基于面向對象的高分遙感景觀格局提取方法

楊葉濤， 王迎迎， 曾又枝

(1.中國地質大學(武漢)地球物理與空間信息學院，武漢 430074； 2.湖北省氣象局，武漢 430074)

0 引言

高分辨率遙感數據的出現，使得在dm級別上進行景觀格局分析成為可能[1-3]。采用高分辨率遙感數據可以對以往無法獲取的細微景觀要素、景觀格局、景觀過程進行提取，為地表覆蓋景觀研究提供更加全面、精細的信息。高空間分辨率遙感技術的推廣使用，使景觀格局研究出現了一些新問題，已有的景觀分析方法面臨著挑戰[4]。不同于中低分辨率遙感數據，面向對象的圖像分析方法在高分辨率遙感數據上得到廣泛應用[5-7]。景觀格局分析需要多尺度視角，已有多尺度方法都是建立在中低分辨率圖像之上[8-9]。由于數據分辨率的提高，原有在大尺度上形成的景觀破碎、連續、連接等概念需要重新認識，景觀格局在高分辨率數據上的尺度問題需要進行深入研究。此外，面向對象圖像分析方法的尺度變換與傳統圖像分析方法的尺度變換截然不同。面向對象的尺度變換方法是按照像素的相似程度在不同尺度上進行圖像分割來實現的，而傳統方法則按照規則形狀的像素聚合來形成不同的空間尺度[10-11]。本研究以高分辨率遙感數據的面向對象圖像分析為基礎，嘗試建立景觀格局的斑塊、連續與連接特征相結合的混合描述模型。將該模型應用于QuickBird圖像林地覆蓋度景觀格局信息提取，分析尺度變化規律。

1 混合景觀格局模型

為了實現對景觀連續變化特征與連接特征的描述，并保持與斑塊鑲嵌特征的空間尺度一致性，本文研究了基于Delaunay-Voronoi原理的混合景觀格局模型。Delaunay-Voronoi方法在鄰域處理與尺度變換上有其自身優勢，因此在遙感圖像分割與多尺度分析上有廣泛應用[12-14]。建立的景觀格局斑塊鑲嵌結構，連續特征與連接特征一體化描述的混合景觀模型如圖1所示。

圖1 基于面向對象圖像分析與Delaunay-Voronoi方法的混合景觀格局描述模型

首先，將圖像分割結果用Voronoi圖進行剖分，通過Voronoi圖的連接性分析，建立圖模型，用以表示景觀的空間連接性； 然后，通過Voronoi圖的Delaunay三角化，建立不規則三角網表面模型，用以表示景觀連續變化特征。

其中，Voronoi剖分需首先確定Voronoi單元中心點的分布(Voronoi離散節點集)。因Voronoi圖與Delaunay三角網互為偶圖，3個相鄰的Voronoi多邊形的離散節點構成Delaunay三角形的頂點。Delaunay三角網代表景觀格局特征的空間連續變化。根據所表達的景觀格局意義，計算Voronoi圖所有離散節點相互之間的距離，構成網絡模型。

2 實驗分析

研究區面積為3.84 km2，覆蓋該區的實驗數據包括QuickBird數據的1個全色波段和4個可見光、近紅外波段。由于本研究以林地為例研究斑塊的鑲嵌特征、連接特征與連續特征，因此本文首先從該圖像中提取林地覆蓋圖。采用ISODATA的非監督聚類從NDVI圖像中提取植被，然后結合紋理信息剔除草地類型，最后得到林地覆蓋圖(圖2)。

圖2 研究區QuickBird圖像(左)及其林地覆蓋圖(右)

本研究采用Definiens Professional 5.0軟件在50～400尺度區間內，以50為間隔，用8個不同尺度對圖像進行分割; 然后，采用像素聚合方法對該區林地景觀特征進行多尺度分析。每個聚合尺度對應1個圖像分割尺度所得到的多邊形面積中位數平方根，如表1所示。景觀指標如表2所示。

表1 景觀格局分析尺度參數

表2 斑塊模型、表面模型與連接模型景觀指標

將分割結果分別與林地覆蓋圖疊加，提取多邊形林地覆蓋度屬性。將多邊形林地覆蓋度屬性分為3類，即[0, 0.3)，[0.3, 0.7)，[0.7, 1.0)，按分類后的多邊形提取斑塊鑲嵌景觀模型。采用基于約束的Halton偽隨機點采樣方式得到Voronoi離散節點集，節點密度與分割多邊形面積中位數一致，保證每個分割多邊形至少有1個隨機節點，對分割多邊形進行Voronoi剖分。隨機選取一定數量的高覆蓋面域為連接景觀模型中的核心區域(如圖2中的紅色圈區域)，以林地覆蓋度倒數建立連接阻抗圖層，得到景觀連接網絡模型。對Voronoi圖Delaunay化，獲取林地覆蓋度連續表面TIN模型。

