面向對象的土地覆蓋信息提取方法研究及應用

牟鳳云，羅 丹，官冬杰，吳曉春

(1.重慶交通大學 河海學院，重慶 400074；2.國家測繪地理信息局陜西基礎地理信息中心，陜西 西安 710054)

土地利用和土地覆蓋變化是全球變化研究的重要方面之一[1]。遙感技術以其數據獲取快、范圍廣、空間信息豐富、時效性和經濟性等優點,成為當代土地利用/土地覆蓋數據獲取的主要手段[2]。但是隨著遙感技術的不斷提升，尤其是小衛星技術的發展和高空間分辨率的遙感影像的大量產出，使得傳統遙感分類技術不斷受到挑戰。基于像元的遙感影像信息提取方法已經難以滿足當前應用的需要。而充分利用影像對象的顏色、形狀、紋理等幾何特征和結構信息進行分類的面向對象遙感影像分類技術脫穎而出。筆者主要研究了面向對象的圖像分類方法在土地覆被信息提取中的應用。以遼寧省沈陽市TM影像為數據源，使用ERDAS軟件對實驗區進行基于像元的監督分類，利用eCognition軟件對實驗區進行面向對象分類，通過對比實驗，闡述面向對象分類在土地覆被信息提取中的具體應用，揭示其優點與不足。

1 研究區域與數據預處理

1.1 研究區數據源

沈陽市是遼寧省行政中心，位于中國東北地區南部，遼寧省中部，環渤海經濟圈之內，是環渤海地區與東北地區的重要結合部，以平原為主，山地、丘陵集中在東南部，遼河、渾河、秀水河等途經境內。

文中的數據源是以沈陽市為中心的 Landsat-5 TM 影像。獲取時間為2010年9月29日凌晨2點18分。平均云量0.04；太陽方位角：152.892 179 92°；太陽高度：42.440 563 99；中心緯度：41.771 22°；中心經度：123.294 75°。

1.2 數據預處理

首先進行TM 影像最優波段選擇，在 TM 影像中，各個波段都有不同的針對性，對不同地物有著不同的靈敏度[3]，筆者選擇TM1，2，3波段標準真彩色合成。其次在ERDAS中進行了降噪處理(Noise Reduction)、圖像裁剪處理，選取以沈陽市為中心的一塊區域作為實驗區。具體實驗流程如圖1。

圖1 實驗流程Fig.1 Experiment flowchart

2 實驗區監督分類和面向對象分類

2.1 確定分類標準

筆者選用的分類標準取自文獻[4]：基于陸地生態系統特點的遙感土地覆蓋分類系統，它是基于國際LCCS土地覆蓋分類體系和中國現有分類體系，針對中國的土地覆蓋實際情況，建立的一種土地覆蓋遙感分類系統，包括6個一級分類(森林；草地；農田；聚落；濕地、水體；荒漠)和25個二級分類。

2.2 監督分類

監督分類也稱訓練區分類，即用被確定類別的訓練樣本像元去識別其他未知類別的像元的過程。首先選擇目視判別或者借助其他信息可判定其類型的像元作為訓練樣本，其次計算機系統基于模板自動識別具有相同特性的像元。最后評價分類結果，修改分類模板，多次反復后建立一個比較準確的模板，然后在此基礎上得出最終分類成果。應用ERDAS軟件進行以下步驟：定義分類模板、評價分類模板、執行監督分類、分類結果評價。針對分類標準，筆者采用一級類型分類，即選用森林、草地、農田、聚落、水體等5類建立分類模板。監督分類成果如圖2。

圖2 監督分類成果Fig.2 Supervised classification result

2.3 面向對象分類

2.3.1 理論及軟件概述

面向對象遙感影像分類就是將面向對象思想引入到遙感影像分類中，改變傳統的遙感影像分類思想。面向對象分類的目標不是單個像元而是影像對象；面向對象的分類不僅考慮了地物的光譜信息，還綜合考慮了紋理信息、幾何信息以及其他對象信息；此外，面向對象的分類方法更多的結合了最為先進的算法，例如神經網絡算法、模糊數學算法、最鄰近算法等。

