面向對象分類法在唐山南湖遙感信息提取中的優越性分析

杜福光

（唐山師范學院 資源管理系，河北 唐山 063000）

面向對象分類法在唐山南湖遙感信息提取中的優越性分析

杜福光

（唐山師范學院 資源管理系，河北 唐山 063000）

選取唐山南湖作為研究對象，分別采用面向對象分類法與面向像元分類法對研究區進行遙感信息提取，得到不同的分類結果。實驗證明，在南湖遙感影像的信息提取中，采用面向對象分類法總體精度（91.3%）要遠大于面向像元法的總體精度（72.1%），因此，面向對象分類法具有明顯優勢，對于將面向對象分類方法應用于其它領域的遙感信息提取能夠提供一定的借鑒意義。

遙感；信息提取；面向對象分類；唐山南湖

近年來遙感技術飛速發展，遙感信息的用途不斷拓展，并且已經逐漸成為GIS的重要數據來源，被廣泛應用于生產生活的方方面面。要使遙感信息成為快速、高效的數據源，就要加快遙感地物提取速度與效率。傳統的地物提取方法已經難以滿足日益增長的需求，因此，新的遙感地物的提取方法非常重要，面向對象分類法正是在這種背景下產生的。

1 研究區概況

唐山南湖位于唐山市區南部，北緯36°29′，東經119°20′，原為開灤煤礦開采沉陷區，百余年的煤炭開采，造成了市區南部地表下沉總面積達2.08萬公頃，形成塌陷坑53個，形成了廣袤的水域。自1996年開始，唐山市委、市政府對唐山南湖進行綜合治理，形成了一定數量的居民點與附屬耕地，以及大面積的草地和林地，地物種類多樣，對不同地物類型進行遙感信息提取能夠更加直觀地了解南湖植被覆蓋情況，對于南湖的綠化具有重要意義。

2 數據獲取與預處理

選取2009年Google Earth上唐山南湖的高分辨率影像，影像具體的采集時間點為2009年11月15日，影像清晰無云，成像質量較好。此外，涉及到的數據還包括各種輔助資料和統計數據，如唐山市南湖土地利用圖及歷年統計資料，其來源于政府門戶網站和統計年鑒，并且在此次研究的數據獲取階段，進行了多次實地考察用來修正各種數據。

對獲取到的研究區遙感影像定義合適的坐標系統與投影系統進行幾何糾正、圖像配準等一系列的前期預處理工作。此外，利用ENVI遙感圖像處理軟件，對影像進行分段拉伸，增大像元之間灰度值差距，處理后的影像層次分明、地物差異大，各類地物易于判別。經過預處理后的研究區影像如圖1所示。

圖1 處理后的唐山南湖遙感影像

3 研究過程

通過對傳統的以最大似然法為代表的面向像元分類法與面向對象分類法的分類結果進行比較，對兩種方法精度進行評價分析，得出實驗結論。

3.1 面向像元分類法

最大似然法是面向像元分類法中最為廣泛的一種分類器[1]。它有嚴密的統計理論基礎，是建立在貝葉斯準則基礎上分類誤差概率最小的一種分類方法。它通過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，從而可求出總體的條件概率密度函數，并利用貝葉斯公式進行后驗概率的計算，根據其最大值原則判定類別歸屬。

在ENVI軟件中，利用ROI工具窗口進行樣本選擇。選用多邊形方式，在目視判讀的基礎上，選擇各類地物中代表性地物，并用不同顏色進行標注。各類感興趣地物的分布狀況如圖2所示。

圖2 分類樣本分布

利用所選樣本采用最大似然法進行監督分類，分類后結果如圖3所示。

圖3 最大似然法分類結果

對分類后的數據利用軟件Confusion Matrix功能計算混淆矩陣，并得出分類后精度進行精度評價，評價結果如表1所示。

表1 最大似然法分類精度評價結果

從表1看，水體的生產精度和用戶精度最高，草地的生產精度和用戶精度次之；剩下依次是裸地、有林地、建筑物、耕地、道路。明顯可以看出，由于類別間分離性較差，基于像元的分類結果精度不高，誤分率較高。

