基于HJ-1星CCD數據的面向對象人工表面信息提取研究
——以陜西關中平原為例

謝家麗，顏長珍，宋 翔

(中國科學院寒區旱區環境與工程研究所沙漠與沙漠化重點實驗室，甘肅蘭州 730000)

在人類生產和生活活動對土地資源的空間分布、質量和數量的強烈影響下，人工表面具有極強的動態性［1］。實時提取人工表面信息，對土地資源管理以及生態環境評價具有重要意義。但是傳統的外業實地調查很難快速獲取大面積的實時信息。遙感技術憑借探測周期短、現時性強、可大面積同時觀測的優勢，已成為地物定性、定量探測的重要手段，為地球資源監測提供了大量的數據支持［2－3］。隨著遙感技術的進步及其應用的深入，遙感專題信息的提取方法也在不斷革新，經歷了目視解譯、自動分類、光譜特性的信息提取、光譜空間特征的專題信息提取、面向對象分類以及多尺度分類［4－8］等多個階段。目前除地物光譜特征外，人們越來越注重影像的空間特征如紋理和形狀與地學輔助數據等在信息提取中的作用［9］。Baatz等提出的面向對象的分類方法將影像基于不同波段的權重進行分割，以對象為處理單元，綜合紋理、上下文等特征信息，在分類精度和速度方面，與傳統方法相比都有顯著提高［10－11］。面向對象的分類方法在基于高分辨率影像的各種遙感信息提取中應用廣泛［12－13］，而在時間上連續性好、光譜信息比較豐富、獲取成本較低的中分辨率影像利用方面存在不足［14］。近年來，一些學者開始中分辨率影像信息提取的研究［15－16］。

人工表面信息的提取一直是影像分類中的難點，在大面積土地覆蓋信息提取中更是如此。目前對人工表面信息的提取研究多是基于高分辨率影像的城市信息提取，包括城市建筑物信息提取、城市綠地提取、道路和橋梁等重大工程信息的提取［17－20］。由于影像光譜信息和時相信息過于單一，人工表面信息的提取精度總是不理想［21］。2008年9月6日，我國發射了專門用于環境與災害監測的預報小衛星(HJA、HJ-B)，可實現可見光探測在30 m分辨率下每2 d對國土進行全覆蓋觀測，同時具備大范圍、全天時、全天候環境與災害監測等方面的能力［22－23］，為人工表面信息的提取提供了豐富的信息源。為此，筆者將HJ-1號衛星CCD數據作為主要數據源，以關中平原為例，發展面向對象的多尺度分類提取人工表面信息的方法，為大面積土地覆蓋分類中人工表面信息的提取提供成熟的方法。

1 研究區概況

關中平原位于陜西省中部，西起隴山，東至潼關，南至秦嶺北麓，北至陜北黃土高原，總面積5.56萬km2，其地處溫帶大陸性季風氣候區，年平均降水量時間上呈波動變化，并由西南向東北遞減［24］。該區開發歷史久遠，人為活動強烈，土地覆蓋中人工表面信息類型多、分布廣，在西北地區極具代表性。

2 數據與研究方法

2.1 數據來源及其預處理 環境減災衛星HJ數據來源于中國資源衛星中心，作為主要數據源，并輔以Aster 30m的DEM 數據(http://asterweb.jpl.nasa.gov/gdem-wist.asp)以及由DEM經過空間分析生成的坡度數據和Landsat TM數據(http://glovis.usgs.gov/)。HJ-1號衛星CCD數據共有4個波段，分別為:①藍色波段，0.43 ～0.52 μm，對水體有透射能力;②綠色波段，0.52 ～0.60 μm，探測健康植被綠色反射峰;③紅色波段，0.63 ～0.69 μm，測量植物綠色素吸收率;④近紅外波段，0.76～0.90 μm，測定生物量和作物長勢。前3個波段可區分人造地物類型，而近紅外波段可區分植被類型。在數據選擇方面，采用多時相的數據源(HJ/CCD:20100721、20101103、20100316)，根據地物在不同季節所表現的光譜特征進行信息提取。

