復雜山地環境下典型地物解譯規則庫研究

胡 艷，吳鳳敏，袁 超，張少佳

（1.重慶市地理信息中心，重慶 401121；2.武漢大學 遙感信息工程學院，湖北 武漢 430079）

復雜山地環境下典型地物解譯規則庫研究

胡 艷1,2，吳鳳敏1，袁 超1，張少佳1

（1.重慶市地理信息中心，重慶 401121；2.武漢大學 遙感信息工程學院，湖北 武漢 430079）

選擇重慶市山地區域為研究區，以WorldView-2影像為研究對象，基于植被構面成果，采用面向對象的分類方法探討了復雜山地環境背景下典型地物的光譜、紋理、幾何、結構等特征；構建了適合山地環境地物遙感分類的解譯規則庫，自動進行地物的分類解譯，并對分類結果進行了精度評價。結果表明，面向對象分類方法構建的解譯規則庫能夠適用于復雜山地環境遙感影像的分類，保證了地物形狀和屬性的完整性，提高了遙感影像的分類精度；基于植被構面成果建立的解譯規則庫解決了地物分類時林地和果園難以區分的困難，提高了復雜山地環境下遙感影像的分類精度。

信息提取；規則庫；面向對象；分類；復雜山地

重慶市山地面積占區域總面積的2/3以上，地表覆蓋類型多樣，且在空間上差異顯著，地物極其破碎，因此地表覆蓋分類工作量大、難度高。隨著高分辨率遙感影像的出現，傳統基于面向像元的分類技術面臨著許多挑戰。高分辨率遙感影像常用的解譯方式（人機交互的目視解譯）效率低、成本高，且解譯精度完全依靠個人經驗，難以應用于大規模遙感解譯工作中[1-2]。

面向對象的自動分類技術在很大程度上能有效克服自動解譯中的“椒鹽”現象，同時能綜合分析對象的光譜、紋理、形狀以及上下文的語義信息，在高分辨率影像解譯中有很大的優勢，能有效提高分類精度[3-9]。地表覆蓋分類中典型地物自動解譯最關鍵的是建立解譯規則庫。遙感解譯規則庫是遙感解譯和圖像分析技術的關鍵[10]，能夠快速有效地解決高分辨率遙感影像分類解譯和后續分析。

本文基于高分辨率遙感影像，采用面向對象的分類技術，充分運用植被構面成果，建立了適合于山地環境的典型地物遙感解譯規則庫，能夠為復雜山區環境下地理國情普查地表覆蓋分類提供參考，推進基礎地理信息處理以及地理國情普查自動化、精細化處理水平。

1 研究區及技術路線

本文以重慶市長壽區八顆鎮中部區域為研究區，面積約為7 km2。該區域地物類型較為豐富，包括大面積的水域、林地、耕地以及道路房屋等，有利于典型地物遙感解譯規則庫的構建。研究所用遙感影像為2013年7月WorldView-2影像，分辨率為0.6 m（包括紅、綠、藍、近紅外4個波段）。影像預處理包括幾何校正、正射校正、影像融合等。同時，本文以1∶5 000 DLG矢量數據作為分割依據，以植被構面成果作為分類輔助參考數據。技術流程如圖1所示。

圖1 面向對象的規則集構建流程圖

2 面向對象的分類方法

面向對象的分類方法最基本的特點就是以影像分割獲得的影像對象作為基本操作單元，而不是基于單個像元操作[11]。通過影像分割獲得的對象具有一定的屬性，不僅包含光譜信息，還包括紋理、大小、形狀等從圖像中提取的附加信息，因此面向對象的分類方法能提高分類的精度，使分類結果更加接近目視判別的結果。分類流程主要包括多尺度分割、解譯規則庫構建、影像自動分類和信息提取等。

2.1 多尺度分割

多尺度分割是從任意一個像元開始，采用自下而上的區域合并方法形成對象，從而為進一步的分類工作提供信息載體和構建基礎[12]。因此在整個遙感圖像分類過程中，影像分割非常關鍵，分割的好壞程度將直接影響分類的精度[4]。多尺度分割參數主要有各波段權重、分割尺度、光譜因子和形狀因子。

由于研究區內既有大尺度的林地和水域，又有小尺度的房屋、道路等，在影像分割中需根據各類地物特點分別進行分割參數設置。具體分割參數選擇如下：形狀因子權重為0.2，緊致度因子權重為0.5，分割尺度分別為100、50。在第一層影像分割過程中，采用1∶5 000 DLG矢量數據參與分割，以便提高多尺度分割精度（圖2）。

圖2 多尺度分割結果圖（分割尺度為100）

2.2 地物要素特征指標

典型地物的特征指標一般包括光譜和幾何特征，光譜特征包括均值、標準差等，幾何特征包括形狀、紋理和拓撲關系等。針對研究區中各類典型地物光譜特征，選擇相應的指標對其類別進行劃分。

式中，Green_radio為綠度比值；Red_radio為紅度比值；NDVI為歸一化植被指數；EVI為增強型植被指數；NDVI_CF為差分植被指數；NDWI為歸一化水體指數；NIR為近紅外波段；G為綠光波段；B為藍光波段；R為紅光波段。