3.2 面向對象分類法

面向對象是相對于傳統遙感影像處理軟件主要針對單個像元的解譯算法而言[2]。該方法在分類時不僅僅考慮地物的光譜特征，還利用其幾何特征和結構特征，圖像中的最小單元是對象，而不再是單個的像元。因此，面向對象的遙感影像解譯方法會比面向像元的遙感影像解譯方法取得更好的效果，特別是應用在地物連續分布的遙感影像上。

采用面向對象的提取方法有以下優勢：首先，通過對影像分割，可以很好的解決噪聲問題，因為這些噪聲區域將與其周邊的像元一起合并到特定的影像對象中去，使得部分孤立地物，如車輛等，被融入道路對象中；其次，可充分利用地物的幾何結構特征和光譜特征；第三，面向對象法分類法引入了空間特征，如距離、拓撲鄰接和方向等，可有效利用影像對象間的語義關系，使專家知識能夠直接指導遙感影像分類[3]。

3.2.1 圖像分割與區域合并

要生成影像對象，就必須通過分割這個過程。影像分割是將影像細化成分隔區域的過程。在分割過程中值得注意的是影像的對象平均異質性應該被減少到最小，像元的平均異質性也應該最小化，像元所歸屬的影像對象的異質性應該被分配到每個像元中，所有的影像對象自動構成體系。影像分割時，有的特征可能會被錯分，也有可能一個特征被分成很多小部分，這時需通過合并改善對地物界線的描繪來解決過度分割問題，最終達到理想的分割效果。

在軟件FX模塊中，設置閾值為67.3的分割參數和閾值為97的合并參數對預處理后的影像做分割處理。圖4為經過邊緣分割并合并后的圖像。

圖4 分割合并后影像

3.2.2 典型地物特征分析

3.2.2.1 地物光譜特征分析

光譜特征是多光譜遙感影像地物識別最直接，也是最重要的解譯元素。由于各種地物的結構、組成不同，因此它們本身的熱輻射特征及對電磁波的反射狀況存在差異，在影像上表現為像元灰度值之間的不同。為便于觀察各目標地物光譜特征及其變化的規律，在原始影像中采集了一定數目的訓練樣本，得到各研究地物樣本的灰度統計值（表2），并生成光譜均值圖（圖5）。

表2 地物樣本灰度統計表

從圖5可以看出，水體、有林地、建筑物的均值曲線與其它地物的均值曲線距離較遠，通過均值可以把它們與其它地物區分開。在第2波段，雖然道路與裸地的均值相混淆，但在第3波段，它們的均值曲線呈現分離趨勢。因此，水體、有林地、建筑物、道路及裸地可把灰度均值作為區別其它地物的光譜特征指標之一。而耕地與草地的均值曲線則十分靠近，容易混淆，以此作為區分特征就很容易導致錯分現象的發生。

圖5 地物光譜均值曲線

3.2.2.2 紋理特征分析

應用紋理分析提取影像的紋理特征，不僅可以推進影像解譯的自動化，而且可以抑制“同物異譜”、“同譜異物”現象對分類精度的影響[4]。在研究區中，由于組成成分、植被覆蓋狀況的相似植，耕地與草地僅依據光譜特征無法區分，但二者在紋理上有較大差異，草地呈近似點狀分布，而耕地一般呈多邊形分布。然而，紋理信息對像元亮度的變化十分敏感，在地物的邊緣必然出現明顯的亮度變化，這就造成地物類型邊緣處的紋理特征值不能真實反映地物之間紋理的差別。因此，在利用紋理信息提取地物時，需要對提取結果的邊緣作相關的處理，以減少不必要的誤差。

3.2.2.3 地物形狀分析

形狀是判斷對象類別的一個重要標志，根據形狀屬性對地物分類在一定程度上消除了“同物異譜”、“同譜異物”的影響，如通過面積區分大小地物對象，通過延長性區分長短地物對象等。例如道路成條狀，其延長性屬性明顯區別于其他地物，可通過恰當的設定來將其與其他地物進行區分。

