結合高光譜和高空間分辨率影像提取城市固體廢棄物堆

雒立群，郭　舟，趙文智，柴友玲，張　備，董忠亮

(1. 北京大學遙感與地理信息系統研究所，北京 100871； 2. 61243部隊，新疆 烏魯木齊 830006)

?

結合高光譜和高空間分辨率影像提取城市固體廢棄物堆

雒立群1,2，郭舟1，趙文智1，柴友玲2，張備2，董忠亮2

(1. 北京大學遙感與地理信息系統研究所，北京 100871； 2. 61243部隊，新疆 烏魯木齊 830006)

Combining Hyperspectral and High-resolution Images to Extract Municipal Solid Waste Dumps

LUO Liqun，GUO Zhou，ZHAO Wenzhi，CHAI Youling，ZHANG Bei，DONG Zhongliang

摘要：城市固體廢棄物給城市的環境及居民的生活質量造成了嚴重的影響。利用遙感手段提取城市固廢堆具有及時和高效的特點，因此具有十分重要的意義。然而，由于固廢堆組成成分復雜、分布不規律，僅僅利用高分辨率影像進行提取十分困難。本文結合高光譜影像和高分辨率影像提取了城市固廢堆，采用多尺度的研究方法，在對高光譜和高分辨率影像預處理的基礎上，首先在高光譜影像上進行了粗提取，然后將粗略結果映射到高分辨率影像上，進行了精確提取。以北京市地區作為研究區域，使用數據包括獲取時間接近的QuickBird影像和Hyperion高光譜影像，利用提出的方法進行固廢提取試驗，并將最終的試驗結果與目視判讀結果進行對比，固廢堆的識別率為82.35%，準確率為74.81%。同時，該方法與已有的固廢提取試驗對比結果有顯著提高。這一結果表明，本文提出的結合高光譜影像和高分辨率影像提取城市固廢堆方法具有可行性。

關鍵詞：高光譜影像；高分辨率影像；城市固廢堆；面向對象影像分析

隨著城市化進程的加快，一系列的城市問題開始凸顯，其中最嚴峻的問題之一便是城市固體廢棄物的處理。城市的工業生產、工地建設及城市居民的日常生活，產生了大量的固廢垃圾。然而相當一部分的垃圾都沒有采取有效的處理措施，直接露天堆放或簡單掩埋，形成了大量的非正式的城市固廢堆。一方面這些固廢堆占用了大量的城市土地，使得本來就十分突出的人地矛盾顯得更加尖銳[1]；另一方面，城市固廢堆也產生了一系列嚴重的城市生態問題，如空氣污染、水污染、疾病傳播等，嚴重影響了城市居民的生活健康。為此許多城市都采取了一系列的治理措施。

遙感影像具有覆蓋面積大、數據更新及時的特點。從遙感影像上提取城市固廢，可以節省大量的人力物力，有利于相關部門對固廢信息的動態了解和實時決策，因此具有十分廣闊的應用前景。目前利用遙感影像提取城市固廢堆方面已有一些嘗試。吳文偉等[2]利用航空影像，通過建立解譯標志對北京市固體廢棄物的分布進行識別。劉亞嵐等[3]利用北京1號小衛星影像對北京地區的非正規垃圾場進行了判別分析，并利用不同時相的影像對判別出的垃圾場進行了變化檢測。Bagheri等[4]利用航空影像對美國新澤西州伯靈頓市區的垃圾堆進行了目視判讀識別。

目前大部分利用遙感影像解譯固廢堆的研究都局限于目視解譯范圍。目視解譯是一個耗時耗力的工作，需要大量解譯員的參與，工作強度大并且效率很低。隨著計算機自動解譯技術的發展，發展計算機自動或半自動解譯遙感影像提取城市固廢堆的技術成為一種必然的趨勢。Silverstri[5]等利用1 m高分辨率IKONOS影像進行了監督分類處理，得到了意大利城市固廢堆分布結果。張方利等[6]利用QuickBird影像采用決策樹分類的方法，嘗試了在北京地區提取城市固廢。然而，這些研究的結果都并不理想，一方面這些方法對不同類型、不同地區的遙感數據普適性并不好；另一方面，固廢堆提取精度還有待進一步提高。

城市固廢自身的復雜性是造成固廢自動提取精度低、難度大的主要原因。城市固廢組成成分和空間形態復雜，并且分布也較為隨機。通常城市固廢自動提取采用的是高分辨率衛星影像，它們雖然具有較高的空間分辨率，然而光譜分辨率卻有限，僅僅利用如此有限的光譜信息，很難將固廢與其他城市地物區分開來。高光譜傳感器通過連續的窄波段成像，能夠獲得更加精細的光譜信息，大大提高了地物的識別能力，被廣泛地應用于各類地物信息提取中[7-9]。融合高光譜和高分辨率影像將大大降低城市固廢堆提取的難度，提高固廢提取的精度。