3 結果分析

3.1 林地覆蓋度的提取

基于圖像分割與像素聚合這2種方法在多尺度上獲取的林地覆蓋度如圖3所示。

圖3 在不同尺度參數下2種方法提取的林地覆蓋度

像素聚合方法隨分析尺度參數從1上推到8，一些小尺度上明顯存在的林地覆蓋特征隨著尺度上推過程，邊界逐漸轉為模糊，直至最終消失。圖像分割方法隨著尺度參數從1上推到8，能很好地區分不同密度的林地覆蓋區域，保留高異質性的邊界特征。從分割結果來看，多邊形的邊界與地表覆蓋特征目視判讀結果基本一致。

3.2 類型斑塊景觀特征

在林地覆蓋度提取結果的基礎上，分別計算多尺度斑塊鑲嵌指標值，如圖4所示。

圖4 類型斑塊指標的多尺度變化特征

總體來看，不同的指標對2種不同的景觀格局提取方法的反應不一致。SHDI指標和PSCV指標隨尺度變化的規律大致相同，而MSI指標和AWMPFD指標隨尺度變化背離明顯。

部分在像素聚合方法上探測到的景觀格局尺度變化規律仍然存在。隨著尺度上推，景觀格局中小面積的斑塊逐漸消失，從而導致SHDI的降低。相對于像素聚合，圖像分割方法能更好地保留高異質性的小斑塊，所以隨尺度增大，其速度降低。同樣情況出現在斑塊面積變異系數上。另外2個指標在多尺度上獲取的結果相背離，表明建立在像素聚合方法上的尺度推演規律對高分辨率遙感面向對象景觀格局提取并不一定適用。MSI指標和AWMPFD指標隨尺度變化背離明顯是由于采用分割方法，隨尺度變大分割多邊形區域會隨之增大，但是處理的基本單元仍然為原始圖像像素，導致多邊形的邊界更加復雜。像素聚合方法中隨尺度變大，斑塊面積同樣上升，但是其處理的基本單元為聚合后的網格，基本單元尺寸增大導致形狀系數基本不變。

3.3 連續景觀格局特征

本研究選取的連續景觀指標包括平均粗糙度(Sa)以及表面積比率(Sdr)。采用2種不同方法所獲取的指標值隨尺度變化規律如圖5所示。

圖5 連續表面指標的多尺度特征

無論采用圖像分割法，還是采用像素聚合法，Sa和Sdr都隨著分析尺度上推而減小。隨尺度上推，表面模型的空間異質性降低從而導致平均粗糙度與表面積比率值減小。對比2種圖像分析方法，圖像分割能更好地保存小尺度上的空間異質性特征，從而使得Sa和Sdr在相同尺度下取值要明顯高于像素聚合方法。

Sa指標反映了連續表面模型高程取值的整體變異特征，與空間位置無關，類似于斑塊模型中的多樣性指標。隨尺度上推，像素聚合方法和圖像分割方法都有對上推前的網格或者多邊形高程取均值的操作，從而使得2種方法獲取的Sa指標隨尺度增加的變化趨勢基本一致。

Sdr指標表示局部表面積與平面投影面積的比率，類似于斑塊模型中的邊緣密度指標或者對比度指標,表達了表面模型粗糙度的空間變異特征。由于圖像分割方法將同質區域分割到同一多邊形內，并加大與相鄰非同質區域的對比度，而像素聚合分割方法使得邊界變得模糊(圖3)，從而使Sdr指標在2種方法中沒有類推性質。圖像分割方法在同尺度下取值要明顯高于像素聚合方法，而且其隨尺度減小的趨勢也不同于像素聚合方法。

3.4 連接景觀格局特征

對預先設定連接模型的核心區提取景觀連接指標，如圖6所示。

圖6 連接指標的多尺度變化特征

從圖6可以看出，2種圖像分析方法所提取的LCP指標隨尺度變化特征基本相同，但在分析尺度為8時，像素聚合方法的LCP急劇上升，這是由于聚合方法在此尺度上有1個比較短的連接路徑消失所導致的。隨尺度上推，像素聚合方法中節點間的連接路徑數NL下降速度要快于圖像分割方法的，這表明圖像分割方法能更好地保留圖像中對連接性研究至關重要的廊道。在所有尺度上圖像分割方法所獲取的最短路徑比像素聚合方法所獲取路徑的阻抗小，從而可以得出圖像分割方法獲取的景觀連接特征比像素聚合方法更為準確。

