類(lèi)器和隸屬度函數(shù)分類(lèi)器。

(1)最鄰近分類(lèi)器。

最鄰近分類(lèi)器是基于給定的特征空間和樣本對(duì)象的分類(lèi)方案。在聲明每個(gè)類(lèi)的樣本對(duì)象后，每個(gè)影像對(duì)象都賦為特征空間中最臨近樣本所代表的類(lèi)中。對(duì)于每一個(gè)影像對(duì)象，在特征空間中尋找距離最近的樣本對(duì)象，如果一個(gè)影像對(duì)象最近的樣本對(duì)象屬于A類(lèi)，那么這個(gè)對(duì)象將被劃分為A類(lèi)。實(shí)際操作時(shí)，通過(guò)一個(gè)隸屬度函數(shù)進(jìn)行，影像對(duì)象在特征空間中與屬于A類(lèi)樣本對(duì)象的距離越近，則屬于A類(lèi)的隸屬度越大。

影像對(duì)象o與樣本對(duì)象s之間的距離計(jì)算公式為:

式中:f為特征空間;σf為所有特征值的標(biāo)準(zhǔn)差分別為樣本對(duì)象和影像對(duì)象的特征空間中的特征。

(2)隸屬度函數(shù)分類(lèi)器。

隸屬度函數(shù)可以精確定義對(duì)象屬于某一類(lèi)的標(biāo)準(zhǔn)，一個(gè)隸屬度函數(shù)是一維的，是基于一個(gè)特征的。

2 高分辨率遙感影像城市地物信息提取

本文以沈陽(yáng)市東陵區(qū)IKONOS影像為實(shí)驗(yàn)數(shù)據(jù)，通過(guò)對(duì)城市地物光譜特征、幾何特征和空間特征的分析，采用面向?qū)ο蟮男畔⑻崛〖夹g(shù)與傳統(tǒng)的監(jiān)督分類(lèi)法分別提取各類(lèi)感興趣地物，主要包括影像預(yù)處理、面向?qū)ο蠓诸?lèi)、傳統(tǒng)的監(jiān)督分類(lèi)和分類(lèi)結(jié)果精度評(píng)價(jià)4項(xiàng)工作，整體技術(shù)流程如圖1所示。

圖1 城市地物遙感信息提取流程圖

2.1 構(gòu)建影像對(duì)象

采用不同的尺度對(duì)影像進(jìn)行多次分割，可以構(gòu)建影像對(duì)象網(wǎng)絡(luò)層次結(jié)構(gòu)。本次研究分割兩個(gè)層級(jí)，參數(shù)設(shè)置如表1，相同區(qū)域不同分割參數(shù)結(jié)果對(duì)比見(jiàn)圖2。

表1 多尺度分割參數(shù)設(shè)置

2.2 規(guī)則知識(shí)庫(kù)定義

地物的物理與幾何特征使影像中局部區(qū)域的灰度產(chǎn)生明顯變化而形成影像特征。面向?qū)ο筇崛【鹊母叩完P(guān)鍵在于由各種影像特征構(gòu)建的知識(shí)庫(kù)中規(guī)則是否具有很強(qiáng)的區(qū)分性［10］。

根據(jù)實(shí)地調(diào)查和遙感影像信息，將地物分為7類(lèi)提取，分別是道路(水泥路和瀝青路)、河流、湖泊、建筑物(藍(lán)色屋頂、紅色屋頂、一般屋頂)、裸地、陰影和植被。

首先在Level1中對(duì)河流、湖泊和裸地進(jìn)行提取，因?yàn)檫@兩種地物的地表面積較大，采用較大的分割尺度可以得到較大而且影像均質(zhì)性很高的對(duì)象。首先利用歸一化差值水體指數(shù)NDWI(NDWI=(GNIR)/(G+NIR))提取出河流，然后在未分類(lèi)的對(duì)象中利用近紅外波段NIR提取湖泊。由于湖泊和陰影有相似的波譜特征，部分陰影被錯(cuò)分為湖泊，之后的步驟中再對(duì)其進(jìn)行正確分類(lèi)。具體提取規(guī)則見(jiàn)表2。

