基于eCognition面向對象技術的高分辨率遙感影像土地利用分類——以福州瑯岐島為例

江 華

?

基于eCognition面向對象技術的高分辨率遙感影像土地利用分類——以福州瑯岐島為例

江 華

福州市環境科學研究院

該文采用eCognition軟件平臺，運用面向對象的多尺度分割方法，對研究區SPOT6影像進行土地利用分類。綜合利用光譜、形狀與紋理等特征，快速、有效地區分地類。研究結果表明，該軟件平臺分類效果較好，總體精度達到了88.25%，KAPPA系數為0.8560，與傳統的分類方法相比，在提高分類精度的同時，能夠有效避免“椒鹽現象”的產生。

SPOT6 eCognition 面向對象 土地利用分類

0 引言

近年來，遙感技術迅速發展，數據源不斷豐富，分辨率持續提高，對遙感影像信息處理與分析技術提出了更多的要求和挑戰。目前主流的分類方法是監督分類和非監督分類，并在此基礎上研發了各種改進的方法，如模糊分類法[1]、神經網絡分類法[2]等。但這些方法在本質上還是基于影像像素層次的分類，雖然能在不同程度上對分類精度有所改善，但無法從根本上解決高分辨率遙感影像的高速與準確的信息提取問題[3]。基于面向對象技術的遙感影像分類方法突破了傳統方法分類的限制，不僅可以充分利用高分辨率遙感影像上豐富的光譜信息，而且還可以把地物類型看成一個個對象，利用對象的空間信息（光譜特征、幾何特征、紋理特征等）進行圖像處理、分析、分類，取得了較好的效果，并得到快速發展。本文以福州瑯岐島為例，利用面向對象技術進行遙感影像土地利用分類研究，以實現對高分辨率遙感影像高效、準確的信息分析與提取。

1 研究區概況與遙感數據來源

研究區域為福州瑯岐島。瑯岐島位于閩江口，素稱閩江口的明珠，自然條件得天獨厚。島東西長約15.3公里，南北寬約8.1公里，相當于香港本島面積，為福建省第四大島，中國第二十一大島。本次研究范圍為瑯岐島及其周邊水域、灘涂，研究區總面積78.80km2，詳見圖1。研究中使用的遙感數據是拍攝于2013年3月7日的1.5m SPOT 6全色影像，多光譜分辨率為6m，包含藍、綠、紅和近紅外四個波段。

2 研究方法和過程

面向對象方法包括影像分割和分類提取兩部分。首先，根據影像像元的同質性自下而上合并形成影像對象；然后，利用對象的空間特征和光譜特征通過隸屬函數或最鄰近分類器，實現信息自動提取的目的[4]。其中影像分割是分類的基礎，首先科學合理地確定遙感影像分割的尺度，然后選擇和提取訓練區樣本對象或圖像中的對象或基元特征，并利用這些特征或特征組合結合經驗、知識進行分類，提取遙感信息。

本研究采用福州市環境科學研究院購買的德國Definiens公司開發的正版eCognition 8.9作為技術軟件平臺開展遙感影像信息提取和土地分類，eCognition是全球第一個面向對象的影像分析軟件，它模擬人類大腦的認知過程，從不同的尺度和周圍對象的關系把握認知目標，是計算機高速處理和人類認知原理的完美結合，兼顧了信息提取處理的速度和進度[5]。

在采用eCognition軟件集成的隸屬函數分類器構建分類樹時，還可結合模糊分類和最近鄰分類的方法，技術流程如圖2所示，整個過程主要分為遙感影像分割、分類提取以及成果評價3個部分。

圖1 研究區遙感影像原始圖

圖2 技術流程圖

2.1 建立分類層次

eCognition可以根據構建的類層次結構對地物進行逐級分層分割，對非目標地類進行掩膜，這樣就避免了其它目標對當前目標提取時的干擾，提高了分類精度，又極大地減少了每次分類所處理的分類單元數，提高了分類效率[6]。本研究區的地物類別及類層次結構圖如圖3所示，根據研究區的特征和實際情況，將研究區的土地利用類型分為灘涂、河流、塘庫、道路、耕地、林地、菜地園地、建設用地8類。如圖2所示，首先區分水體和非水體（陸地），然后在水體中根據相關參數進一步細分；對于非水體（陸地），可根據NDVI區分植被、非植被，然后再根據地物的具體特征，選擇合適的參數進行分類提取。

