利用高空間分辨率遙感影像提取城市綠地信息的方法研究

劉振波，陳瑞萍，趙曉慧

（南京信息工程大學 遙感學院，江蘇 南京210044）

利用高空間分辨率遙感影像提取城市綠地信息的方法研究

劉振波，陳瑞萍，趙曉慧

（南京信息工程大學 遙感學院，江蘇 南京210044）

本研究基于多種遙感提取算法對高空間分辨率IKONOS遙感影像進行城市綠地信息提取，在此基礎上，結合實地驗證數據分別對各算法信息提取精度進行評價，最后對高空間分辨率遙感信息自動提取算法進行分析討論。

高空間分辨率；遙感影像；城市綠地

1 前言

遙感技術作為進行城市綠地調查的主要手段之一，具有覆蓋范圍廣、經濟、快速、高效的特色，隨著遙感傳感器技術及影像處理水平的飛速發展特別是高空間分辨率遙感數據的日益成熟，對地遙感觀測能力越來越趨向精細化，相比傳統遙感數據，高空間分辨率能夠更詳細地展示城市綠地空間格局及植被種類信息，可以為定量地對城市綠地景觀評價與分析提供可靠的遙感數據源[1,5]。

高分辨率遙感影像通常指米級或亞米級分辨率的遙感數據，以 IKONOS(1m)、QuickBird(0.6m)為代表，高分辨率影像主要特點為地物的幾何結構和紋理信息更加清晰，由于在米級分辨率的衛星影像上，城市地表景觀清晰可見，所以在城市綠地監測、規劃、管理等方面，高分辨率遙感影像研究與應用得到了越來越多的重視。如程承旗等以廈門市Quick Bird影像為研究對象，提出了平均可視面積、影像地物交替復雜度以及山體、水體、綠地、道路等外界地物影響力等指標，采用模糊評判的方法得到各參數指標的評判矩陣[2]；嚴海英采用基于對象的分類技術，依據高分辨率衛星影像QuickBird的特征，對烏魯木齊市用地信息的提取進行了研究[3]。孫小芳、盧健等應用紋理信息和多分辨率分割技術對QuickBird數據進行城市地區的綠地信息提取[4]。許凱、秦昆等提出了一種基于多特征、多檢測器組合的高分辨率遙感影像綠地提取算法，該算法以城市綠地的光譜信息、紋理及NDVI來構造提取綠地的弱檢測器，同時通過AdaBoost算法進行訓練，將弱檢測器加權組合構成提取綠地的強檢測器，對城市綠地進行提取[1]。綜合以上研究，針對高空間分辨率影像的綠地信息提取方法在不同區域做了大量工作，其算法及提取精度也不盡相同，本研究基于IKONOS影像，利用多種遙感信息提取算法分別提取綠地信息，對解譯結果進行精度評價，在此基礎上評價各種算法的優勢及不足。

2 數據與方法

2.1 研究樣區概況

圖1 研究樣區IKONOS假彩色合成影像

研究樣區位于江蘇省南京市鼓樓區部分地區（N32°02’54” ～N32°03’44”，E118°44’41” ～E118°46’09”，圖 1），主要包括南京市河海大學極其周邊部分區域，樣區面積2.56km2(400*400像元)。樣區內總體綠地覆蓋率較高，但分布不平衡，主要為園林綠地、學校綠地、居民區綠地以及交通道路綠地。

2.2 遙感數據與技術路線

本研究所用高空間分辨率遙感數據為IKONOS數據，該衛星于1999年9月24日在美國發射，是世界上第一顆提供高分辨率衛星影像的商業遙感衛星，提供1m分辨率的全色（Pan）圖像和4m分辨率的多光譜（MSI）圖像產品，多光譜數據分別為藍（0.45～0.53μm）、綠（0.52～0.61μm）、紅（0.64～0.72μm）和近紅外（0.77～0.88μm），全色波段波譜范圍為0.45～0.90μm。本研究采用的IKONOS數據產品號為21249的圖像的子區，獲取時間為2000年5月12日10:30，空間分辨率4米多光譜數據。本研究采用的技術路線圖如圖2。本研究遙感圖像處理利用ENVI4.2與eCognition軟件。

