面向對象的遙感影像信息提取研究

劉小鵬 竇關新 趙寶軍 韓叢波

（國家測繪地理信息局第二地形測量隊，陜西 西安710054）

1 引言

近年來，傳感器技術得到快速發展，衛星遙感呈現出多平臺、多傳感器、多角度和高空間分辨率、高光譜分辨率、高時間分辨率的特點。其中，高分辨率遙感的重要特征之一是高空間分辨率，也是目前遙感領域普遍關注的重點?；诟叻直媛蔬b感影像的信息提取技術已經成為遙感界應用研究的熱點之一，遙感圖像信息提取的研究，將推進遙感信息提取技術從基于像元的分類轉為面向對象的識別。地理國情監測是綜合利用“3S”等現代測繪地理信息技術，基于高分辨率遙感衛星影像，整合各時期的測繪成果檔案，對自然、人文等地理要素進行動態監測，以全面掌握地表自然、生態以及人類活動的基本情況。

2 面向對象分類方法

2.1 基本概念

面向對象的遙感影像信息提取，需先對遙感影像數據進行分割，從二維化了的影像信息陣列中恢復出影像所反映的景觀場景中目標地物的空間形狀及組合方式。影像的最小單元不再是單個像素，而是一個個對象，后續的影像分析和處理也都基于對象進行。建立不同尺度的分類層次，在每一層上分別定義不同類別對象的紋理特征、光譜特征、形狀特征、等級特征以及上下文相鄰關系特征等。在定義對象的多種特征后指定其不同的權重，建立分類規則，即可對遙感影像進行分類。

2.2 關鍵技術環節

基于面向對象的高分辨率遙感影像信息提取的關鍵技術環節包括分割與分類，而影像分類的關鍵是確定基本特征、構建指數信息、嵌入輔助信息、構建分類規則。

2.2.1 影像分割

影像分割是利用影像像元的特征向量即光譜信息、大小、形狀以及鄰近的像元即空間信息在影像上識別和劃分出合適的片段網，產生第一階段的影像對象，為下一步的分割或分類提供信息載體和構建基礎。影像分割的目的是把影像分割成與實地相對應的不同對象，一個對象即為一個真正存在的實體。

影像分割算法的實質是基于亮度值的不連續性和相似性這兩個基本特性。不連續性的主要應用是基于影像亮度的不連續性變化而分割圖像，例如圖像的邊緣等。相似性的主要應用是依據提前制訂的規則將圖像分割為相似的區域。區域分離、區域生長、閾值處理和聚合等都是此類方法的實例。多尺度分割算法采用的是區域生長合并算法，通過對尺度閥值、光譜因子及形狀因子的控制，可以獲得不同尺度下所需的對象。在影像分割過程中可根據不同層次需求設置不同的分割停止閥值，從而生成不同尺度的影像對象層，與原始遙感影像不同的是分割后影像層中的基本單元已不再是單個像元，而是具有豐富空間、紋理與領域信息的有意義對象。

2.2.2 影像分類

影像分類的關鍵在于確定指數信息、獲取基本特征、構建分類規則、嵌入輔助信息。

構建指數信息：根據各類提取目標類型的基本特征和影像的光譜特征，構建相應的指數指標（如歸一化水指數NDWI、歸一化植被指數NDVI等），作為信息提取的判定依據。

獲取基本特征：確定最能反映其類別特性的一組新特征，利用特征提取算法從原始特征中求出新特征，完成樣本空間到特征空間的基本特征提取轉換?；咎卣靼y理、亮度值、標準差、形狀、灰度共生矩陣以及拓撲關系等，為指數信息構建提供基礎。通過特征提取既可以達到數據壓縮的目的，又提高了不同類別特征之間的可區分性。影像特征在影像信息提取中起到很重要的作用，特征選擇的好壞直接影響到信息提取的效率與精度。

構建分類規則：針對特定解譯目標類型構建規則的過程是一個對該類型的解譯標志進行歸納并利用分割后各個對象的紋理、光譜以及形狀等基本特征值進行形式化描述的過程。eCognition可以提供上百種對象特征值，包括紋理、形狀、光譜等多個方面。從中選取較為理想的分類特征和適當的閾值是決定最終分類效果的關鍵。

嵌入輔助信息：基礎地理信息數據（DEM）與其他專題數據均可作為輔助信息參與分類，以達到提高分類精度，減少地表覆蓋類型的分類錯誤。

當遙感影像被分割成為對象后，理論上存在著描述對象間或影像內部幾何關系的距離、包含等拓撲特征，對象的紋理、形狀和色彩等內在特征以及描述對象間語義關系的上下文特征。加之對遙感影像進行多尺度影像分割后就會產生父對象和子對象，這樣就又會衍生一些新的特征。這些特征可以歸納為兩個方面：對象特征和類相關特征。影像特征在影像信息提取中起到很重要的作用，特征選擇的好壞直接影響到信息提取的效率與精度。

