基于面向對象的鐵尾礦信息提取技術研究
——以遷西地區北京二號遙感影像為例

范瑩琳， 婁德波， 張長青， 魏英娟， 賈福東

(1.中國地質科學院礦產資源研究所，自然資源部成礦作用與資源評價重點實驗室，北京 100037； 2.中國地質大學(北京)地球科學與資源學院，北京 100083；3.自然資源部國土衛星遙感應用中心，北京 100048)

0 引言

尾礦是采礦和礦物加工后產生的廢棄物[1]，據《全國礦產資源節約與綜合利用報告(2019)》[2]顯示，2018年我國尾礦總產生量約為12.11億t，其中鐵尾礦產生量最大，約為4.76億t，集中分布于華北、東北和華中地區[3]。

由于區域尾礦庫數量較多、面積較大，大范圍的野外實地檢驗工作量龐大，因此利用遙感影像識別和提取尾礦信息、實現尾礦空間展布和數量統計備受關注。前人對鐵尾礦信息提取展開了一系列研究，取得了一定的進展，如郝利娜等[4]總結了尾砂在WorldView-2高分辨率影像上的光譜及紋理特點，建立了系統的尾礦庫目視解譯標志； 汪金花等[5]根據鐵尾礦在Quickbird影像上綠波段和近紅外波段的吸收反射特征提出了有利于尾礦信息提取的光譜增強模型,該方法提取的尾礦庫外部輪廓完整，但尾礦庫內存在大量信息缺失，不利于尾礦庫面積統計； Ma等[6]利用90°方向的紋理 “熵”對Landsat8 OLI影像上河北長河地區尾礦庫進行信息提取，該方法可以實現部分尾礦庫的定位，但尾礦庫形狀不完整，提取邊界未與真實邊界完全吻合。隨著模式識別技術的不斷發展，眾多可以反映地物形狀的特征值也成功地運用到各種地物的識別中。黎靜等[7]提取了包含面積、周長在內的12種形狀特征值來監測獼猴桃形狀以達到區分優劣果實的目的； 胡敏等[8]提出了一種融合局部紋理特征和局部形狀特征的人臉表情識別方法。因此，當目標地物與其他地物的光譜特征相近時，形狀特征、紋理特征對于提取目標會起到積極的作用[9]。在遙感應用的發展過程中，影像分類方法主要包含兩大類： 基于像元分類與面向對象分類[10]。隨著遙感影像分辨率的提高及分類方法的改進，面向對象分類方法越來越多地應用到高分辨率影像信息提取中。代晶晶等[11]利用基于邊緣的分割算法進行影像分割并采用隸屬度函數法提取稀土礦區信息，與傳統監督分類相比該方法可成功避免稀土開采區與道路的錯檢； 張永彬等[12]總結了眾多面向對象及基于像元分類方法在礦山信息提取中的實驗結果，認為面向對象分類方法在礦區信息提取中最具優勢。面向對象分類方法的核心是圖像分割[13]和特征提取[14]。目前常用的圖像分割方法是多尺度分割[15]，多尺度分割的關鍵是最優分割尺度的選擇，諸多學者對此做了大量研究，最直接的方法是根據經驗及實際情況判斷，此外還有監督和非監督評價方法[16]，但至今在各個領域研究中還沒有明確并普適的最優尺度選擇標準，目前在實際應用中常利用輔助工具并結合地物實際分割效果選擇最優分割尺度[17]。通過以上分析可知，目前尾礦信息提取存在以下不足： ①尾礦信息提取精度以及自動化程度有待提高; ②未能深入探討面向對象尾礦信息提取的分割參數和特征參數問題。

本文將在光譜特征提取的基礎上，結合研究區內地物的形狀和紋理特征開展尾礦信息提取研究，應用面向對象分類方法提取鐵尾礦信息，探討面向對象分類方法的相關參數及有效特征值，并與基于像元的分類方法進行比較分析。

1 研究區概況及數據源

1.1 研究區概況

河北省遷西縣長河沿岸的鐵尾礦堆存量大，約占遷西縣總量的1/3，是開展鐵尾礦信息提取方法研究的天然試驗場。長河自北向南依次經過金廠峪鎮、漁戶寨鄉和東荒峪鎮，本文所選擇的研究區位于漁戶寨鄉(圖1)，由5個典型尾礦庫及其周邊地物組成，分別為部分復墾、已建造成熟和正在排放尾砂的尾礦庫,庫內存儲的均是沉積變質型礦床中磁鐵礦礦石選礦后的產物，屬高硅型鐵尾礦。

