基于多尺度分割與光譜特征提取建成區的方法

鐘舒怡　李向新　柏葉輝

摘要 城市建成區空間分布對城市規劃和資源管理起著至關重要的作用。面向對象影像分析法能有效提取城市建成區圖像。以Landsat8為源數據，對深圳市建成區范圍進行研究，結合光譜特征結果和NDBI指數派生出NDBIi指數。根據空間特征建立面向對象規則集，運用二次分割方法與分類規則，高效獲取城市建成區數據，對2015年與2017年深圳市城市空間擴張情況進行分析，將多種分類方法與面向對象規則集方法進行結果對比。結果表明，2015年與2017年總體精度分別為93.02%和90.45%，面向對象規則集方法可以精確獲取建成區具體范圍，有效監測不同時相城市擴張情況。

關鍵詞

Landsat8；面向對象分類；二次分割；城市建成區；NDBIi

DOIDOI：10.11907/rjdk.182063

中圖分類號：TP319

文獻標識碼：A文章編號文章編號：16727800（2018）009018005

英文標題The Method of Extracting BuiltUp Areas Based on

MultiScale Segmentation and Spectral Features

——副標題

英文作者ZHONG Shuyi1，2， LI Xiangxin1，BAI Yehui1，FENG Jun1

英文作者單位（1.School of Land and Resources Engineering， Kunming University of Science and Technology ， Kunming 650093， China；

2.Shenzhen Institute of Advanced Technology，Chinese Academy of Sciences，Shenzhen 518055， China）

英文摘要Abstract：The spatial distribution of urban builtup areas plays a crucial role in urban planning and resource management. The objectoriented image analysis method can well extract the images of urban builtup areas. Using Landsat8 as the source data and studying the scope of the builtup area in Shenzhen， we obtain the NDBIi index from both the results of spectral signature and the NDBI index. Objectoriented rule sets are made according to the spatial characteristics establish ， and we use the methods of secondary segmentation and classification rules to effectively extract urban builtup areas. In addition，we analyze the urban spatial expansion of ShenZhen in 2015 to 2017years and use a variety of classification methods to compare the results with the objectoriented rule set method. The results show that the overall accuracy of 2015 and 2017 were 93.02% and 90.45%. The research method can accurately obtain the specific scope of builtup areas and effectively monitor the expansion of cities at different times.

英文關鍵詞Key Words：Landsat8； objectoriented classification； secondary segmentation； urban builtup area； NDBI

0引言

伴隨“一帶一路”倡議的提出，城市發展要素不斷聚集，城市體系更加完善，中心城市功能愈加凸顯，對城市發展影響巨大[1]。城市擴張是城市發展必然結果。精確提取城市建成區有利于為城市規劃提供科學依據，減少或避免熱島效應[24]、景觀格局被破壞等問題[57]。利用遙感數據進行城市研究還可提供歷史檔案，有助于繪制和了解隨時間推移不斷變化的城市擴張情況[8]。

建成區是由一個集中連片、市政公共設施和公用設施基本具備的地區，以及由分散的、若干個已經成片開發建設且市政公用設施和公共設施基本具備的地區組成[9]。建成區提取情況影響城市用地狀況。目前常用建成區分類方法有傳統的監督分類、面向對象分類方法、支持向量機和神經網絡法。面向對象的影像分析技術針對影像分割對象，利用各種空間特征，如紋理、形狀等提高數據自動識別精度。金永濤[10]基于紋理體征提取典型地物。陳志強、楊智翔等[1112]提出運用改進的NDBI指數方法識別城鎮用地，該方法在eCognition中可以實現。姚君蘭[13]提出的基于矢量數據，結合密度分析和基于YIN原理的邊界提取建成區方法，對源數據質量要求較高。陳建波[14]基于數據融合方法和信息熵提取城市建成區邊界，但對大比例尺邊界提取精度不夠。王帥[15]采用元胞自動機模型，通過閾值分割、腐蝕、連通性檢測等一系列處理提取連續、穩定的城市建成區圖像，但在模型中使用的因子獲取艱難，且受到模型本身的限制。Liu[16]提出城市區域歸一化綜合指數法（NUACI）并利用谷歌地球引擎獲取規模巨大的數據，促進全球城市土地分類陸地衛星圖像的提取，但該方法計算過程過于繁瑣。

本文采用多尺度分割和光譜特征結合提取建成區的方法，并對2015年、2017年兩景Landsat8數據，以eCognition軟件為操作平臺，對深圳市進行建成區提取方法的研究，對eCognition中提供的其它分類方法進行對比分析。

1研究區與數據預處理

深圳市位于廣東省南部、珠江口東岸，南邊毗鄰香港，海域廣闊，與南海及太平洋連接。由于其良好的自然生態環境和優越的地理位置，2013年深圳市經濟指數已超過澳門，位居粵港澳大灣區經濟排名第二[17]。經濟的發展推動了城市化進程，其中包括城市快速向外擴張、鄉村城市化現象，大片農田被推平[18]，致使其城市特征明顯。