圖2 多尺度分割影像對(duì)象網(wǎng)絡(luò)層次結(jié)構(gòu)

表2 Level1中地物提取規(guī)則

將分類(lèi)好的河流、湖泊、部分陰影和未分類(lèi)對(duì)象分別進(jìn)行對(duì)象合并。此時(shí)未分類(lèi)對(duì)象合并成一個(gè)整體，然后利用多尺度分割將未分類(lèi)對(duì)象重新分割生成Level2，其他類(lèi)的地物以及Level1中錯(cuò)分的陰影將在此層級(jí)中分類(lèi)。具體分類(lèi)規(guī)則見(jiàn)表3。

表3 Level2中地物提取規(guī)則

表3中陰影1是指在Level1中被錯(cuò)分為湖泊的對(duì)象被重新分類(lèi)為陰影。按照表3中所列規(guī)則將每一地物分類(lèi)出來(lái)，并將陰影1、陰影2合并為陰影，將藍(lán)色屋頂、紅色屋頂、一般屋頂合并為建筑物，將水泥路、瀝青路合并為道路。

3 分類(lèi)結(jié)果分析與評(píng)價(jià)

在上述步驟基礎(chǔ)上用eCognition對(duì)遙感影像進(jìn)行面向?qū)ο蠓诸?lèi)，并利用ENVI對(duì)影像采用最大似然監(jiān)督分類(lèi)法進(jìn)行分類(lèi)，并對(duì)分類(lèi)結(jié)果采用Majority/Minority Analysis處理，分類(lèi)結(jié)果如圖3所示。

從分類(lèi)效果看，面向?qū)ο蠓诸?lèi)方法分類(lèi)結(jié)果更具有實(shí)際意義，與實(shí)際地物對(duì)應(yīng)較好，而傳統(tǒng)的基于像素的分類(lèi)方法“同物異譜”和“同譜異物”現(xiàn)象嚴(yán)重，分類(lèi)結(jié)果零散。由于使用NIR波段，兩種方法中植被、河流和湖泊的分類(lèi)效果都很好。然而，在基于像素分類(lèi)中“椒鹽”噪聲在影像中每個(gè)部分都會(huì)出現(xiàn)。這些噪聲的產(chǎn)生是因?yàn)镮KONOS影像有非常高的分辨率，能夠獲取豐富的細(xì)節(jié)信息。

圖3 原始圖像與面向?qū)ο蠓诸?lèi)、最大似然分類(lèi)的結(jié)果對(duì)比圖

通過(guò)對(duì)對(duì)象進(jìn)行隨機(jī)抽樣，采用野外實(shí)地調(diào)查和目視解譯的方法進(jìn)行精度評(píng)價(jià)，其分類(lèi)結(jié)果精度分析見(jiàn)表4，總體分類(lèi)精度達(dá)92.5%。而監(jiān)督分類(lèi)方法的總體分類(lèi)精度為85.8%(表5)，并且圖斑支離破碎。相比于最大似然分類(lèi)，面向?qū)ο蠓诸?lèi)提取道路和建筑的精度有了很大提高，這主要?dú)w功于解譯時(shí)充分利用了幾何特征、波譜特征、鄰域特征等對(duì)象知識(shí)。另外，面向?qū)ο蠓诸?lèi)結(jié)果錯(cuò)分和漏分要少得多，主要發(fā)生在道路與建筑之間，這主要是由于兩者波譜特征相似，并且一些結(jié)構(gòu)復(fù)雜的建筑物在分割后被分為零碎的多個(gè)部分而導(dǎo)致提取困難。裸地采用最鄰近分類(lèi)器分類(lèi)，類(lèi)似于監(jiān)督分類(lèi)，用戶精度為89.8%。

表4 面向?qū)ο蠓诸?lèi)結(jié)果精度評(píng)價(jià)

表5 最大似然分類(lèi)誤差矩陣

4 結(jié)語(yǔ)

