基于高分辨率遙感影像的農村居民點內部用地信息提取研究

陳廣群，劉洋，蘭澤英

(1.廣州市城市規劃勘測設計研究院，廣東廣州 510060； 2.武漢大學資源環境科學學院，湖北 武漢 430079；3.地理信息系統教育部重點實驗室，湖北武漢 430079)

基于高分辨率遙感影像的農村居民點內部用地信息提取研究

陳廣群1?，劉洋1，蘭澤英2，3

(1.廣州市城市規劃勘測設計研究院，廣東廣州 510060； 2.武漢大學資源環境科學學院，湖北 武漢 430079；3.地理信息系統教育部重點實驗室，湖北武漢 430079)

近年來，隨著農村地區土地利用規劃工作的細致深入，對快速獲取農村居民點內部用地信息提出了更高的要求。目前，國內外的研究主要集中在對于房屋或道路的提取上，且大多以面向像元的分類方法為主，其結果并不能反映農村居民地內部的整體用地情況且分類精度有待進一步提高。為此，本文提出了一種方法:首先利用大比例尺土地利用現狀圖提取農村居民點外邊界；接著建立起農村居民地遙感分類體系；然后，采用面向對象的分類技術，輔以各種地學知識建立起提取農村居民點內部用地信息的有效模型；最后以武漢市黃陂區的桃園吉地區為研究區域進行了實例研究，驗證此方法的有效性。

高分辨率遙感影像；農村居民地內部用地信息提取；面向對象分類技術

1 引 言

農村居民地在我國土地利用中所占的比重很大，但是其布局散亂、用地粗放。因此，采用高分辨率遙感技術快速、有效地掌握其內部用地信息，從而進行潛力挖掘、優化布局已成為當前我國新農村建設的首要任務。

目前，國內外對城市居民點用地信息提取的研究很多(Aaron K.Shackelford，2003)，但針對農村居民地的研究相對較少，且主要集中在對于房屋或道路的提取上(陳敏，2004；蘇俊英，2004；朱長青等，2004；Michael Bock，Panteleimon Xofis，2004；Jingnan Huang et al，2007)，其結果并不能反映農村居民地的整體用地情況。此外，目前的研究大多以面向像元的分類方法為主，并相繼出現了基于光譜特征和形狀特征的簡單決策樹模型(安如，趙萍，2005)，基于知識發現的房屋半自動提取方法(楊存建，周成虎，2001)，基于紋理特征的房屋與道路分離的骨架化算法(蘇俊英，曹輝，張劍清，2004)，基于ffmax算子的輔助分類方法(Chu He et al，2006)等。但在農村居民點內部，由于用地結構混亂，像元間相互影響的情形十分突出，此類方法并不能較大地提高分類的精度。

為此，本文利用高分辨率遙感影像，提出了一種方法(如圖1所示):首先利用大比例尺土地利用現狀圖提取農村居民點外邊界；接著根據新農村建設對于居民地規劃的需求建立起農村居民地遙感分類體系；然后，采用面向對象的分類技術，輔以各種地學知識建立起提取農村居民點內部用地信息的有效方法模型；最后以武漢市黃陂區的桃園吉地區為研究區域進行了實例研究，驗證此方法的有效性。

圖1 利用高分辨率遙感影像提取農村居民點用地信息技術路線流程圖

2 研究區域

本文以武漢市黃陂區的桃園吉地區為研究對象，它位于黃陂市東部，具有典型的江漢平原農村居民點的特點，總面積 112.4 km2。采用的遙感影像為2005年的SPOT5影像，分辨率為2.5 m×2.5 m，研究區域被劃分為2 469×1 922個柵格。該影像為在氣象條件良好的前提下拍攝所得，并經過幾何糾正，影像配準和融合從而轉化成數字正射影像圖。此外，本文還采用了該地區2005年的1∶1萬的土地利用現狀圖作為參考。

3 居民地外邊界提取

將遙感影像作為底圖，以土地利用現狀圖中獲取的居民點圖斑作為邊界條件進行圖像裁剪，運算結果就代表影像圖中相應的農村居民點范圍，為此采用了同時期的影像數據(2005年SPOT5影像)和矢量數據(2005年的1∶1萬的土地利用現狀圖)，步驟如下:首先，基于ArcInfo軟件的查詢模塊將土地利用現狀圖中的居民地圖斑篩選出來；其次，上步操作得到的圖斑是Shapefile數據格式，必須轉換為柵格圖像文件才能與影像進行疊置計算。在轉換過程中，利用Coverage作為中間數據格式進行處理。此外，轉換后還需要設置圖像的投影信息等；最后，通過掩膜運算實現影像中農村居民點邊界的提取。

