面向對象的多尺度山地城市土地覆蓋信息提取技術研究
——以重慶永川區勝利路街道為例

黃 霞，牟鳳云，劉 曦，何順兵

(重慶交通大學，重慶 400074)

近40年來高分辨率遙感衛星迅速發展，其豐富的幾何結構和紋理信息為遙感信息提取技術提供了新的發展機遇。傳統基于像元的遙感影像分析方法對于低分辨率遙感影像具有較強的適用性，但對于高空間分辨率的遙感影像，隨著空間分辨率的提高，單個像元所包含的語義信息更多，更多像元呈現混合像元特征，影像上單個像元所表示的信息大部分來自周圍地物，采用基于像元分析的傳統分類算法難以提取所需信息[1]。近年來，人們在此基礎上又研究出新的分類算法，如模糊分類[2]、人工神經網絡[3]及小波分析[4]等，這些方法在處理具有復雜空間特征結構的多源、多波段遙感影像時能夠取得更好的分類結果，但是，從本質上講，它們都是基于像元層次的，在分類過程中沒有充分利用遙感影像中包含的空間信息。

遙感影像信息是對依賴于尺度的地表空間格局與過程的特征反映，不同的地物特征對空間尺度的要求不同，面向對象的多尺度遙感信息提取技術應運而生。第一個面向對象的遙感信息提取軟件eCognition采用面向對象和模糊規則的處理與分析技術，并已成功投入商業應用[5]。國內外也出現了許多學者利用面向對象方法對遙感地物進行快速智能提取，時下多著重研究分割技術原理、參數、等級網，以及在分析影像特征的基礎上，研究多尺度區域分割技術，綜合區域增長(擴展)和分割和融合技術，提取高分辨率遙感影像的土地覆被信息[6-10]，這些研究都實現了基于高分辨率影像提取目標地物時，除了光譜信息，還可以利用形狀、紋理、上下文等豐富的空間信息，其實現技術包括遙感影像的影像分割及邊緣檢測等。

山地城市由于其空間信息復雜，其維度與目標對象的空間關系在影像上具有獨特的特征，基于遙感影像的山地城市土地覆被信息提取具有特殊的研究意義。本文利用面向對象的方法，對典型的山地城市——重慶永川區勝利路街道的空間分辨率為2.46 m的CBERS 02B HR影像進行了基于特征的多尺度分割，采用最鄰近分類方法，將實驗區土地覆被信息進行了分類和結果評估分析。

1 面向對象的多尺度信息提取技術

面向對象的分類方法是一種智能化的自動影像分析方法，它的分析單元不再是單個像素，而是由若干個像素組成的像素群，即目標對象[11]。

ECognition提供自上到下和自下到上兩種分割模式，有兩種不同類型的分類器——最近鄰法和成員函數法，二者均作為分類描述符。本文根據RMAS法，通過實驗，計算出影像最優尺度：當對象RMAS值最大時，對象內部的異質性最小，對象外部的異質性最大，此時的分割尺度為類別提取的最優分割尺度。

RMAS具有“類內同質性大，類間異質性大”的原則[12]，是指對象與鄰域均值差分絕對值與對象標準差之間的比值。計算公式如下：

(1)

(2)

(3)

其中，L表示影像對象的波段層數，△CL表示在L波段層單個尺度分割對象與鄰域均值差分絕對值，SL表示在L波段層單個尺度分割對象的標準差，CLi表示在L波段層的i這個像素點灰度值，CL表示單個尺度分割層上的波段均值，n表示影像對象內像素的個數，l表示目標對象的邊界長度，lij為目標對象和第j個直接相鄰對象的公共邊界長度，m為與目標對象直接相鄰的對象個數。

由此可以看出，當分割尺度小于目標地物時，對象內含有相同的地物類別，對象標準差較小，相鄰對象之間因屬于同一個類別而具有空間依賴，對象與鄰域均值差分絕對值及RMAS都較??；當分割尺度大小等于類別目標時，對象內含有相同的地物類別，對象的標準差小，相鄰對象因屬于不同的目標地物而使空間依賴程度最弱，對象與鄰域均值差分絕對值及RMAS均最大；當分割尺度進一步增大時，對象內都會含有不同的地物類別，對象標準差增大，與相鄰對象之間的空間依賴程度同時也開始增大，對象與鄰域均值差分絕對值及RMAS均開始減小。

對影像進行多尺度分割后，得到分割對象，創建知識庫，建立分類規則集，進行基于特征的鄰近分類。eCognition以影像對象為分析單位，根據對象規則和專家知識庫進行匹配，達到最大相似度的對象歸為該類，實現影像的分類。

