基于面向對象的SPOT5濕地影像分類

朱丹瑤

(牡丹江師范學院歷史與文化學院，黑龍江牡丹江 157011)

基于面向對象的SPOT5濕地影像分類

朱丹瑤

(牡丹江師范學院歷史與文化學院，黑龍江牡丹江 157011)

本文選取洪河保護區濕地景觀為研究對象，運用面向對象分類方法對研究區進行分類研究，分類精度達到95.31%，Kappa系數為0.9452。面向對象的分類方法充分考慮地物的幾何、光譜、紋理、結構等多方面的信息，能夠有效地彌補傳統分類方法的缺陷，在高分辨率應用上可以體現更好的效果。

面向對象；濕地分類；SPOT5

近年來，隨著遙感技術的不斷發展，不同時空分辨率、不同光譜分辨率的遙感數據被廣泛應用于各個領域。其中對于小尺度范圍內的環境監測，如景觀環境監測、地質資源勘探等，更加傾向使用高分辨率的遙感影像，使其能夠反映更多地物信息。對于高分辨率影像的分類實踐，傳統的分類方法表現出其固有的局限性。在此基礎上發展的神經網絡分類器(Neural Net Classifier)[1]和模糊集(Fuzzy Set)[2]分類方法等在一定程度上提高了圖像分類精確度，但本質上都是基于像元層次，對于高分辨率影像仍不能滿足精度需求為了提高其分類精度，一些學者提出面向對象分類方法[3-5]。面向對象的分類方法不僅考慮目標光譜信息，同時還利用目標空間信息，如結構、紋理、分布、形狀等信息，提取更多參考數據參與分類，現已表現出較強的適用性，主要應用于高分辨率影像的分類研究中。

1 研究區與數據

1.1 研究區概況

本文選取我國境內三江平原東北部典型淡水濕地環境——洪河保護區為研究區。該區域位于黑龍江省東北部同江市與撫遠縣交界處，東鄰前鋒農場，西與洪河農場接壤，北與鴨綠河農場相接。地理坐標為133°34′38″E～133°46′29E″，47°42′18″N～47°52′07″N，總面積21835hm2。研究區屬于溫帶大陸性季風氣候，地貌單一，地勢坡降極小，從而集聚大量水體，發育各種濕地特有植被，形成典型的濕地生態系統[6]。

1.2 數據源與預處理

研究采用的遙感數據為由法國SPOT衛星高分辨率多波段掃描儀(HRV)獲取的空間分辨率為2.5m的全色波段遙感影像2景，獲取時間為2012年7月。首先對SPOT影像進行高分辨率與多光譜的圖像融合，融合后影像以保護區1:10萬國家基本比例尺地形圖作為參考圖像，對SPOT影像進行幾何糾正。由于洪河保護區橫跨兩景SPOT影像，需對糾正后的影像進行拼接處理，之后按照保護區矢量邊界進行裁切處理，最后由于對圖像進行2%線性拉伸，得到圖像增強的效果。最終得到嚴格校準、圖像信息增強顯示的保護區遙感影像圖(圖1)。

2 研究方法

2.1 面向對象分類方法

面向對象分類不再以像元為處理單元，突破了傳統分類的局限[7]。它以圖斑作為分類的處理對象，圖斑包含的語義信息比單個像元更加豐富，不僅僅包含光譜信息，還包括多種特征如形狀、大小、紋理、位置等信息。

還可以運用專家知識進行特征提取，也可以實現較高層次的目標地物提取。面向對象的分類方法主要分為兩個步驟，分別為發現對象以及特征提取。發現對象首先要對圖像進行分割，得到同質對象，再根據具有相同屬性的對象進行同一類別的合并，后根據圖斑屬性以及具體知識進行目標地物的提取[8](圖2)。

圖2 面向對象分類流程圖

2.2 技術路線

該分類方法存在兩個關鍵點，其一是圖像分割，目的是找到合適的分割尺度，使得到的圖斑對影像的分類更加合理，同時能夠包含相對豐富的信息屬性。目前圖像分割方法較多，其中以多尺度為基礎的圖像分割方法[9]的分割結果較為理想，其計算公式如下：

(1)

其中，F為波段融合值，fi為第i波段融合值，hs為圖像總波段數。

fi=wi·hc+(1-wi)hs.

(2)

其中，wi為第i波段權重，hc為光譜融合值，hs為形狀融合值。

(3)

其中，n、?分別為對象像元數及對象像元標準差，wc為光譜權重。

hs=wcm·hcm+(1-wcm)hsm.

(4)

其中，wcm為形狀緊湊度權重，hcm為形狀緊湊度，hsm為形狀光滑度。

(5)

(6)

其中，n、l分別為對象像元數、周長，b為外接矩形的周長。

另一個技術難點是如何簡便、快捷地選擇和提取對象特征。單一目標地物總是具有特殊的特征組合，合理、有效地選擇其特征以及特征組合才能提取具有較高精度的目標地物，同時區別于其他類別。地物特征的選擇首先受到影像本身的限制，如遙感圖像的成像條件、成像季節等；還與分類人員本身對研究區的熟悉程度以及具有的決策知識密切相關。

