基于OBIA的高分辨率遙感作物識別

胡蝶　薛以晶　高夢菲

【摘 要】自2014年起我國相繼發射了高分系列衛星，中國遙感衛星進入亞米級的“高分時代”。 隨著遙感影像分辨率的提高，地物識別不能只采用像元的光譜信息作為分類的依據，需要綜合考慮地物的形狀、紋理、結構等空間信息的共同作用，OBIA（面向對象的影像分析）使之得到了比較完美的實現。本項目通過衛星傳感影像記錄的地球表面信息，以eCognition軟件為分析工具，基于OBIA細致化地從高空間分辨率遙感影像上提取地物（農作物）信息，并進行類型識別，綜合考慮地物的形象、紋理、結構等方面來彌補傳統基于像元的分類方法的不足之處，以提高目標地物分類的精確程度。

【關鍵詞】OBIA；eCognition；作物識別；高分辨率

1 遙感數據源向高分辨率方向發展

信息技術和傳感器技術的飛速發展，極大提高了衛星遙感影像分辨率，包括空間分辨率、光譜分辨率和時間分辨率。2014年8月19日，我國“高分二號”衛星順利進入預定軌道這一事件，標志著我國遙感衛星的分辨率進入了亞米級時代。“高分二號”首次將空間分辨率精確至1米，系目前我國分辨率最高的光學對地觀測衛星。數據源的精度提高為遙感后期數據處理及應用提出了新的要求，如何利用高分辨率遙感數據進行遙感處理與應用，是我們應當思考的問題。

2 OBIA與eCognition軟件

面向對象影像分析（Object Based Image Analysis）連接了遙感與地理信息系統，作為高分辨率遙感影像分析的新模式，利用在傳統的基于像素影像分析方法中利用率幾乎為零的多種空間信息，為自動遙感影像分析與理解提供強大技術支持。本實驗亦采用面向對象的分類方法。

eCognition是由德國Definiens Imaging公司開發的智能化影像分析軟件，具備決策專家系統支持的模糊分類算法模塊，突破了以往商業遙感軟件局限于根據光譜信息進行影像分類的模式，提出面向對象的分類方法，大大提高了高空間分辨率數據的自動識別精度，極大滿足了科研和工程應用的需求。

3 遙感作物識別

遙感圖像就是傳感器獲得地物反射的電磁波信息，經過處理得到的影像數據。由于地物的物質構成、幾何尺寸等不同造成與不同波長電磁波的相互作用也不同，這種相互作用體現在被反射、散射的電磁波中，繼而被傳感器探測到，這就是遙感圖像進行地物識別的基本原理。本實驗我們將識別目標鎖定在作物范疇，同時也適應了當前精細化農業的主流趨勢。在高分辨率遙感影像上，單一的光譜信息無法確定特定的地物特征，而必須結合地物的空間信息共同確定。因此在高分辨率遙感中，不能單一采用像元的光譜信息進行分類，需要綜合考慮地物的形狀、紋理、結構等多種空間信息，OBIA（面向對象的影像分析）使之得到了綜合性實現。

3.1 圖像預處理262

本實驗選取位于東經116.6°，北緯39.7°附近的高分一號數據。實驗區位于北京市大興區東部，京滬高速西側，李家務村與朱腦村附近區域。

3.1.1 大氣校正

利用ENVI5.3現有的支持高分一號PMS數據的輻射定標和大氣校正的模塊進行數據預處理。將文件以xml格式打開，在工具箱中打開大氣校正模塊，設置應用參數（包括定標類型、存儲順序和輻射亮度單位）使之自動選擇符合大氣校正要求，最后選擇數據路徑和文件名，單擊執行處理即可。

3.1.2 全色輻射定標

在工具箱中，打開輻射校正模塊，選擇全色數據，在面板中進行參數設置，選擇輸出路徑和文件名后即可進行處理。為了融合圖像效果，設置一致的全色數據與多光譜數據的像元值。使用輻射定標工具，將全色數據定標為大氣表觀反射率，數值擴大10000倍。