圖2 研究技術路線

3 綠地信息遙感提取結果

3.1 基于像元的綠地信息提取方法

3.1.1 監督分類 監督分類是一種常用的精度較高的計算機統計判決分類，也稱訓練分類，該方法需要充足的信息以決定地表信息的先驗概率，監督分類訓練樣區的選擇不但需要各種豐富的知識與經驗，且需要當地土地覆蓋的一些具體資料信息。本研究利用ENVI軟件，采用最大似然法將影像分為綠地與非綠地信息兩類，實現綠地信息的提取，其中訓練區的選擇結合了研究樣區的NDVI圖像，分類結果如圖（圖3a）。

圖3 基于像元的綠地信息提取結果圖

3.1.2 非監督分類 非監督分類在沒有先驗類別作為樣本的條件下，主要根據像元間相似性的大小即自然聚類的特性進行歸類合并，主要方法有K-均值法(K-Mean)和ISODATA法。本研究基于ISODATA算法利用ENVI軟件實現對影像進行分類，其中分類的最大類別數目設為5，分類結束后定義植被類型區（圖 3b）。

3.2 面向對象分類法

面向對象的分類算法是近年來發展日益成熟，可以實現對高空間分辨率影像的提取，面向對象算法首先通過影像分割將影像劃分為互不相交的影像對象，然后綜合影像光譜、紋理、形狀和上下文等信息進行分類[6]。基于面向對象算法的圖像分類軟件較成熟的如eCognition軟件。eCognition由德國Definiens Imaging公司開發，是第一個面向對象的遙感信息提取軟件，它采用決策專家系統支持的模糊分類算法，突破了傳統遙感軟件單純基于光譜信息進行影像分類的局限性。本研究應用eCognition軟件進行面向對象法的綠地信息提取。技術流程主要包括：選擇合適的波段組合，本文選擇 4（近紅外）、3（紅）、2（綠）波段組合以便使植被信息更清晰；進行多尺度分割（Multiresolution Segmentation）生成影像對象；最后，選擇合適的分類器進行分類。

3.2.1 多尺度分割 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，小的影像對象合并到稍大的對象中去，從而將圖像分成各具特性的區域。影像分割時采用不同的尺度，則生成的對象層所包含的多邊形對象含義就不同。考慮到本研究樣區中綠地信息較為破碎的特點，經過多次實驗對比，最終選取如下分割參數：尺度參數5，各層權重均為1，形狀因子0.8，緊致度0.8。

3.2.2 信息提取 eCognition軟件提供2種分類算法：基于樣本的分類方法和基于規則的分類方法。本研究中采用基于規則的模糊分類方法進行分類。基于規則的分類算法根據判別函數將圖像進行自動分類，可對照分類結果調節判別函數，一次自動分類和一次調節判讀函數往往很難滿足最后的結果。可以通過多次選擇多個樣本，分析其特征，修改判別函數的方法來進行多次分類和對比，也可以人工干預，將漏分的對象使用人工賦值的方法手動歸并為某種綠地類型。具體分類時采用的函數為：Max.Diff（圖像中任意2波段平均亮度的差值的絕對值的最大值與整幅圖像的亮度均值的比值）：0.365～0.7989。提取結果如圖4。

圖4 基于面向對象的綠地信息提取結果圖

4 討論

4.1 不同方法的精度評價

本研究綠地信息提取的結果評價采用樣區內隨機抽樣的方法進行，即在研究區內隨機選取40個樣點，采用目視判讀與實地調查相結合的方法確定樣點的真實地類，然后對比遙感提取結果進行分類精度評估（表1）。由表1可見，三種算法提取結果精度都在80%以上，其中面向對象法所得結果精度最高，達到95%。