3.2.2.4 其他輔助信息

除了以上所用的輔助信息以外，地物之間空間布局與顏色也是一種常用的輔助信息[5]。如，河流旁邊的裸地一般是河床，很少是旱地；河流旁邊的線狀地物一般為公路、農村道路，在南方多水地區還有可能是渠。這種輔助信息就是利用了空間關系來解譯目標地物；而顏色的性質主要由色調、亮度與飽和度來描述。它們作為描述顏色性質的參數，在解譯地物方面也至關重要。

3.2.3 分類結果

根據以上分析，利用原始影像、紋理特征、形狀特征等輔助信息，建立專家分類模版，對研究區影像進行分類，結果如圖6所示。

圖6 面向對象分類結果圖

3.2.4 分類結果精度評價

精度評價仍采用混淆矩陣法，在ENVI下由計算機自動進行混淆矩陣的計算[6]。參與混淆矩陣計算的圖像有兩幅，一幅是分類結果圖，一幅是地表真實圖像或地表真實感興趣區圖像。結果如表3。

表3 面向對象分類精度評價結果

4 結論

實驗通過用監督分類和面向對象分類方法對圖像進行分類，以及用混淆矩陣對分類結果的精度作評價分析，得出兩種方法（最大似然分類法a、面向對象分類法b）的比較結果，見表4。

從表4可以看出，采用面向對象法分類使得各地物分類精度均明顯得到提高，總體分類精度由72.05%提高到91.32%。

表4 兩種分類方法比較

在唐山南湖遙感影像地物提取中，從分類結果來看，面向對象分類法要明顯優于面向像元分類法，能夠滿足實際應用的需要。由此可見，基于面向對象法分類，地物各種特征參數的分析與選取對分類結果非常重要。由于本文影像來自于Google Earth遙感影像，像元數量較少，紋理不夠清晰，如草地、耕地、有林地等含有綠色植被的地物在分類時常常出現混淆，導致總體分類困難及精度不是很高。此外，在唐山南湖信息提取過程中其他遙感信息提取方法是否具有更高的精度也有待于進一步分析與探索。

[1] 劉濤,孫忠林,孫林.基于最大似然法的遙感圖像分類技術研究[J].福建電腦,2010(1):7-8.

[2] 孫曉霞.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.

[3] 張源,王仰麟,彭建,等.基于空間概率面的山區居民地遙感信息提取[J].地理與地理信息科學,2006(4):6-10.

[4] 陳超,江濤,岳遠平.監督分類和目視修改相結合在高分辨率遙感影像中的應用[J].國土資源信息化,2009(5): 37-48.

[5] 駱劍承.遙感影像智能圖解及其地學認知問題探索[J].地理科學進展,2000,19(4):289-296.

[6] 周成虎.遙感影像地學理解與分析[M].北京:科學出版社,2001:257-258.

（責任編輯、校對：王淑娟）

The Analysis of Superiority in RS Information Extraction of Tangshan Nanhu by Using Object-Oriented Classification Method

DU Fu-guang
(Department of Resource Management, Tangshan Teachers College, Tangshan 063000, China)

The object-oriented classification method and pixel-oriented classification in remote sensing information extraction are used respectively by taking Tangshan Nanhu as study object and different classification results are achieved. The experiment shows that, in the process of Nanhu remote sensing image information extraction, object-oriented classification overall accuracy (91.3%) is much larger than the overall accuracy of pixel-oriented classification (72.1%). Therefore, an object-oriented classification method has obvious advantages. It may provide some reference for other areas of remote sensing information extraction.

remote sensing; information extraction; object-oriented classification; Tangshan Nanhu

P208

A

1009-9115(2014)02-0146-04

10.3969/j.issn.1009-9115.2014.02.045

河北省科技計劃軟科學項目（13454008D），唐山市科技計劃軟科學項目（13140227b）

2013-06-05

杜福光（1983-），男，山東煙臺人，碩士，講師，研究方向為GIS開發與遙感應用。