面向對象的高分辨率遙感影像城市地物信息提取研究

李小強，李金平，甘甜

(云南師范大學旅游與地理科學學院，云南昆明650500)

高分辨率衛星遙感影像特別是IKONOS、QUICKBIRD、Worldview等高分辨率影像出現后，在城市生態環境評價、城市規劃、農業以及自然災害預報等方面［1-4］顯示出巨大的應用潛力。高分辨率遙感影像為用戶提供了地物景觀的結構、紋理、幾何和位置等信息，但光譜分辨率不足。針對高分辨率影像，在分類時不僅要依靠其光譜特征，更要充分利用其幾何信息和結構信息［5］。高分辨率衛星影像信息處理成敗的關鍵在于能否充分挖掘高分辨率遙感影像包含的空間綜合信息，建立圖像數據與目標特征之間的物理機理聯系［6］。

傳統的遙感影像信息處理和提取的方法，如ISODATA、K-均值分類法、最小距離法、平行六面體法、最大似然分類等是建立在基于像素級別的光譜信息分析的基礎上，它們的共同特征是使用圖像的強度量即灰度值的統計信息，其影像處理的效率和所能獲取的結果信息都是有限的，且處理結果中含有大量“椒鹽”噪聲，不能區分“同物異譜”及“同譜異物”現象［7］。盡管許多數學方法如各種神經網絡方法、模糊分類等的引入提高了分類的精度，然而它們依然對地物形狀、結構等信息的分析很少涉及，這些分類方法本質還是像素層次上的分類。

對于具有突出結構紋理等信息而光譜分辨率不高的高分辨率影像，傳統的單純依靠光譜特征的像素層次上的分類方法已經不再適合高分辨率影像的信息提取，面向對象的影像分類方法應運而生。面向對象的遙感信息提取方法綜合考慮光譜的統計特征、形狀、大小、紋理和相鄰關系等一系列因素，能夠提取較高精度的信息。

1 面向對象的影像分類

面向對象遙感圖像分類處理的最小單元不再是單個像素，而是含有更多語義信息的多個相鄰像素組成的影像對象，在分類時更多的是利用對象的幾何信息以及影像對象之間的語義對象、紋理信息、拓撲關系，而不僅僅是單個對象的光譜信息。它的基本思路是將不同的像素按照某種原則和閾值組合成不同的對象，不同的對象也可以按照某種原則和閾值組合成新的對象，然后采用監督分類和非監督分類等方法對不同的對象進行分類。本文以eCognition軟件為例介紹面向對象分類原理，它包括兩個過程:分割和分類。

1.1 多尺度分割技術

遙感影像分割是面向對象的遙感影像分析方法的基礎和關鍵，在遙感影像工程中處于影像處理與影像理解的中間環節，是面向對象的影像分析理論研究的突破口［8］。

eCognition采用多尺度分割算法來生成影像對象，它是基于成對區域融合技術的自底向上的分割算法。多尺度分割作優化處理，對給定數量的影像對象，最小化平均差異性并最大化它所代表的均一性。在進行影像分割的過程中，除了考慮影像的光譜屬性，還考慮了影像的幾何特性，如形狀和大小。因此，分割考慮的標準主要是根據兩個指標:光譜異質性和形狀異質性。光譜異質性主要根據像元的灰度值進行設定閾值和分類，形狀異質性主要是根據圖像的紋理特征進行分類［9］。

總的異質性值用光譜異質性hcolor和形狀異質性hshape計算:

式中w為光譜權值(0＜w＜1)。

光譜異質性hcolor由對象本身的大小衡量權重:

式中:c為波段數;wc代表每一波段的權重因子;nobj1、nobj2分別為合并前對象1和對象2的像素數、分別為合并前對象1和對象2的每一波段的光譜標準差;nmerge為合并后對象的總體像素數;為合并后對象的光譜標準差。

形狀異質性hshape由對象的緊密度wcompact和光滑度hsmooth組成:

式中wcompact是緊密度的權重因子。hcompact、hsmooth的公式為:

式中:lobj1、lobj2分別為合并前對象1和對象2的周長;bobj1c、bobj2c分別為合并前對象1和對象2外切矩形的周長;lmerge為合并后對象的周長;bmerge為合并后對象外切矩形的周長。