本文提出一種結合高光譜和高空間分辨率影像提取城市固廢的方法，旨在充分利用兩種數據各自的特點，解決固廢堆提取自動化程度低、提取困難的問題。與已有的方法相比，該方法的優點是提取精度較高。

一、研究區域和數據

本文的研究區域位于116°19′—116°24′E和39°56′—40°3′N范圍，在北京北五環與北三環之間，覆蓋了北京海淀區和朝陽區部分區域，在研究區域內有多處建筑垃圾和生活垃圾堆。

研究數據選用了高分辨率QuickBird影像，具有0.6 m的空間分辨率。影像數據覆蓋面積為6.0×6.9 km2，影像獲取時間為2003年3月。圖1(a)為QuickBird的真彩色圖像。在同一研究區內，選用了高光譜影像Hyperion L1R，它的光譜范圍為400～2500 nm，光譜分辨率為10 nm，影像的空間分辨率為30 m。獲取時間為2003年4月，與QuickBird影像獲取時間相近。圖1(b)為試驗用到的Hyperion影像。

圖1

二、固廢提取流程與方法

固廢提取的總體流程如圖2所示。在提取城市固廢前，對試驗所用到的高光譜和高空間分辨率影像進行了預處理。然后采用多尺度的分析方法提取城市固廢：首先對高光譜影像進行粗分割，通過K近鄰分類的方法，在高光譜影像上得到城市固廢的初步提取結果；再將初步提取的固廢結果映射到高分辨率影像上，進行細分割；進一步利用城市固廢的光譜、紋理及形狀特征，提取更加精確的城市固廢邊界。

圖2　固廢提取流程

1. 數據預處理

為了充分融合QuickBird數據和Hyperion數據信息以提取城市固廢，需要對二者影像進行一系列的預處理，包括影像校正、噪聲波段去除、影像融合、降維處理等。

(1) 影像校正

原始的QuickBird影像與Hyperion影像并不能完全配準，需要對二者進行匹配及幾何校正，校正后的Hyperion數據與QuickBird數據幾何上一致。

(2) 噪聲波段去除

噪聲波段在高光譜數據中是不可避免的，采用目視判讀的方法，剔除了66個噪聲波段，最終保留了176個波段，見表1。

表1　Hyperion 數據剔除和保留的波段

(3) 影像融合

為了解決高光譜數據空間分辨率過低(30 m)的問題，本研究對Hyperion和QuickBird數據進行了影像融合處理，選用了Gram-schmidt的融合方法。這是一種線性代數和多元統計中常用的方法，具有較高的圖像保真效果，且具有高效性[10]。

(4) 降維處理

經過噪聲波段去除處理后的高光譜數據包含有大量冗余的波段信息，統計分析表明許多波段都具有高度自相關關系。因此需要對Hyperion數據進行降維處理。

在本研究中，采用MNF變換對Hyperion 數據進行降維處理，依據生成的特征值曲線，選取了經過MNF變換后的前15個波段進行后面的固廢提取。

2. 利用高光譜影像粗略識別城市固廢感興趣區域

(1) 高光譜影像粗分割

面向對象的分析處理技術能夠更加充分地利用地物的紋理、幾何及拓撲鄰接等特征[11]，因此被廣泛地應用于遙感信息提取中。

本研究首先在高光譜影像上進行粗分割，利用eCognition 8.7提供的多分辨率分割算法，選取MNF變換后的前15個高光譜波段參與分割，其中前5個波段的權重設為3，而后10個波段的權重設為1。以上權值是根據MNF變換所產生的特征值曲線圖確定的。

(2) K近鄰分類

K近鄰分類是一種經典的最近鄰分類算法。它是一種非參數的分類方法，不需要任何有關數據分布的統計假設。根據訓練樣本在特征空間中值的分布，對未分類的影像對象進行分類。K近鄰分類算法先計算待分類數據P0(x0,y0,…)到訓練集T所有數據的距離{d1,d2,…}，選出k個最近鄰的訓練數據Dp。假設這k個已經訓練的樣本中，有N1個來自w1類，有N2個來自w2類，有Nc個來自wc類。找到N1、N2、…、Nc中的最大值Nx，其所對應的類別為wx。那么該待分類的數據P0應該被分到wx類中。理論上已經證明，在針對大規模數據集時，K近鄰算法具有良好的性能。

