面向對象的GEO遙感影像分類與信息提取

彭 文,石軍南

(中南林業科技大學遙感信息中心,湖南 長沙 410004)

1 引言

過去40年間遙感技術有了長足的發展,具備了高光譜分辨率、高時間分辨率、高空間分辨率、多傳感器、多平臺、多角度對地觀測能力,已經形成了三多和三高的發展局面。2008年9月6日,美國從范登堡空軍基地發射了“地球之眼”-1(GeoEye-1)多光譜成像衛星。該衛星由“地球之眼”商業成像衛星公司研制,可提供分辨率為0.41m的黑白衛星圖像和分辨率為1.65m的多光譜衛星圖像,同時可提供被偵察目標的誤差小于3m的定位信息。地球之眼-1是當今世界上能力最強、分辨率和精確度最高的商業成像衛星。

一方面是我們獲得的遙感圖片分辨率越來越高,另一方面是人們對遙感信息的認識和利用程度遠遠落后于遙感信息獲取的速度,造成大量資源的嚴重浪費,但據統計,人們用到的遙感信息僅占全部獲取信息的5%左右,而深層次的信息開發更少,這個事實極大地限制了遙感技術實際應用效果[1]。現有的遙感處理軟件大都采用傳統的基于像元與統計分析的分類方法,主要包括監督分類和非監督分類。

監督分類是一種常用的精度較高的統計判決分類,在已知類別的訓練場地上提取各類訓練樣本,通過選擇特征變量、確定判別函數或判別規則,從而把圖像中的各個像元點劃歸到各個給定類的分類方法[2]。非監督分類是在沒有先驗類別知識的情況下,根據圖像本身的統計特征及自然點群的分布情況來劃分地物類別的分類處理。

以上這些方法適合于多光譜和高光譜分辨率的遙感圖像,對于分析低分辨率遙感圖像中的大面積區域變化可能會取得較好的結果。然而,對于高分辨率的遙感圖像,目標物的形狀清晰可見,圖像上地物景觀的結構、形狀、紋理和細節等信息都非常突出,而光譜分辨率并不高,因此,針對高空間分辨率圖像,在分類時不能僅依靠其光譜特征,更多的是要利用其幾何信息和結構信息。

面向對象的信息提取方法,針對的是對象而不是傳統意義上的像素,可以充分利用了對象信息(色調、形狀、紋理、層次),類間信息(與鄰近對象、子對象、父對象的相關特征)。目前關于面向對象的分類平臺應用較單一,多基于德國的Ecognition軟件,本文基于ENVIZOOM軟件平臺對面向對象的分類方法做了有益探索,為更好的利用地球之眼衛星圖片提供參考。

2 實驗區及數據源

2.1 地球之眼-1衛星的基本參數設置

地球之眼-1將運行在684km高的太陽同步極地軌道上,以大約7.5km/s的軌道速度飛行,每天繞地球12或13圈,每天都在當地時間上午10:30左右通過給定地區。它將能以0.41m全色分辨率和1.65m多譜段分辨率搜集圖像,而且同樣重要的是它還能以3m定位精度精確確定目標的位置。

2.2 實驗區域

本文所采用的數據是由Geo Eye提供的中國張家界國家森林公園的遙感影像,研究區域內地形多以山地為主,景觀多為森林。影像數據包括全色和多光譜,其中全色分辨率為0.5m,多光譜為2m,帶有各自的rpc參數。

3 理論基礎與方法

3.1 影像對象構建

影像對象構建主要用了影像分割技術,常用分割方法包括基于多尺度的、基于灰度的、紋理的、基于知識的及基于分水嶺的等分割算法。比較常用的就是多尺度分割算法,這種方法綜合遙感圖像的光譜特征和形狀特征,計算圖像中每個波段的光譜異質性與形狀異質性的綜合特征值,然后根據各個波段所占的權重,計算圖像所有波段的加權值,當分割出對象或基元的光譜和形狀綜合加權值小于某個指定的閾值時,進行重復迭代運算,直到所有分割對象的綜合加權值大于指定閾值即完成圖像的多尺度分割操作。多尺度分割是從一個像素的對象開始進行一個自下至上的區域合并技術,小的影像對象可以合并到稍大的對象中去。在這個聚集過程中,最優化技術可最小化異質的權重。在每一步驟中相鄰的影像對象對,只要符合定義的異質最小生長的標準就合并,如果這個最小的擴張超出尺度參數定義的閾值范圍,合并過程就停止。

表1 地球之眼-1衛星的成像和搜集技術指標

表2 地球之眼-1衛星圖片波段參數

任何一個影像對象的異質性值f是由4個變量計算而得:wcolor(光譜信息權重)、w shape(形狀信息權重)、hcolor(光譜異質性值)、hshape(形狀異質性值)。w是用戶定義的權重,取值于0～1之間:w color+w shape=1,

形狀異質性值由兩部分組成:緊密度hcmpct和光滑度hsmooth:

