面向?qū)ο蟮倪b感影像水田信息提取方法研究

王昌滿WANG Chang-man；趙俊三ZHAO Jun-san

（昆明理工大學(xué)國土資源工程學(xué)院，昆明 650093）

（Faculty of Land Resource Engineering，Kunming University of Science and Technology，Kunming 650093，China）

0 引言

隨著要遙感影像分辨率的不斷提高，地物的空間信息變得非常豐富，采用傳統(tǒng)的基于像元的的光譜信息提取技術(shù)已經(jīng)遠遠不能滿足高分辨率遙感影像信息提取的要求。根據(jù)高分辨率遙感影像的特點，Baatz M（1987）等根據(jù)高空分辨率影像的特點提出了面向?qū)ο蟮倪b感分類方法[1]。Baatz M（2000）等基于異質(zhì)性最小的原則提出區(qū)域合并分割算法，實現(xiàn)了影像對象的多尺度認知模型構(gòu)建[2]。Hofmann（2001）等使用DEM 作為高程專題層參與影像分割，利用IKONOS 影像提取了建筑物、道路，使建筑物、道路的形狀得到了更正確的體現(xiàn)[3]。在國內(nèi)，面向?qū)ο蟮倪b感影像分類方法也取得了很大的進展。黃慧萍（2003-2004）等用高分辨率IKONOS 影像，采用面向?qū)ο蟮亩喑叨冗b感影像分割方法，自動提取了大慶市城市綠地覆蓋信息，取得較好的效果[4]。莫登奎（2005）等基于模糊聚類的面向?qū)ο蠓治龇椒ǎ瑢χ曛奘谐青l(xiāng)結(jié)合部土地利用信息進行提取，精度高，速度快[5]。前人對面向?qū)ο笥跋裥畔⑻崛∽隽撕芏嗟墓ぷ鳎疚睦胑Cogniton 軟件，結(jié)合高分辨率遙感影像的空間特征對地信息進行提取。

1 面向?qū)ο筮b感影像信息提取方法的研究

向?qū)ο蟮男畔⑻崛『诵膯栴}是將遙感影分割成為一個個影像對象，綜合影像對象的光譜、形狀、紋理、層次、鄰域、空間位置、類間關(guān)系等特征信息對影像進行分割得到同質(zhì)對象，再對影像對象進行信息提取和分析。

1.1 影像的分割 影像分割的關(guān)鍵就是面對遙感影像進行分析，分割的好壞直接影響到信息的提取和識別的精度。[6]不同的地類有它的一個最優(yōu)分割尺度和分割參數(shù)，目前最優(yōu)的分割尺度和分割參數(shù)都是通過反復(fù)的實驗得來的。國內(nèi)外已經(jīng)提出了許多數(shù)字圖像分割算法，有些是全自動的，有些是半自動的。大致可把影像分割的方法分為兩大類：一是自上而下的方法(top—down)，即知識驅(qū)動的方法(knowledge driven methods)；二是自下而上的方法(bottom—up)，即數(shù)據(jù)驅(qū)動的方法(data driven methods)[7]。eCognition 中提供了3 種分割方法：四叉樹分割，棋盤分割和多尺度分割[8]。四叉樹分割是將影像分割為不同尺寸的正方形，它通過在尺度參數(shù)里定義每個正方形的色差進行分割的。四叉樹分割性能良好，結(jié)果合理，目前主要應(yīng)用于細胞分析，可以很好地區(qū)分背景和前景。棋盤分割是將整景影像或者感興趣的區(qū)域分割為較小的相同大小的正方形。棋盤分割可以細化影像，但是也將連續(xù)的同質(zhì)影像分為若干個小區(qū)域，棋盤分割多用于大影像的分塊，為了處理大影像，把他們剪切為小塊來分別處理。多尺度分割是按照從下往上的方式進行的，主要是基于區(qū)域合并的算法，以單個像元為生長點，采用區(qū)域生長的算法生成小的影像對象，反之在形成較大的影像對象，在兩者合并過程中，影像對象遵循異質(zhì)性最小原則進行合并。因此，分割尺度參數(shù)較大的將會產(chǎn)生較大的影像對象，而較小的尺度參數(shù)將會產(chǎn)生較小的影像對象。多尺度分割是一種最優(yōu)化的過程，最大限度地減少影像對象異質(zhì)性，同時有最大的同質(zhì)性。圖像區(qū)域的異質(zhì)性f 包含光譜異質(zhì)性和形狀異質(zhì)性兩方面，其計算式為：

式中，hcolor表示光譜異質(zhì)性，hshape表示形狀異質(zhì)性，wcolor表示光譜相對于形狀的權(quán)重，而1-wcolor則為形狀的權(quán)重。