根據試驗區的地物種類分析，確定了試驗區的地物類別為建筑、道路、裸土、植被、水體及固廢堆6類。每類隨機選擇數十到數百不等的樣本。選取高光譜影像的15個波段值作為特征空間。通過K鄰近分類，可以得到初始的固廢堆提取結果。

3. 利用高分辨率影像精確提取城市固廢堆區域

利用K近鄰監督分類的方法可以從高光譜影像中提取得到城市固廢堆粗分類的結果。然而，受限于高光譜影像空間分辨率，固廢分類的結果并不十分精確，一方面固廢的邊界并不準確；另一方面，部分的裸土和建筑物被錯分為城市固廢堆。因此，需要進一步在高分影像上進行精確提取。

將高光譜影像上粗分類的結果映射到高分影像上，對粗分類結果進行細分割。在高分影像上地物的邊界更加清晰，紋理特征也更加凸顯。可以進一步對光譜、紋理及形狀特征進行固廢精提取。

(1) 光譜分類

圖3是在高分辨率影像上典型的城市固廢。分析固廢堆在高分辨率影像上的光譜特征可以發現，相對于周圍其他地物，城市固廢呈現出較亮的特征，主要以灰白和白色為主，有時會夾雜著褐色的斑點。為了排除粗分類結果中建筑物對固廢堆的干擾，定義了固廢比率指數(RMI)，定義如式(1)所示，固廢在綠光波段具有較強的反射，而在藍光波段反射較弱，因此RMI值會較高。利用RMI指數可以有效地從粗分類結果中排除建筑物的干擾。

圖3　固廢堆真彩色影像

固廢堆上很少有植被生長，為了排除生長有植被的裸土對固廢堆的干擾，利用了歸一化植被指數(NDVI)，定義如式(2)所示，固廢堆的NDVI指數值較低。利用NDVI指數可以有效地排除部分裸土的干擾。

(1)

(2)

式中，MG(o)為對象o在綠光波段的平均光譜值；MB(o)為對象o在藍光波段的光譜值；MNIR(o)為對象o在近紅外波段的光譜值；MR(o)為對象o在紅光波段的光譜值。

(2) 紋理分類

紋理特征是地物內部特征在遙感影像上的表現，反映了影像光譜模式的空間分布規律，它同時兼顧了影像的宏觀結構和微觀結構，是描述影像光譜變化的一個重要特征。在城市地物中，大部分的人工地物，如道路、建筑物、水泥地面及城市郊區的農田都具有較規則的紋理，而城市固廢堆由于其組成成分雜亂，內部凹凸不平，而且排列沒有一定的規律可循，因此城市固廢堆呈現出紋理不規則的特征。

灰度共生矩陣(GLCM)是最常用的紋理描述方法，它通過度量影像上的相關特征來描述紋理。基于GLCM可以進一步計算各種紋理統計量。常用的紋理統計量有同質性(Homogeneity)和對比度(Contrast)，它們的計算公式分別為

(3)

(4)

式中，i、j為GLCM矩陣的行列號；Pi,j為標準化GLCM矩陣的值。同質性越大，反映地物的紋理越有規律；而對比度越大，反映地物的紋理越紊亂。城市固廢堆的同質性較小，而對比度較大。

(3) 形狀約束

在高分辨率影像上，有效地排除錯分的城市建筑的另外一個有效特征是幾何特征，幾何特征是基于影像對象定義的，主要描述對象本身的形態特征。一般而言，人工地物特別是城市建筑物都具有相對規則的形狀，一般接近矩形，而固廢堆的形狀則較不規則。因此利用矩形度(rectangular fit)來衡量形狀特征，城市固廢的矩形度較小，而建筑物的矩形度則較大。

三、試驗結果與分析

按照上述方法，對研究區域的數據進行了處理，得到的試驗結果如圖4(a)所示，在試驗區域內，共有131處可能的城市固廢堆被自動提取出來，圖4(b)顯示了幾處固廢堆輪廓提取的結果。從提取的結果可以看出，利用本文的方法提取城市固廢堆的效果比較滿意，大部分的城市固廢堆都已被正確分類。為了進一步量化地評估試驗結果，選擇目視判讀結合實地考察的結果作為參照，與自動提取的結果進行對比，并定義了兩個指標：準確率和識別率，固廢堆準確率為

(5)

固廢堆識別率為

(6)