圖3 分類層次結構圖

2.2 影像分割

根據研究區域范圍的大小和影像特征，確定合適的分割尺度，分割尺度的選擇對分類結果的精度具有至關重要的影響。因為對于光譜特征上比較相近的地類，如果分割參數選擇不當，他們就會混合在一起，造成分類精度降低。不同分割尺度的試驗結果見圖3，分割尺度取30時，分割過于細致、破碎，不利于分類；當分割尺度取120時，分割不夠完整，存在一個對象包含了多種地物的現象；分割尺度取70的結果相對兼顧了研究區各種植被的局部細節以及空間幾何分布特征。本研究選擇分割尺度為70，其它參數設置為：形狀權重0.35，緊湊度0.6。

圖4 不同分割尺度結果比較

2.3 分類提取

分割后的遙感影像具有光譜信息、紋理結構、形狀等各種屬性。因材質、空間分布方式的差異，每一地物類別都具有獨立于其它地物的專屬特征[7]。本研究主要通過光譜特征、紋理、形狀特征等三個方面對地物進行識別分類。

2.3.1光譜特征

水體多成青色，且色調單一，與其它地物的光譜特征相差較大，可用歸一化水指數（NDWI）來提取。該指數是基于綠波段與近紅外波段的歸一化比值指數，計算公式為：NDWI=[p(Green)-p(Nir)]/[p(Green)+p(Nir)]。通過對選擇的訓練區樣本統計發現，水體NDWI值一般大于0.05，非水體一般為負數，不大于0.02。

不同地物的歸一化植被指數（NDVI）值差別較大，歸一化植被指數計算公式為：NDVI=[p(nir)-p(red)]/[p(nir)+p(red)]，為基于近紅外波段和紅外波段的譜間特征。通過計算統計，研究區典型地物間的NDVI區間如表1所示。從表1可知，植被與非植被NDVI指數差別明顯，在NDWI指數區分水體和非水體后，用于區分植被與非植被。

表1 典型地物NDVI指數區間范圍

除NDWI、NDVI外，還可運用亮度值、波段均值差、標準差等光譜特征參數，對相似地物進行輔助分類。如，道路的亮度值高于建筑物；在相同NDWI數值基礎上，養殖池塘的紅色波段與藍色波段均值的比值在一定區間內，具有較明顯的區分度。

同時，植被中不同地類有一定的差異，但也有相近的光譜特征曲線，僅用光譜特征是難以區分的，更不能保證分類的精度。因此，為了更有效地進行土地利用分類，需借助其它參數進行多角度分析。

2.3.2紋理特征

影像紋理值指灰度值在空間上的變化，是一種獨立于顏色反映地物同質性的特征。在各種紋理分析方法中，灰度共生矩陣是當前公認較成熟的統計方法之一，它反映了圖像灰度關于方向、相鄰間隔、變化幅度的綜合信息[8]。

紋理特征主要用于區分光譜特征相似的地物。從上述光譜特征分析可知，耕地、菜地、林地光譜參數分布有重疊的區間，在此情況下，紋理特征是區分三類地物的重要參數之一。菜地園地和耕地都較為規則，林地比較不規則；菜地園地、耕地排列都較為規則，但因地物尺寸不一樣，所呈現的紋理特征也不一致，菜地園地紋理更為稀疏，耕地紋理較為細膩。紋理特征是面向對象技術區分同譜異物的重要方法之一。

2.3.3形狀特征

除上述兩項重要的特征外，形狀特征也有利于快速有效地分辨不同幾何形態的地物，提高分類精度。如道路為條帶狀，其長寬比和形狀指數大于其它地物；居民地建筑呈一定規則的方形，可利用矩形擬合度輔助分類。

根據類層次結構，以上述三項特征為主要分類方向選取特征參數，輔以模糊分類、最近鄰法等。通過反復試驗和實地驗證，選取了較為合理的評價指標體系，并制定隸屬函數分類規則，研究區分類體系與地物特征如表2所示。每一個對象對應于一個特定類別的隸屬度，隸屬度值越高，屬于該類的概率則越大[9]。同時，需對隸屬函數自動分類后的結果進行修正，調整樣本函數曲線，也可通過人工判別、手動修正歸類來提高分類精度。通過多次反復試驗和調整，最終獲得較為科學、合理的分類規則體系。

表2 研究區地類分類體系與地物特征

3 分類結果與精度評價

3.1 分類結果

瑯岐島面向對象方法土地利用分類的結果見表3和圖5，同時為了比較影像的分類結果，采用傳統的基于像素的最大似然法進行分類，傳統分類結果見圖6。

表3 瑯岐島土地利用分類統計表

圖5 瑯岐島面向對象技術土地利用分類結果圖

圖6 瑯岐島最大似然法土地利用分類結果圖

將圖5和圖6在同一部分放大對比可以看出（詳見圖7），面向對象技術提取的分類結果圖斑完整性較好，避免出現了“椒鹽現象”。eCognition作為一種獨創的基于對象的影像分析軟件，支持將提取的特征以柵格或矢量的格式導出。直接輸出的矢量（.shp）格式，包含了斑塊的空間屬性信息，可以實現無損失的直接導入ArcGIS等GIS軟件平臺中，較為便捷地在GIS中實現對部分自動分類出現的錯誤斑塊進行目視補判、人工修正等，進一步提高分類精度。而ERDAS平臺下的最大似然法分類結果為帶有很多“椒鹽”的柵格格式（.img），需要進行去除雜點、小圖斑等后處理，再在GIS平臺中進行數據交換，根據需要轉換為Coverage、shp等格式。格式轉換過程不僅相對復雜，而且效果不夠好。

