高分辨率遙感影像面向對象耕地信息提取方法探討

趙占輝

摘 要：隨著高分辨率遙感技術發展，高分辨率遙感影像得到廣泛應用，特別是高分辨率遙感影像面向對象信息提取技術應用廣泛。本文以某地區遙感影像為基礎數據，探討了高分辨率遙感影像面向對象耕地信息提取的技術方法，并對耕地信息提取實驗結果進行精度評價，得到了良好的效果。

關鍵詞：面向對象 特征提取 耕地

中圖分類號：TP751 文獻標識碼：A 文章編號：1672-3791（2014）07（b）-0038-01

隨著遙感衛星技術的發展，高分辨率遙感影像得到了普遍應用，遙感信息提取技術得到了快速發展，特別是面向對象高分辨率遙感影像信息提取技術的實現，為人們的生產生活提供了極大方便。面向對象提取技術促進了影像分析技術的發展 [1]，與傳統的基于像素的分類結果相比，基于目標對象的方法得到的結果更容易被解譯，而且處理結果中圖斑的完整性更好[2]。特別是利用面向對象的分類方法進行了耕地信息提取，能達到理想的精度，效果較好。本文就基于ENVI EX高分辨率遙感影像面向對象耕地信息提取技術方法進行探討。

1 研究區域和影像數據

1.1 數據源

為了準確的提取耕地信息，選擇某城市全色波段與多光譜融合后的影像作為實驗數據，研究區域中包括典型的耕地，以及少量的建筑物和水體。

2 耕地信息提取及分類

2.1 發現對象

2.1.1 準備工作

根據數據源和特征提取類型等情況，進行分類提取之前，可以有選擇地對對原始影像進行幾何校正、輻射校正等預處理工作，如調整空間分辨率、調整光譜分辨率等。

2.1.2 影像分割及分割參數的確定

影像多尺度分割中的尺度是一個關于多邊形對象異質性最小的閾值，決定生成最小多邊形的級別大小，分割的質量及信息提取的精度。ENVI EX提供了一種閾值法進一步精煉分塊的方法，即基于亮度值的柵格操作，根據分割后結果中的一個波段的亮度值聚合分塊。分割效果的好壞一定程度決定了分類效果的精確度，結合preview 預覽分割效果，選擇一個理想的分割閥值，盡可能好地分割出邊緣特征。根據參數選擇原則，設置分割參數，通過試驗得出，分割尺度為50，耕地類型能夠被準確的分割出來，該參數比較合適。

2.1.3 合并分塊及參數的確定

影像分割時，由于閾值過低，導致部分特征被錯分、單個特征被分成多個部分，通過合并來擬補分割不足問題。較好的合并分塊效果有助于提高最終分類效果，結合preview預覽合并分塊效果，選擇一個理想的合并閥值，盡可能好地反映邊緣特征。通過試驗，設定閾值為80時耕地類型能夠被準確的分割出來，該參數比較合適。

2.1.4 分塊提煉

基于實驗影像背景具有較高的對比度特征，運用FX提供的閾值法進一步精煉分塊的方法。它是基于亮度值的柵格操作，根據分割后結果中的一個波段的亮度值聚合分塊。

2.1.5 計算對象屬性

這一步是計算對象的屬性，計算4個類別的屬性：光譜、空間、紋理、高級選項。其中“顏色空間”選擇三個RGB波段轉換為HSI顏色空間，“波段比”選擇兩個波段用于計算波段比。

2.2 基于監督分類的特征提取

2.2.1 選擇樣本

為了建立分類函數，需要對每一類別選取一定數目的樣本，在本是實驗中，考慮實驗影像中所包含的主要地物類型，將影像分成生長中期作物、休耕地、生長早期或晚期作、居民地或裸地、水體五種耕地類型，分別用紅色、綠色、深藍色、黃色、天藍色來表示，并選擇具有代表性的樣本4～10個。

2.2.2 設置樣本屬性

選擇樣本的屬性用于監督分類，可以根據提取的實際地物特性選擇一定的屬性。

2.2.3 選擇分類方法

本實驗采用支持向量機分析法，該分類方法是建立在統計學習理論的理論和結構風險最小原理基礎上的，根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折衷，以期獲得最好的推廣能力。支持向量機的具有以下優點。

（1）該算法法根據有限的樣本，計算出現有信息下的最優解，克服了樣本數趨于無窮大時最優值的局限。

（2）該算法最終將轉化成為一個二次型尋優問題，在理論上可以得到全局最優點，避免了神經網絡方法中局部極值問題。

（3）該算法將實際問題通過非線性變換轉換到高維的特征空間，在高維空間中構造線性判別函數來實現原空間中的非線性判別函數，特殊性質能保證機器有較好的推廣能力，同時它巧妙地解決了維數問題，其算法復雜度與樣本維數無關。

2.2.4 輸出結果

特征提取結果輸出，可以選擇以下結果輸出：矢量結果及屬性、分類圖像及分割后的圖像、還有高級輸出包括屬性圖像和置信度圖像、輔助數據包括規則圖像及統計輸出。

3 精度評價

對分類結果進行評價，確定分類的精度和可靠性。精度驗證方式有：混淆矩陣與ROC曲線。混淆矩陣作為比較常用的驗證方法，通過將每個實測像元的位置和分類與分類圖象中的相應位置和分類像比較計算的。混淆矩陣的每一列代表了實際測得信息，每一列中的數值等于實際測得像元在分類圖象中對應于相應類別的數量；每一行代表了遙感數據的分類信息，每一行中的數值等于遙感分類像元在實測像元相應類別中的數量。ROC曲線根據一系列不同的二分類方式，以真陽性率為縱坐標，假陽性率為橫坐標繪制的曲線，根據實際情況，把試驗結果劃分為多個有序分類，再進行統計分析。因此，ROC曲線可以用圖形的方式表達分類精度，比較形象，是另一種適用范圍廣泛的精度驗證方法。

4 結語

高分辨率遙感圖像的細節信息豐富，圖像的局部異質性大，傳統的分類方法已經不能滿足更高的需求。而對高分辨率影像來說，面向對象的信息提取一種非常有效的信息提取方法，具有操作便捷，精度高的特點，相對于傳統方法，可以顯著提高分類精度，提取效果更好隨著我國遙感技術的發展，高分辨率遙感影像面向對象信息將得到更進一步發展。

參考文獻

[1] Argialis D P，Harlow C A. Computational image interpretation models ：An overview and a perspective[J].Photogrammetric Engieering and Remote Sensing，1990，56（6）：871886.

[2] 李敏，崔世勇，李成名，等.面向對象的高分辨率遙感影像信息提取—以耕地提取為例[J].遙感應用，2008：63-66.

[3] 張明媚，姚國紅.面向對象的高分辨率遙感影像信息提取技術[J].地理空間信息，2013，11（1）：89-91.

[4] 鄧書斌.ENVI遙感圖像處理方法[M].科學出版社，2010.endprint