基于面向對象分類方法的低效用地信息提取研究

毛玉龍

摘 要：本文以資源三號衛星遙感影像為數據源，利用面向對象分類法提取晉江市低效用地信息，首先利用NDVI和NDWI兩個指數剔除植被和水域信息的干擾，然后選取合適的分割尺度、對象特征參數以及支持向量機分類法進行面向對象分類。結果表明：分類的總體精度為95%，Kappa系數為0.90，分類質量極好。證明了面向對象方法識別低效用地信息的準確性。

關鍵詞：面向對象分類 低效用地， NDVI NDWI

中圖分類號：TP79 文獻標識碼：A 文章編號：1674-098X（2018）01（c）-0168-03

隨著城鎮化的加速發展，建設用地總量在大幅度的增加，但是，建設用地的利用效率卻比較低下，低效和無序利用土地的現象仍然大量存在，社會經濟發展對土地資源的壓力與日俱增[1]。我國大城市土地集約利用程度相對較高，中小城市和村鎮還具有一定的“挖潛”空間。因此，面向中小城市和村鎮推進土地利用潛力挖掘，提高土地利用集約節約水平已成為我國土地保障的優先選擇。遙感技術的快速發展，為城鎮用地信息的快速提取提供了新的途徑，特別是衛星遙感技術具有覆蓋范圍大、重復觀測以及成本低的優點，從而得到廣泛的應用。目前針對城市用地信息的提取方法主要包括計算機分類（監督和非監督分類）、人工數字化以及閾值法等。戴昌達[2]等基于Landsat TM影像，利用目視解譯和圖像自動識別相結合的辦法獲得城市的面積研究了城市擴展和環境變化狀況。楊山[3]等仿NDVI提出了歸一化建筑指數（NDBI， Normalized Difference Built-up Index ），利用TM影像提取了無錫市城鎮用地信息。鄧文勝等結合歸一化建筑指數NDBI和Bayes最大似然法算法，通過二值邏輯運算成功提取了武漢市城鎮用地信息。

本文以低效用地比較典型的晉江市中心城區為例，利用資源三號衛星影像影像，基于前人研究成果，通過對城鎮用地遙感信息的機理分析，利用歸一化植被指數NDVI和歸一化水體指數NDWI，再利用面向對象分類方法對研究區進行低效用地信息提取，運用誤差矩陣統計方法進行精度評價，為其它地區低效用地的提取提供依據。

1 研究區概況及數據

1.1 研究區概況

本文選取福建省晉江市中心城區為研究區，該區位于福建省東南沿海，泉州市東南部地，理位置介于東經118°26′39″～118°37′16″，北緯24°44′00″～24°51′00″之間。研究區面積約231.66km2，涉及羅山街道、西園街道、磁灶鎮、內坑鎮等6個街道和6個鄉鎮。全境地形比較平緩，主要以平原和丘陵為主地處泉，最高峰海拔518m。晉江屬南亞熱帶濕潤氣候區，年均氣溫20～21℃，年均日照2130h，年均降雨量911～1231mm，農業和工業比較發達，是福建省綜合實力最強的縣市，也是中國經濟最發達縣市之一。

1.2 數據處理

本文采用2015年4月15日時相的資源三號（ZY3）衛星遙感數據。資源三號衛星是我國第一顆自主研發的民用高分辨率立體測繪衛星，可為國土資源、農業、林業等領域提供服務。該衛星屬于太陽同步圓軌道衛星，重返周期為5d，載有四臺相機。此次研究選取空間分辨率為5.8m的多光譜數據和2.1m的全色數據。為了有效的進行低效用地的解譯，以1：10000地形圖為基礎，先將ZY3衛星數據的全色波段進行正射校正，再利用正射好的全色波段與多光譜數據進行配準，然后應用增強融合算法對配準后的全色和多光譜數據進行融合，最后進行線性拉伸、直方圖調整等增強處理，生成2m分辨率的ZY3影像。

2 信息提取技術方法

2.1 植被指數選取

城鎮的四周一般為農田，部分城鎮的周圍有水塘或湖泊，城鎮還有一些人工草地、林地等植被，城鎮的光譜特征與植被、水體等明顯不同，為了減少分類的工作量，提高分類的精度，本文在分類前先將城鎮提取出來。根據各類地物對光譜的不同響應特征，利用波段的不同線性組合有利于各類地物的提取。