采用WGS_1984_UTM投影坐標系，對幾何校正后的研究區TM影像數據進行投影轉換，將其作為校正HJ星數據控制點的參考影像。另外，對HJ星數據進行大氣校正、輻射校正、幾何精校正、波段合成等處理。由于HJ數據幅寬較大，為了提高工作效率，在進行幾何精校正時采用自動配準生成控制點，并人工檢查和修改匹配不準的控制點，模型選用Rubber Sheeting，誤差控制在1.5個像元內。

2.2 信息提取方法 面向對象分類方法是指通過對影像進行分割，使同質像元組成大小不同的對象［25］，以每個對象為處理單元，獲取對應地物的光譜信息，并綜合利用影像對象的紋理、形狀、空間拓撲關系等信息。影像的多尺度分割技術是一個局部優化過程，從任一個像元開始，采用自上而下的區域合并方法形成對象，每一個對象的大小調整都必須確保合并后的對象的異質性小于給定的閾值［25－26］。對所有面向對象的信息提取方法來說，成功的影像分割是必要前提，影像分割本身不是目的，但其分割的尺度和精度對下一步分類的精度影響很大［8］。

在進行對象分割時，面向對象的分類方法通過集合鄰近像元作為一個對象來識別感興趣的光譜要素。影像分割應遵循兩條原則:①盡可能地將顏色因子的權重設大，因為光譜信息是影像數據中所包含的主要數據，形狀因子權重太高會導致光譜均質性的損失;②對于那些邊界不很光滑但聚集度較高的影像對象盡可能使用必要的形狀因子［18］。該研究主要是利用德國Definiens Imaging公司開發的面向對象的遙感分類軟件eCognition進行人工表面信息提取。基于面向對象的理論知識，利用多尺度分割技術，統計分析對象的光譜屬性，建立規則集對影像進行分類，并用野外樣本點對分類結果進行精度驗證。

根據項目需求制定的我國土地覆蓋分類系統，將人工表面分為3個Ⅰ級類型和6個Ⅱ級類型(圖1)，并對研究區主要的人工表面信息進行對象DN值采樣(圖2)。影像對象DN值的差異、變化特征及相應人工表面的特征指數是建立分類規則集的依據。試驗采用的整個技術流程和選用的特征參數如圖3所示。

圖1 研究區人工表面信息分類系統

圖2 主要人工表面地物類型樣本光譜響應曲線

圖3 面向對象的人工表面信息提取流程

2.3 云檢測與去除 進行土地覆蓋分類時，選擇影像的要求包括:①選擇植被生長期的影像，以反映植被類型和現狀;②選擇云覆蓋量最少的影像。但實際上很難找到同時滿足兩個條件的數據，并且目前的去云技術只能消除薄云對定量遙感反演的影響，因此對土地覆蓋分類工作來說，獲取云覆蓋區域的地物類型的難度較大。為了提高土地覆蓋信息提取的精度，需要進行去云處理。采用許章華等［27］的替換法思路對影像中的云進行處理。該研究利用“(HJ1+HJ2+HJ3)/3”的值將研究區內被云覆蓋的區域全部提出，并將其定義為云指數(Cloud Index，簡稱CI)，經過多次試驗，取CI＞86.45的區域賦值為“云”，但是由于部分工業用地的光譜反射值較大，使其包含在“云”里面，因此對“云”需要再次設定閾值，采用DEM和Slope將這部分居住地提出，然后對“云”進行影像替換，重新分類。

2.4 特征指數計算

2.4.1 水體指數計算。水體在近紅外波段的反射率遠低于其他地物，并且隨著波長從藍光增加到近紅外，水體的反射率降幅很大。根據對水體的光譜特征分析，建立基于藍光波段的歸一化差異水體指數模型(Normalized Difference Water Index-Blue，NDWI-B)，公式如下［22］:

式中，Blue為HJ星CCD數據的藍光波段;NIR為HJ星CCD數據的近紅外波段。

2.4.2 植被指數的計算。歸一化植被指數(Normalized Difference Vegetation Index，NDVI)是植被生長狀態及植被覆蓋的最佳指示因子，它的時間變化曲線可反映季節和人為活動的變化，公式如下［28］:

式中，HJ3和HJ4分別為HJ-1 CCD數據的第3波段和第4波段的DN值。

3 試驗結果與分析

對研究區影像進行多尺度分割，以Ⅰ級分類15的分割尺度和Ⅱ級分類5的分割尺度進行分割。在信息的自動提取過程中采用決策樹［23，29］的分類思想逐級開展。按照技術流程圖(圖3)，對試驗區人工表面信息進行提取，具體特征參數設置如下。