圖1 研究區地理位置Fig.1 Location of study area

1.2 數據源

本文所使用的遙感影像數據類型為北京二號高空間分辨率影像，獲取時間為2019年5月7日，圖像質量良好，無云覆蓋，選取3個大小為850像素×800像素的區域影像(見圖2)作為實驗圖像。北京二號衛星是由二十一世紀空間技術應用股份有限公司于2015年7月11日發射的高空間分辨率民用商業衛星，衛星軌道高度651 km，重訪周期1 d，其影像數據共有5個波段組成： 4個3.2 m多光譜波段和1個0.8 m全色波段(各波段技術指標見表1)。

(a) 區域1(b) 區域2(c) 區域3圖2 研究區全色波段與多光譜波段融合后的圖像Fig.2 Fusion of panchromatic and multispectral bands

2 遙感圖像特征提取

2.1 光譜特征提取

區域內主要地物類別有尾礦、植被、土壤、裸露山地、房屋建筑、道路，根據典型地物光譜特征曲線(圖3(a))可知，鐵尾礦及其周圍地物存在以下光譜特征： 土壤與房屋的光譜反射曲線變化趨勢相近，道路和尾礦的光譜曲線變化趨勢相近。根據9個鐵尾礦訓練樣本的光譜反射曲線(圖3(b))可知，北京二號影像上鐵尾礦第1波段的反射率最高，并且在第3波段存在明顯的反射峰，第4波段反射率最低。根據以上地物的吸收反射差異可知，多光譜波段的藍色、綠色、紅色、近紅外4個波段的亮度值可直接表示圖像的地物光譜特征。

(a) 研究區典型地物光譜曲線 (b) 鐵尾礦訓練樣本光譜曲線圖3 研究區地物光譜曲線Fig.3 Spectral curve in the study area

2.2 形狀特征提取

遙感影像上的道路屬于線狀地物，而尾礦庫、水體、植被、居民地等均屬于面狀地物，這些地物的形狀特點在高分辨率影像上可以用長寬比來反映。線狀地物一般呈長寬比大的長矩形，而面狀地物則一般呈現為長寬比小且形狀不規則的多邊形[18]，因此通過長寬比計算可以將長寬比數值更大的道路與其他地物區分開。長寬比用協方差矩陣的特征值比值表示，較大的特征值是分數的分子,計算公式為：

(1)

(2)

(3)

式中：S為協方差矩陣;X為構成影像對象的所有像素的x坐標;Y為構成影像對象的所有像素的y坐標;Var(X)為x坐標的方差;Var(Y)為y坐標的方差;Cov(XY)為協方差;a為對象邊框的實際長度;b為實際寬度;A為影像對象的面積;l為影像對象的長；w為影像對象的寬。

長寬比也可以用邊界框來近似，公式為：

(4)

通過以上2種方法計算影像對象長寬比，取兩者中較小的結果作為地物形狀特征值(圖4)。

(a) 區域1長寬比(b) 區域2長寬比(c) 區域3長寬比圖4 地物長寬比特征Fig.4 Length-width ratio of ground features

2.3 紋理特征提取

針對相鄰像元的灰度變化情況進行統計計算可以得到定量反映紋理信息的特征值，這些特征值可以直觀地反映不同地物的紋理特征[19]。在面向對象分類過程中，若不同對象之間的灰度變化規律一致，則說明二者具有相同的紋理特征[20]。灰度共生矩陣是提取紋理特征的常用方法，Haralick[21]基于灰度共生矩陣提出了14種紋理特征值，本研究通過主成分分析提取第一主成分作為灰度共生矩陣的運算波段，結合研究區內尾礦形態、地物差異特點及特征空間優化分析，選擇45°方向上能有效區分該區地物的3個特征值(相關度(COR)、對比度(CON)和熵(ENT))提取尾礦紋理信息。計算公式為：

(5)

(6)

(7)