表1 精度評價表

4.2 基于像元的綠地信息提取算法

本研究樣區內植被特征相對較為明顯（圖1），各分類算法都取得了較高的精度。相比而已，基于像元的分類算法中，最大似然算法的信息提取精度要優于ISODATA方法。由結果圖可見，最大似然法提取的植被有較為清晰的形狀和明顯的分布特征，并且與其他地物間界限明顯，而ISODATA分類圖中，綠地邊界相比不太連續，界限不清晰。主要原因為非監督分類僅根據地物的光譜特征的相關性或相似性來進行自動聚類，對于相鄰地物灰度值相差不大的，則很容易誤分為其他地物，而監督分類是在已知類別的訓練區內提取各類別訓練樣本，根據已有模板進行分類，能更好的區分地物類型，監督分類更充分的利用了已有信息，包括判讀員的先驗知識。總體而言，這兩種算法分類操作相對簡單，能滿足一定的精度要求，但是，由于這兩種方法都基于遙感影像光譜特征進行分類，只有滿足一定的統計假設時才能獲得較好的分類效果，且不考慮遙感影像的紋理及形狀信息，使高空間分辨率信息得不到充分利用。

4.3 面向對象的綠地信息提取算法

面向對象方法的eCognition軟件提取的綠地結果圖與以上兩種方法相比，除總體精度較高之外，分類結果更為細致，對于城市綠地較為破碎和光譜特征不夠明顯的區域的分類結果更準確。可以看出，面向對象法在高空間分辨率城市綠地信息提取中具有更大的優勢，該方法在多尺度分割基礎上，利用像元光譜信息的同時，不僅考慮了影像對象的空間信息，而且應用了影像的紋理特征和上下文信息，能更好的滿足城市中細碎綠地信息提取的需求。相比傳統基于像元的分類算法，面向對象的分類方法操作較為復雜，其中在處理過程中，最優分割尺度的選擇是決定最終分類精度的關鍵，需要大量的試驗并對比結果來確定，對操作者經驗有較強依賴。

5 結論與展望

本研究利用三種不同算法實現對高空間分辨率遙感影像綠地信息的提取并進行精度對比評價，結果顯示，傳統的分類方法中，非監督分類法自動化程度較高，簡單快速，但分類精度不高，適合類別較少、特征明顯區域的綠地信息提取；監督分類結合了人工目視解譯，根據已有模版進行分類，精度有所提高，但在高空間分辨率城市綠地信息提取中，由于存在很多細小綠地斑塊，地物形狀及紋理信息沒有得到充分利用，故精度提高的幅度有限；面向對象法利用了光譜信息以外的紋理、形狀等信息，極大地提高了城市綠地信息提取的精度，通過對研究區的綠地信息提取的實驗，表明面向對象方法對高空間分辨率IKONOS遙感影像進行城市綠地信息的自動分類提取能夠達到最高的精度要求。

[1]許凱,秦昆,等.基于AdaBoost的高分辨率遙感影像城市綠地提取算法[J].計算機工程與應用，2008（20）:23-25.

[2]程承旗,李啟清,沙志友,等.城市居住單元環境質量的高分辨率遙感評價方法研究[J].地球科學進展,2006(6):24-30.

[3]嚴海英.QUICKBIRD影像用于城市用地信息提取方法[J].測繪科學，2008(2):216-217.

[4]孫小芳,盧健,孫小丹.城市地區高分辨率遙感影像綠地提取研究[J].遙感技術與應用,2006,21(2):159-162.

[5]黃慧萍,吳炳方,李苗苗.高分辨率影像城市綠地快速提取技術與應用[J].遙感學報,2004(1):68-74.

[6]曾濤,楊武年,黎小東,等.面向對象的高空間分辨率遙感影像信息提取[J].自然災害學報,2010(5):81-87.

TP751

A

1674-1102(2011)03-0058-03

2011-05-16

江蘇省高校自然科學基礎研究計劃項目（08KJB170004）；南京信息工程大學省級實踐創新項目（N1885009129）；南京信息工程大學科研基金（80121）。

劉振波（1978-），男，山東壽光人，南京信息工程大學遙感學院副教授，博士，研究方向為資源環境遙感。

[責任編輯：陳曉華]