(1)通過分析影像中耕地的光譜特征值，對4個波段的值進行求和，設定閾值提取耕地。該研究中取SUM(HJ1－4)＞240。在關中平原，園地和耕地呈交叉分布，容易混淆。在耕地中需要利用耕地的季節差異，通過不同時相的NDVI和HJ星第4波段的值區分耕地和園地，選取研究區同年3個季節的影像(HJ/CCD:20100721、20101103、20100316)進行對比分析得出:春季農田的NDVI值大于0.3，而夏季和秋季農田的NDVI值均位于0附近;春季園地的NDVI值在0附近，而夏季和秋季園地的NDVI值大于0.25。

(2)利用基于藍波段的改進型歸一化差異水體指數NDWI-B提取水體，理論上水體的NDWI-B的值應大于0，但是由于影像的時相以及傳感器等因素的影響，該研究中取NDWI-B＞0.045為水體。研究區內的水體包括河流、湖泊和水庫/坑塘，利用形狀指數將河流剔除，分別對湖泊和水庫/坑塘與耕地的空間拓撲關系進行分析，通過“find enclosed by class”以及“Rel.to neighbor class”將耕地包圍的和耕地附近的水體劃分為水庫/坑塘。

(3)通過分析對象樣本的DN值，發現建設用地與其他地物在第3波段的差異較大，因此可以利用DEM、坡度和第3波段的值來提取建設用地信息。由于關中平原人類活動比較集中，居住地通常分布在低平區，Slope＜10。建設用地分為居住地、工業用地和交通用地，首先通過形狀指數將交通用地提出，然后根據亮度區分居住地和工業用地。此外，分布于耕地間的居民地可用紋理值提取，取其值大于2.25的為居住地。

綜合利用地物對象的光譜特征、亮度、紋理、地理空間關系等信息參數，運用面向對象的分類方法進行多尺度分割，對分割后的影像對象進行逐級信息提取，得到研究區人工表面信息的分類結果(圖4)。

圖4 關中平原人工表面信息分類結果

利用外業采樣驗證點和基于Google Earth等高分辨率影像的目視解譯隨機采樣點(按各地類圖斑數的5%隨機抽樣)共2 475個，對關中平原人工表面信息分類結果進行驗證，精度可達到85.90%(表1)。但是由于受HJ影像數據空間分辨率以及混合像元等因素的影響，建設用地和園地分類精度相對較低，需要后期人工修改，最終分類精度提高到93%。

表1 人工表面信息分類精度驗證結果 km2

4 結論

(1)HJ-1號衛星的CCD數據具有重訪周期短、覆蓋范圍大和空間分辨率較高的特點，在大區域人工地表信息分類提取應用中具有很大潛力，可為快速、準確地提取地物分類信息提供數據基礎。

(2)與傳統的目視解譯分類方法相比，面向對象的計算機自動分類方法的效率顯著提高，并且eCognition軟件可以充分利用分類之前采集的野外調查樣本點作為樣本專題層，在分類時加入多時相影像數據以及DEM、Slope、TM和特征指數等輔助數據。此外，面向對象的分類方法不僅利用地物本身的光譜特性，而且綜合紋理、形狀、地理空間關系等參數信息，提高了分類精度。

(3)受影像數據空間分辨率的限制和混合像元的影響，建設用地和園地的分類精度相對較低，后期需要手工修改以提高分類精度。此外，由于計算機自動分類圖斑的破碎化，經過手工整飾后才能用于專題制圖。

［1］張銀輝，趙庚星.利用ENVI軟件衛星遙感耕地信息自動提取技術研究［J］.四川農業大學學報，2000，18(2):170 －172.

［2］童慶禧.遙感科學技術進展［J］.地理學報，1994，49(S1):616 －623.

［3］陳鵬飛，王卷樂，廖秀英，等.基于環境減災衛星遙感數據的呼倫貝爾草地地上生物量反演研究［J］.自然資源學報，2010，25(7):1122－1131.

［4］濮靜娟.遙感圖像目視解譯原理與方法［M］.北京:中國科學技術出版社，1992.