式中：i,j分別為原始影像灰度值i和灰度值j;k表示圖像灰度級；n為灰度i與灰度j差的絕對值；ui，uj，si，sj分別為灰度共生矩陣中第i行或第j列的均值和標準差；G(i,j)為灰度共生矩陣中第(i,j)個位置上表示原圖像相鄰像素的灰度值組合(i,j)出現的次數。提取結果見圖5。相關度可反映對象內部灰度分布的均勻程度，對比度可反映紋理的粗細程度，且對于突出邊界信息及線性地物效果顯著，熵反映對象內部紋理的復雜程度。對尾礦庫及周邊地物的均勻度、粗細度、復雜度進行分析可知，道路及裸露山地對象內部灰度分布均勻，尾礦庫內部對象灰度變化復雜； 道路及裸露山地紋理細致，尾礦庫內部紋理粗糙； 植被對象內部紋理復雜，尾礦庫及道路對象內部紋理簡單。

(a) 區域1紋理相關度 (b) 區域2紋理相關度 (c) 區域3紋理相關度

(d) 區域1紋理對比度 (e) 區域2紋理對比度 (f) 區域3紋理對比度

(g) 區域1紋理熵 (h) 區域2紋理熵 (i) 區域3紋理熵圖5 地物紋理特征提取結果Fig.5 Extraction results of feature texture

3 遙感圖像分割及分類

3.1 遙感影像多尺度分割

傳統的地物分類方法是以圖像像元為基本單位，利用不同地物光譜特征進行分類。面向對象[22]分類方法是以圖像分割后得到的同質對象為分類基本單元，將像元光譜信息與鄰近區域之間的空間特征相結合，不同地物有了更加鮮明的整體特征，而且分割后眾多像元整合成一個對象，減少數據處理量的同時又能保證原對象的結構特征信息完整性[23]，此方法更適于波段少但空間信息豐富的高空間分辨率影像信息提取。

Baatz等[24]提出了多尺度分割的概念，多尺度分割是一種常用的圖像分割方法，分割效果會直接影響面向對象分類結果。其基本原理是以單個像元為初始計算對象，在尺度參數的限制下不斷進行合并運算。在多尺度分割之前需要設置波段權重、尺度參數、光譜因子和形狀因子，然后進行第一次像元合并得到局部異質性最小的區域，若該區域異質性小于尺度參數，則繼續在上一次合并對象的基礎上進行合并，直到出現分割區域的局部異質性大于等于尺度參數時則終止合并獲得最終分割效果圖。

不同的波段權重、尺度參數、對象各異質性因子是決定分割效果好壞的關鍵因素。圖像主成分分析得到的第一主成分與藍波段、綠波段、紅波段和近紅外波段以相同的權重“1” 參與圖像分割。尺度參數是在對象異質性因子(圖6)設置完畢后進行多次實驗確定的最優分割尺度。最優分割尺度是指目標地物在當前分割尺度下被完整分割成一個或多個對象而不與其他地物形成混合對象，分割后的對象多邊形能清楚準確地指示地物邊界[10]。

圖6 決定多尺度分割效果的異質性因子Fig.6 The heterogeneity factor that determines the effect of multi-scale segmentation

在多尺度分割的過程中通過調整形狀因子、緊致度因子和尺度參數便可實現對分割參數的調整和控制。本研究采用控制變量法確定尾礦分割的形狀因子和緊致度因子，借助ESP多尺度分割工具計算最優分割尺度。ESP工具在起始分割尺度下以固定步長計算不同尺度下影像對象同質性的局部方差(local variance，LV)及其變化率ROC(rate of change)，并以ROC-LV曲線來指示最優分割尺度,當ROC出現峰值時，該點所對應的尺度即為某種地物的最優分割尺度，同一幅影像具有針對不同地物的多個最優分割尺度。ESP工具完成多尺度分割的遍歷，利用ROC-LV曲線圖中的峰值所對應的分割尺度再次進行多尺度分割實驗，驗證適合尾礦分割的最優尺度，減少了人工逐一進行各尺度分割的工作量，公式為：

(8)

式中：Li為分割尺度i所對應的局部方差；Li-1為分割尺度i-1所對應的局部方差。

3.2 基于多特征的面向對象分類

遙感影像中鐵尾礦與周圍地物在色調方面存在差異，即反射光譜的差異，這種差異為尾礦信息提取提供了理論依據。但混合像元導致的類間異質性及尾礦濃度變化導致的類內異質性使像元光譜信息不能作為尾礦提取的唯一依據，因此需要結合形狀和紋理特征以實現高空間分辨率影像的信息提取。