2 面向對象的多尺度永川區勝利路街道土地覆蓋信息提取

2.1 數據源及實驗區概況

本文選取的是2008年6月空間分辨率為2.46m的CBERS 02B HR全色多波段融合影像，實驗區域為永川區勝利路街道，該區域為典型的山地城市。勝利路街道是永川區經濟、文化中心，區位優勢明顯。它位于永川區西北城鄉結合部，距重慶主城區63km，面積61.76km2(其中城區面積12km2)，轄5個社區居委會，11個農業行政村，188個村民小組，幅員面積61.67km2；總戶數34589戶，總人口12.9595萬人，其中非農人口8.9425萬人。

勝利路街道水資源豐富，北部有河麻溝水庫、牛王溝水庫、萬興水庫，中部有粽粑水庫，小安溪自北向南；其東南為部分城區，其余為鄉村地帶，植被與房屋信息豐富；成渝高速公路、渝隆公路、成渝鐵路、永銅公路、一環路穿其境而過。

該區域2008年6月的影像上植被、房屋、水體、道路信息豐富，云層量少，可作為面向對象的多尺度高光譜遙感影像信息提取分析的數據源。

2.2 研究方法與技術路線

圖1 土地覆蓋信息提取技術路線

如圖1所示，基于eCognition平臺的面向對象的信息提取技術主要包括基于規則的分割與基于特征的分類，在進行分割前，對影像進行預處理有利于對試驗區域以外的地方進行不必要的分割。且可以經過反復試驗，確定分割參數，可以基于分類進行多尺度分割與基于分割進行多次分類。

2.2.1 分割和分類

永川區作為典型的山地城市，其空間信息復雜，實驗影像為夏天所得，影像特征獨特：地形復雜，道路、水體幾何特征明顯，由于樹影遮擋，存在中斷現象，道路與水體的寬度較小，設置分割尺度時不宜設置過大；房屋零散、破碎，且易被樹蔭遮擋；植被豐富，數量龐大?？傮w來說，從影像上分析，實驗區空間信息豐富，地物破碎，設置分割尺度時，不宜像研究平原城市一樣選擇大尺度，宜選擇較小尺度進行研究。

本實驗選用5個分割尺度的閾值：5、10、15、20、25對實驗區影像進行分割，特征描述如下：

(1)分割尺度為5時，影像的對象過于細小、破碎，甚至出現了一些像元大小的對象，嚴重破壞了植被、水體、房屋、道路的輪廓，提取時很難利用其幾何信息，使得此次分割無意義；

(2)分割尺度為10時，分割的效果依舊不是特別理想，河流、道路對象已經基本生成，但幾何信息仍然沒有得到充分利用，植被較為破碎；

(3)分割尺度為15時，河流、道路的提取是比較完整的，和周圍的地物對比度較高，在與周圍地物相鄰的地方雖然可能存在一些遮擋或者陰影部分，但面積不是太大，基本上還是依附于目標對象的，雖然植被稍微破碎了點，但其可與房屋區別開，這個尺度的提取效果相對較好；

(4)分割尺度為20時，房屋提取比較完整，和周圍地物區分得比較明顯，但是有些道路與其周圍植被被分割到一個對象中，而植被的分割效果仍然不是很好；

(5)分割尺度為25時，植被的提取效果較好，除道路外，河流與其邊緣植被、房屋與其周圍植被也被劃分到同一對象中，且大部分鐵路與鄰近植被分割到一起，鐵路信息基本不能夠被提取出來。

通過實驗可以得知：植被適合的分割尺度25，房屋適合的分割尺度是20，水體、道路適合的分割尺度是15。不同的分割尺度對不同類型地物的提取有很大影響，本文綜合各地物適宜的分割尺度，綜合選擇分割尺度15，對其形狀指數與緊湊度指數的設置進行六組實驗，如表1所示。

因此在進行了各種實驗對比之后，決定采用分割尺度15，形狀指數0.1，顏色指數0.9，緊湊度指數0.9，平滑度指數0.1作為多尺度分割的參數。

表1 影像分割參數及特征描述

采用最鄰近分類器對分割后的影像進行分類，通過分類體系創建知識庫，插入鄰近分類器，建立分類規則集，定義樣本對象，對植被、房屋、水體、道路等每個類別選取典型的樣本，執行分類。本實驗初次分類效果并不理想，經過三次基于分割的分類后，成功將植被、房屋、水體、道路等地物信息提取出來。

