結合迭代分割和空間優化規則的濕地信息提取方法

徐慶紅，吳波，梁志鋒

（福州大學 空間數據挖掘與信息共享教育部重點實驗室，福州 350002）

1 引 言

濕地信息提取的結果是濕地景觀格局研究、濕地保護及管理工作的重要依據，信息提取的精度需滿足一定要求。然而，濕地生態系統含水量高，各濕地類型在遙感影像上的光譜特征和空間特征對環境背景依賴性強，“同物異譜”和“異物同譜”現象嚴重。傳統僅依靠地物光譜特征差異分類的方法，濕地信息提取精度較差［1］。面向對象的方法以同質像元組成的對象為處理單元，在原有的光譜信息上，增加了形狀、紋理、層次和類空間關系等可用特征，能有效提高濕地信息的解譯精度［2］。但面向對象方法仍存在許多難點［3-4］，如分割尺度的選擇問題、多尺度分割實現困難等。實際應用中的濕地研究區面積較大、數據量多，要達到工程性應用，應引入有效的自動或半自動信息提取方法，形成完整可靠的技術流程，以減少工作量和保證解譯結果的可重復性和穩定性［5］。本文旨在提出一種有效的面向對象濕地信息提取方法，為開展濕地調查工作提供技術支撐。

2 研究區及數據源

2.1 研究區概況

為驗證結果的可重復性和穩定性，本文選取兩個地區進行實驗。區域一是福建省寧德市霞浦縣，地理位置為 N26°49′50″～N26°55′1″，E119°59′52″～N120°6′18″；區域二是福建省莆田市涵江區，地理位置為 N25°22′5″～N25°28′3″，E119°2′20″～E119°9′25″。兩區均位于閩東濱海地區，淺海、灘涂面積廣闊，主要濕地類型有稻田、養殖場、灘涂、淺海水域等。

2.2 遙感數據

實驗數據包括2010年1月14日霞浦區和2010年3月18日莆田區共兩景ALOS AVNIR－2影像。該數據包含4個波段（藍、綠、紅、近紅外）信息，空間分辨率為10m。

采用ERDAS中的AutoSync模塊對原始數據進行幾何校正。輔助數據為已校正的全省TM和ASTER GDEM影像，校正模型為3階多項式。校正后從影像上裁剪出目標區域：霞浦區影像大小為960＊1072像元，莆田區影像大小為1213＊1213像元。

3 信息提取方法

面向對象法首先將圖像分割成具有一定意義的均質對象，然后用一組特征來描述對象，最后通過建立對象與類結構之間的關系和判別規則，將對象分配到相應的類中。本文提出一種迭代分割方法，以支持向量機（SVM）分類器進行濕地類別識別。最后，通過更深層次的挖掘遙感影像上濕地類別的深層空間語義信息，加入人的思維，構建優化規則，使信息提取結果更加準確。

3.1 影像分割

由于地物間存在大小差異，單一尺度的分割結果過于破碎或分割不完全。因此，應采用多個尺度對不同類別地物進行分割，以保證后續分類精度［6-7］。多 尺 度 提 取 地 物 的 技 術 主 要 是 分 層 分割［8-9］，即以不同尺度分割影像，生成多個尺度的對象層，然后逐層提取地類。分層分割方法在一定程度上提高了影像分類的精度，但由于分割層的數量受地類數量的影響，故地類豐富時，相應的對象層多而雜亂，可操作性差；且各類別的提取精度在一定程度上受提取順序的影響，提取誤差累積后易造成提取精度的不平衡，故分層分割的方法在精度和效率的平衡上很難把握［8］。

濕地作為重要的環境資源，類別豐富，信息提取的結果應盡可能準確的反應濕地類型在空間位置和數量上的分布情況，且在實際應用中要考慮到效率和精度的平衡，故逐層提取的方法實用性差。特別是在地類結構復雜時，分層分割技術難以滿足濕地信息提取的實際要求。

針對以上情況，本文構想一種迭代分割方法獲取多尺度分割對象層，技術流程如圖1所示。首先以小尺度進行初分割并分類；然后對同類對象進行合并，則每個類別形成單獨的執行域（domain）［13］；對每個執行域以不同尺度進行分割（分域分割），形成新的分割對象層；判斷新的對象層是否滿足要求，若不滿足則重復以上過程進行新的分割，若滿足則結束分割過程。初始分割尺度應保證分割完全，故采用較小尺度，初始分類采用最近鄰分類器分類。