式中，NMSW+為正確提取的固廢堆數目；NROI為自動提取的所有感興趣區域的數目；NNSW為研究區域內總的固廢堆數目(由人工目視判讀得到)。

經過遙感圖像目視判讀解譯結合實地調查，研究區域內共有119處固廢堆，其中本研究正確識別的有98處，計算得到固廢堆提取的識別率為82.35%，準確率是74.81%，漏分率為17.65%。將本文的方法與已有的研究結果[6]進行對比，僅僅使用高分辨率影像進行固廢堆提取的識別率為43.61%，準確率為75.01%。本文的方法與之相比準確率雖然基本不變，但是固廢識別率得到了顯著提高(約40%)。進一步分析利用本文方法的提取結果，可以發現錯分的固廢堆多數出現在那些陳舊的建筑物，而漏分則多出現在那些堆放灰土的固廢堆。

圖4　固廢堆提取結果

從固廢堆的分布來看，道路兩側的固廢堆較多，外城區的固廢堆數量較中心城區多，并且建筑物密集的地方附近的固廢堆的數量也會相對較多。這與北京市的實際情況符合，一般而言，中心城區管理設施完善，規劃也相對合理，因此固廢堆少，而在外城區，隨著城市的快速發展，有許多建設工地，會產生大量的建筑垃圾，并且居民聚居地也會伴隨著大量的生活固廢堆。

四、結論

本文研究了城市固廢堆的光譜、紋理、形狀等特征，并且據此提出了一種結合高空間分辨率和高光譜分辨率的多尺度城市固廢堆提取方法，并對北京地區進行了固廢自動提取試驗，將自動提取的結果與專家目視判讀結合實地考察的結果進行對比，計算得到固廢堆的識別率為82.35%，準確率為74.81%。相對于僅僅利用高分辨率影像提取固廢堆，本文所提出的方法在提取精度方面有較大的提高。通過以上試驗可以得到如下兩點結論：①利用遙感影像自動提取城市固廢堆是可行的；②增加相應的高光譜數據，可以大大地提高固廢堆提取的精度。

參考文獻：

[1]郭舟, 杜世宏, 張方利. 基于高分辨率遙感影像的城市建設區提取[J]. 北京大學學報(信息科學版), 2013, 49(4): 635-642.

[2]吳文偉, 劉競. 北京市固體廢棄物分布調查中遙感技術的應用[J]. 環境衛生工程,2000, 8(2): 76-78.

[3]劉亞嵐, 任玉環, 魏成階, 等. 北京1號小衛星監測非正規垃圾場的應用研究[J]. 遙感學報, 2009, 13(2): 320-326.

[4]BAGHERI S, HORDON R M. Hazardous Waste Site Identification Using Aerial Photography: A Pilot Study in Burlington County, New Jersey, USA [J]. Environmental Management, 1988, 12(1): 119-125.

[5]SILVESTRI S, OMRI M. A Method for the Remote Sensing Identification of Uncontrolled Landfills: Formulation and Validation [J]. International Journal of Remote Sensing, 2008,29(4): 975-989.

[6]張方利,杜世宏,郭舟. 應用高分辨率影像的城市固體廢棄物提取[J].光譜學與光譜分析, 2013, 33(8): 2024-2030.

[7]HUANG X, ZHANG L. An Adaptive Mean-shift Analysis Approach for Object Extraction and Classification from Urban Hyperspectral Imagery[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2008, 46(12): 4173-4185.

[8]STEVEN M, HORNSTRA T, MASS H G. An Interegrated Spatial and Spectral Approach to the Classification of Mediterranean Land Cover Types [J]. International of Applied Earth Observation and Geoinformation, 2001, 3(2): 176-183.

[9]童慶禧, 鄭蘭芳, 王晉年, 等. 濕地植被成象光譜遙感研究[J].遙感學報,1997,1(1)：50-57.

[10]譚永生, 沈掌泉, 賈春燕, 等. 中高分辨率遙感影像融合研究[J].遙感技術與應用, 2007, 22(4): 536-542.

[11]李珵, 盧小平, 李向陽. 基于面向對象的建筑物輪廓協同提取方法[J]. 測繪通報, 2013(5): 66-69.

中圖分類號：P237

文獻標識碼：B

文章編號：0494-0911(2016)02-0038-04

通信作者：郭舟

作者簡介：雒立群(1982—)，男，碩士，工程師，主要研究方向為空間數據的多尺度表達及模式識別。E-mail：lqluo.pku@gmail.com

基金項目：國家自然科學基金(41301493)

收稿日期：2015-02-02

引文格式： 雒立群，郭舟，趙文智，等. 結合高光譜和高空間分辨率影像提取城市固體廢棄物堆[J].測繪通報，2016(2)：38-41.DOI:10.13474/j.cnki.11-2246.2016.0044.