多尺度分割時，在滿足必要的形狀標準的前提下，應盡可能采用光譜標準，因為影像數據中最重要的是光譜信息，形狀標準的權重過高會降低分割結果的質量。另外，若光滑度的權重較高，分割后的對象邊界較為平滑，反之，若緊密度的權重較高，分割后的對象形狀較為緊密。采用不同的尺度對影像進行多次分割，可以形成網絡層次結構，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。

1.2 分類器介紹

eCognition中面向對象分類法采用模糊分類原理，用取值于區間［0，1］的隸屬函數A(x)表征x屬于A類的高低程度。有兩種分類器:最鄰近分類器和隸屬度函數分類器。

(1)最鄰近分類器。

最鄰近分類器是基于給定的特征空間和樣本對象的分類方案。在聲明每個類的樣本對象后，每個影像對象都賦為特征空間中最臨近樣本所代表的類中。對于每一個影像對象，在特征空間中尋找距離最近的樣本對象，如果一個影像對象最近的樣本對象屬于A類，那么這個對象將被劃分為A類。實際操作時，通過一個隸屬度函數進行，影像對象在特征空間中與屬于A類樣本對象的距離越近，則屬于A類的隸屬度越大。

影像對象o與樣本對象s之間的距離計算公式為:

式中:f為特征空間;σf為所有特征值的標準差分別為樣本對象和影像對象的特征空間中的特征。

(2)隸屬度函數分類器。

隸屬度函數可以精確定義對象屬于某一類的標準，一個隸屬度函數是一維的，是基于一個特征的。

2 高分辨率遙感影像城市地物信息提取

本文以沈陽市東陵區IKONOS影像為實驗數據，通過對城市地物光譜特征、幾何特征和空間特征的分析，采用面向對象的信息提取技術與傳統的監督分類法分別提取各類感興趣地物，主要包括影像預處理、面向對象分類、傳統的監督分類和分類結果精度評價4項工作，整體技術流程如圖1所示。

圖1 城市地物遙感信息提取流程圖

2.1 構建影像對象

采用不同的尺度對影像進行多次分割，可以構建影像對象網絡層次結構。本次研究分割兩個層級，參數設置如表1，相同區域不同分割參數結果對比見圖2。

表1 多尺度分割參數設置

2.2 規則知識庫定義

地物的物理與幾何特征使影像中局部區域的灰度產生明顯變化而形成影像特征。面向對象提取精度的高低關鍵在于由各種影像特征構建的知識庫中規則是否具有很強的區分性［10］。

根據實地調查和遙感影像信息，將地物分為7類提取，分別是道路(水泥路和瀝青路)、河流、湖泊、建筑物(藍色屋頂、紅色屋頂、一般屋頂)、裸地、陰影和植被。

首先在Level1中對河流、湖泊和裸地進行提取，因為這兩種地物的地表面積較大，采用較大的分割尺度可以得到較大而且影像均質性很高的對象。首先利用歸一化差值水體指數NDWI(NDWI=(GNIR)/(G+NIR))提取出河流，然后在未分類的對象中利用近紅外波段NIR提取湖泊。由于湖泊和陰影有相似的波譜特征，部分陰影被錯分為湖泊，之后的步驟中再對其進行正確分類。具體提取規則見表2。

圖2 多尺度分割影像對象網絡層次結構

表2 Level1中地物提取規則

將分類好的河流、湖泊、部分陰影和未分類對象分別進行對象合并。此時未分類對象合并成一個整體，然后利用多尺度分割將未分類對象重新分割生成Level2，其他類的地物以及Level1中錯分的陰影將在此層級中分類。具體分類規則見表3。

表3 Level2中地物提取規則

表3中陰影1是指在Level1中被錯分為湖泊的對象被重新分類為陰影。按照表3中所列規則將每一地物分類出來，并將陰影1、陰影2合并為陰影，將藍色屋頂、紅色屋頂、一般屋頂合并為建筑物，將水泥路、瀝青路合并為道路。

3 分類結果分析與評價

在上述步驟基礎上用eCognition對遙感影像進行面向對象分類，并利用ENVI對影像采用最大似然監督分類法進行分類，并對分類結果采用Majority/Minority Analysis處理，分類結果如圖3所示。