3.2 SVM 分類

支持向量機（SVM）算法［10］是在統計學習理論基礎上發展起來的新一代學習方法，利用核函數將訓練樣本映射到一個高維的特征空間中，通過尋找最優分類超平面，解決低維不可分問題。在對偶拉格朗日方程中，其內積由核函數（式（1））替代，并且非線性SVM的對偶拉格朗日方程LD（α）（式（2））與線性SVM的情況類似。滿足約束條件（3）。利用求解線性可分問題的方法解得最優分類超平面可表示如式（4）所示。

式中，b為偏移量，k xi，（ x）為核函數。

實踐證明：SVM分類算法具有良好的泛化性能，應用于遙感影像分類中，能有效解決小樣本、非線性、高維和局部的問題［11-12］。采 用SVM 分 類 進行濕地信息的提取，在訓練數據非常少的情況下仍能得到較好的效果，確保結果的有效性和穩健性，有利于實現信息提取工作的精度和效率的均衡。

考慮到濕地類型具有含水量高、植被覆蓋度低、相鄰像元同質性強等特點，本文提取了光譜均值（mean）、標準差（Standard Deviation）、基于灰度共生矩陣的同質性（GLCM Homogeneity）、長寬比（Length／Width）、歸一化植被指數（NDVI）和歸一化水體指數（NDWI）等6種特征參與分類。SVM分類器采用RBF核函數。依據每個類別的光譜特征和紋理特征的豐富性，對應的樣本數量為5到10個不等。

3.3 優化后處理

利用影像的語義信息描述地物間的空間關系，是面向對象技術的一個主要優勢。對象中與語義信息有關的特征主要有：與鄰域對象的關系特征、與父對象或子對象的關系特征、利用語義信息描述與類相關的一些對象特征等［13］。本文通過將地類之間的關系以及每個類別特有的空間屬性特點與影像分類結果進行比較，由此分析影像分類后出現的類別錯分類型，從而構建優化規則改善信息提取的結果。

將SVM分類結果與實際地類分布情況進行比較，得到兩個地區的初分類結果的錯分情況，由此構建相應的優化規則。

霞浦區濕地類別從沿海向內陸呈水平分布；各個類別斑塊相對獨立，交錯少，鄰域對象關系清晰；林地、稻田、水域、水產養殖場均成塊狀分布；淤泥質海灘處于水陸過渡地帶。與實際地類比較得出初分類結果的錯分情況：部分疏林地或無林地錯分成稻田；內陸地區大量裸地錯分成淤泥質海灘；水域與水產養殖場部分混分。根據以上情況建立霞浦區優化規則：稻田對象中與林地存在被包含關系的重定義為林地；包含于建設用地中的淤泥質海灘重定義為建設用地；與非濕地類型存在被包含關系的養殖場重定義為水域。

莆田區濕地資源以木蘭溪為界均勻分布于南北兩側；輸水河（溝渠）、稻田和水產養殖場交叉分布；建設用地區基本無濕地資源分布；輸水河、稻田主要分布于內陸；淤泥質海灘只分布在海陸過渡地區且對象面積較大。與實際地類比較得出初步分類結果的錯分情況：部分建筑區由于陰影的影響錯分成養殖場；由于光譜混淆，少量養殖場錯分成淤泥質海灘、水域和輸水河。根據以上情況建立莆田區優化規則：建設用地中包含的水產養殖場對象重定義為建設用地；水產養殖場中的淤泥質海灘、水域和輸水河對象重定義為水產養殖場；面積小于1500像元的淤泥質海灘對象重定義為裸地。

4 結果分析

本文以專業化面向對象方法軟件eCognition為實驗平臺，采用分形網格演化算法（FENA）進行影像分割。

4.1 分割

采用迭代分割方法對影像進行分割，分割參數見表1，分割結果如圖2。本文中的各參數通過人機交互確定。考慮到濕地類型含水量高的特性及近紅外波段對水體的響應特性，分割時加大近紅外波段的權重。根據各濕地類型分布的形狀結構及光譜特性，相應調整各參數取值。分割結果的好壞以傳統目視評價手段為評判標準。

表1 濕地類別分割參數

從圖2可以看出：初步分割的結果分割尺度小，分割完全，但是分割結果過于破碎，不能突出各個地類分布的特點；而經過迭代方法分割的結果，水域、水產養殖場和稻田等地類的塊狀紋理特征明顯，分割邊界與地類邊界吻合度提高，分割得到的對象信息損失更少。

4.2 分類及優化

根據研究區的實際情況結合影像特點，并參照濕地分類規范［14］，將研究區地類分為濕地和非濕地兩大類別。其中濕地類包括稻田、水產養殖場、淤泥質海灘、輸水河、水域（由于區內河流均處于入海口，與淺海水域分界不確定，故將永久性河流和淺海水域合并為水域一類）5類；非濕地類別包括建設用地、林地、旱地3類。

