基于逐像元和面向對象分類方法的分析研究

靳歡歡

（河南理工大學測繪與國土信息工程學院，河南焦作 454000）

0 引言

隨著遙感技術的迅速發展和高科技社會時代的需求，遙感影像數據成為數字智能地球的主要數據來源之一，隨之而來的高光譜、高時空分辨率影像也越來越受人們歡迎。與中、低分辨率遙感影像相比，高分辨率影像在景觀結構、形狀、紋理和細節等方面都具有非常突出的信息，能夠在較小的空間尺度上觀察地表的細節變化。目前，遙感影像的分類可以采用逐像元分類或面向對象分類。逐像元分類主要考慮像元的波段光譜特征強度信息，但忽視空間結構關系和上下文語義信息特征。面向對象分類可以結合使用光譜、空間、上下文等更多特征信息進行分類。由于高分辨率遙感影像上地物的光譜信息較少，基于像元的分類方法并不能提供有效的專題信息。但面向對象分析方法可以在對高空間分辨率遙感影像分類時結合更多的特征，從而可以更有效地提取專題信息。另外，傳統的逐像元分類是以像素為單元分類的，易造成分類精度低。面向對象分類的對象不再是單個像素而是由多個具有相關關聯的像素組成的對象，不僅利用了影像的光譜信息，還利用了空間信息。本文以GeoEye 數據為實驗數據，開展了如下研究：

（1）以監督分類和非監督分類評價逐像元方法在試驗區土地分類的有效性；

（2）評價基于面向對象方法在試驗區土地分類中的有效性；

（3）對于高分辨率影像，通過計算總體分類精度和Kappa系數比較逐像元分類和面向對象分類方法的分類精度。

1 試驗數據特點

本次實驗影像數據由GeoEye 衛星獲得，GeoEye-1 衛星是美國的一顆商業衛星，于2008 年9 月從美國加州范登堡空軍基地發射。GeoEye-1 是太陽同步軌道衛星，軌道高度684km，運行周期98min，該衛星攜帶高分辨率的CCD 相機。GeoEye 系列2 顆衛星，亞米級分辨率；GeoEye-1 全色影像分辨率0.41m，多光譜影像分辨率1.65m；其中，全色波長：450～800nm；多光譜中的藍光波長：450～510nm；綠光波長：510～580nm；紅光波長：655nm～690nm；近紅外波長：780nm～920nm。簡而言之，GeoEye-1 衛星具有分辨率最高、測圖能力極強、重訪周期極短的特點，在實現大面積成圖項目、細微地物的解譯與判讀等方面優勢突出。

2 逐像元分類方法

傳統的監督分類和非監督分類都是基于像元的分類方法，分類處理時的最小單元是像元，主要考慮單個對象的光譜信息。

2.1 非監督分類

非監督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑數據（遙感影像地物的光譜特征的分布規律），即自然聚類的特性，進行“盲目”的分類；其分類的結果只是對不同類別達到了區分，但并不能確定類別的屬性。

ENVI 軟件包括K-Means 和ISODATA 兩種非監督分類方法。K-Means 是通過計算像元的聚類相似度對地物進行迭代聚類分析，而ISODATA 是使用最小距離技術對像元進行迭代聚合。可以看出，在這2 種方法中，迭代次數越多，得到的分類結果越精確，本試驗中選取的迭代次數為6 次。非監督分類總體上一般分為4 個過程：執行非監督分類、類別定義、合并子類和評價結果。定義類別的根據可以通過在高分辨率圖像上目視解譯獲得，也可以基于野外實地調查數據。本次通過目視判讀將試驗區分為耕地、林地、裸地、沙地、村莊、其他6 類。通過ENVI軟件評價分類結果，其中總精度和Kappa 系數越大表明分類效果越好。從表1 中可以看出，Isodata 方法分類精度比K-Mean分類精度高。但總的來說都比較偏低，不能滿足要求。

表1 非監督分類精度結果

2.2 監督分類

監督分類是利用訓練樣本（即先驗知識）去識別其他未知類別像元的一種分類方法。ENVI 中監督分類的分類器有平行六面體、最小距離、馬氏距離、最大似然、神經網絡、支持向量機等。用戶根據分類精度要求選擇合適的分類器，選擇不同的分類器需要設置的參數不一樣，但是都需要訓練樣本。ENVI 中是利用ROI Tool 來定義訓練樣本的，也就是把感興趣區當做訓練樣本，因此定義訓練樣本的過程就是創建感興趣區的過程。訓練樣本的定義主要靠目視解譯。定義好樣本后可以使用ENVI 中的ROI 可分離性（Compute ROI Separability）工具來計算任意類別間的統計距離，這個距離用于確定2 個類別間的差異性程度。這個參數值的范圍是0～2，大于1.8 為及格，數值越大表示類別間的可分離性效果越好。本次試驗中計算的數值為1.914，表示本次選擇的訓練樣本可分離性較好。