目前，針對植被所提出的指數已多達40多種，植被指數是對地表植被狀況的簡單有效的度量，已廣泛應用于植被分類、環境變化以及全球與區域土地覆蓋變化檢測等領域。其中，歸一化植被指數（NDVI， Normalized Difference Vegetable Index ）是迄今為止應用最廣泛的植被指數之一，是植被生長狀態及植被覆蓋度的最佳指示因子。如嚴曉瑜等探究了3類不同傳感器NDVI對若爾蓋濕地植被變化響應方式的差異性及在該區植被變化監測研究中的適宜性。王強[6]等人利用GIMMS AVHRR NDVI數據探討了三北防護林工程區植被覆蓋動態變化。因此，本來亦選取NDVI提取研究區的植被信息，計算公式如下。

水域信息目前常用歸一化水體指數（NDWI， Normalized Difference Water Index）進行提取，如李輝霞等人利用NDWI自動提取海南島西部沙漠化信息，精度高達89.7%。張佳華等人為研究作物生長發育早期受干旱影響的作物水分光譜特征，分別計算NDWI和冬小麥生理指標和土壤濕度的關系，結果表明NDWI和土壤濕度的關系較好，說明在作物生長發育早期，水分指數更多反映的是土壤水分狀況而不是作物水分。目前對于NDWI有S. K. McFEETERS和Bo-cai Gao的兩種做法，根據資源三號衛星的波段信息，最終選取S.K.McFEETERS法，計算計算公式如下。

NDVI=（ρNIR-ρR）/（ρNIR=ρR）

NDWI=（ρG-ρNIR）/（ρG+ρNIR）

式中，ρG、ρR、ρNIR分別為綠波段、紅波段和近紅外波段的反射率，取值范圍均在-1與1之間。

通過設定閾值來提取植被和水域信息，當NDVI>0時為植被信息，當>0時為水域信息。

2.2 面向對象信息提取

傳統的基于像素的遙感影像處理方法均是在遙感影像光譜信息極其豐富，地物間光譜差異較為明顯的基礎上進行的，主要用于低分辨的遙感數據和航片。對于只含有較少波段的高分辨率遙感影像而言，結構和紋理信息更加突出，光譜信息不足，利用傳統的分類方法會造成分類精度降低，空間數據的大量冗余，并且其分類結果常常是椒鹽圖像，不利于進行空間分析。面向對象技術的出現有效地結果了這一難題，面向對象的影像分析技術是在空間信息技術長期發展的過程中產生的，在遙感影像分析中具有巨大的潛力，要建立與現實世界真正相匹配的地表模型，面向對象的方法是目前為止較為理想和應用廣泛的方法。如曹寶等基于SPOT5衛星影像，提出了基于特征增強技術的面向對象分類方法（FETCOOCA），對北京市海淀區進行分類，結果表明FETCOOCA方法明顯優于傳統基于像元的分類方法。靳歡歡針對GeoEye高分辨率遙感影像，對比了逐像元分類（監督分類和非監督分類）和面向對象分類，結果表明面向對象分類技術在高分辨率影像中的有效性。余曉敏等利用改進SEaTH算法的面向對象分類特征選擇方法提高了分類精度。

面向對象分類的是影像按照相似性原則，充分的利用影像提供的地物的形狀大小、色調陰影、空間位置、紋理特征等，分割為在多個在空間上連續，具有特定意義的同質區域集合，再根據地物的特征來定義這些對象，并歸到相應的類別。面向對象的方法不是以單個像素為分析目標，而是影像中的分析集合為分析單元充分考慮對象與周圍環境之間的聯系等因素，借助對象特征知識庫完成對影像特征的提取。面向對象的低效用地提取流程主要包括影像的分割、對象特征參數的選擇、分類規則的確定和低效用地信息提取。

（1）影像分割。

影像分割是面向對象分類中最重要環節，本質上是將一幅M×N陣列的數字圖像劃分為若干個互不交疊區域的過程。多尺度分割算法首先應該保證能生成高度同質性（或異質性最小）的影像分割區域（影像對象），從而適于最佳分離和表示地物目標。多尺度影像分割，從像元開始，在滿足對象大小調整給定的閾值大于合并后對象的異質性，包括其光譜和形狀、光滑和緊湊度的異質性，在合并后從小的對象逐步合并成較大對象，這是一個局部優化的過程，分割尺度與合并像元的多少正相關，設定較小的分割尺度，較少的像元被合并。對晉江市低效用地情況充分了解的基礎上，將ZY3影像的波權重設置為1，均質因子中的光滑度因子和顏色因子采用累試法進行確定。較好的分割尺度所得到的分割后的影像對象內部的異質性較小，同時不同類別對象間的異質性較大。首先選取較大分割尺度進行分割，再按照累試法進行分割。研究發現當分割尺度小于45時，矢量數據顯示圖斑比較破碎，對象單元分割較多；分割尺度大于60時，則圖斑數減少，密集圖斑合并成較大塊圖斑，分割對象單元數量也相應減少，因此確定分割尺度從45到60，以5為單位進行遞增比較分割效果。