［5］HARRlS A J L，VAUGHAN R A，ROTHERY D A.Volcano detection and monitoring using AVHRR data:the Krafla eruption［J］.Remote Sensing，1995，16(6):1001 －1020.

［6］陳偉榮，郭德方.比值合成和特征主成分選擇技術在提取油區信息中的應用［J］.遙感技術與應用，1995，10(3):33 －39.

［7］喻光明，王朝南，鐘儒剛，等.基于DEM的洪澇災害信息提取與損失估算［J］.國土資源遙感，1996(1):42－50.

［8］錢巧靜，謝瑞，張磊，等.面向對象的土地覆蓋信息提取方法研究［J］.遙感技術與應用，2005，20(3):338 －342.

［9］GONG P，MARCEAU D J，HOWARTH P J.A comparison of spatial feature extraction algorithms for land-use classification with SPOT HRV data［J］.Remote Sensing of Environment，1992，40(2):137 －151.

［10］BAATZ M，SCH?PE A.Object-oriented and multi-scale image analysis in semantic networks［C］//2nd International Symposium:Operationalization of Remote Sensing.Netherlands，1999:16 －20.

［11］GAO Y，MAS J F，MAATHUIS B H P，et al.Comparison of pixel-based and object-oriented image classification approaches-a case study in a coal fire area，Wuda，Inner Mongolia，China［J］.International Journal of Remote Sensing，2006，27(18):4039 －4055.

［12］YU Q，GONG P，CLINTON N，et al.Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery［J］.Photogrammetric Engineering and Remote Sensing，2006，72(7):799－811.

［13］李斌兵，黃磊.基于面向對象技術的黃土丘陵溝壑區切溝遙感提取方法研究［J］.水土保持研究，2013，20(3):115 －119.

［14］林川，宮兆寧，趙文吉.基于中分辨率TM數據的濕地水生植物提取［J］.生態學報，2010，30(23):6460 －6469.

［15］崔一嬌，朱琳，趙力娟.基于面向對象及光譜特征的植被信息提取與分析［J］.生態學報，2013，33(3):867 －875.

［16］賈明明，劉殿偉，王宗明，等.面向對象方法和多源遙感數據的杭州灣海岸線提取分析［J］.地球信息科學學報，2013，15(2):262 －269.

［17］車風，林輝.城市建設用地遙感信息提取方法研究［J］.測繪科學，2010，35(4):97 －99.

［18］HUANG H P，WU B F，LI M M，et al.Detecting urban vegetation efficiently with high resolution sensing data［J］.Journal of Remote Sensing，2004，8(1):68 －74.

［19］王波.基于面向對象的高分辨率遙感影像人工地物信息提取［D］.贛州:江西理工大學，2011.

［20］劉浩，胡卓瑋，趙文慧.基于面向對象的重大工程土地利用變化信息提取——以國家體育場(鳥巢)建設工程為例［J］.國土資源遙感，2009(4):86－89.

［21］張峰，吳炳方，黃慧萍，等.泰國水稻種植區耕地信息提取研究［J］.自然資源學報，2003，18(6):766 －772.

［22］曲偉，路京選，李琳，等.環境減災小衛星影像水體和濕地自動提取方法研究［J］.遙感信息，2011，4(7):28 －33.

［23］劉睿，馮敏，孫九林，等.基于環境減災衛星CCD數據與決策樹技術的植被分類研究［J］.地理科學，2012，32(12):1488 －1495.

［24］張俊香，延軍平.關中平原小麥產量對氣候變化區域響應的評價模型研究［J］.干旱區資源與環境，2003，17(1):85 －90.

［25］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.

［26］BENZ U C，HOFMANN P，WILLHAUCK G，et al.Multi-resolution，objectoriented fuzzy analysis of remote sensing data for GIS-ready information［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2004，58(3):239－258.

［27］許章華，龔從宏，劉健，等.基于面向對象與替換法的遙感影像云檢測與去除技術［J］.農業機械學報，2013，44(6):210 －214.

［28］趙英時.遙感應用分析原理與方法［M］.北京:科學出版社，2003.

［29］溫興平，胡光道，楊曉峰.基于C 5.0決策樹分類算法的ETM+影像信息提取［J］.地理與地理信息科學，2008，23(6):26－29.