本文中選用了常用的4 種監督分類器：最小距離、馬氏距離、最大似然、支持向量機對影像分別分類，然后對分類結果進行精度評價。這4 個分類器中圖像的像元值意義分別為：到類中心的距離和、到類中心的距離、像元屬于該類的概率、距分類超平面最近的像素。這4 種監督分類的精度評價結果如表2 所示。從表中可以看出，在監督分類中，支持向量機分類的精度較高。

表2 監督分類精度結果

3 面向對象分類

面向對象分類是指根據影像的光譜信息及形狀信息，設置一定的均質標準參數，將遙感影像進行分割以形成影像對象，每一個影像對象都是具有相似光譜特征的像素的集合。此方法不是以單個像素為分析目標，而是以影像中的像素集合為分析單元，充分考慮了對象和周圍環境之間的聯系等因素，借助對象特征知識庫來完成對影像信息的提取。隨著高分辨率遙感影像技術的發展，越來越多的遙感軟件具有這個功能，本文運用的是ENVI 的EX 模塊，是基于影像空間以及影像光譜特征的面向對象空間特征提取模塊—Feature Extraction。EX 先對影像進行分割，然后針對分割出來的斑塊對象，利用光譜、紋理和幾何信息對目標進行分類和提取。

3.1 影像分割

影像分割是一種重要的影像分析技術，是指把影像分成各具特性的區域的技術和過程。比較常用的分割算法是多尺度分割法，多尺度分割是指從一個像素的對象開始進行一個自下而上的區域合并技術，小的影像對象可以合并到稍大的對象中。在這個聚集過程中，相鄰的影像對象只要符合設置的異質最小生長的標準就合并，如果這個最小的擴張超出尺度參數定義的閾值范圍，合并過程結束。在多尺度影像分割過程中要達到滿意的分割結果，分割參數的選定很重要。選擇高尺度影像分割將會分出很少的圖斑，選擇一個低尺度影像分割將會分割出更多的圖斑，分割效果的好壞一定程度上決定了分類效果的精確度，我們可以通過預覽分割效果（見圖1），選擇一個理想的分割閥值（范圍是0～100），盡可能好地分割出邊緣特征。本次試驗中選擇的分割閾值為40。

圖1 影像分割預覽圖

3.2 分塊合并

在影像分割時，由于設置的閾值過低，一些特征會被錯分，一個特征也有可能被分成很多部分。我們可以通過分塊合并來解決這些問題。同樣也需要選擇一個理想的合并閾值（范圍是0～100），本次試驗中選擇的合并閾值為90（見圖2）。

3.3 分類結果和精度分析

ENVI 的EX 中的特征提取方法有3 種：監督分類、規則分類和直接矢量輸出。本文選擇的是監督分類，這里的監督分類和上面提到的監督分類是有區別的，它不僅僅包括光譜信息，還包括空間、紋理等信息。從目視結果可以看出，面向對象的分類結果優于基于像素分類。面向對象的分類總體精度為89.2830%，Kapaa 系數為0.8516，明顯高于之前的基于像素的分類方法的精度。圖3 和圖4 為面向對象和基于像元的分類結果圖。總的來說基于像素的信息提取方法對高分辨率的影像信息提取效果不好，因為高分辨率的光譜信息不是很豐富，而基于像素的分類方法主要是根據地物的光譜信息特征來進行分類的。另外，傳統的基于像元的分類方法易受高分辨率影像局部異質性大的影響和干擾，同物異譜同譜異物的現象比較多并且存在大量的椒鹽現象，分類結果也不易矢量化。而用面向對象的方法進行信息提取能夠克服同物異譜同譜異物現象的影響，有效地消除了椒鹽噪聲，而且利用面向對象的方法提取的信息結果比用基于像素的方法提取的信息具有更好的目視效果。

4 總結

通過對分類結果的精度評定和目視判讀，我們可以發現面向對象技術更適合高分辨率遙感影像的分類處理。因為基于像元的分類方法主要依據是像元的光譜特征。而高分辨率遙感圖像的細節信息豐富，光譜信息較少，圖像的局部異質性大。面向對象分類方法可以利用高分辨率圖像上豐富的光譜、形狀、結構、紋理、相關布局以及圖像中地物之間的上下文信息對地物進行分類，具有較高的分類精度，而且使分類后的圖像含有豐富的語義信息，便于解譯和理解。對高分辨率影像來說，面向對象分類是一種非常有效的信息提取方法，具有很好的應用前景。

圖3 面向對象分類圖

圖4 基于像元分類圖

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

［2］John A.Richards Xiuping Jia.遙感數字圖像分析［M］.張曄，張鈞萍，谷延鋒，等，譯.4 版.北京：電子工業出版社，2009.

［3］祝振江.基于面向對象分類法的高分辨率遙感影像礦山信息提取應用研究［D］.北京：中國地質大學，2010.

［4］韋玉春，湯國安，楊昕，等.遙感數字圖像處理教程［M］.北京：科學出版社，2007.

［5］汪秋來.面向對象遙感影像分類方法及其應用研究［D］.南京：南京林業大學，2008.

［6］張俊，于慶國，朱曉東，等.面向對象的高分辨率影像特征選擇研究［J］.測繪科學，2011（3）.