4 輔以地學知識的面向對象影像分類

本文采用面向對象的分類方法來提取農村居民點內部用地信息。其實現過程包括:首先建立農村居民點內部用地信息的遙感分類體系；其次，對影像進行多尺度分割，并建立類層次結構，針對每種類別，建立不同的特征組合；然后依據分割得到的同質對象的特征向量空間來進行遙感影像分類；接著，對于錯分或漏分的同質對象，可以通過人機交互的方式進行糾正，在初次分類的影像上進行再分類；最后采用實地調查數據對分類精度進行評價。

4.1 農村居民地遙感分類體系

按照《我國新農村規劃分類體系》的要求，農村居民點的詳細分類體系主要由以下幾個類別組成:村民住宅用地(dwelling building)、公共建筑用地(public building)、生產建筑用地(operative building)、道路用地(pavement land)、廣場用地(open space)、水利洗滌用地(pond land)，及村莊內部綠化用地(vegetation land)。結合研究區域的實際特點，具體分析上述土地利用類型在遙感影像中的信息機理如下:

(1)村民住宅用地、公共建筑用地、生產建筑用地這3個類別是按照建筑物的利用類型來區分的，由于它們在遙感影像中各項特征相似，不具備可分性，因此將其歸屬為建筑物用地(build－up land)，其顏色為白色，大小在25 m×25 m以下。

(2)在農村居民點中，道路用地的鋪筑材料是水泥或碎石，一般寬 2.5 m，光譜特征與水泥房頂相似；還有一部分道路被兩邊的行樹覆蓋，光譜特征表現為與綠地相似，顏色為深綠偏亮。由于道路在影像中表現出“同物異像現象”，為了獲得更好的分類精度，本文將道路用地細分為:水泥覆蓋的道路(cement covered pavement)、樹冠覆蓋的道路(crown covered pavement)。

(3)廣場用地主要指房屋間的空地，受經濟水平的限制，目前這些地塊未進行規劃管理，還屬于泥土地，寬1 m～5 m不等，顏色呈土黃。

(4)水利洗滌用地主要反映為居民點內部的小型水塘，圖斑緊湊，主要表現為深藍色。

標準的土地利用分類體系和通過遙感影像提取出來的土地利用分類體系的對應關系 表1

(5)村莊內部綠化用地包括林地和草地，林地的分布主要有以下幾種方式:成片分布在居民點外圍、零星分布在房屋四周、平行分布在道路兩旁，其中，道路兩旁的綠地受水泥地面反射光譜的影響，顏色為綠色稍亮；密集綠地顏色偏深綠；稀疏綠地由于混有部分泥土的反射光譜，顏色偏淡綠。由于綠化用地表現出“同物異像”現象，為了獲得更好的分類精度，本文將綠化用地細分為:密集型(dense vegetation)和稀疏型(spread vegetation)，最后再進行統計匯總。

4.2 多尺度影像分割

影像分割的目的在于將影像劃分成一個個有意義的區域，為下一步分類提供基礎。影像分割的精度直接決定以后分類結果精度高低(Volker Walter，2004)。分割尺度的選擇、圖層權重的選擇以及分割因子的選擇是影像分割過程中的重要環節。

(1)尺度的選擇:對于一種確定的地物類型，最適宜的尺度值是分割后的多邊形能將這種地物類型的邊界顯示十分清楚，并且能用一個對象或幾個對象表示出這種地物，既不能太破碎，也不能太大(黃慧萍，2003)。在農村居民點中，地類圖斑本身就比較小，因此分割尺度均選在30 m以下。其中，綠地和洗滌用地有成片分布情況，而且它們的光譜特征與其他地類差別較大，因此分割尺度最大；建筑用地和空地的分割尺度其次；道路的寬度只有2.5 m，應該盡量選擇小尺度分割。