本文基于面向對象遙感分類方法，采用SPOT5遙感數據進行濕地群落分類研究。根據研究區濕地植被特點及SOPT數據分辨率，確定分類群落類型為漂筏苔草群落、毛果苔草群落、狹葉甜茅群落、小葉章-苔草群落、小葉章群落、小葉章-灌叢群落、沼柳-叢樺群落、白樺群落、農田以及無植被水域。由于試驗區為淡水濕地沼澤，遙感圖像具有復雜的光譜特征。濕地景觀群落的分布與水文因素具有高度的相關性，因此該區域的地形圖可作為輔助數據參與分類。運用ENVI5.0EX模塊作為數據處理平臺，首先輸入經過預處理的原始圖像，輸入DEM圖像作為輔助分類圖像，經過多次反復試驗，分割閾值設為55，合并分塊閾值設為60，同時選擇具有典型性和代表性的訓練樣區，且數量不宜過多；之后提取目標的特征信息則主要依靠專家知識；最后應用選取的特征類型和特征值，運用最近鄰域分類方法得到較為理想的分類效果(圖3)。

圖3 洪河保護區植被群落分類

2.3 分類結果精度評價

為了更好地說明面向對象分類方法的分類效果，現將傳統的監督分類方法即最大似然法與面向對象方法進行比較分析(圖4)。最大似然法[10-11]是傳統的遙感影像分類法中比較具有代表性,同時應用比較普遍的一種方法。

圖4 分類結果對比圖

圖4中，(a)和(b)分別是面向對象分類結果和最大似然法分類結果。可以直觀地看出，最大似然法進行運算的分類結果更加破碎化，圖像放大之后會看到更多的噪音，原因在于最大似然法僅運用光譜信息進行分類，而高分辨率影像光譜信息復雜多樣，同物異譜或同譜異物現象更加嚴重，導致該方法在運用于高分辨率影像分類時誤差較大。而面向對象分類方法作為特征參與分類的不僅僅是光譜信息，還包括分割得到圖斑的幾何形狀、空間位置、相互關系以及可人為定義的大量專家知識，在處理高分辨率遙感影像方面更加具有適用性，避免了分類結果的破碎化和椒鹽現象，并且分類結果中各類別邊界明確清晰。分類結束之后,對兩種方法進行精度測試，結果表明面向對象分類結果精度達到95.31%，Kappa系數為0.9452；而最大似然法的分類結果精度只有80.07%，Kappa系數為0.6650。說明面向對象分類方法在進行高分辨率遙感影像信息提取時比傳統的最大似然監督分類方法具有更高的分類精度。

[1]Skidmore A, Turner B, Brinkhof W, et al.Performance of neural network: Mapping forests using GIS and remotely sensed data[J].ISPRS Journal of Photogrammetric Engineering & Remote Sensing,1997(63):501-514.

[2]Maselli F,Rudolfa,Conese C. Fuzzy classification of spatially degraded Thematic Mapper data for the estimation of sub-pixel components[J].International Journal of Remote Sensing,1996(17):537-551.

[3]Lobo A,Chic O,Casterad A.Classification of mediterranean crops with multi sensor data: per-pixel versus per-object statistics and image segmentation[J].International Journal of Remote Sensing,1996(17):2358-2400.

[4]Blaschke T,Lang S, Lorup E,et al.Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications[C]//Environmental Information for Planning, Metropilis-Verlag,2000(2):555-570.

[5]Hofamnn P.Detection informal settlements from IKONS image data using methods of object oriented image analysis:an example from Cape Town(South Africa) [C].Remote Sensing of Urban Areas/F Enerkundung in Urbanen Raumen,2001:41-42.

[6]周德民,宮輝力.洪河保護區濕地水文生態模型研究[M].北京:中國環境科學出版社,2007.

[7]Baatz M, Schpe A. Object-Oriented and Multi-Scale Image Analysis in Semantic Networks[R].Proc.of the 2nd International Symposium on Operationalization of Remote Sensing,Enschede:ITC,1999.

[8]曹寶,秦其明,馬海建,等.面向對象方法在SPOT5遙感圖像分類中的應用——以北京市海淀區為例[J].地理與地理信息科學,2006(22):46-54.

[9]Baatz M, Schap E. Multiresolution Segmentation-an optimization approach for high quality multi-scale image segmentation[C]∥Strobl,Blaschke,Greisebener. Angewandte Geographische Information Sverarbeitung XI. Beitrage zum AGIT-Symposium Salzburg 1999,Karlsruhe:Herbert Wichmann Verlag,2000.

[10]Richardsia J.Remote Sensing Digital Image Analysis: An Introduction[M].Berlin:Springer,1999.

[11]Magd I,Tanton T. Improvements in Land Use Mapping for Irrigated Agriculture From Satellite Sensor Data using a Multi Stage Maximum Likelihood Classification[J].International Journal of Remote Sensing,2003,24(21): 4197-4206.

Object-oriented SPOT5 Wetland Image Classification

ZHU Dan-yao

(School of History and Culture, Mudanjiang Normal University, Mudanjiang Heilongjiang 157011, China)

In this paper, we take Hong-he National Nature Reserve wetland landscape as study area by object-oriented classification method. The classification accuracy is 95.31% and Kappa coefficient is 0.9452. Object-oriented classification methods take full account of information of spectrum, geometry, texture, structure and other aspects, make up for the deficiency of the traditional classification methods, and can get a better information result.

object-oriented; wetland classification; SPOT5

2014-07-11

朱丹瑤(1986- )，女，黑龍江北安人，牡丹江師范學院歷史與文化學院助教，碩士，從事環境遙感監測研究。

X87

A

2095-7602(2014)06-0045-05