面向對象信息提取的共性技術研究

魏金明，吳闖，仲偉政

(濟南市勘察測繪研究院，山東濟南 250013)

面向對象信息提取的共性技術研究

魏金明?，吳闖，仲偉政

(濟南市勘察測繪研究院，山東濟南 250013)

面向對象的信息提取方法已成為高分辨率遙感影像信息提取研究的熱點，許多學者利用該方法對遙感影像進行分類和信息提取，并取得了很好的效果。但目前還沒有人對其共性技術進行系統的總結。本文總結了面向對象的遙感影像信息提取通用技術流程，并對其中的共性技術如影像分割、特征定義及選取、影像分類等做以相關的介紹。

面向對象；信息提取；高分辨率；影像分割；影像分類

1 引 言

遙感數據獲取技術的快速發展，尤其是高分辨率遙感影像的大量出現，大大推動了遙感數據在多個行業部門的廣泛應用。高分辨率遙感影像提供了比中低分辨率遙感影像更多的信息(紋理、形狀、拓撲等)。針對高分辨率遙感數據的特點，一些學者提出了面向對象的信息提取方法[1]。該方法不僅利用地物的光譜信息，更多的是利用其幾何信息和結構信息，可以彌補傳統的基于像元的信息提取方法的不足，從高分辨率影像上提取更精細更豐富的地物信息，提高分類精度，更好地為各個領域的研究提供支持。

目前，已有許多專家對面向對象的方法進行了研究，如Willhauck等采用面向對象的影像分析方法，集合了多種數據如ERS SAR影像、植被圖及NOAA數據完成了印尼在1997年與1998年嚴重森林火災后的制圖任務[2]。Huang Huiping等進行了相關的實驗，對面向對象分類結果的精度和準確性進行了肯定[3]。Qian Yu利用面向對象分類方法，用航空高分辨率遙感影像進行了森林資源的調查，分類數量達到43個，取得了比較滿意的結果[4]。雖然許多學者利用該方法對遙感影像進行分類和信息提取，并取得了很好的效果。但目前還沒有人對其共性技術進行系統的總結。文中總結了基于對象的遙感影像信息提取通用技術流程，并對其中的共性技術如影像分割、特征定義及選取、影像分類等做一相關的介紹。

2 技術流程

目前，已有許多商業軟件應用于面向對象的技術對遙感影像的信息提取。如德國Definiens Imaging公司推出的面向對象的遙感影像分析軟件eCognition； ERDAS IMAGINE軟件也在其9.0版本后，推出了擴展模塊Feature Analyst；ENVI軟件在版本4.4后，提供了特征提取模塊FX(ENVI Feature Extraction)。在總結已有面向對象處理方法和現有商業軟件的基礎上，提出了面向對象的信息提取技術流程如圖1所示。

圖1 面向對象的信息提取技術流程

3 共性技術

在面向對象的信息提取技術流程中，總結了面向信息提取方法的共性技術，它包括:數據準備，影像多尺度分割，對象特征的選擇和組合，影像分類，分類精度評價，分類后處理。

3.1 數據準備

數據準備包括影像預處理，影像增強和變換，輔助數據處理三部分。影像預處理主要指幾何糾正和輻射糾正，以去除圖像獲取過程中產生的變形、扭曲，模糊(遞降)和噪音等，得到一個盡可能在幾何和輻射上真實的圖像。遙感影像增強和變換處理的目的是為了突出有用信息，加大各地物間的差異性，以便于后續分析。對附加的專題數據進行處理，使其與影像數據具有相同的坐標系統，并做到精確配準。

3.2 影像多尺度分割

影像的多尺度分割將影像劃分為具有內部同質性和外部異質性的影像對象，使具有相同光譜實體的像元變為具有平均光譜屬性和進化空間屬性的對象。分割算法庫可提供多種影像分割算法，如四叉樹分割、均值漂移分割和區域生長分割等。

圖2 影像對象層次網絡

用選定的分割算法對一幅遙感影像進行分割前，需要設定分割參數。如區域生長法需要設定顏色權值、形狀權重、光滑度權重、緊致度權重和分割尺度。分割完成后便生成一個影像對象層。用不同的分割參數經多次分割便可形成影像對象層次網絡。影像對象層次網絡中的每一個對象都有自己的鄰對象、子對象和父對象。對象垂直鏈接后，便可以利用尺度和高級的紋理特征。影像對象層次網絡可以同時展示不同尺度的影像信息，如圖2所示[6]。影像對象層次網狀結構是一個拓撲關系，比如，父對象的邊界決定了子對象的邊界，父對象的區域大小由子對象的總和決定，每一層都可由它的直接的子對象來構成。在下一個高層上，子對象合并為大對象。這個合并會被已有父對象的邊界所限制。如果是不同的父對象，那么相鄰的對象不能進行合并。