3.2 影像對象的分類

面向對象分類技術提供了豐富了對象特征,在分類的時候,可以利用豐富的影像特征:影像的對象信息,如光譜、形狀、紋理、層次等;影像對象的上下文信息,如與鄰近對象、子對象、父對象之間的關系等;同時還可以導入、導出專題數據等。

目前常用的方法是“監督分類”和“基于知識分類”。這里的監督分類和監督分類是有區別的,它分類時和樣本的對比參數更多,不僅僅是光譜信息,還包括空間、紋理等信息。基于知識分類也是根據影像對象的熟悉來設定規則進行分類。由于本文所采取的輔助參考數據較少,研究區域類別較少所以采用監督分類的方法。

4 地球之眼衛星遙感影像分類與信息提取

4.1 地球之眼遙感數據特性評價

4.1.1 直方圖評價

對各個波段圖像進行灰度值統計,可以得出如下結論:紅外波段變動范圍最大。按標準差由高到低,各波段的排序為波段紅外、紅、藍、綠。按其動態范圍由高到低,各波段的排序為波段紅外、紅、藍、綠。其信息量由高到低的排序為波段紅外、紅、藍、綠。

4.1.2 波段的相關性評價

在大量的遙感圖像數據處理中發現,遙感圖像的波段之間具有較強的線性相關性,尤其相鄰波段的線性相關性非常強。波段數據之間這種強線性相關性正是遙感多光譜數據的重要特點之一。

對子圖像進行各波段的相關性分析,公式如下:

其中Rkl為k波段與l波段間的相關系數,Vijl為l波段圖像中第i行、j列的像元亮度值,ul為l波段的均值。

從表3中可以看出,紅外波段與波段藍、綠、紅的相關系數均比較低。而波段藍與綠波段的相關系數最高。其次是綠波段和紅波段。再次,就是紅波段和藍波段。就波段組合而言,最佳波段組合應為紅外 、紅 、藍 。

4.2 影像處理

在進行分類處理之前對影像在erdas中進行預處理,比如影像的校正、圖像光譜增強、影像融合、直方圖均衡化等處理,預處理的主要目的是根據資料及所需要的專題信息設法提高遙感圖像的可分性,使其更利于圖像分割及信息提取。

表3 各波段間的相關系數

在完成幾何校正、噪聲消除及圖像配準后,是信息融合過程。通過信息融合,將大大減少或抑制探測對象或環境解釋中可能存在的多義性、不完全性或不確定性,從而提高遙感圖像分割、識別及解譯的能力。

數據融合技術一直是近幾年國際遙感界研究的熱點。將高分辨率遙感影像與多光譜影像進行融合的主要目的是提高多光譜波段的空間分辨率,增強圖像的清晰度和解譯能力[3,4]。本研究中,圖像融合方法以ERDAS9.2軟件為平臺,對實驗區范圍內GeoEye全色影像和多光譜影像進行融合處理,分別采用了主成分分析、乘積法變換、Brovey變換和小波變換4種融合算法融合。

主成分變換,其算法是將輸入波段中共有的信息編制到第一主成分,再把全色數據拉伸使其和主成分第一分量有著相同的均值和方差,并把全色數據代替PCT的第一分量進行主成分逆變換完成影像融合。乘積法是一種簡單的代數運算,即將高分辨率波段與多光譜兩個灰度矩陣進行矩陣乘積。Brovey變換法是通過歸一化后的多光譜波段與高分辨率影像乘積來增強影像的信息[5]。小波變換在空間域上和頻率域上同時具有良好的局部化性質,利用小波變換法可以“聚焦”到對象的任意細節,從而被譽為“數學顯微鏡”[6]。影像經小波分解后其頻率特性得到了有效分離,低頻部分反映的是影像的整體視覺信息,各高頻成份反映的是影像的細節特征[7]。小波變換的優點是保留了高分辨率影像的高頻特性,使整體融合效果較好,提高了多光譜影像的空間分辨率,同時又保持了多光譜影像的光譜信息[8]。

從本次實驗的效果看,小波變換的融合效果最好(圖1)。

圖1 小波變換的融合效果

4.3 面向對象的多尺度圖像分割

定義地表覆蓋類型是分類建立的基礎。經過野外調查和目視判讀,本文將研究區的土地利用和覆蓋類型分為4類:植被、耕地、居民地和道路。確定地表覆蓋類型之后,就可以對分割后的每個對象進行特征計算,提取出對象的特征。

圖像分割是生成圖像對象的過程,產生一個圖像對象層體系,為后續的分類或分割工作提供信息的載體和構建的基礎。本研究采ENVI ZOOM軟件自帶的邊緣分割算法對影像進行分割。ENVI ZOOM是envi4.5版本中推出的專業用于面向對象影像分類的新模塊,其Feature Extr action模塊采用基于邊緣分割的算法,能夠快速、準確地對影像進行分割,并可以實時快速地在一個預覽窗口中查看結果以評估分割的準確性。經過多次試驗,設置分割尺度參數為30。