進行高分辨率影像分類時，面向對象遙感影像分類方法相對于傳統分類方法主要有以下優點：①面向對象的影像信息提取的基本處理單元是影像對象和對象間相互關系，不是單個像元[5]，使得分類過程可充分利用影像的多種特征，并減少不必要的冗余；②面向對象方法屬于遙感影像的高層次理解；更適合處理空間分析、空間尺度等問題；③面向對象方法能根據地物類別特點提取不同尺度層上的信息。不同地物目標都有與之相適應的最佳分割尺度，不同尺度層上影像對不同地物類別的概括最適合，因而對該類地物具有較好的識別效果。

eCognition是目前商用遙感軟件市場上第一款基于面向對象分類方法的遙感圖像信息提取軟件。它在面向對象的分類過程中主要包括兩個關鍵性的技術——遙感影像的多尺度分割和面向對象分類[6]。影像分割是一種從像元開始由下至上，逐級區域合并的過程[7]。eCognition軟件里自帶了一些分割算法，其中多尺度分割 (Multiresolution segmentation)是最重要、最常用的。它是一種在給定對象分辨率的情況下，局部最小化對象異質性的算法。異質性是由對象的形狀( shape) 差異和光譜( spectral)確定的，形狀的異質性由光滑度和緊湊度來衡量[8]。

2.3.2 實驗過程

1)影像多尺度分割

① 分割尺度。分割尺度是對分割效果影響最大的參數之一，其大小直接影響影像對象的大小。綜合考慮，分別設置10，20，30，40這4個尺度參數進行分割試驗。形狀指數、緊湊度指數分別采用0.1和0.9。分割結果如圖3。

圖3 不同分割尺度結果Fig.3 Result of different segmentation scale

從圖3中可看出：分割尺度為10時，影像對象過于細小和破碎，甚至出現了一些像素大小的對象，地物提取很難利用其幾何信息；分割尺度為20時，比較零碎，但是土地覆被對象已基本上生成；分割尺度為30時，地物提取較完整，區分較明顯，提取效果比之前兩個尺度好得多；分割尺度為40時，地物提取雖比較完整，但是這個尺度下森林、草地和農田有些被混合分割到一個板塊，單一性不強，不利于地物的提取。如果分割尺度繼續增大，此現象越來越明顯。綜上，研究認為分割尺度為30比較合適。在這個尺度下，提取的地物信息對象最完整，不破碎亦不模糊。

② 形狀指數和緊湊度指數。形狀指數和緊湊度指數也會影響分割的效果。形狀指數與顏色指數和為1。形狀指數值越大，相對的顏色指數值越低，即影像分割過程中受到顏色的影響越小。緊湊度指數與平滑指數和為1，緊湊度指數越大，對應的平滑指數越小，對象之間越緊湊。筆者設置4組形狀指數和緊湊度指數來進行分割實驗，分割結果如圖4。

圖4 不同形狀指數和緊湊度結果Fig.4 Result of different shape and compactness

從圖4中可以看出，分割的結果區別明顯。當形狀指數和緊湊度指數均為0.9時，雖然分割對象基本按照顏色進行劃分，但過于破碎，對象的板塊化比較嚴重；當形狀指數為0.9，緊湊度指數為0.1時，所有對象呈現出類似龜裂土地的板塊化形狀，地物邊界不明顯，分割效果差；當形狀指數為0.1，緊湊度指數為0.9時，分割效果較好，不同地物邊界被清晰的分割出來；當形狀指數和緊湊度指數均為0.5時，地物對象基本能分割出來，相對于前一個分割結果來說，緊湊度指數減少使地物更加的平滑，但形狀指數的增加使顏色指數降低，使得光譜信息相似的森林、草地、農田3者地物的分割變得模糊。

因此多組實驗結果對比后，研究決定采用分割尺度30，形狀指數0.1，緊湊度指數0.9為多尺度分割的參數。

2)通過分類體系創建知識庫

在類層次窗口中建立5個類別。鄉村地帶農田占地面積較大、城鎮用地在中心區域較為集中，分割尺度可以選大一些；但鄉村居住用地零散分布在四周、城區植被較為破碎，尺度不宜過大；水體類型不同，分割尺度也不同，如適宜水庫的分割尺度不一定適宜進行河流的分割。不同的地物類型，提取包含在其中的信息，如每個地物目標的平均值、標準差、形狀特征等，所選用的分割參數、分類規則均不同。

3)插入分類器

eCognition提供兩種不同的分類器：最鄰近和成員函數。本實驗選擇最鄰近分類法。其優點是分類操作較簡單直觀，易于處理多維特征空間的重疊，能快速處理類層次關系，但會限制在分類中所用的對象信息，如果類描述過多，會降低分類速度，使信息冗余增多。