1.2 特征知識庫的構(gòu)建 影像對象特征作為區(qū)別不同地物的知識，常被用一些數(shù)學(xué)模型表達式作為對象特征的定量描述方法，對象特征包括光譜、形狀、紋理、層次和專題屬性等特征[9]。提取的水田包括三個部分：有莊稼的水田（水田A），覆蓋地膜的水田（水田B）和未種植的水田（水田C）下同。

論文采用采用以下幾個特征構(gòu)建提取水田信息的知識庫。

①Green-Ratio(綠波段比值)：用來提取植被的一個常用指數(shù)。

其中，red：紅波段的值，blue：藍波段的值，green：綠波段的值。

②Brightnees（亮度）：一個影像對象的光譜平均值除以圖層數(shù)。

③Length/Width（長寬比）：長寬比可以將纖細的物體與圓形和方形的物體區(qū)分開來，可以將道路了居民地區(qū)分開來。長寬比用邊界框來近似為：

其中：a 為外接矩形的長，b 為外接矩形的寬，f 為矩形的填充度，A 為影像對象的面積。

1.3 影像對象的分類 面對遙感影像對象進行分類，不僅要考慮到影像對象的特征，還要考慮兩者之間相關(guān)的特征，結(jié)合人的思維模式，提取出符合實際的目標，以此來提高精度信息。由于影像對象的各種特種的描述都是從不同的角度進行區(qū)分的，這樣才能夠更好地定量影像對象特征提供信息提取的標準和依據(jù)。在高分辨率遙感影像信息提取時，綜合多個特征才能較好地分類出各個地物類別，因此，需要構(gòu)建一個多維特征空間分類模型。

常用的分類方法有最鄰近分類法和模糊分類法。最鄰近法分類法是通過訓(xùn)練樣本的對象構(gòu)建多維的特征空間，然后由鄰近的匪類器進行計算，這樣就能按距離的大小給各個類別賦予0-1 之間的隸屬度值，距離越小，隸屬度值越大。模糊分類方法是基于地類在多尺度空間的特性，類別特征的描述是通過隸屬函數(shù)來實現(xiàn)，把像元的類型特征值轉(zhuǎn)換成0 與1 之間的模糊值，以此來判定某一地類在一個空間尺度上的隸屬度。

2 面向?qū)ο蟮乃镄畔⑻崛嶒炑芯?/h2>

2.1 實驗數(shù)據(jù) 數(shù)據(jù)源采用QuickBird 影像，影像的拍攝時間為2008年5 月，空間分辨率為0.61 米，地物清晰可見，有3 個光譜波段。

本文選取昆明市晉寧縣某鎮(zhèn)827×701 個像元作為研究區(qū)域，見圖1。研究區(qū)域區(qū)域內(nèi)地形不復(fù)雜，以水田為主和居民地為主，對水田信息提取有很高的要求。

圖1 原始影像圖

2.2 多尺度分割及分類 本文將影像分為居民區(qū)、道路、水田A、水田B 和水田C 五類來提取，采用面向?qū)ο蟮亩喑叨确指罘椒ǎO(shè)置參數(shù)中波段的權(quán)重全部為1。本文在同一圖中對影像進行多次分割和分類，總體分割圖如圖2。

圖2 分割效果圖

2.2.1 居民區(qū)的分割及提取 由于本文的重點研究對象為水田，居民區(qū)的小路和建筑的陰影等全部列入居民區(qū)內(nèi)，對居民區(qū)在LI 層中的最優(yōu)分割尺度為300，選擇顏色因子權(quán)重0.8，形狀因子權(quán)重0.2，緊致度權(quán)重0.8，光滑度權(quán)重0.2。為了避免居民區(qū)和其他地類之間的同普異物現(xiàn)象，采用大尺度分割對居民區(qū)進行最鄰近分類，分為居民區(qū)和非居民區(qū)。

2.2.2 道路的分割及提取 eCognition 中在同一層中對影像對象層進行分割時，若分割尺度小于要分割的影像對象原的分割尺度時，Level Usage 選擇Use Current。實驗對非居民區(qū)進行分割對道路提取的最優(yōu)尺度為80，選擇顏色因子權(quán)重0.8，形狀因子權(quán)重0.2，緊致度權(quán)重0.2，光滑度權(quán)重0.8。

對于道路而言，從影像上可以看出，道路的光譜特征和幾何形狀特征比較明顯，在形狀特征中，長寬比(Length/Width) 特征非常明顯，由于道路和地膜的長寬比很難區(qū)分，但在光譜特征中，道路和地膜的亮度差別很大，因此，采用特征知識庫中的式（3）和（4）對道路信息進行提取，對道路提取的特征參數(shù)值為：Length/Width ≥7 并且Brightness≤180。