本文所采用的面向對象的信息提取流程是以多尺度分割得到的影像對象為基本單元，將反映對象相似或差異的光譜、形狀和紋理特征作為分類依據，選取訓練樣本執行最近鄰分類方法實現地物分類。

當前最常用的兩種面向對象分類方法是成員函數法和最近鄰分類法，最近鄰分類是一種簡便易行的基于樣本的面向對象分類方法，該方法對局部異常值不敏感，分類結果不受個別噪音的影響。當在類描述中使用多個對象特征時選擇最近鄰分類法是有利的，該方法可以有效評估出對象特征之間的相互關系。評價對象特征之間的關聯性，并且易于處理多維特征空間的重疊。其基本原理[25]是選取部分對象作為訓練樣本，通過計算其他待分類對象與已知樣本之間的距離，找到距離待分類對象最近的訓練樣本，這個訓練樣本的分類類別即為該待分類對象的類別。

4 實驗和結果分析

4.1 遙感影像多尺度分割結果

采用控制變量法確定分割尺度、形狀因子和緊致度因子3個多尺度分割參數。利用ESP工具進行多尺度分割前需要確定適合研究區地物提取的形狀因子和緊致度因子，因此在選擇最優分割尺度前需先在固定尺度下(以尺度參數370為例)對影像進行粗略分割，根據尾礦邊緣分割對象的吻合度確定適合尾礦分割的形狀因子和緊致度因子。固定緊致度因子為默認值0.5，調整形狀因子，判斷顏色和形狀參與尾礦分割的權重大小。實驗發現適當增大形狀因子時，分割得到的尾礦庫邊緣與實際更加吻合，但當形狀因子增大到0.6時尾礦分割單元過大出現欠分割現象，綜合對比發現形狀因子為0.4時(圖7)，邊緣擬合效果最好。

(a) 370,0.1,0.5(b) 370,0.2,0.5(c) 370,0.3,0.5

(d) 370,0.4,0.5(e) 370,0.5,0.5(f) 370,0.6,0.5圖7 緊致度因子為0.5分割結果(分割尺度，形狀因子，緊致度因子)Fig.7 Segmentation results with a compactness factor of 0.5

固定形狀因子為0.4，調整緊致度因子(范圍為0.1～0.8)，實驗發現當緊致度因子為0.5時尾礦庫分割效果最好(圖8)。

(a) 370,0.4,0.1(b) 370,0.4,0.2(c) 370,0.4,0.3

(d) 370,0.4,0.4(e) 370,0.4,0.5(f) 370,0.4,0.6

(g) 370,0.4,0.7(h) 370,0.4,0.8圖8 形狀因子為0.4分割結果(分割尺度，形狀因子，緊致度因子)Fig.8 Segmentation results with a shape factor of 0.4

在形狀因子0.4，緊致度因子0.5的條件下，利用ESP工具分別在不同起始分割尺度下以步長1進行多尺度分割，實驗發現當分割尺度小于50時，分割地物過于破碎，因此以起始分割50，步長1進行多尺度分割計算得到ROC-LV曲線圖(圖9)。多尺度分割為分類提供對象單元，若同一地物分割產生的對象過少則會導致參與后續分類的可選樣本不足，待分類對象缺少參考依據； 若分割產生的對象過多則會造成樣本冗余，分割時間過長影響計算機運行效率。綜合尾礦與其他地物在下一步面向對象分類結果中的表現，對ROC-LV曲線圖(圖9)中所對應的峰值點分別進行實驗，經多次實驗及針對各種地物邊緣吻合度的目視判斷，認為當分割尺度為100時(圖10),尾礦庫雖被分割成眾多同質對象，但尾礦單元完整且尾礦庫邊緣對象與相鄰地物的分割邊界清晰，眾多對象組合可以完整表示尾礦庫真實輪廓，分割效果符合后續尾礦提取需求。

圖9 ROC-LV曲線圖Fig.9 ROC-LV graph

(a) 區域1最優尺度分割結果(b) 區域2最優尺度分割結果(c) 區域3最優尺度分割結果圖10 分割尺度為100，形狀因子為0.4，緊致度因子為0.5Fig.10 The segmentation scale was 100, the shape factor was 0.4, and the compactness factor was 0.5