根據影像解譯標志進行樣本訓練并分類，然后利用優化規則修正結果。由于本文的重點是濕地信息的提取，最終結果將非濕地類別合成一類。結果見圖3和圖4中的（b）、（c）、（d）。

4.3 精度評價

對兩區的影像進行傳統最大似然分類（圖3和圖4中的（a））。以經過野外調查驗證的人工解譯分類結果作為參照依據，分別對最大似然分類結果、SVM分類結果和優化后結果進行精度評價，評價結果見表2和表3。

由表2可知，3種分類方法在霞浦區的分類精度都較高；相對于最大似然分類結果，霞浦區基于迭代分割的SVM分類結果在總體精度上提高了3.88%，kappa系數提高了0.05；經過優化后，總體精度又提高了0.81%，kappa系數提高了0.01。由表3可知，莆田區的最大似然分類結果精度較低，特別是輸水河、水產養殖場和水域的光譜混淆，錯分情況嚴重；SVM分類結果精度較高，總體精度達到83.16%，kappa系數為0.76；優化后的總體精度提高到94.18%，kappa系數為0.92。

從兩個地區分類結果中可看出：最大似然分類的結果過于破碎，且受光譜限制，部分地類提取精度很低。面向對象的方法各類別提取精度較高且相對均衡，優化后的結果對類別的空間表達更加準確。

表2 霞浦區3種分類結果精度評價

表3 莆田區3種分類結果精度評價

5 結束語

迭代分割與分層分割不同，能在單個對象層中獲取多尺度對象，為基于多尺度分割的面向對象方法提供了一種新的思路。基于迭代分割的SVM分類方法，提高了濕地類別的識別能力。依據實際地類與分類結果的比較分析構建優化規則，改善了濕地信息空間上的表達效果，特別是在濕地類別豐富的地區，空間關系成為地類識別的重要依據，這種改善效果更加明顯。

本文方法是一種半自動的濕地信息提取方法，技術流程清晰，理論依據明確。影像解譯結果具有可重復性、穩定性及有效性等優點；濕地信息的提取結果較為準確的反映濕地類型在量和空間上的分布情況。該方法關鍵是找到建立規則的規律，將所有步驟保存成完整的規則集，在處理大量數據時，只需直接將規則集導入軟件中，修改部分參數，即可實現計算機自動分類，故自動化程度較高，能達到工程性應用要求。

［1]TANSEY K，CHAMBERS L，ANSTEE A，et al.Object－oriented classification of very high resolution airborne imagery for the extraction of hedgerows and field margin cover in agricultural areas［J］.Applied Geography，2009，29（2）：145－157.

［2]閆利.遙感圖像處理實驗教程［M］.武漢：武漢大學出版社，2010.

［3]CAMPBELL C.Kernel methods：A survey of current techniques［J］.Neurocomputing，2000，48（3）：63－84.

［4]張秀英，馮學智，江洪.面向對象分類的特征空間優化［J］.遙感學報，2009，13（4）：664－669.

［5]LENNARTS S P，CONGALTON R G.Classifying and mapping forest cover types using IKONOS imagery in the NorthEastern United States［C］.Proceedings of the ASPRS 2004Annual Conference，Denver，USA，2004.

［6]林先成，李永樹.面向對象的成都平原多源遙感影像分割尺度研究［J］.測繪科學，2010，35（4）：38－40.

［7]BAATZ M，SCHAPE A.Multi resolution Segmentation：An optimization approach for high quality multi－scale image segmentation［J］.Angewandte Geographische Informationsverarbeitung，Wichmann Verlag，2000，12（12）：12－23.

［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），2006，31（4）：316－320.

［9]彭海濤，柯長青.基于多層分割的面向對象遙感影像分類方法研究［J］.遙感技術與應用，2010，25（1）：149－154.

［10]李國正，王猛，曾華軍.支持向量機導論［M］.北京：電子工業出版社，2004.

［11]胡自申，張遷.基于SVM 的遙感影像的分類［J］.遙感信息，2003（2）：14－19.

［12]陳晨，張友靜.基于多尺度紋理和光譜信息的SVM 分類［J］.測繪科學，2009，34（1）：29－31.

［13]Definiens.eCognition Developer 8Reference Book［M／OL］.http：／／www.definiens.com，2009.

［14]國家林業局.全國濕地資源調查技術規程（試行本）［M］.北京：中華人民共和國林業部，2008：4－6.