基于GF-2影像城市綠地提取方法對比研究

(滁州學院地理信息與旅游學院，安徽 滁州239000)

引 言

城市綠地是城市生態系統中必不可少的組成部分，為城市提供諸多生態服務，發揮著重要的生態作用，快速并準確地獲取城市綠地信息是綠地格局分析、規劃建設與管理的基礎[1-2]。因此，為實現城市綠地的合理規劃和有效管理需要精確、高效地城市綠地提取方法。

相對于中低空間分辨率的遙感影像，高空間分辨率的遙感影像具有更為豐富的空間幾何結構、紋理、形狀等信息，這些信息對提升地方分類精度大有裨益。近年來，以Worldview-2、IKONOS等為主的國外高空間分辨率遙感影像已在城市綠地信息提取中被廣泛應用[3-5]。而國產衛星的不斷發展也使我國高空間分辨率遙感影像的自主供給能力得到提升，“高分二號”(GF-2)衛星是迄今為止中國自主研制的空間分辨率最高的民用遙感衛星，GF-2影像已廣泛地應用于礦山資源監測、土地利用現狀解譯、城市規劃檢測評價、交通規劃等行業和領域，但在城市綠地提取方面研究還不夠深入[6-9]。

目前，利用遙感影像進行地物提取的主要方法可分為目視解譯和計算機自動分類方法兩種。其中目視解譯方法雖然精度高，但過程繁瑣復雜且效率低，工作量大成本高；而相對于目視解疑，利用計算機自動分類的方法不僅可以避免目視解疑中因主觀因素造成的錯誤，同時其還具有快速、大量、高效提取地物信息的優點[10]。在計算機自動分類方法中，又可進一步分為基于像元的分類方法和面向對象的分類方法，其中基于像元的分類方法應用較為廣泛，且發展較為成熟，其代表之一就是最大似然法(Maximum Likelihood, ML)[11-12]; 但隨著遙感影像空間分辨率的不斷提升，傳統的基于像元光譜信息的分類方法很難滿足高空間分辨率遙感影像的信息提取需求，因此一種面向對象影像分析(Object-based Image Analysis, OBIA)技術得以提出，其在一定程度上降低了“椒鹽現象”，彌補了基于像元分類的不足，并逐漸在遙感影像分類中占據了主導地位[13-16]。目前常用的主流面向對象分類算法有決策樹(Decision Tree, DT)[17]、支持向量機(Support Vector Machines, SVM)[18]、隨機森林(Random Forest, RF)[19]、貝葉斯(Bayes)[20]、K最近鄰法(K-Nearest Neighbor, KNN)[21]等。為驗證面向對象分類方法在高分辨率遙感影像分類中的優勢，并系統地比較基于GF-2影像提取城市綠地信息時幾種面向對象方法的表現效果和精度差異，文章以滁州市城區為例，選取了兩個范圍大小相同的實驗樣區，在綜合視覺效果和精度結果下對這幾種分類方法進行了比較分析，旨在探索適用、可靠的城市綠地信息提取方法，為精確、高效地提取城市綠地提供參考。

1 研究區概況與數據源

1.1 研究區概況

滁州市位于安徽省東部，總面積13398平方千米，為安徽省面積第三大地級市，地處江淮丘陵東北部，北接淮北平原，南近沿江平原，地形以丘陵為主，丘陵面積約占全市總面積的64.9%。市內有瑯琊山國家級風景名勝及明皇陵、龍興寺等歷史文化景點，旅游資源優異；市境地跨長江、淮河兩大流域，水資源充沛，此外市內礦產資源豐富且植被覆蓋多樣。文章選取滁州市城區中心部位開發較早，常年沒有明顯地物變化且城市綠地豐富的兩個范圍為1.0km×0.8km的矩形區域作為研究區，如圖1所示。

圖1 GF-2研究區概況圖

1.2 數據源及處理

文章以滁州市中心城區一景GF-2影像為遙感影像數據源，該影像的獲取時間為2015年7月29日，其多光譜波段和全色波段分辨率分別為4m和1m；此外研究區域30m的ASTER GDEM數據和2018年獲得的兩個研究區實地調查樣本各300(綠地200個，非綠地100個)個作為輔助數據也參與到本研究中。在影像預處理過程中，先以中國資源衛星應用中心提供的GF-2絕對輻射定標系數將多光譜數據定標為輻射亮度，將全色數據定標為表觀反射率，并利用ENVI 5.3中的FLAASH模塊對多光譜輻射定標之后的輻亮度圖像進行大氣校正；然后利用GDEM數據對影像進行正射校正，因研究區域地形變化不明顯，所以未對影像進行進一步的地形校正；最后將正射校正后的影像進行融合、裁剪，完成了影像的預處理[10]。

2 研究方法

利用經過預處理后的GF-2研究區影像分別利用傳統基于像元的ML方法和面向對象的方法對研究區綠地進行提取。其中面向對象的方法先通過多尺度分割(Multiresolution Segmentation, MRS)生成影像對象層，然后構建并選取特征參數作為分類的預測變量，再利用5種不同的面向對象分類方法實現綠地的提取。最后，將6種分類方法的結果進行對比分析。研究的技術流程如圖2所示。