4 結論

1)與像素聚合方法獲取的景觀格局特征相比，面向對象圖像分割方法所獲取的景觀格局特征更接近于真實景觀。像素聚合方法沒有考慮景觀要素的邊界特征以及區域的異質性，采用眾數或者平均值表示像素聚合以后的景觀特征,從而導致了景觀要素邊界的模糊以及部分面積較小景觀要素的消失。斑塊模型、連接模型與連續模型的多個指標在多尺度上的提取結果證明了圖像分割方法在高分辨遙感數據的景觀格局提取上的優越性。面向對象的圖像分割方法能夠很好地保存不同尺度上景觀要素的邊界，以及小面積的景觀要素，從而提高了景觀格局提取的準確度。

2)本文以面向對象多尺度分割形成的高分辨率遙感圖像對象為基礎，結合Delaunay-Voronoi空間數據的幾何表達方法，實現基于同一數據結構建立斑塊模型、連續模型與連接圖模型，很好地保持了3種模型的空間信息一致性，使3種模型能緊密結合。該方法目前以隨機方式生成的離散點構成了圖像對象Voronoi剖分的基礎，這種方式不能保證剖分以后的Voronoi圖邊界與圖像分割多邊形的邊界保持一致，從而使得構建的TIN表面模型與連接圖模型與真實景觀有出入，影響景觀指標計算。下一步工作主要是實現顧及圖像分割多邊形邊界的Delaunay-Voronoi剖分，使得景觀格局提取結果更接近于面向對象的圖像分析結果。

參考文獻(References)：

[1] Herold M,Couclelis H,Clarke K C.The role of spatial metrics in the analysis and modeling of urban land use change[J].Computers,Environment and Urban Systems,2005,29(4):369-399.

[2] Jacquin A,Misaova L,Gay M.A hybrid object-based classification approach for mapping urban sprawl in periurban environment[J].Landscape and Urban Planning,2008,84(3):152-165.

[3] 周偉,袁春,白中科,等.基于QuickBird影像的鄭州市城區景觀格局評價[J].生態學雜志,2007,26(8):1259-1264.

Zhou W,Yuan C,Bai Z K,et al.Landscape patterns of Zhengzhou urban area:An assessment based on QuickBird imagery[J].Chinese Journal of Ecology,2007,26(8):1259-1264.

[4] Wulder M A,Hall R J,Coops N C,et al.High spatial resolution remotely sensed data for ecosystem characterization[J].BioScience,2004,54(6):511-521.

[5] Blaschke T.Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):2-16.

[6] Walter V.Object-based classification of remote sensing data for change detection[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,58(3):225-238.

[7] 蔡紅玥,姚國清.基于分水嶺算法的高分遙感圖像道路提取優化方法[J].國土資源遙感,2013,25(3):25-29.

Cai H Y,Yao G Q.Optimized method for road extraction from high resolution remote sensing image based on watershed algorithm[J].Remote Sensing for Land and Resources,2013,25(3):25-29.

[8] Adriaensen F,Chardon J P,De Blust G,et al.The application of ‘least-cost’ modeling as a functional landscape model[J].Landscape Urban Plan,2003,64(4):233-247.

[9] 楊葉濤,龔健雅,王迎迎,等.遙感時空不一致性對城市景觀格局動態分析影響[J].武漢大學學報:信息科學版,2011,36(8):974-977.

Yang Y T,Gong J Y,Wang Y Y,et al.Influence of RS spatio-temporal mismatches on multi-temporal landscape pattern analysis in urban area[J].Geomatics and Information Science of Wuhan University,2011,36(8):974-977.

[10]Baatz M,Sch?pe A.Multiresolution segmentation:An optimization approach for high quality multi-scale image segmentation[C]//Strobl J,Blaschke T.Angewandte Geographische Informations-verarbeitung XII.Wichmann,Heidelberg:Springer-Verlag,1999:12-23.

[11]Dietzel C,Herold M,Hemphill J J,et al.Spatio-temporal dynamics in California’s central valley:Empirical links to urban theory[J].International Journal of Geographic Information Science,2005,19(2):175-195.

[12]何少林,徐京華,張帥毅.面向對象的多尺度無人機影像土地利用信息提取[J].國土資源遙感,2013,25(2):107-112.

He S L,Xu J H,Zhang S Y.Land use classification of object-oriented multi-scale by UAV image[J].Remote Sensing for Land and Resources,2013,25(2):107-112.

[13]趙泉華,李玉,何曉軍,等.基于Voronoi幾何劃分和EM/MPM算法的多視SAR圖像分割[J].遙感學報,2013,17(4):841-854.

Zhao Q H,Li Y,He X J,et al.Multi-look SAR image segmentation based on voronoi tessellation technique and EM/MPM algorithm[J].Journal of Remote Sensing,2013,17(4):841-854.

[14]賈春陽,李衛華,李小春.基于自適應權值FNEA算法的高分辨率遙感圖像分割[J].國土資源遙感,2013,25(4):22-25.

Jia C Y,Li W H,Li X C.High-resolution remote sensing image segmentation based on weight adaptive fractal net evolution approach[J].Remote Sensing for Land and Resources,2013,25(4):22-25.