4)定義樣本對象

eCognition中最鄰近分類方法類似于傳統圖像分析軟件中監督分類方法，必須首先定義訓練區，它是一個類的典型代表。在樣本訓練區內選擇典型樣本。

5)對影像對象分類

第一次分類后，各類地物基本被分類，尤其是聚落、水體信息分類較好，但農田、森林、綠地類型中還存在錯分的情況。分類結果依賴選擇樣本，錯分的影像對象通常位于該類總體區域的邊緣附近，因此在此基礎上，需進行重分類，把未分類對象作為樣本，把錯分類對象糾正到正確分類中，再次分類檢查結果，重復循環此過程，直到得到滿意的分類結果，如圖5。可以看出，一個成功的最鄰近分類通常需要進行多次的樣本選擇與分類的循環。

圖5 最鄰近分類結果Fig.5 Nearest neighbor classification results

3 精度評定

3.1 監督分類結果精度評價

此處筆者采用基本混淆矩陣法即Congalton提出的誤差矩陣法(Error Matrix)對信息提取精度進行評價。計算生產者精度、用戶精度、總體精度和Kappa系數等評價指標。計算結果如表1。

表1 沈陽市TM 影像傳統監督分類方法精度評價Table 1 Accuracy evaluation of Shenyang TM images’ traditional supervised classification

3.2 面向對象分類結果精度評價

eCognition提供的精度評價工具簡單易用，由于它是基于模糊邏輯的軟分類，精度評價包括分類穩定性和最佳分類結果概率值指標，且精度評價的結果能在圖中直觀顯示：①分類穩定性最大值為1，最為穩定；最小值為0，最不穩定。穩定性在圖中直觀顯示，從黑色到白色的圖斑，表示穩定性從高到底；②最佳分類結果概率值。也可以在圖中由黑色(高值)到白色(低值)過渡色顯示。筆者選用成員函數值及分類穩定性進行評價，結果如圖6～圖9。

圖6 最佳分類結果精度評價Fig.6 Accuracy evaluation of the best classification results

圖7 圖像顯示最佳分類結果——由黑(高值)至白(低值)Fig.7 Imageof the best classification results

圖8 分類穩定性Fig.8 Classification stability

圖9 圖像顯示分類穩定性——由黑(高)到白(低)Fig.9 Image of classification stability

3.3 實驗結果對比分析

監督分類精度結果如表2。其中總體精度為90.65%，Kappa系數為0.847 8。

表2 精度結果對比Table 2 Contrast of accuracy results /%

從表2中可以看出，面向對象分類方法得出的精度結果總體要比監督分類高，水體是個反例，因為水體對象特征明顯，對象數目不多，采樣容易，所以兩種方法得出精度結果相差不大。圖7可以看出面向對象最佳分類結果顯示黑色和深灰(高值)面積占大部分區域，說明分類精度較高，在圖9中可以看出分類穩定性聚落、水體、森林、草地都比較好，但是農田穩定性并不高。在eCognition中，已分類的對象不是簡單的屬于某一類，可以得到Class Hierarchy中每個類的隸屬度函數值的詳細清單。一類對象如果具有最高的隸屬度函數值，且不低于最低隸屬度函數值，就把它分為此類。增加最鄰近函數的方法可能會使分類精度提高，但是，這種過程可能會降低分類的穩定性。對于面向對象分類來說，影響分類的精度的因素應該是多方面的，主要有以下兩個方面。

3.3.1 分割精度的影響

影像分割包含尺度選擇與分割，尺度的選擇有賴于操作人員的經驗，對于不同星種、不同分辨率的影像，其分割尺度均有差別的，難以制定統一標準。

3.3.2 對象分類算法的影響

不同分類算法，對象分類規則有所差別，對象特征所占權重也有所不同，例如最近鄰算法是位置占優的對象分類方法，其他的各種對象特征相對來說考慮較少，特別是在通過計算機進行對象分類的時候，往往會出現錯分的情況。因此，對象分類是面向對象分類的最后一步，提高分類算法的科學性，也就控制了分類精度。

