GF-2影像城市地物分類方法探討

王 芳，楊武年，王 建，謝 兵，楊 鑫，任金銅

(1. 成都理工大學(xué)國(guó)土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，四川 成都 610059；2. 內(nèi)江師范學(xué)院土壤資源與生態(tài)調(diào)控研究中心, 四川 內(nèi)江 641100； 3. 內(nèi)江職業(yè)技術(shù)學(xué)院土木工程系，四川 內(nèi)江 641000； 4. 四川建筑職業(yè)技術(shù)學(xué)院測(cè)繪工程系， 四川 德陽(yáng) 618000)

在新型城鎮(zhèn)化快速發(fā)展的背景下，快速、準(zhǔn)確地獲取地物信息對(duì)城鎮(zhèn)化的建設(shè)和監(jiān)管意義重大[1]。GF-2衛(wèi)星是我國(guó)首顆分辨率優(yōu)于1 m的衛(wèi)星[2]，具有豐富的光譜、幾何及紋理信息。傳統(tǒng)的基于像素的分類方法難以獲得令人滿意的效果[3]，面向?qū)ο髨D像分析技術(shù)能有效利用對(duì)象間的空間關(guān)系和專家知識(shí)得到更好的分類效果[4-6]。許多學(xué)者采用面向?qū)ο蠓诸愄崛〕鞘械匚铮l(fā)現(xiàn)該方法在提高精度的同時(shí)，改善了椒鹽現(xiàn)象[7-10]；也有學(xué)者在構(gòu)建多個(gè)分割層的基礎(chǔ)上，采用該方法提取城市地物取得了較好的分類結(jié)果[11-15]。本文利用GF-2影像提出一種基于最優(yōu)尺度和規(guī)則的面向?qū)ο蠓诸惙ǎ诟髯顑?yōu)分割尺度層上建立規(guī)則進(jìn)行分類。

1 研究區(qū)概況與數(shù)據(jù)預(yù)處理

研究區(qū)位于隆昌市中東部，GF-2影像如圖1所示。GF-2衛(wèi)星能夠提供分辨率全色為0.8 m、多光譜為3.2 m的圖像數(shù)據(jù)，該數(shù)據(jù)由四川省高分中心提供，獲取時(shí)間為2015年6月16日。采用RPC和DEM進(jìn)行正射校正，利用Gram-Schmidt方法進(jìn)行圖像融合并進(jìn)行快速大氣校正、影像裁剪。據(jù)2017年的《土地利用現(xiàn)狀分類》標(biāo)準(zhǔn)，將研究區(qū)地物類型分為綠地、水體、道路、建筑用地和裸土5類。

2 研究方法

本文通過構(gòu)建分層體系和規(guī)則來實(shí)現(xiàn)地物的分層、分步提取。技術(shù)路線如圖2所示。

2.1 最優(yōu)分割尺度的確定

以步長(zhǎng)為10的多尺度分割對(duì)影像進(jìn)行分割，各波段權(quán)重值設(shè)為1，形狀和緊致度因子分別為0.1和0.5。根據(jù)最大面積法依次計(jì)算30個(gè)尺度下對(duì)象的最大面積，得到最優(yōu)尺度范圍，如圖3(a)所示。最優(yōu)分割尺度是使對(duì)象內(nèi)外的同質(zhì)性和異質(zhì)性最大，分別以加權(quán)方差(ωVar)和均值方差(S)來衡量，以對(duì)象面積為權(quán)重，根據(jù)式(1)計(jì)算各波段加權(quán)方差和對(duì)象間均值方差，取各波段均值作為最后結(jié)果，如圖3(b)、(c)所示。分別根據(jù)式(2)和式(3)將同質(zhì)性、異質(zhì)性歸一化處理和構(gòu)建質(zhì)量評(píng)價(jià)函數(shù)F，本文認(rèn)為同質(zhì)性和異質(zhì)性具有同等影響，λ=0.5。F出現(xiàn)峰值的尺度即為潛在最優(yōu)尺度，結(jié)合最大面積法，最優(yōu)尺度為50、130和210。

(1)

(2)

F=λFωVar+(1-λ)FS

(3)

2.2 分層體系與分類規(guī)則

根據(jù)最優(yōu)尺度建立層次結(jié)構(gòu)，使各層間具有繼承性且順序不能替換。各地物分層體系與規(guī)則見表1。在L1層，采用歸一化水體指數(shù)提取水體，但其中混有建筑、陰影和體育場(chǎng)，利用亮度值和邊界指數(shù)分別排除建筑和體育場(chǎng)；再根據(jù)同質(zhì)性排除陰影；根據(jù)水體分布，利用到場(chǎng)景左邊框X距離及到下邊框Y距離排除剩余陰影。在L2層，采用長(zhǎng)寬比提取道路，但其中混有綠地和建筑；根據(jù)近紅外波段灰度值排除綠地；再根據(jù)亮度值和不對(duì)稱性排除建筑。根據(jù)裸地特點(diǎn)，采用綠波段灰度值和最大化差異度量提取裸地。在L3層，根據(jù)歸一化植被指數(shù)和土壤調(diào)節(jié)植被指數(shù)提取植被，剩余部分即為建筑物。