研究區影像使用從美國地質勘探局（United States Geological Survey，USGS）官網下載的2015年和2017年Landsat8 OLI影像，其行列編號為121044和122044兩景數據。Landsat8 OLI一共有9個波段，其中B8波段是分辨率為15m的全色波段，其它空間分辨率為30m。OLI傳感器與TM、ETM+、MSS傳感器有兩點區別：一是增加了應用于海岸帶的藍色波段（B1）和用于云檢測的短波紅外波段（B9），二是調整了近紅外（B5）波段范圍。第二點對傳統的NDVI、NDBI指數計算有一定影響。

本文運用ENVI5.3軟件對建設用地有提取價值的B2-B7波段進行預處理，處理步驟包括：輻射校正、大氣校正（使用FLAASH模塊）、拼接、裁剪，最終獲取深圳市影像。研究區邊界為中科院提供的深圳市矢量邊界。研究區范圍如圖1所示。在經過預處理的遙感影像中，利用ENVI對波段名稱重新命名，B2-B7變成B1-B6，波段值范圍沒有改變。

2研究方法

面向對象的分類突破了傳統基于像素的的分類方法，不再以像元為最小單位，而是將影像分割成對象，綜合利用各對象之間的光譜及空間特征進行分類[19]。規則集則是以不同的方式使用變量，如設定某一波段閾值或者形狀特征實現規則運算，可以利用某一類別的特征，通過全面設定各種閾值或變量等多種規則達到最佳分類效果。技術路線如圖2所示。

2.1影像分割方法

在eCognition中有多種分割方法，包括：棋盤分割、四叉樹分割、多尺度分割等。其中四叉樹分割和棋盤分割屬于自上而下的分割。自上而下的分割指將對象分割成更小的對象。

（1）棋盤分割。棋盤分割在眾多分割算法中屬于最簡單的分割算法，即將影像對象分割為正方形圖像對象。按照設計的正方形網格大小，每個對象都沿著網格線進行切割。

（2）四叉樹分割。四叉樹分割是基于四邊形的分割，類似于棋盤分割，但創建的方塊大小不同。四叉樹結構特點是每個正方形都有第一個可能的最大大小，第二個正方形滿足模式和比例參數定義的同質性標準。

（3）多尺度分割。多尺度分割是一種自下而上的方法，通過合并相鄰像素或小的分割對象，在保證對象與對象之間平均異質性最小、對象內部像元之間同質性最大的前提下，基于區域合并技術實現影像分割[20]。多尺度分割最大優點是可設定尺度參數值，可在任何應用技術鄰域中提取和成型。

2.2提取方法

2.2.1地物光譜特征分析

根據研究區情況，把地物分為水體、植物、建成區、裸地4大類。水體細分為河流、湖泊、養殖場。植物細分為林地、草地。建成區細分為建筑物、道路。

在ENVI中建立地物波普庫，對預處理后的影像進行地物光譜分析。分析地物光譜總體變化趨勢，以便確定規則集閾值，如圖3所示。

地物輻射值趨勢分析：①Built-up：B4>B5>B6>B3>B2>B1；②Vegetation：B4>B5>B6>B2>B1>B3；③Water：B2>B1>B3>B4>B6>B5；④Land：B5>B4>B6>B3>B2>B1。

圖3地物光譜特征

通過光譜特征圖分析發現植物與建成區的波普band4和band5沒有明顯可分性。由于在TM影像上NDBI是使用近紅外（NIR）和中紅外（MIR）提取城鎮用地，其中對應的波段是TM4和TM5，其波長范圍分別是0.75～0.9μm和1.55～1.75μm。OLI影像相對應的近紅外是B5波段和中紅外是B6波段，波長范圍分別是0.845-0.885μm和1.560–1.660μm。OLI使用較窄的波長范圍獲取近紅外和中紅外數據，造成同樣的NDBI、NDVI指數提取的效果有所差別。若單一使用NDBI指數提取建成區，精度不高，反而band3、band2兩個波段表現出對建成區與植物之間的可分離性。因此由NDBI指數派生出NDBIi指數，本文對此特征定義NDBIi公式為：

NDBIi=（Band3-Band2）/（Band3+Band2）（1）

歸一化建筑指數（NDBI）、歸一化植被指數（NDVI）為：

NDBI=（Band5-Band4）/（Band5+Band4）（2）

NDVI=（Band4-Band3）/（Band4+Band3）（3）

2.2.2建成區提取

（1）建成區首次提取。eCognition軟件提供了基于分類的影像對象分割技術，可以合并非均質的地區。城市建成區中通常有稀疏城市綠地出現，因此城市用地同時擁有植被和城市光譜特征，這種非均質現象在eCognition中可以得到解決。佟彪[21]利用合并非均質地區的特性，采用二次分割方法將建成區集中連片地提取出來。本文借鑒二次分割方法對影像進行分割，并經過實驗尋找影像最佳分割尺度。首次分割尺度選擇70，再對L70對象層進行140尺度的二次分割。多尺度分割是指基于調整顏色、形狀的均質和異質性標準生成影像對象。shape權重越大，形狀因子影響分割越大，顏色對分割影響越小；compactness權重越大，影響圖像目標越大。本文把shape權重設置為0.2，compactness權重為0.5。對對象層作二次分割后提取的建成區集中連片，零碎圖斑減少。分割情況如圖4所示。