4.2 面向對象分類與基于像元分類的鐵尾礦提取結果比較分析

本文以兩種分類方法提取鐵尾礦信息，一種為基于像元的最大似然分類法，另一種為面向對象的最近鄰分類法。面向對象的最近鄰分類法方法類似于傳統分類方法的監督分類，是通過選擇樣本的方法來進行影像的分類，但這種方法針對的是分割后形成的影像對象，而不是單個像元，所用的分類特征比單個像元豐富的多，因此分類精度比較高。結果見圖11。

(a) 區域1面向對象分類結果(b) 區域2面向對象分類結果(c) 區域3面向對象分類結果

(d) 區域1基于像元分類結果(e) 區域2基于像元分類結果(f) 區域3基于像元分類結果

圖11 面向對象分類與基于像元分類結果圖Fig.11 The result graph of object-oriented classification and pixel - based classification

從定性的角度對比提取結果(圖12)可知，面向對象分類方法對于內部色調變化大的復墾尾礦庫和在排尾礦庫提取效果明顯優于基于像元分類方法，該方法提取的尾礦空間組合和真實地理連續性更好。

(a) 區域1面向對象尾礦提取結果(b) 區域2面向對象尾礦提取結果(c) 區域3面向對象尾礦提取結果

(d) 區域1基于像元尾礦提取結果(e) 區域2基于像元尾礦提取結果(f) 區域3基于像元尾礦提取結果

圖12 面向對象與基于像元方法鐵尾礦提取效果圖Fig.12 Graph of iron tailings information extraction by object-oriented method and pixel - based method

基于像元分類可以基本實現尾礦庫的地理定位，但由于尾礦與道路存在相似的吸收反射特征，因此庫內出現大量道路碎斑，細小尾礦目標被錯分為道路，或部分道路被錯分為尾礦(如圖12中方框所示)； 而結合影像光譜、形狀和紋理的多特征面向對象分類方法不僅可以實現尾礦庫的準確定位，而且多尺度分割生成的對象使眾多同質像元成為一個整體，單個對象擁有了整體的光譜、形狀和紋理特征，因此面向對象分類結果中尾礦庫形狀完整，庫內沒有出現大量道路錯檢信息，尾礦庫空間展布更加準確。

4.3 基于像元提取與面向對象提取鐵尾礦結果的精度評價

在定性分析的基礎上，采用混淆矩陣法對基于面向對象與基于像元的鐵尾礦信息提取結果進行定量評價，結果見表2。

表2 面向對象分類與基于像元分類精度評價Tab.2 Object-oriented classification and pixelbased classification accuracy evaluation

比較表2中結果可以看出： ①對比3幅影像的精度評價結果可知，基于多特征的面向對象分類方法提取的尾礦精度、總體分類精度及Kappa系數均高于基于像元分類方法； ②從鐵尾礦提取結果來看，3幅影像基于像元分類方法的尾礦提取精度分別為92.25%，92.44%和76.81%，面向對象分類方法尾礦提取精度分別為98.06%，95.35%和96.38%，面向對象分類提取結果更準確。

5 結論

本文以北京二號高空間分辨率遙感影像為數據源，選取3個實驗區綜合光譜特征、形狀特征和紋理特征實現基于最近鄰方法的面向對象分類，并利用混淆矩陣對比面向對象分類方法與典型監督分類方法的分類精度。通過對比研究證明了面向對象分類方法提取鐵尾礦信息的可行性，并得到以下結論:

1)面向對象分類結果明顯優于基于像元分類，3幅影像的面向對象尾礦提取精度和總體分類精度與監督分類結果相比分別提高5.81，2.91和19.57百分點以及9.70，3.80和6.44百分點，證明了該方法用于高分辨率影像的鐵尾礦分類提取的有效性。

2)影像分割是面向對象分類的前提，不同地物的分割參數需要經過大量實驗得出。本文研究區在尺度為100，形狀因子為0.4，緊致度因子為0.5 的分割參數下，分割得到的單個對象特征明顯、不同地物邊界清晰明確，有利于分類樣本的選取及后續分類。

3)基于像元的分類方法有利于突出細節信息，但由于高空間分辨率影像波段較少光譜信息不夠豐富，因此基于像元光譜信息提取鐵尾礦容易出現錯檢的情況，分類結果存在大量破碎圖斑，不利于尾礦信息的提取。

4)面向對象分類不僅利用光譜信息，還將對象長寬比、紋理相關度、對比度和熵作為分類指標，提取的尾礦庫整體結構完整，避免了“椒鹽”現象的產生。