圖2 技術流程圖

2.1 影像分割及對象獲取

影像分割的目的是將影像中類似的像元集合并成對象單元，是面向對象分類的基礎，因此影像分割結果將直接影響到分類的精度。本文采用Cognition Developer中集成的MRS方法實現了影像的分割和對象的獲取。在利用MRS方法獲取對象時需要對形狀因子、緊致度因子、分割尺度參數等進行設定，其中形狀因子、緊致度因子等對分割結果影響較小，通過試錯法獲得；而分割尺度的選擇是多尺度分割中的核心問題[22]，若分割尺度過大(如圖3a)，會導致單個對象包含多種地物，易形成欠分割現象；若尺度過小(如圖3b)，使得地物對象過于零碎而對象紋理和結構信息不足。由于研究區綠地破碎且零散，經過多次分割實驗并結合ESP(estimation of scale parameters)尺度評價工具[22-23]，最終選擇效果最好的分割尺度為30，光譜因子權重為0.9，形狀因子權重0.1，緊致度為0.5，光滑度0.5，分割結果如圖3c。

a.分割尺度：100 b.分割尺度：10 c.分割尺度：30圖3 尺度為30的分割結果

2.2 特征構建與選擇

2.2.1 光譜特征

光譜特征是利用不同地物反射的光譜信息作為影像分類的重要依據，研究選取光譜特征包括預處理后GF-2影像的4個波段(Blue、Green、Red、NIR)的均值(Mean)、標準差(Standard deviation)、歸一化植被指數(NDVI)、亮度(Brightness)、最大差分(Max diff)[24](表1)。

表1 特征變量統計表

2.2.2 紋理特征

紋理特征可以充分利用高分辨率影像地物豐富的紋理信息進行輔助分類，合理的利用紋理特征能夠給影像分類精度帶來很大提高[24]。1973年Haralick等提出的基于灰度共生矩陣(Gray Level Co-occurrence Matrix, GLCM)提取的均值(Mean)、標準差(Standard Deviation)、同質性(Homogeneity)、對比度(Contrast)、相異性(Dissimilarity)、熵(Entropy)、角二階矩(Second Moment)和相關性(Correlation)是目前研究中常用到的紋理特征[25]。但是紋理特征通常存在著嚴重的冗余現象，而利用主成分分析(Principal Components Analysis, PCA)法可以減少信息冗余提高運行效率。本研究通過主成分變換所得的PCA1、PCA2波段包含了原始影像99.17%的信息量，因此，本研究選取PCA1、PCA2波段信息替代原始影像構建共生矩陣(表1)。

2.3 影像分類

研究從兩個研究區實地調查樣本中各選分布較為均勻地180個樣本作為訓練樣本(綠地120個，非綠地60個)，而后對單個研究區使用相同訓練樣本，并結合光譜和紋理特征變量分別采用DT、SVM、KNN、Bayes、RF共5種面向對象的分類方法進行影像分類，同時作為對比，使用基于像元的ML進行分類。

3 結果分析

3.1 分類結果

根據實驗得到的研究區分類結果，將每種分類結果制作成綠地分布專題圖，如圖4和圖5所示。

a.DT分類圖

b.SVM分類圖

c.KNN分類

d.Bayes分類

e.RT分類

f.ML分類

a.DT分類圖

b.SVM分類圖

c.KNN分類

d.Bayes分類

e.RT分類

f.ML分類

通過對比分類結果圖明顯可以看出，研究區城市綠地分布相當破碎零散。就直觀分類效果而言，圖4中DT、SVM、RT分類效果較好，圖5中DT、SVM、Bayes、RT分類效果較好。基于像元的ML結果中出現了比較嚴重的“椒鹽”現象，而在面向對象的分類結果中也存在著不同程度的“錯分、漏分”現象，其中KNN方法效果較差。

3.2 精度評價

從兩個研究區實地調查樣本中分別以除去訓練樣本后的120個樣本作為驗證樣本(綠地80個，非綠地40個)進行精度評價，驗證樣本點分布如圖5所示。研究利用驗證樣本對分類結果構建混淆矩陣[26]，得出每種分類結果的總體精度和Kappa系數，最終獲得研究區一和研究區二的精度評價結果如表2所示。

a.研究區一

b.研究區二

從精度評價表2可得知，5種面向對象分類的總體精度和Kappa系數相比基于像元的ML均有明顯地提升，其中RT在兩個研究區中均取得了最好的結果，分類精度為88.37%和91.17%，Kappa系數為0.80和0.87，DT和SVM的分類精度略次于RF且二者相差不明顯，而Bayes和KNN的表現較差。

本研究以滁州市城區GF-2影像數據為數據源，對原始影像進行輻射定標、大氣校正、正射校正、影像融合等預處理，采用5種不同面向對象的分類方法和1種基于像元的分類方法分別對研究區綠地信息進行提取，并對實驗結果進行對比分析，得到如下結論。

表2 研究區精度評價結果

4 結論

在影像分割時選取不同的分割尺度會直接影響到分類的精度，分割尺度的確定需要反復的實驗，分割的目標對象應盡量完整且不冗余，最佳的分割尺度能夠減少分類結果的“錯分、漏分”現象，有效地提高分類精度。

基于GF-2影像數據的面向對象方法提取城區綠地結果總體表現較好，從分類效果來看，相比基于像元的ML而言，面向對象分類結果“椒鹽”現象減少，整體目視效果較好；從精度評價結果來看，RT的分類結果最優，相比ML總體精度從77.5%提高到91.17%，Kappa系數從0.74提高到0.87，DT、SVM、RT分類精度都達到80%以上，兩個研究區分類精度排序分別為：RT>DT> SVM>Bayes>KNN>ML，RT>SVM>DT>Bayes>KNN>ML。