3.1.3 正射校正

在輻射定標、大氣校正等步驟后，ENVI自動將RPC嵌入處理結果中，在圖層管理中進行輻射定標或在大氣校正結果圖層中進行視圖元數據的查看，其中的RPC選項就是處理結果中自動嵌入的嵌入的RPC文件。可以直接使用正射校正工具進行正射校正。為了后續圖像融合，我們需要對多光譜數據及全色數據均進行正射校正。

3.1.4 圖像融合

為提高融合速度，將多光譜數據的儲存順序由BSQ轉成BIP。在工具箱中，在柵格管理模塊中選擇上一步中多光譜正射校正結果，選用NNDiffuse融合方式，選擇多光譜和全色數據，執行處理后得到融合圖像。

3.2 尺度適應性比較

高分辨率影像可在地物的空間結構和形狀、紋理特征方面提供更多的細節信息，從面向對象的觀點出發，針對不同類型的地物則需在不同的尺度下進行，相比傳統方法常采取基于光譜信息的單尺度分割，不同的地物應選取不同的分割尺度可在提取手段上明顯提高地物識別的適應性及精度。本實驗的關鍵的核心問題也在于實現對高分辨率遙感影像的多尺度分割。

本實驗采取的多尺度分割方法通過實驗測試選取最優分割尺度保證了地物間較高的異質性，從而適用于識別不同類型地物的應用。操作過程中我們使用eCognition進一步對不同地物多尺度分割中的形狀參數和緊致度參數進行不同設置，可從分割結果圖中明顯看出分割結果的不同，從而選擇出適應該種地物的分割尺度。

3.3 特征量選擇

采用合適的圖像分割算法，將圖像劃分成若干個互不相交的小區域并由此得到基元，本實驗除了對基元的光譜特征進行特征計算外，還進行了基元的紋理、形狀、大小的特征計算，以從高分辨率影像中獲取更多信息。利用規則集，把易分的地塊先分出來，然后利用基于樣本的鄰近分類方法對分類效果不好的地類進行再次分類。

在eCognition軟件中建立工程，導入影像及專題數據。本實驗的關鍵在于建立作物分割規則。此處我們選擇作物的光譜信息、形狀以及紋理作為區別不同作物的特征量，其中權重設置為（0.7：0.2：0.1）。其中紋理特征中主要考慮緊致度、平滑度兩個方面，權重分配上各占紋理特征的一半（0.5：0.5）。為了進行細化分類，我們可以將作物分級，在一級作物分類時采取上述權重設置，在進一步細化分類時（比如不同種類小麥間的區分），可根據具體情況調節各特征值的權重設置，以獲取適應該種作物區別的特征參量。

3.4 精度評價

本實驗采用混淆矩陣進行精度評價，該方法主要是將分類結果和實際測得值進行比較，對每個實測像元的位置和已分類圖像中的相應位置進行比較計算。我們采用的評價指標有總體分類精度和用戶精度。其中總體分類精度是具有概率意義的統計量，體現出隨機樣本所分類的結果與參考數據所對應區域的實際類型一致的概率。用戶精度則是從分類結果中任取一個隨機樣本，得出其類型與實際情況一致的條件概率。

4 結論

面向對象方法在傳統的基于光譜的地物分類基礎上，結合了形狀、紋理信息，適應當前數據高分辨率方向發展趨勢，明顯提高了作物識別精度。在圖像分割上方面，對不同的目標作物選取不同的適應尺度，在其他地物干擾的情況下，將特征量的選擇進一步細化，可更精確地提取地物信息。

【參考文獻】

[1]張永生，鞏丹超.高分辨率遙感衛星應用———成像模型、處理算法及應用技術[M].北京：科學出版社，2004.

[2]明冬萍，駱劍承，周成虎，等.高分辨率遙感影像信息提取及塊狀基元特征提取[J].數據采集與處理，2005，20（1）：34-39.

[3]胡翔云.航空遙感影像線狀地物與房屋的自動提取[D].武漢：武漢大學，2001.

[責任編輯：朱麗娜]