(2)圖層權重的選擇:可以根據不同圖層對分割結果的重要性而取不同的權重值。如果分割過程中所需要的一個層的信息越多，則此層的權重就越高(Barlow J，2003；Geneletti D，2003)。

(3)分割因子的選擇:影像分割時，要反復試驗確定合適的顏色、光滑度和聚集度3個分割因子。這3個因子決定了在影像對象層中各自所占的百分比。多尺度影像分割的參數如表2所示。

多尺度影像分割參數 表2

4.3 分類層次及類別表達

農村居民點內部地物的關系復雜，因此本文采用層次分析法(AHP)，將土地利用類型分為若干層次，首先基于光譜特征進行差異較大的類別信息提取，得到第一層次的分類結果；然后再基于形狀特征等幾何信息對第一層中無法區分的地類進行細分，獲得第二層次的分類結果，按此操作流程，直至分出所有的類別為止。這個層次結構的建立是一個動態過程，即它并非一層不變，而是隨著分類操作反復調整的。

本文中，首先根據影像的光譜特征可以較容易區分廣場用地、水利洗滌用地和稀疏型綠化用地，它們分別為土黃色、深藍色和淡綠色。但是建筑物用地和水泥覆蓋的道路均為白色，樹冠覆蓋的道路和密集型綠化用地均為深綠色，這兩組地物在第一層分類中無法區分，需要建立第二層分類結構。分類層次如圖2所示。

此時，需要結合地學知識分析地物類別與影像對象特征的相關性，選擇差異顯著的其他特征將它們區分開來。由于道路斑塊較狹長，建筑物斑塊則較為規整，綠化用地的形狀呈現出顯著的不對稱性，因此通過各種形狀特征指數可以將這些地類進一步區分開來。本文利用eCognition軟件的Feature View工具來實現，所選定的形狀特征指數主要有“長度/面積”、“長度/寬度”、“曲率/長度”，如表3所示。

圖2 影像分類的層次結構

相似光譜特征類別的表達 表3

4.4 居民地內部土地利用信息提取

基于分割的面向對象分類技術一般包括兩種方法，即模糊分類和最鄰近分類，本文采用后一種方法。在分類前先對每種地類進行樣本多邊形的訓練工作。根據分類系統中地物類別的特征組合，利用成員函數篩選訓練樣本。成員函數把任意特征值范圍轉換為統一的范圍[0，1](王寧宇，2006)，描述了樣本對于某個類型的隸屬度。面向對象技術允許隨時對訓練區樣本的成員函數曲線進行調整，在訓練中舍棄特征值分散的樣本，選擇屬性值在函數曲線上集中的多邊形為樣本庫成員，每種土地利用類型有一個樣本函數庫，一個標準圖幅影像的樣本多邊形數目為20個～50個。確定樣本庫后就可以在不同的對象層提取對應的地物類別，每一個多邊形的特征組合與所有地類的樣本函數曲線比較，若該屬性值位于曲線范圍之內，則獲得一個隸屬度，隸屬度加權和大于其中一種地類的預設值，則該多邊形確定為該類用地。

初次分類后，難免有錯分與漏分的現象，面向對象分類方法提供了一種人機交互的方式，將漏分的多邊形手動歸為某種地物類型，錯分的多邊形進行類型的修改。這樣充分利用了人工目視解譯在高分辨率遙感影像處理中的優勢，通過人機交互的方式，反復修正分類結果，使分類精度大大提高。

5 實驗結果及分析

5.1 居民地邊界提取結果

提取結果如圖3所示，其中左邊為提取出的農村居民點多邊形與影像的疊加結果，共有89塊多邊形；右邊為其中一塊多邊形的放大效果圖。由于該地區為典型的江漢平原地帶，居民地的分布受地形的影響較小，因此居民地的分布較為分散，但比較均勻。

圖3 SPOT影像圖中的農村居民點范圍提取結果

5.2 基于面向對象技術的遙感影像分類結果

(1)影像的多尺度分割結果

本文采用eCognition軟件來進行基于面向對象技術的遙感影像分類。在農村居民地外邊界提取結果的基礎之上，我們采用表1中所示的參數對影像進行多尺度分割，一共劃分了3個層次，得到3個尺度的分割結果，分別如圖4中的level1，level2以及level3所示。

