基于eCognition的綠地利用變化檢測應用研究

宋楊，李長輝，林鴻，陳鵬

(廣州市城市規劃勘測設計研究院，廣東廣州 510060)

1 引言

20世紀80年代起，遙感技術逐漸成熟并廣泛應用于城市綠地景觀的研究，遙感影像數據是開展城市綠地覆蓋變化研究的重要數據源。圍繞土地利用/覆蓋的變化監測的研究許多是建議在分類的基礎上，而對遙感圖像進行計算機分類，傳統算法設計的主要依據是地物光譜數據，統計模式是以像素作為識別的基本單元，依靠不同光譜數據組合在統計上的差別來進行的［1］。傳統的基于像元的分類方法在中低分辨率遙感影像上展現的效果較好，而高空間分辨率遙感影像的光譜統計特征不如中低分辨率影像的穩定，同類物體呈現出很大的光譜異質性，不同地物的光譜相互重疊，使得傳統的光譜分類方法無法得到滿意的結果。

針對高分辨遙感數據的特點，一些學者提出了面向對象的信息提取方法，具體體現在分類對象、分類特征和分類器等3個方面的研究。eCongnition是德國Definiens imaging公司開發的一款基于面向對象理論的智能化影像分析軟件，是目前所有商用遙感軟件中第一個基于目標信息的遙感信息提取軟件，它突破了傳統商業遙感軟件單純基于光譜信息進行影像分類的局限性，采取面向對象的思路進行信息提取，大大提高了高空間分辨率數據的自動識別精度。本文基于eCongnition的面向對象分析的思路，圍繞一對多時相的遙感影像，開展實驗區綠地利用情況的變化檢測。

2 面向對象分類的思路

面向對象的遙感信息提取技術以相同特征的“同質均一”的圖塊對象為基本分析單元，如光譜、紋理和空間組合關系，對象的屬性包括顏色、尺寸、形狀、結構、紋理、陰影、空間關系等。利用eCongnition軟件開始面向對象的影像分析首先選擇任一尺度生成初始影像對象，eCongnition軟件允許生成好幾個層，并且把這幾個層組織成等級結構進行管理，這里所生成的第一個對象層，其下限是像素，上限是整景影像。后續生成的新的影像對象層，可以放在已有層的上層、下層或者兩層之間。這個網狀層次中的每一個對象都知道自己的鄰對象、子對象和父對象，這個網絡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。由于eCongnition軟件的分割采用的是區域生長算法，可以很容易實現。對象在垂直層次上形成聯系后，利用尺度和高級的紋理特征也成為可能。對象層次結構可以同時展示不同尺度的影像信息。

在滿足必要的精細的條件下，盡量以最大的可能分割尺度來區分不同的影像區域獲得影像對象。

(1)在滿足必要的形狀標準的前提下盡可能采用顏色標準。因為影像數據中最重要的信息是光譜信息，形狀標準的權重太高會降低分割結果的質量。

(2)在分割的基礎上執行分類，eCongnition支持兩種不同的監督分類技術:模糊邏輯函數分類(Membership Function)以及最鄰近分類(Nearest Neighbor)。其影像對象分類中的分析和分類的知識庫框架都是基于類層次的，它包含了所有的類。

3 實驗實例

3.1 實驗數據

實驗數據是來自快鳥衛星的1組2個時相的衛星遙感影像，2個時相的數據已經過配準，每1時相衛星遙感數據均為全色與4波段多光譜的捆綁數據，全色波段的空間分辨率為0.6 m，多光譜波段的空間分辨率為2.44 m。實驗目的是研究影像范圍在2個時相期間綠地利用的變化情況。圖1所示的是2個時相多光譜數據經3波段假彩色合成的效果。

圖1 2個時相的實驗區衛星影像

3.2 處理方法

本文基于eCognition的面向對象分析的方法來進行綠地利用變化檢測，概括起來處理步驟主要包括:

(1)對兩時相的影像分別創建獨立的地圖

首先在Erdas中利用多分辨率融合功能對兩期數據各自的多光譜與全色波段進行融合，得到0.6 m的多光譜影像(藍、綠、紅、近紅外)。兩個時相的數據表示如表1所示。

兩個時相的快鳥衛星影像 表1

利用eCognition的COPY函數將2期多光譜數據分別復制到各自的地圖中，MapT1和MapT2，這是2期數據各自進行面向對象分析的起點。

(2)基于2時相影像各自的地圖分別進行分類，每個地圖劃分為綠地與非綠地兩大類型

對MapT1和MapT2首先進行多尺度分割，多尺度影像分割可以理解為一個局部優化過程，而異質性則是由對象的光譜和形狀差異確定的，形狀的異質性則是由其光滑度和緊湊度來衡量，共同決定分割效果。本文使用的多尺度分割參數如下:尺度=30，顏色=0.9，形狀=0.1，質密度異質性=0.5，光滑度異質性=0.5。