3 應用

3.1 eCognition簡介

eCognition是目前全球商用遙感軟件中首個基于面向對象的遙感信息提取軟件，核心是決策支持的模糊分類算法，突破了傳統遙感軟件僅基于光譜信息的局限性，提出了基于面向對象的影像分類技術，該軟件認為影像對象及它們之間的關系，包含著重要的語義影像信息，其實質是模擬人類的知覺系統。

3.2 數據預處理

3.2.1 數據來源

（1）遙感影像：應用區位于陜西省安康市嵐皋縣，采用2014年7月航攝影像，文件格式TFW，共3個波段，空間分辨率0.5米。

（2）基礎地理信息數據：國家1∶50000地理信息數據、陜西省秦嶺測圖工程1∶10000地理信息數據。

（3）其他專題數據，包括林業、農業、環保、旅游、交通、民政等專題資料。

3.2.2 圖像預處理

在遙感影像解譯之前，需對原始影像進行預處理，所謂預處理就是指對觀測數據做成像處理，以及圖像的輻射校正、幾何校正、預濾波、采樣、去噪聲等處理。

本次所使用的解譯影像是數字正射影像，不需要再做其他處理。

3.2 解譯結果分析

此次分割所采用的算法為多尺度分割（Ultiresolution Segmentation）。多尺度影像分割是指從任一個像元開始，采用自下而上的區域合并方法形成對象。小的對象可以經過若干步驟后合并成較大的對象，需要注意的是合并后對象的異質性必須小于給定的閾值。因此，多尺度影像分割可以理解為一個逐步優化的過程，而異質性則是由對象的形狀和光譜差異確定的，形狀的異質性是由緊湊度和光滑度來衡量。顯然，設定了較大的分割尺度 ，則對應著較多的像元被合并 ，因而產生較大面積的對象；相反，分割尺度設置較小時，對應著較少的像元被合并，產生較小面積的分割對象。本區先后設置尺度閥值為240、620兩種分割尺度進行分割，同一區域分割結果截圖如下：

從解譯結果可以看出，當分割尺度設置較為240時圖斑相對破碎、面積較小且數量較多，分割尺度設置為620時圖斑面積明顯變大且數量降低。

以上為同一塊區域在不同分割尺度下的解譯結果，從圖中可以看出，隨著分割尺度的不斷增大，解譯結果也呈現出圖斑大、數量少的特征，經過對比可以發現，隨著分割尺度的不斷增大，解譯圖斑邊線逐漸變得粗糙、圖斑數減少、精度降低。

從以上截圖發現，設置合適的多尺度分割參數，其分割結果基本符合要求，與實地的地表信息接近，提取出了主要的地物，如道路、耕地、水域、房屋建筑區、植被等。采用面向對象的多尺度分割技術，相比較基于像元的分類，能夠有效地降低椒鹽現象的出現。

3.3 思考及經驗

（1）通過對不同時期遙感影像解譯結果對比發現，植被提取主要受植物生長周期的影響較大，特別是小麥、玉米等農作物，不同的生長周期，光譜差別比較大。道路、硬化地表、堤壩等同屬人工地物，它們材質多數相同，這導致在提取道路、硬化地表和堤壩等人工地物時相互影響，造成分類結果混亂。

（2）在遙感影像處理時可采用反差增強或反差擴展技術，以提高影像反差來改善影像解譯質量，這種方法對光化學處理或數字圖像處理均適用。實際應用中，Erdas、Arcgis等常用軟件均可提供此類方法。

（3）針對不同區域地物的復雜程度，將遙感影像裁切后根據各區域復雜程度選擇適宜的分割尺度進行分塊解譯，再將其進行融合處理，可在一定程度上提高解譯結果的效率及準確度。針對地物分類后存在破碎圖斑的現象，可對圖像做聚類分析等，這個可以在空間建模中處理，做過聚類分析以后分類結果改進了不少。

（4）自動解譯的數據節點較多且數據量大，圖斑邊緣呈鋸齒狀，可將數據導入Arcgis，轉成線要素并做拓撲處理，進行平滑、抽稀等處理，依據精度要求設置最大偏移量，將要素的直角、拐角平滑處理為貝塞爾曲線，再轉換為面要素。

4 結語

基于面向對象的分類方法充分利用了高分影像的光譜、紋理、形狀以及地物間關系等信息，與傳統的面向像元的分類方法不同，面向對象方法對提取的同類對象進行分類，破碎圖斑及椒鹽現象相對較少，具有較強的抗噪聲能力。面向對象分類方法的關鍵在于獲取適宜的分割尺度參數，由于分割尺度參數存在較大的不確定性，需要大量的先驗知識，這些都將影響面向對象的高分辨率遙感影像分類精度，而研究最優分割參數和分割尺度，建立有效的分類規則無疑提高面向對象分類方法的關鍵所在。