2.3 解譯規則庫構建

遙感解譯規則庫主要是利用植被構面成果，結合典型地物要素特征指標進行構建。解譯規則庫除了依據地物的光譜特性之外，還充分考慮了地物的形狀、紋理特征。植被構面成果是基于1∶5 000 DLG數據中植被點與植被線信息通過構面程序將每一個植被點信息賦予其所在植被面，從而獲得植被面矢量數據。植被面數據將植被類型進行了細分，每一個植被面都有相應的屬性信息。植被構面成果將植被類型分為林地、園地、耕地及其他植被；對植被類別劃分得較細，有利于遙感影像中植被類別的分類（表1）。

表1 典型地物遙感解譯規則庫

2.4 遙感影像分類

根據解譯規則庫中各類地物的判別規則，采用面向對象的分類方法得到了研究區遙感影像分類結果如圖3所示。

圖3 遙感影像分類結果

為了更好地分析面向對象分類方法的精度，本文對分類對象進行了精度評價。本文針對每一類地物，選取樣本點進行檢驗，為了保證精度評價的準確性，設置采樣點數目與類別涉及像元數成正比，確定最小采樣點數不小于10，且采樣點隨機均勻分布于整幅遙感影像中，再計算各類別的Kappa系數，對分類結果精度進行評價（表2）。

從表2中可以看出，基于植被構面成果解譯規則庫進行的分類結果精度較高，總體精度達到0.96，其中房屋和水體使用最新的1∶5 000 DLG數據參與影像分類，精度為1.00。植被分類中，由于林地與園地的混分造成林地分類精度稍低，而由于紋理特征的差異耕地分類結果較好。

表2 基于植被構面成果和傳統解譯規則庫的分類結果精度比較

與傳統的解譯規則庫分類精度相比，基于植被構面成果解譯規則庫解決了直接利用遙感解譯規則庫進行地物分類時難以區分林地和果園的問題，提高了植被的分類精度，對于復雜山地環境下遙感影像分類具有更高的適用性。

3 結 語

本文研究了復雜山地環境下典型地物要素的基本特征，建立了對應的指數指標，以及地物類別與規則的層次結構關系；結合植被構面成果，構建了適合于山地環境的典型地物遙感解譯規則庫；實現了高分辨率遙感影像的自動解譯分類；并分析了遙感影像分類的效果與精度。

面向對象的分類方法也存在一定的局限性，需要進一步研究。①影像分割參數選擇。由于遙感信息的獲取是一個復雜的過程，各種因素的影響造成許多像素間的相似性很難用某個數學定義來簡單區分，因此分割的結果中不同地物的邊界很難與目視解譯效果對應起來，從而導致目標的錯分與遺漏。②解譯規則庫適用范圍。本文使用WorldView-2影像構建解譯規則庫，而對于不同傳感器影像，解譯規則庫中指標及閾值的選取需重新設定。

[1] John R Jensen. Introductory Digital Image Processing： a Remote Sensing Perspective[M]. Third Edition, Upper Saddle River：Prentice Hall, NJ, 2005

[2] Vander S C J, Jong S M, Roo A P J. A Segmentation and Classification Approach of IKONOS-2 Imagery for Land Cover Mapping to Assist Flood Risk and Flood Damage Assessment [J]. International Journal of Applied Earth Observation and Geoinformation, 2003,4(3)：217-229

[3] 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(2)：46-49,54

[4] 陳云浩,馮通,史培軍,等.基于面向對象和規則的遙感影像分類研究[J].武漢大學學報(信息科學版),2006,31(4)：316-320

[5] 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(l)：62-63

[6] 尹展,張建國,李宏斌.面向對象分類技術在高分辨率遙感影像信息提取中的應用研究[J].測繪與空間地理信息,2013, 36(8)：61-63

[7] 陳秋曉,駱劍承,周成虎,等.基于多特征的遙感影像分類方法[J].遙感學報,2004,8(3)：239-245

[8] Baatz M, Schape A. Object-oriented Multi-scale Image Analysis in Semantic Networks [C]//In： Proc of the 2nd International Symposium on Operationalization of Remote Sensing, 1999

[9] Antonio Plaza, Pablo Martinez, Rosa Perez, et al. A Quantitative and Comparative Analysis of Endmember Extraction Algorithms from Hyperspectral Data[J]. IEEE Transactions on Geoscience and Remote Sensing,2004,42(3)：651-654

[10] Hay G J, Marceau D J, Dube P, et al. A Multi-scale Frame Work for Landscape Analysis：Object-specific Analysis and Upscaling [J]. Landscape Ecology,2001,16(6)：155-161

[11] Benz U C, Peter H, Gregor W, et al. Multi-resolution Objectoriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J]. ISPRS Journal of Photogrammetry & Remote Sensing,2004,58：239-258

[12] 章毓晉.圖像分割 [M].北京：科學出版社, 2001

P237

：B

：1672-4623（2016）11-0009-03

10.3969/j.issn.1672-4623.2016.11.004

胡艷，博士研究生，高級工程師，主要從事遙感技術與應用方面研究。

2016-08-29。

項目來源：地理空間信息工程國家測繪地理信息局重點實驗室經費資助項目（201304）。