3.3 對象特征的選擇和組合

影像對象的屬性被定義為特征。內在的影像對象特征有形狀、顏色等，外部特征有與鄰域的關系等，另外，可根據現存特征建立自定義特征，如植被指數(NDVI)。

廣義上說，特征包括對象特征、類相關特征、場景特征、處理相關特征等。具體講，可包括光譜特征(如均值、標準差、比率等)，形狀特征(如面積、緊致度、對稱性等)，紋理特征(如光譜紋理、形狀紋理、GLCM特性等)，拓撲特征(如對象間的相鄰、相接、包含等)等等，這些特征都可以在特征庫中表示。特征庫中包含了眾多的特征。

通過查看和分析各特征信息，可在不同的影像對象層中靈活運用對象特征，以確定描述某一特定地物的最優特征組合。如通過對形狀特征的長寬比計算，可對線性地物有很好的突出作用。特征組合的原則是用最少的特征準確的描述某一地物類。

3.4 影像分類

根據要劃分的地物類別，結合特征庫和分類規則庫，可建立各地物類的分類規則。具體的規則建立需考慮以下3個層次:①各層次類型的規則建立。根據對象的光譜特征、幾何特征和拓撲特征等定義類型的判定規則。②層內子類型對父類型繼承。如果存在子類型，子類型應首先繼承其父類型的判定規則，然后增加其特有的光譜特征、幾何特征和拓撲特征作為判定規則。③對每一層的分類結果進行合并與傳遞，形成最終的分類判定規則。需要說明的是，每一規則的建立并不一定必須包含以上3個層次，如果能很好地對地物進行判定，僅用一個層次也可以形成規則。同樣，在每個層次也可以靈活選擇其特征形成其規則。另外，還可以通過調整特征函數的表現形狀定義自定義特征。

如對一幅已建立了影像對象層次網絡的遙感影像，建立各類別的分類規則可以由兩種途徑來實現:

(1)對各類采樣并自動建立分類規則。

在影像對象層中選擇地物類訓練樣本，由于一個影像對象可以覆蓋許多典型像素和它們的變量，故只需選擇很少的訓練樣本。為各地物類選擇完訓練樣本之后，可以自動生成各類別的最優特征表示，進而可以自動建立分類規則。該方法自動化程度高，可以快速的為各類別建立分類規則，但不可以為各類建立類層次關系，分類精確度不是很高。

(2)通過查看和分析各類別的特征表現，建立分類層次并定義各類別的分類規則。

該方法的關鍵是根據各類別的特征信息和類別間的關系，建立分類層次(分類樹)，并為各類定義最優的特征函數。如對一幅建立了4個影像對象層次網絡的影像，在高等級影像對象層中可以分為水體和非水體；在中高級影像對象層中，我們可以將水體分為河流和湖泊，將非水體分為綠地和非綠地；在中低級影像對象層中，可以將綠地分為林地和草地，將非綠地分為建筑物和裸地；在低級的影像對象層中，可以將林地分為稀樹林和密樹林。依此原則，對一幅影像，我們可以建立復雜的分類層次結構。在分類層次中，葉子節點代表的類別為最終的分類類別。建立類別層次之后，就可以依據經驗和試驗為各類別建立特征函數，子類的特征函數會自動繼承父類的特征函數，進而建立各類別的分類規則。在分類層次中，從根節點開始，對每個內部節點，采用自上至下的方法，找出其相應的特征函數進行測試，在不同的測試結果找到最優的分類準則，對新節點再重復上述操作，不斷循環，直至到達最后一個葉子節點。該方法需要有豐富的先驗知識并通過多次試驗以確定最優的分類體系，自動化程度不高，但分類精度高。我們擬針對市場上常用的遙感影像數據建立通用的分類體系，同時針對專題應用建立專題應用模型。

在分類算法庫中包含多種分類算法，如最鄰近分類法、模糊邏輯分類法等。

模糊邏輯分類是一種概率分類方法，同時又是一種利用專家系統的規則來進行分類的強大的分類技術。它把任意的特征值轉化到0～1之間，表示屬于某個特殊類的隸屬度值。模糊分類可做到:①通過把特征值轉化為隸屬度值，使得特征規則化，并且允許特征的合并；②它提供了一個適應的和可修改的特征描述；③通過邏輯操作和分等級的分類描述方法使得對于復雜特征的描述簡單化。一般情況下，模糊分類系統一般有3個步驟組成；模糊化、建立模糊規則和去模糊。

利用選定分類算法，執行分類操作，得到分類結果。

3.5 分類精度評價

分類精度評定包括目視查看和數學統計兩種方法。目視查看指將分類后各類別與原始影像進行對比，以查看特征地物是否有明顯的誤分、漏分現象，該方法只能對明顯錯誤作出判斷，不可對錯誤進行量化；數學統計法指用混淆矩陣、Kappa系數等統計方法對分類精度進行評定，也是當前常用的精度評定方法。

混淆矩陣的定義如下:

式中，mij表示試驗區內應屬于i類的像素被分到j類中去的像素總數，n為類別數?；煜仃囍袑蔷€上的元素數值越大，則表示分類結果的可靠性越高；混淆矩陣中非對角線上的元素數值越大，則表示錯誤分類的現象越嚴重。

分類精度的主要指標有生產精度、用戶精度、總體精度、漏分誤差、錯分誤差和Kappa系數。

生產精度(PA):指某一類別的正確分類數占參考數據中該類別像元總數的比例。那么，相反錯誤的分類數占參考數據中該類別的總數則為漏分誤差(OE)。

用戶精度(UA):指某一類別正確的分類數占分為該類像元總數的比例。同樣，錯誤的分類數占分為該類像元的總數則為錯分誤差(CE)。

總體精度(OA):指總正確分類數占總抽樣數的比例，它反映了分類結果總的正確程度。

由于總分類精度只利用了混淆矩陣對角線上的元素，而未利用整個混淆矩陣的信息，作為分類誤差的全面衡量尚欠不足，因此許多研究者提出了Kappa系數作為分類精度的一個指標。Kappa系數可用下式來表示:

式中，n為分類矩陣的行列數，mij為混淆矩陣中第i行第j列的元素值，mi＋和m＋i分別表示分類混淆矩陣的行總和及列總和，N為總觀察值，也就是混淆矩陣中所有元素的和。由于Kappa系數全面地利用了混淆矩陣的信息，因此可作為分類精度的綜合指標。

另外，針對某一特定地物類，還可以根據它的重合、漏分和誤分三部分設計其重合率、漏分率和誤分率3個精度評價指標。假定A為某特定類的參考數據，B為該特定類的分類結果。則:

重合率:反映了該類別分類結果的正確率，計算公式為:

重合度越高，該類別的分類效果越好。

漏分率:該類別分類結果中漏分部分占參考數據的比重，計算公式為:

漏分率越高，該類別的分類效果越差。

誤分率:表示被誤分到該類別的部分占該類別對象分類結果中的比重，計算公式為:

誤分率越高，該類別的分類效果越差。

3.6 分類后處理

眾所周知，任何的自動信息提取方法都不能保證每次的結果都完全正確，因此，人為參與下的快速半自動提取技術是自動信息提取的必要補充。分類后處理主要包括濾波技術和快速矢量編輯工具，將分類后過小的圖斑去除，將漏分和錯分的地物類編輯到正確的地物類別中。

4 總結與討論

文中總結了面向對象的信息提取技術流程，并對其共性技術:數據準備、影像多尺度分割、對象特征的選擇和組合、影像分類、分類精度評價、分類后處理進行了概括說明，使人們對面向對象的信息提取技術有了深入的認識。由于遙感影像信息提取的復雜性和特殊性，不同的影像在信息提取中對分割尺度，對象特征選取，分類規則和分類方法的具體要求不盡相同，這使人們在利用面向對象技術進行信息提取時，應具備相關的專業知識，并通過不斷實踐來獲取最佳的結果。

[1]明冬萍，駱劍承，沈占鋒等.高分辨率遙感影像信息提取與目標識別技術研究[J].測繪科學，2005(3):18～20

[2]Willhauck，G.，Benz，U.C.，and Siegert，F.，Semiautomatic classification procedures for fire monitoring using multitemporal SAR images and NOAA－AVHRR hotspot data，Proceedings of the 4th European Conference on Synthetic Aperture Radar，Cologne，Germany，2002，4～6

[3]Huang Huiping，Wu Bingfang，Fan jinlong.Analysis to the RelationshiP of Classification Accuracy Segmentation Scale Image Resolution[C].IEEE Trans，IGARSS，2003，6:3671～3673

[4]Qian Yu，Peng Gong et al.object－based Detai1ed Vegetation Classification with Airborne High Spatial Resolution Remote sensing Imagery[J].Photogrammetric Engineering＆Remote sensing，2006，72(7):799～811

[5]周芳芳，樊曉平，葉榛，均值漂移算法的研究和應用[J]，控制與決策，Vol.22 No.8，Aug 2007

[6]eCogonition Reference Book version 7.0

[7]eCogonition User Guide version 7.0

The Common Technologies of Object－based Information Extraction

Wei JinMing，Wu Chuang，Zhong WeiZheng
(JiNan Geotechnical Investigation and Surveying Institute，JiNan 250013，China)

The method of object－based information extraction has become a research hotspot for high－resolution remote sensing image.Many scholars make use of the method of remote sensing image classification and information extraction，and has good results.There has been no common technology for its system summary systematic summary.In the paper，the common process and technologies of object－based information extraction is summed up and common technologies，such as image segmentation，feature definition and selection，image classification are introduced.

object－based；information extraction；high－resolution；image segmentation；image classification

1672－8262(2010)05－100－04

TD353.6，P23

A

2009—12—16

魏金明(1982—)，男，助理工程師，從事遙感圖像處理與地理信息系統應用開發研究。