總的來說，面向對象的影像分類算法還是在很大程度上提高了分類精度，只要用科學的方法進行影像分割及對象分類，它的精度會比傳統的分類方法高。

4 結論與展望

筆者以遼寧省沈陽市 TM 影像為數據源，對面向對象分類法在土地覆被信息提取中的應用進行了理論研究和實驗分析。

1)本實驗中選取多組數據進行對比分析，最終確定多尺度分割參數組合為分割尺度30，形狀指數0.1，緊湊度指數0.9。在對實驗區樣本對象選擇鄰近分類后選用成員函數值及分類穩定性進行評價，從圖表中均可看到比監督分類較好的實驗結果。

2)傳統的遙感影像分類方法比較成熟，相關應用軟件操作簡單，方便使用。但也存在很多不足，例如精度不夠、椒鹽現象等。而面向對象的遙感影像分類方法較之于傳統方法提高了分類的效率和精度。

3)本實驗中得到精度結果表明，相對于傳統分類方法，面向對象的分類更為靈活，分類精度更高，尤其是對于農田、森林、耕地等光譜特征相似的地物類別，使用面向對象分類方法的優點可以得到更好的體現，而水體，建筑用地等影像光譜特征明顯的分類對象傳統方法也可較好的區分，所以面向對象法并不總是優于傳統監督分類法，應針對分類對象選擇合適的分類方法。

筆者雖然取得了一定的成果和認識，但仍有部分工作需進一步研究與探討。

1)大范圍的生態監測需要及時地更新土地利用現狀數據，采用中分辨率的TM影像(分辨率為30 m)工作量相對較小，但由于空間分辨率不夠高，很多地方的解譯不能滿足精度要求，若采用高分辨率的影像數據如SPOT5數據(分辨率為2.5 m)，則可以滿足土地利用類型調查的精度，但所需工作量巨大，所耗時間較久。

2)分類過程進一步的研究可以對二級標準(如森林還包括針葉林、闊葉林、針闊混交林、灌叢等)進一步采取分層分類，進行同類地物不同尺度分割，考慮地表實體的多層次結構，采用多尺度影像對象層次網絡結構揭示地表特征，逐層提取地物類型。

3)可進一步完善影像對象特征庫。增加新的對象特征以及每類地物的類描述信息。根據高分辨率遙感影像特點研究影像對象的用戶自定義特征描述方法，完善特征庫。

[1] 陳佑啟,楊鵬.國際上土地利用/土地覆蓋變化研究的新進展[J].經濟地理,2001,21(1):95-100.

Chen Youqi,Yang Peng.Recent progresses of international study on land use and land cover change[J].Economic Geography,2001,21(1):95-100.

[2] 梁英麗,楊武年.基于遙感技術的土地利用/土地覆蓋信息提取——以四川省眉山市青神縣為例[J].測繪,2010,33(2):76-79.

Liang Yingli,Yang Wunian.Information extraction for land use / land cover based on RS techniques—a case of Qingshen County in Sichuan[J].Surveying and Mapping,2010,33(2):76-79.

[3] 黃瑾.面向對象遙感影像分類方法在土地利用信息提取中的應用研究[D].成都:成都理工大學,2010.

Huang Jin.Object-Oriented Classification Technique of Remote Sensing Image Used in Classification of Land Use[D].Chengdu:Chengdu University of Technology,2010.

[4] 張增祥.中國土地覆蓋遙感監測[M].北京:星球地圖出版社,2010.

Zhang Zengxiang.China Land Cover Monitoring[M].Beijing:Planet Map Publishing House,2010.

[5] Baatz M,Sch?pe A.Multiresolution segmentation:an optimization approach for high quality multiscale image segmentation[C]//Angewandte Geographische Information Dverarbeitung XⅡ.Karlsruhe:

[s.n.],2000.

[6] 祖琪,袁希平,莫源富,等.基于面向對象分類方法在SPOT影像中的地物信息提取[J].中國巖溶,2011,30 (2):227-232.

Zu Qi,Yuan Xiping,Mo Yuanfu,et al.Surface features’ information extraction from SPOT images with object-oriented classification method [J].Carsologica Sinica,2011,30(2):227-232.

[7] 莫登奎,林輝,孫華,等.基于高分辨率遙感影像的土地覆蓋信息提取[J].遙感技術與應用,2005,20(4):410-414.

Mo Dengkui,Lin Hui,Sun Hua,et al.Extracting land cover with high resolution remote sensing data[J].Remote Sensing Technology and Application,2005,20(4):410-414.

[8] Benz U C,Hofmann P,Willhauck G,et al.Multi-resolution,object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J].ISPRS Journal of Photogrammetry & Remote Sensing,2004,58(3/4):239-258.