圖4 多尺度分割結果圖

(2)影像分類結果

我們確定了影像分類的分類層次以及相似類別的表達后，光譜特征被首先用來區分第一層次的土地利用類別。在具有較大分割尺度的影像對象層中(Level3)，我們建立了每個類別的訓練樣本。然后，采用面向對象技術的最鄰近分類法進行初始分類，結果如圖5所示。

由圖5可知，在較大尺度的影像對象層中，光譜特征具有顯著區別的類別能夠較容易進行區分。然而，具有相似光譜特征的類別卻存在著誤分類的情況，例如圖中的區域A和B。在實地，A和B同為一條道路的兩個部分，但是A區域被行樹全覆蓋，在影像中呈深綠色，故在初始類結果中被劃分為深綠色地類，而B被水泥材料覆蓋，在影像中呈白色，故被劃分為白色地類。因此，在具有“同物異像”或“同像異物”現象的區域還需要對小尺度影像對象層(Level1和Level2)輔以表3所示的形狀特征指數進一步細分類。并且，分類結束之后，我們還需要采用人機交互方式對漏分或錯分的區域進行改正，從而得到最終的分類結果，如圖6所示。

圖5 初始分類結果

圖6 最終分類結果

(3)分類精度分析

由于農村居民地內部的用地信息在1∶1萬土地利用現狀圖中得不到反映，因此本文采用實地調查的土地利用數據作為參考來評價此影像分類的精度。首先，我們在研究區域的89塊農村居民地圖斑中選取了靠近主要道路的3塊和遠離主要道路的3塊作為樣本；然后把樣本的影像分類結果和實地調查結果做對比分析，分析的結果如表4所示。

由評價結果可知，本文中農村居民地內部土地利用信息的提取結果具有較好的精度，總體上達到了84.09%，大多數地類的分類精度均在80%以上。而道路用地由于“同像異物”和“同物異像”現象的影響使得其分類精度相對較低，為77%左右。對于稀疏型綠化用地，則是由于受到其周圍泥土反射光譜的影響，其分類精度也相對較低，為76.67%左右。總體而言，此分類精度是令人滿意的。

分類結果的精度分析 表4

6 結 論

高分辨率遙感影像在土地詳細利用中具有廣闊的應用前景。近年來，隨著農村地區土地利用規劃工作的細致深入，對快速獲取農村居民點內部用地信息的提出了更高的要求。高分辨率遙感影像中包含了豐富的細節信息，為土地利用工作提供了數據來源，為此，本文提出了一種基于高分辨率遙感影像提取農村居民地內部土地利用信息的技術路線。實驗結果表明，與傳統的基于像元的監督分類技術相比，面向對象的分類過程更加符合人腦的思維過程，分類結果更加符合實地情況。該方法實現了對農村居民地內部的房屋、道路、綠地、裸土地的定量、定位描述，為土地利用規劃提供了實時、可靠、詳細的數據基礎，它對于促進土地集約利用，緩解用地矛盾，保護生態環境，改善農村居民的生活條件具有十分重要的意義。

[1]Karathanassi，V，Iossifidis，C.＆Rokos，D.A texture－based classification method for classifying built areas according to their density.International Journal of Remote Sensing. 2000.21:1807～1823

[2]Caprioli M，Tarantino E.Urban Features Recognition from VHR Satellite Data wit h an Object2oriented Approach [A].Proceedings of Commission IV Joint Workshop，Challenges in Geospatial Analysis，Integration and Visualization II，Stut tgart[C].Germany，September 8～9，2003

[3]Townshend J，Huang C，Kalluri S，Defries R，et al.Beware of per pixel characterization of land cover.International.Journal of Remote Sensing，2000，21(4):839～843

[4]Blaschke T，Lang S，Lorup E，et al.Object－oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications[J]. Environmental Information for Planning，2000，2:555～570

[5]Chu He，Gui－song Xia，and Hong Sun.An Adaptive and Iterative Method of Urban Area Extraction From SAR Images [J].IEEE.IEEE GEOSCIENCE AND REMOTE SENSING.2006.10，3(4):504

[6]A.M.Marangoz，S.Karaki and M.Oruc.Analysis of object－oriented classification results derived from pan－sharpened landsat 7 ETM and Aster images.ISPRS workshop on topographic mapping from space，Ankara，February 2006