從分類效果看，面向對象分類方法分類結果更具有實際意義，與實際地物對應較好，而傳統的基于像素的分類方法“同物異譜”和“同譜異物”現象嚴重，分類結果零散。由于使用NIR波段，兩種方法中植被、河流和湖泊的分類效果都很好。然而，在基于像素分類中“椒鹽”噪聲在影像中每個部分都會出現。這些噪聲的產生是因為IKONOS影像有非常高的分辨率，能夠獲取豐富的細節信息。

圖3 原始圖像與面向對象分類、最大似然分類的結果對比圖

通過對對象進行隨機抽樣，采用野外實地調查和目視解譯的方法進行精度評價，其分類結果精度分析見表4，總體分類精度達92.5%。而監督分類方法的總體分類精度為85.8%(表5)，并且圖斑支離破碎。相比于最大似然分類，面向對象分類提取道路和建筑的精度有了很大提高，這主要歸功于解譯時充分利用了幾何特征、波譜特征、鄰域特征等對象知識。另外，面向對象分類結果錯分和漏分要少得多，主要發生在道路與建筑之間，這主要是由于兩者波譜特征相似，并且一些結構復雜的建筑物在分割后被分為零碎的多個部分而導致提取困難。裸地采用最鄰近分類器分類，類似于監督分類，用戶精度為89.8%。

表4 面向對象分類結果精度評價

表5 最大似然分類誤差矩陣

4 結語

像素分類含有大量“椒鹽”噪聲且視覺效果很差，而且“異物同譜”和“同物異譜”現象嚴重。面向對象的分類結果在精度和分類效果上都有顯著的優勢。從視覺效果上可以看出，面向對象的分類結果更加符合人類的思維方式，也更接近真實值。多尺度分割技術可以使噪聲問題得到很好的解決，因為這些噪聲區域將和其周邊的像素一起被融入到特定的影像區域中，而該影像區域在影像分析時則表現為同一對象。面向對象的分類方法在分類過程中可以靈活地運用這些影像對象的各種光譜特征、紋理特征、幾何特征、空間特征和拓撲關系等規則所構成的知識庫，加入人的思維過程，從而能夠極大地提高分類精度。因此，面向對象的分類方法能夠充分利用高分辨率遙感影像的結構、紋理、幾何和位置等豐富信息，彌補傳統的基于像素光譜統計特征分類方法的不足，使得高分辨率遙感影像自動識別的精度得到極大提高，更適用于城市地物專題數據庫的更新。

當然采用面向對象的遙感影像分析方法也有一些局限性，主要表現為:(1)最佳分割尺度難于選取，目前只能依靠數據特點經過多次試驗來獲取。(2)易于分類的影像對象特征的提取，一種地物相異于其他種地物的特征較難選取，這需要有豐富的遙感信息提取經驗。

［1］蒲智，劉萍，楊遼，等.面向對象技術在城市綠地信息提取中的應用［J］.福建林業科技，2006，33(1):40-44.

［2］仇江嘯，王效科.基于高分辨率遙感影像的面向對象城市土地覆被分類比較研究［J］.遙感技術與應用，2010，25(5):653-661.

［3］劉常娟，楊敏華，張秀英.利用高分辨率遙感影像計算耕地田坎系數的可行性研究［J］.國土資源導刊，2007，4(5):48-50.

［4］陳文凱，何少林，張景發，等.利用遙感技術提取震害信息方法的研究進展［J］.西北地震學報，2008，30(1):88-93.

［5］杜鳳蘭，田慶久，夏學齊.遙感圖像分類方法評析與展望［J］.遙感技術與應用，2005，19(6):521-525.

［6］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，2006，31(1):62-63.

［7］周成虎，駱劍成.高分辨率衛星遙感影像地學計算［M］.北京:科學出版社，2009.

［8］劉建華，毛政元.高空間分辨率遙感影像分割方法研究綜述［J］.遙感信息，2009(6):95-101.

［9］關元秀，程曉陽.高分辨率衛星影像處理指南［M］.北京:科學出版社，2008.

［10］胡進剛，張曉東，沈欣，等.一種面向對象的高分辨率影像道路提取方法［J］.遙感技術與應用，2006，21(3):184-188.