圖7 兩種分類方法分類結果細部對比圖

3.2 精度評價

因國土部門的土地利用數據較本研究使用的遙感數據年份更早，與現狀地類存在一定的差異。本研究在土地利用現狀數據的基礎上，結合野外實地調查以及高分辨率影像目視選取樣本，采用誤差矩陣的評價方法對兩種分類結果的精度進行評價，兩種分類方法精度評價結果分別見表4和表5。

表4 面向對象法分類精度評價分析

表5 最大似然法分類精度評價分析

結果表明，面向對象的分類方法得到的總體精度為88.25%，明顯高于最大似然法（總體精度為74.17%），分類結果較為理想。KAPPA系數是一種計算分類精度的方法，系數在0.61~0.80，則表明精度為高度的一致性（substantial），在0.81~1之間，則表示幾乎完全一致（almost perfect）。可以看出，面向對象分類結果KAPPA系數評價結果為幾乎完全一致，最大似然法評價結果為高度一致性，面向對象技術評價結果具有明顯的精度優勢。

面向對象方法對道路和建設用地、耕地的分類結果明顯高于基于像素最大似然法，這是因為面向對象分類方法除考慮地物的光譜特征外，還綜合利用了紋理和形狀等特征參數。

此外，對于面向對象分類結果而言，分類用戶精度較低的地類主要為林地（70.28%）和菜地園地（72.72%），主要原因在于影像拍攝時間為2013年3月，為植被生產初期，耕地、菜地、果園和森林等植被之間光譜特征差別度不大，容易混淆，從而造成分類精度不高。為此，需進一步挖掘總結各類地物在光譜、紋理、形狀方面的細微差異，并綜合運用最近鄰分類、疊加DEM等方法，全方位地建立分類規則，提高分類精度。

4 結論和建議

（1）與傳統基于像素的最大似然法相比，基于面向對象分類技術的eCognition軟件分類結果具有更高的精度，用地分類總體精度達到了88.25%，KAPPA系數為0.8560。

（2）面向對象分類方法是以影像分割技術為前提，綜合考慮了光譜特征，以及地物形狀、紋理、分布、相互關系等各個要素，在一定程度上解決了同物異譜、同譜異物的現象，不僅分類精度較傳統的最大似然法高，并且也能避免傳統分類方法“椒鹽現象”的產生。

（3）地物特征識別和分類規則建立是基于面向對象技術進行土地利用分類的關鍵，通過試驗、實地驗證并總結更加科學合理且具有區域特征的分類規則，有效選擇特征參數，對進一步提高分類精度具有重要的作用。

[1] Wang Fangju.Fuzzy supervised classification of remote sensing images[J]. IEEE Trans. On Geosci. and Remote Sensing, 1990, 28(2): 194-201.

[2] Benediktssn J A,Swain P H, Ersoy O K. Neural network approaches versus statistical methods in classification of multisource remote sensing data[J]. IEEE Trans. On Geosci. And Remote Sensing, 1990, 28(4):540-552.

[3] 翟立君.衛星MPLS網絡關鍵技術研究[M]．北京：清華大學出版社，2001.

[4] 李娜，周德民，趙魁義．高分辨率影像支持的群落尺度沼澤濕地分類制圖[J]．生態學報，2011，31(22)：6717-6726.

[5]WINTER Rolf. The Coming of Age of MPLS[J]. IEEE Transations on Electron Devices,2011(59): 2964-2972.

[6] 曹雪，柯長青．基于對象級的高分辨率遙感影像分類研究[J]．應用技術，2006（5）：27-30．

[7] 鄧媛媛，巫兆聰，易俐娜．面向對象的高分辨率影像農用地分類[J]．國土資源遙感，2010，12（15）：117-121．

[8] Lucas R,Rowlands A,Brown A,et a1.Rule—based Classification of Multi—temporal Satellite Imagery for Habitat and Agricultural Land Cover Mapping[J].ISPRS Journal of Photogrammetry＆Remote Sensing,2007(62): 165-185.

[9] 黃慧萍．面向對象影像分析中的尺度問題研究[D]．北京：中國科學院遙感應用研究所，2003．