像素分類(lèi)含有大量“椒鹽”噪聲且視覺(jué)效果很差，而且“異物同譜”和“同物異譜”現(xiàn)象嚴(yán)重。面向?qū)ο蟮姆诸?lèi)結(jié)果在精度和分類(lèi)效果上都有顯著的優(yōu)勢(shì)。從視覺(jué)效果上可以看出，面向?qū)ο蟮姆诸?lèi)結(jié)果更加符合人類(lèi)的思維方式，也更接近真實(shí)值。多尺度分割技術(shù)可以使噪聲問(wèn)題得到很好的解決，因?yàn)檫@些噪聲區(qū)域?qū)⒑推渲苓叺南袼匾黄鸨蝗谌氲教囟ǖ挠跋駞^(qū)域中，而該影像區(qū)域在影像分析時(shí)則表現(xiàn)為同一對(duì)象。面向?qū)ο蟮姆诸?lèi)方法在分類(lèi)過(guò)程中可以靈活地運(yùn)用這些影像對(duì)象的各種光譜特征、紋理特征、幾何特征、空間特征和拓?fù)潢P(guān)系等規(guī)則所構(gòu)成的知識(shí)庫(kù)，加入人的思維過(guò)程，從而能夠極大地提高分類(lèi)精度。因此，面向?qū)ο蟮姆诸?lèi)方法能夠充分利用高分辨率遙感影像的結(jié)構(gòu)、紋理、幾何和位置等豐富信息，彌補(bǔ)傳統(tǒng)的基于像素光譜統(tǒng)計(jì)特征分類(lèi)方法的不足，使得高分辨率遙感影像自動(dòng)識(shí)別的精度得到極大提高，更適用于城市地物專(zhuān)題數(shù)據(jù)庫(kù)的更新。

當(dāng)然采用面向?qū)ο蟮倪b感影像分析方法也有一些局限性，主要表現(xiàn)為:(1)最佳分割尺度難于選取，目前只能依靠數(shù)據(jù)特點(diǎn)經(jīng)過(guò)多次試驗(yàn)來(lái)獲取。(2)易于分類(lèi)的影像對(duì)象特征的提取，一種地物相異于其他種地物的特征較難選取，這需要有豐富的遙感信息提取經(jīng)驗(yàn)。

［1］蒲智，劉萍，楊遼，等.面向?qū)ο蠹夹g(shù)在城市綠地信息提取中的應(yīng)用［J］.福建林業(yè)科技，2006，33(1):40-44.

［2］仇江嘯，王效科.基于高分辨率遙感影像的面向?qū)ο蟪鞘型恋馗脖环诸?lèi)比較研究［J］.遙感技術(shù)與應(yīng)用，2010，25(5):653-661.

［3］劉常娟，楊敏華，張秀英.利用高分辨率遙感影像計(jì)算耕地田坎系數(shù)的可行性研究［J］.國(guó)土資源導(dǎo)刊，2007，4(5):48-50.

［4］陳文凱，何少林，張景發(fā)，等.利用遙感技術(shù)提取震害信息方法的研究進(jìn)展［J］.西北地震學(xué)報(bào)，2008，30(1):88-93.

［5］杜鳳蘭，田慶久，夏學(xué)齊.遙感圖像分類(lèi)方法評(píng)析與展望［J］.遙感技術(shù)與應(yīng)用，2005，19(6):521-525.

［6］孫曉霞，張繼賢，劉正軍.利用面向?qū)ο蟮姆诸?lèi)方法從IKONOS全色影像中提取河流和道路［J］.測(cè)繪科學(xué)，2006，31(1):62-63.

［7］周成虎，駱劍成.高分辨率衛(wèi)星遙感影像地學(xué)計(jì)算［M］.北京:科學(xué)出版社，2009.

［8］劉建華，毛政元.高空間分辨率遙感影像分割方法研究綜述［J］.遙感信息，2009(6):95-101.

［9］關(guān)元秀，程曉陽(yáng).高分辨率衛(wèi)星影像處理指南［M］.北京:科學(xué)出版社，2008.

［10］胡進(jìn)剛，張曉東，沈欣，等.一種面向?qū)ο蟮母叻直媛视跋竦缆诽崛》椒ǎ跩］.遙感技術(shù)與應(yīng)用，2006，21(3):184-188.