影像分割時,由于閾值過低,一些特征會被錯分,一個特征也有可能被分成很多部分。可以通過合并來解決這些問題。FX利用了Full Lambda-Schedule算法。經過反復實驗我選擇的參數為95。

計算4個類別的屬性:光譜、空間、紋理、自定義(顏色空間和波段比)。其中“顏色空間”選擇3個RGB波段轉換為HSI顏色空間,“波段比”選擇綠波段和紅綠藍3波段的和計算比值。監督分類選擇4類地物的樣本用紅色表示耕地,藍色表示道路,紫色表示房屋,綠色表示林地。分類結果如圖2。

圖2 基于對象的分類

4.4 對比實驗

為了與在ENVI ZOOM面向對象分類方法相比較,本文還在ENVI4.5平臺上進行了使用最大似然法分類器的基于像元的分類。基于像元的監督分類方法通過比較待分類像元與訓練樣本中各類別的n維灰度向量(n為參與分類的波段數),將待分像元進行分類。常用的監督分類有平行六面體法、最大似然法、最小距離和馬氏距離等。最大似然分類法是經常使用的監督分類方法之一,它是通過求出每個像元對于各類別歸屬概率(似然度),把該像元分到歸屬概率(似然度)最大的類別中去的方法。最大似然法假定訓練區地物的光譜特征和自然界大部分隨機現象一樣,近似服從正態分布,利用訓練區可求出均值、方差以及協方差等特征參數,從而可求出總體的先驗概率密度函數。當總體分布不符合正態分布時,其分類可靠性將下降,這時不宜采用最大似然分類法。本文最大似然法分類結果見圖3。

圖3 基于像素的分類

4.5 精度評價

在影像上隨機選取參考點,通過高分辨率影像圖進行圖上判讀,精確確定每個參考點的地物類別,對兩種分類方法進行精度評價。兩種種分類方法的精度評價結果如表4。總的來說,基于分割,選取訓練樣本對象,采用監督分類的面向對象分類方法總體精度從基于像素的分類方法的84.23%提高到91.38%,面向對象的分類方法有很大的優勢。從表4中看出,由于道路有明顯的幾何形態特征,面向對象的方法在對道路進行分類具有很高的精度,遠遠大于基于相元的關于道路的分類。耕地的紋理特征也比較特殊,因此基于對象的分類,對耕地的分類效果也比較滿意。本研究中房屋的分類精度低于基于像素的分類,原因在于選取對象時分塊取值參數為30,對于林地而言參數過小,使部分小林斑歸入了房屋。

表4 分類精度評價

5 結語

通過對實驗區的地球之眼遙感衛星圖片進行基于相元與基于對象的分類方法的對比試驗,結果如下。

(1)面向對象的信息提取方法可以靈活運用地物的形狀特征、光譜和紋理信息,能比基于像元的傳統分類方法得到更多地物信息和更好的提取效果。

(2)通過影像分割,面向對象的信息提取方法能保持分類對象在空間上的連續性,避免了“椒鹽噪聲”現象。

(3)對象特征的長寬比是道路信息提取最重要的影響因素。尋找對象的顯著特征對面向對象的信息提取至關重要。

(4)影像分割尺度參數的獲取帶有人為的主觀性,未能進行可靠分割精度評價,這也是今后影像分割尺度研究的一個方向。

(5)ENV IZOOM只基于一個分割圖層的多尺度分割方法有很大的局限性,比如本研究區分割尺度設為30能滿足大部分地物的分割要求,但對于林地約顯過小,如果能基于多層進行多尺度分割能很好的解決這一問題。

[1]張 俊,于慶國,侯家槐.面向對象的高分辨率影像分類與信息提取[J].遙感技術與應用,2010(1):112～117.

[2]李 爽,丁圣彥,許叔明.遙感影像分類方法研究[J].河南大學學報:自然科學版,2002,32(2):70～73.

[3]張炳智,張繼賢,張 麗.土地利用動態遙感監測中多源遙感影像融合方法比較研究[J].測繪科學,2000,25(3):46～50.

[4]樓立明,劉衛東,馮秀麗.基于高分辨率遙感影像的土地利用變化監測[J].遙感技術與應用,2004,19(1):30～33.

[5]孫丹峰.IKONOS全色與多光譜數據融合方法的比較研究[J].遙感技術與應用,2002,1(17):41～44.

[6]王智均,李德仁,李清泉.利用小波變換對影像進行融合的研究[J].武漢測繪科技大學學報,2000,25(2):137～141.

[7]林 卉,景海濤,張連蓬.atrou小波變換與 PCA變換相結合的遙感影像融合分析[J].地球信息科學,2008,10(2):269～272.

[8]李 軍,周月琴,李德仁.小波變換用于高分辨率全色影像與多光譜影像的融合研究[J].遙感學報,1999,3(2):117～120.