[7]Aaron K.Shackelford，Student Member，IEEE.A Combined Fuzzy Pixel－Based and Object－Based Approach for Classification of High－Resolution Multi－spectral Data over Urban Areas[J].IEEE GEOSCIENCE AND REMOTE SENSING. 2003.10，41(10):2354～2364

[8]Jingnan Huang，X.X.Lu，Jefferey M.Sellers.A global comparative analysis of urban form:Applying spatial metrics and remote sensing.ELSEVIER Landscape and Urban Planning.2007

[9]Michael Bock，Panteleimon Xofis，Jonathan Mitchley.Object－oriented methods for habitat mapping at multiple scales. ELSEVIER Journal for nature conservation.2004.12

[10]Volker Walter.Object－based Classification of Remote Sensing Data for Change Detection[J].ISPRS Journal of Photogrammetry＆Remote Sensing，2004，58:225～238

[11]Barlow J，Martin Y，F ranklin S E.Detecting Translational Landslide Scars Using Segmentation of Landsat ETM＋and DEM Data in the Northern Cascade Mountains[J].British Columbia，Can J Remote Sensing.2003，29(4):510～517

[12]Geneletti D，Go rte B G H.A Method for Object－Oriented Land Cover Classification Combining Landsat TM Data and Aerial Photograph s[J].Remote Sensing.2003，24(6): 1273～1286

[13]Floyd M H，Zong2Guo Xiao.Sar.Application in Human Settlement Detection，Population Estimation and Urban Landuse Pattern Analysis:A Status Report[J].IEEE.Geoscience and Remote Sensing，1997，35(1):93～1011

[14]王寧宇，李博.基于eCogniton的高分辨率遙感圖像的自動識別分類技術[J].北京建筑工程學院學報，2006.12，22(4):26～29

[15]蘇俊英，曹輝，張劍清.高分辨率遙感影像上居民地半自動提取研究[J].武漢大學學報，2004.9，29(9):791～795

[16]黃慧萍.面向對象影像分析中的尺度問題研究[D].中國科學院研究生院，博士學位論文，2003

[17]朱長青，王耀革，馬秋禾等.基于形態分割的高分辨率遙感影像道路提取[J].測繪學報，2004.11，33(4):347～351

[18]田光進，劉紀遠，張增祥等，基于遙感與GIS的中國農村居民點規模分布特征.遙感學報，2002.7，第六卷第4期: 307～312

[19]安如，趙萍，王慧麟等.遙感影像中居民地信息的自動提取與制圖[J].地理科學，2005，25(1):74～80

[20]楊存建，周成虎.TM影像的居民地信息提取方法研究[J].遙感學報，2000，4(2):146～150

[21]陳敏，劉秉瀚，楊靛青.TM遙感圖像中居民點的自動提取[J].福州大學學報，2004(32):95～98

Extraction of Land－use Information within Rural Residential Area from High－resolution RS Images

Chen GuangQun1，Liu Yang1，Lan ZeYing2，3
(1.Guangzhou Urban Planning＆Design Survey Research Institute，Guangzhou 510060，China；2.School of Resource and Environment Science，Wuhan University，Wuhan 430079，China；3.Key Laboratory of Geographic Information System，Ministry of Education，Wuhan University，Wuhan 430079，China)

Extracting land－use information within rural residential area is one of the major applications in remote sensing today.In this paper，a new method，which is auxiliary land－use knowledge method，is presented for this requirement.With the abundant geographic knowledge in the thematic map，we first propose a simple and effective method to extract rural residential out－border from RS image by overlapping analysis，and take the result as the basic data for further interpretation.Secondly，the object－oriented approach is employed for further classification，whose basic cell isn’t a single pixel any more，but rather an image object from image segmentation.During the process，land－use knowledge is also taken as auxiliary information to establish class system and class hierarchy，select feature presentation of image objects，and examine classification result.Finally，a high－resolution RS image of Hubei Province is taken as testing data to verify the above method.The experiment results are satisfying:the detailed land－use information is extracted and categories with similar spectrum feature are divided effectively.It is obvious that this method offers a good solution to extract land－use information within rural residential area.

high－resolution RS image；Extracting land－use information within rural residential area；object－oriented classification approach

1672－8262(2010)03－71－06

P231

A

2010—03—23

陳廣群(1963—)，女，助理工程師，主要從事地圖學與GIS應用。

國家973基金支持項目(2006CB701303)