層次尺度地物分類規(guī)則L1210水體NDWI(歸一化水體指數(shù))>0.2381;Brightness(亮度值)<388;1.160像素;到場(chǎng)景左邊框Y距離>10像素L2130道路Length/Width(長(zhǎng)寬比)>2.2;2370.86裸地3450.2;SAVI(土壤調(diào)節(jié)植被指數(shù))>0建筑L3中的非綠地

3 結(jié)果與分析

根據(jù)同期的土地利用數(shù)據(jù)，選取建筑472個(gè)、道路146個(gè)、植被373個(gè)、水體60個(gè)、裸地106個(gè)，共1157個(gè)樣本。分別以樣本總數(shù)的60%和40%作為訓(xùn)練和驗(yàn)證樣本。根據(jù)分層體系和規(guī)則進(jìn)行分類，如圖4(b)所示。為了進(jìn)行對(duì)比分析，選取最大F值的尺度50作為單一最優(yōu)尺度。采用面向?qū)ο蠛突谙袼氐碾S機(jī)森林(RF)、支持向量機(jī)(SVM)和決策樹(DT)進(jìn)行分類，結(jié)果如圖4(c)—(h)所示。利用混淆矩陣進(jìn)行精度評(píng)定，結(jié)果見表2。

表2 不同分類方法的精度評(píng)價(jià)

3.1 與單一尺度下面向?qū)ο蠓诸惤Y(jié)果對(duì)比分析

從本文方法、單尺度面向?qū)ο蠓诸惤Y(jié)果(如圖4(b)—(e)所示)及精度評(píng)價(jià)(見表2)可知：本文分類法效果最好，總體精度和Kappa系數(shù)分別為93.30%和0.91，相比RF、SVM和DT分類法，分別提高了2.60%、0.04，5.20%、0.08，1.27%、0.15。由于本文方法根據(jù)各地物的最優(yōu)尺度構(gòu)建分層體系和規(guī)則，能較好區(qū)分光譜相似的道路、建筑和裸地。相比之下，在面向?qū)ο蠓诸愔校S多地物存在欠分割和過分割現(xiàn)象，造成其分類結(jié)果存在較多漏分和混分，使其分類結(jié)果較差。從各地物分類效果看，本文方法除道路外，其余地物制圖和用戶精度都在90%以上，其效果最佳；效果其次的為RF法，但裸地漏分和混分嚴(yán)重；效果再次的為SVM法，但裸地混分和漏分、水體混分嚴(yán)重；在DT分類中，建筑漏分、裸地漏分和混分、道路混分嚴(yán)重。

3.2 與基于像素的分類結(jié)果對(duì)比分析

由4種方法的分類結(jié)果(如圖6(b)，(f)—(h)所示)和精度評(píng)價(jià)(見表2)可知：本文方法能夠獲得與實(shí)際地物較匹配的對(duì)象，充分利用其光譜、幾何和紋理特征用于分類，減少錯(cuò)分和漏分現(xiàn)象，地物邊界較為明顯、平滑，較好地克服了基于像素分類法的椒鹽現(xiàn)象。使分類總體精度較基于像素RF、SVM和DT的分類方法分別提高了5.42%、5.42%和11.48%；Kappa系數(shù)分別提高了0.08、0.08和0.16。從基于像素的分類效果看，在RF、SVM分類結(jié)果中，道路漏分和混分、裸地混分現(xiàn)象嚴(yán)重，造成其分類效果較差；DT分類中，裸地混分、道路漏分和混分現(xiàn)象嚴(yán)重，其制圖和用戶精度均不到60%，使其分類精度最低，效果最差。

4 結(jié) 論

本文基于GF-2影像，采用最大面積法和評(píng)價(jià)指標(biāo)函數(shù)獲取各地物的最優(yōu)分割尺度，構(gòu)建分層體系和分類規(guī)則對(duì)研究區(qū)地物進(jìn)行了分類，獲得了較好的分類效果。得出如下結(jié)論：

(1) 將分割質(zhì)量評(píng)價(jià)函數(shù)與最大面積法相結(jié)合得到各地物的最優(yōu)尺度建立分層體系。并根據(jù)對(duì)象的光譜、幾何和紋理特征構(gòu)建了一套適合于研究區(qū)城市地物的分類規(guī)則。

(2) 根據(jù)最優(yōu)尺度和分類規(guī)則，克服了單一尺度分類法的不足，改善了欠分割和過分割現(xiàn)象。由大尺度到小尺度的分層提取使各層之間具有繼承性和差異性，改善了分類效果。

(3) 本文方法能生成與實(shí)際地物較為匹配的對(duì)象，在改善錯(cuò)分、漏分現(xiàn)象的同時(shí)，也較好地克服了基于像素監(jiān)督分類法的椒鹽現(xiàn)象，獲得了更為優(yōu)越的分類效果。