在多尺度分割結果的基礎上，利用歸一化植被指數NDVI＞0.3的邏輯條件利用隸屬度函數對分割結果對象進行歸屬判斷，進行綠地對象的提取。在此基礎上對綠地提取后剩余的對象指定類別為非綠地類，利用Merge函數對綠地類以及非綠地類進行相鄰圖斑的合并，得到連通的圖斑，為變化檢測奠定基礎。

圖2 兩個時相的綠地提取結果

(3)對兩時相地圖分類結果進行地圖的同步處理，使得分類的結果圖斑具有空間劃分上的可比性

到目前為止，2期影像是分別以各自的地圖MapT1和MapT2為起點完成了綠地以及非綠地兩類地物目標的分類。后續的變化檢測分析工作需要將2期的分類結果歸納到一條主線上進行比較。需要利用同步函數Synchronize Map對分類結果進行層次上的梳理，使2期的分類結果LevelT1及LevelT2構成垂直關系的上下層，時相2的分類結果位于時相1的分類結果的上層。由于兩期影像的差異性，影像多尺度分割結果圖斑邊界總是存在不一致，這使得兩期分類結果不具有可比性。變化檢測分析的前提是對同一位置邊界所確定區域的屬性類型進行比較，因此必須保證兩期圖像綠地及非綠地最終分類結果的圖斑劃分程度一致。利用eCognition的Convert to Sub－Objects函數對兩期分類影像的圖斑邊界進行統一，這個過程如圖3所示。

圖3 對兩期影像分類結果進行圖斑邊界的統一

(4)應用自定義的綠地變化檢測的規則對兩時相分類結果進行分析，得出綠地變化情況的結論

根據本文實驗的目的，設定如下的規則，然后對兩期影像分類結果進行邏輯運算，按照綠地增加、綠地減少、綠地未變化3種情況進行分析，得到實驗區在2期影像拍攝期間綠地利用變化情況的分類效果圖，如圖4所示。

根據表2所列規則以及圖4所示的綠地變化檢測結果可知，在2期影像表達的時間范圍內，試驗區上部以及圍繞路網的零星地區綠地發生了增加(綠色區域)，試驗區中部偏右的池塘邊緣地區綠地發生了減少(紅色)，其余大部分區域綠地的面積未發生改變(灰色)。圖4所示的變化檢測結果直觀，能從宏觀層面上快速獲取綠地變化情況。

綠地利用變化檢測的三個規則 表2

圖4 2期影像綠地利用情況的變化檢測結果

4 結語

本文基于eCognition軟件的面向對象分析思路對一組快鳥影像覆蓋的實驗區進行了綠地利用變化的情況進行檢測，得到綠地增加、減少、未變化3種情況的結果圖斑。檢測結果經目視判讀，證明檢測結果符合實際綠地變化趨勢。綠地分類結果圖斑后續可輸出矢量格式，進行數理統計，形成綠地變化情況的量化結果。本文旨在通過該實驗流程探索基于eCognition軟件進行變化檢測的處理步驟和效果，值得注意的是進行變化檢測前多時相數據需要經過配準，融合等預處理，在實施變化檢測最終分析前需要對分類結果圖斑進行邊界的統一，以便分類結果具有可比性。本文實現的面向對象的變化檢測處理流程，結合eCognition提供的豐富的面向對象分析手段，可用于更為復雜的目標對象的變化檢測任務。

［1］Thomas M.Lillesand，Ralph W.Kiefer著.遙感與圖像解譯(第四版)［M］.北京:電子工業出版社，2003，394

［2］張永生，鞏丹超.高分辨率遙感衛星應用—成像模型、處理算法及應用技術［M］.北京:科學出版社，2005，15～30

［3］陶超，譚毅華，蔡華杰等.面向對象的高分辨率遙感影像城區建筑物分級提取方法［J］.測繪學報，2010，2(1):39～45

［4］宮鵬，黎夏，徐冰.高分辨率影像解譯理論與應用方法中的一些研究問題.遙感學報，2006，1(1):1～5

［5］孫曉霞，張繼賢，劉正軍.利用面向對象的分類方法從IKONOS全色影像中提取河流和道路［J］.測繪科學，2006(1):62～63

［6］徐濤，譚宗坤，閆小平.面向對象的城市水體信息提取方法［J］.地理空間信息，2010，3(8):64～66

［7］張生，趙春三，楊桄.多光譜與高分辨率圖像融合方法比較研究［J］.遙感信息，2007，93(5):56～59

［8］陳云浩，馮通，史培軍等.基于面向對象和規則的遙感影像分類研究［J］.武漢大學學報(信息科學版)，2006(4):316～320

［9］黃昕，張良培，李平湘.融合形狀和光譜的高空間分辨率遙感影像分類［J］.遙感學報，2007，11(2):193～200

［10］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，2005，6(3):18～20