2.2.2 分類后處理

由于影像存在陰影或其他原因，導致目標地物在影像上被遮擋，存在錯分、誤分的情況，道路、水體等難免會出現中斷不連續等現象，本實驗利用生長法對目標地物中斷處進行處理。

生長法的原理是先將目標地物對象打斷成具有明確方向的線性段，然后根據目標地物對象方向，采用image fusion算法讓目標地物對象沿著其主方向進行融合背景地物，這樣不僅能重新找回已經丟失的目標地物對象，調整參數后還能突破以往無法提取出的灰度值較低的區域，從而將目標地物對象連接起來。最后我們將連接的部分單獨提取開來，采用connector算法，將相近的目標地物對象通過生長部分，采用最短路徑的算法連接起來，把連接起來的部分融合進目標地物對象中，而未連接的部分則重新還原為背景地物。

經過生長法處理的分類對象需要經過合并小圖斑、平滑等處理，進一步提高目標地物的提取精度。

將成果制作專題地圖(見圖2)，可以看出，勝利路街道植被覆蓋度較高，水資源豐富，道路網完整，交通發達，其房屋主要集中在東南的城區，零散分布在鄉村地帶。

圖2 勝利路街道地物分類專題圖

2.2.3 精度評價

ECognition有成員函數和分類穩定性兩種參數對其分類結果評估。一種圖像對象的成員函數值絕對值很高，這就表明此對象屬性非常適合于至少一類對象的描述，分類精度會較高，但是分類的穩定性就會較低。如圖3所示，植被、水體、道路、房屋及其他的分類精度依次是93.46%、96.12%、95.55%、95.76%、97.27%，平均精度達95.63%，其分類穩定性依次是26.76%、14.88%、9.82%、12.74%、4.25%?？梢钥闯?，此次試驗成果精度較高，該方法具有較強的可行性與推廣性。

圖3 地物分類精度

3 結語

本次實驗采用面向對象的方法，基于eCognition平臺，選擇勝利路街道的CBERS 02B HR融合影像作為數據源，進行了遙感影像信息提取的分析。本次實驗選用了不同的分割參數進行了多次分割，并采用鄰近分類的方法進行了三次分類，將植被、水體、房屋、道路等地物成功從影像上提取出來，分類精度平均達95.63%，可行性較高，但分類的穩定性較低。從本實驗可以看出，基于多尺度創建的對象進行分割，可以靈活地運用地物本身的幾何信息和結構信息，可以通過構建知識庫的方式為分類提供更多的依據，精確提取山地城市復雜的空間信息，提高分類精度。

參考文獻：

[1]NUSSBAUM S， MENZ G. Object—Based Image Analysis and Treaty Verification New Approaches in Remote Sensing——Applied to Nuclear Facilities in Iran [M]. Heidelberg：Springer and Verlag，2008.16-26.

[2]Bandemer H， Gottwald S. Fuzzy Sets， Fuzzy Lnglc， Fuzzy Methods with Applications [M]. John Wiley Sons，1996.

[3]Horst Bischof， Werner Schneider， Axel Pinz. Multi-spectral Classification of Landsat-images Using Neural Networks [J].IEEE Transactions on Geoscience and Remote Sensing，1992，30(3):482-490.

[4]Mallat S. A Theory of Multi Resolution Signal Decom-position: the Wavelet Representation [J]. IEEE Trans. on Pattern Analysis and Machine Intelligence，1989，11(7):674-693.

[5]喬程，駱劍承，吳泉源.面向對象的高分辨率影像城市建筑物提取[J].地理與地理信息科學，2008，24(5):36-39.

[6]Laasasenaho J， Melkas T， Aldrn S. Modelling bark thickness of Picea abies with taper curves [J]. Forest Ecology and Management.2005，20.

[7]張振勇，王萍，朱魯，陳香菱.eCognition技術在高分辨率遙感影像信息提取中的應用[J].信息技術，2007，15-17.

[8]楊長保，丁繼紅.面向對象的遙感圖像分類方法研究[J].吉林大學學報(地球科學版)，2006，36(4):642-646.

[9]李敏，崔世勇，李成名，印浩，李云嶺.面向對象的高分辨率遙感影像信息提取——以耕地提取為例[J].遙感應用，2008，6:63-66.

[10]李錦業，張磊，吳炳方等.基于高分辨率遙感影像的城市建筑密度和容積率提取方法研究[J].遙感技術與應用，2007，22(3):209-3l3.

[11]孫曉霞，張繼賢，劉正軍.利用面向對象的分類方法從IKONOS全色影像中提取河流和道路[J].測繪科學，2006，31(1):62-63.

[12]張俊，朱國龍，李妍.面向對象高分辨率影像信息提取中的尺度效應及最優尺度研究[J].測繪科學，2011，36(2):107-109.