2.2.3 水田A，水田B 和水田C 的分割和提取 實驗繼續(xù)對現(xiàn)在的除居民地和道路的非居民區(qū)進行分割提取對水田A、水田B 和水田C，最優(yōu)分割尺度為30，顏色因子權(quán)重0.7，形狀因子權(quán)重0.3，緊致度權(quán)重0.9，光滑度權(quán)重0.1。

水田A 提取時，采用公式（2）進行模糊分類。水田B的亮度比較明顯，分類的時候采用公式（3），取Brightness≥180。把非居民地中未分類的對象全部設(shè)置為水田C，最終的影像分類結(jié)果見圖3。

圖3 影像最終分類結(jié)果圖

2.3 分類后處理 粗分類后的影像需對一些分類錯誤的類別調(diào)整。eCognion 中通過growing 和shrinking 兩種模式來平滑地類的輪廓線。合并和平滑后的分類結(jié)果見圖4。

圖4 影像分類處理后的效果圖

2.4 信息提取的精度評價 精度的高低決定了信息提取結(jié)果的可信程度，我們常用的精度評價方法主要有三個，即分類穩(wěn)定性評價法、最佳分類評價法和誤差矩陣統(tǒng)計法。分類穩(wěn)定性評價法和最佳分類評價法是從隸屬度的角度進行精度評價。面向?qū)ο蟮男畔⑻崛〉姆椒ㄊ腔谀：母拍睿虼耍疚木褪俏覀儾捎梅诸愝^為穩(wěn)定的評價法對信息結(jié)果進行精度評價。

分類穩(wěn)定性評價法，主要是通過統(tǒng)計最大隸屬度與次大隸屬度之間的差值來評價提取結(jié)果的穩(wěn)定性。當差值越大，影像對象的結(jié)果提取就較為穩(wěn)定，反之，影像對象的隸屬關(guān)系不夠明確。本文主要通過統(tǒng)計影像對象的均值、標準差、最小差值和最大差值對評估結(jié)果進行分類，見表1。

表1 分類穩(wěn)定性評價結(jié)果

由表1 我們不難看出，整個影像的分類都較為穩(wěn)定。而且道路、水田B 和水田C 的分類特征很明顯，但是穩(wěn)定性較高，居民區(qū)光譜特征比較復(fù)雜，水田A 比較分散，因此分類結(jié)果穩(wěn)定性稍低。

3 結(jié)論

本文主要針對水田信息的提取，居民區(qū)內(nèi)部的復(fù)雜信息沒有分類提取，在以后的研究中該把居民區(qū)內(nèi)部做一個詳細分類。在面向?qū)ο蟮姆指詈头诸愡^程中，沒有一個標準，更多的是靠主觀因素去判斷，在今后的學(xué)習過程中如何減少主觀因素且保證精度是一個主要研究方向。

[1]Baatz M.,Schape A.Object-Oriented and multi-scale image analysis in semantic networks [A].In:Proc of the 2nd International Symposium on Operationalization of Remote Sensing [C].August 16-20th 1999.Ensehede ITC.

[2]Baatz M.,Schape A.Multiresolution Segmentation:An Optimization Approach for High Quality Multi -scale Image Segmentation [J].2000.

[3]Hofmann P.Detecting buildings and roads from IKONOS data using additional elevation information,GeoBIT/GIS,2001,6:28-33.

[4]黃慧萍,吳炳方,李苗苗等.高分辨率影像城市綠地快速提取技術(shù)與應(yīng)用[J].遙感學(xué)報,2004,8(1):68-74.

[5]莫登奎,林輝,孫華等.基于高分辨率遙感影像的土地覆蓋信息提取[J].遙感技術(shù)與應(yīng)用,2005,20(4):411-414.

[6]明冬萍，駱劍承，周成虎，等.高分辨率遙感影像信息提取及塊狀基元特征提取.數(shù)據(jù)采集與處理，2005,20(1):34-38.

[7]譚衢霖,劉正軍，沈偉.一種面向?qū)ο蟮倪b感影像多尺度分割方法[J].北京交通大學(xué)學(xué)報，2007,31（4）:111-114.

[8]黃亮，左小青，張曉曉，等.面向?qū)ο蟮牡缆沸畔⒆R別提取分析.昆明理工大學(xué)學(xué)報(理工版)，2010，35(6):6-10.

[9]Definiens Image Company.eCognition User Guide [M].German,2004.