（2）對象特征參數選擇。

特定對象自身具有影像特征、組合特征等，通過對特定特征的選擇，可以有效地區分其它地物。面向對象影像分類方法，其影像特征包括空間形狀、光譜、紋理等特征，選擇最佳的對象屬性特征有利于地物提取。本文識別目標低效用地時，根據影像特征及所采用的ZY3影像自身特點，最終選取包括形狀屬性的長寬比，光譜屬性的標準差和亮度值作為對象特征。

（3）影像分類。

通用的面向對象分類法包括：模糊分類法、支持向量機分類法（SVM）、K近鄰分類法，本文采用SVM方法實現面向對象的分類。SVM方法原理是建立一個最優決策超平面，使得該平面兩側距離該平面最近的兩類樣本之間的距離最大化，從而對分類問題提供良好的泛化能力。該方法不需要大量的樣本，結構風險較小，噪聲較小，分類精度較高，是目前應用最為廣泛的分類方法之一。

3 結果與分析

經過NDVI和NDWI過去后的影像如圖1所示。由圖1中可以明顯看出，通過設置NDVI和NDWI的閾值，影像剔除了植被和水體信息，僅剩余建筑用地以及裸地等信息，為下面進行面向對象分類提供了依據。

通過累試法得到圖2中四個相對理想的分割尺度，通過比較，確定低效用地的最優分割尺度為50。工作區最終分割標準設置為：光滑度因子設置為0.5，影像分割尺度為50，顏色因子設置為0.6，結果顯示低效用地范圍清晰，低效用地與其它地物類型區分明顯，低效用地能被很好的表示，為低效用地分類識別提供了基礎。

按照上述設置，得到晉江市低效用地面向對象的分類結果如圖3所示，可以看出，低效用地信息提取結果與ZY3影像較好地吻合。由此看基于最優分割尺度的分割、分類，以及基于最優的分割對象分類屬性特征選擇，與實際情況最類似，取得了最優化的低效用地分類結果。面向對象的方法充分挖掘了ZY3影像豐富的光譜、形狀、紋理和地物之間的特征，類別間連續性強，圖斑邊界與影像地物套合效果較好，避免了傳統分類方法中的破碎圖斑，分類結果更符合實際，視覺效果良好。

研究區面積為223km2，其中建設用地面積為114.19km2。低效用地對象共1366個，總面積為30.64km2，占建設用地面積的26.83%。

通過目視解譯在工作區內均勻、隨機選取300個感興趣像元點作為分類檢驗樣本，其中對低效用地類別選擇了120個像元點，增強了低效用地類別的檢驗強度。選好樣本后就可以對分類結果進行精度評價，生成的誤差矩陣見表1，實施分類結果精度評價。

通過對誤差矩陣分析發現，低效用地類別的生產者精度為93.33%，用戶精度為94.12%；分類的總體精度為95%，Kappa系數為0.90，分類質量極好。此檢驗結果證明了面向對象方法識別低效用地信息的準確性。

4 結語

本文先利用NDVI和NDWI兩個指數剔除植被和水域信息的干擾，然后再次基礎上利用面向對象分類法提取晉江市低效用地信息。從誤差矩陣精度評價結果可知，識別結果與低效用地的實際情況吻合性好，驗證了面向對象分類在運用高分遙感影像開展低效用地信息識別方面的有效性。

參考文獻

[1] 鄭榮寶，張春慧，陳美招.低效產業用地目標識別與二次開發策略研究[J].國土與自然資源研究，2014（4）：20-24.

[2] 戴昌達，唐伶俐，陳剛，等.衛星遙感監測城市擴展與環境變化的研究[J].環境遙感，1995，10（1）：1-7.

[3] 楊山.發達地區城鄉聚落形態的信息提取與分形研究—以無錫市為例[J].地理學報，2000，55（6）：671-678.