面向對象的國情監測LCA提取方法

何忠煥，魏永強，王 強

（1.國家測繪地理信息局 重慶測繪院,重慶 400015）

面向對象的國情監測LCA提取方法

何忠煥1，魏永強1，王 強1

（1.國家測繪地理信息局 重慶測繪院,重慶 400015）

介紹了面向對象的地物提取技術，從地理國情監測工程化應用角度出發，闡述了面向對象提取地理國情地表覆蓋在生產中的作業方法和技術流程。通過實驗證明了該方法的可行性和可靠性，并探討了參數設置的相關注意事項。

地理國情監測；地表覆蓋數據；面向對象提取

1 技術方法比較

隨著計算機技術和傳感器技術的飛躍發展，遙感影像的分辨率越來越高，時效性越來越強。地物要素在影像上的光譜界線愈加難以區分，“同物異譜”、“異物同譜”現象越來越普遍。因此，傳統的基于像素進行地物要素分類提取的方法在地理國情監測實際生產中的利用效能越來越低。在這種情況下，面向對象的提取方法為工程化生產應用提供了解決方案。該方法除了利用光譜信息外，還能夠充分地挖掘影像的空間位置、紋理、形狀等綜合特征。面向對象分類技術的關鍵是：精確高效的分割和準確快速的分類。分割技術主要有：多尺度、均值漂移、分水嶺、統計區域增長分割等。其中多尺度分割的應用面最廣，該法綜合利用影像的光譜、紋理等特征，計算相應的權值，與設置的閾值對比，完成分割。分類方法中，一類是基于各種圖像分析算法設計的。規則集包含任意數量的子規則和很多不同類型算法，一個單一的規則能使一個具體的算法應用到一個具體特定的區域，它們所顯示的結果是影像分析所定義的結構和流量控制圖。另一類是基于專家知識的決策樹分類。該方法通過決策學習過程得到分類規則并對遙感影像進行分類，突破了以往分類樹或分類規則的構建要利用分類者的生態學和遙感先驗知識的框架。和以往分類中手動建立規則集相比，該分類器通過決策樹學習的方式建立規則集，不僅提高了效率，而且大大降低了對操作員的要求。目前，主流的面向對象技術平臺基本囊括了以上分割和分類技術，但是它們在實際中的應用表現差異較大，對比如表1所示。

綜合各類技術的優缺點，結合地理國情監測的工程化應用需求，本文提出綜合利用多尺度分割和決策樹分類算法提取地表覆蓋數據的解決方案，為地理國情監測的地表覆蓋信息提取提供參考。

表1 面向對象提取技術對比圖

2 技術流程

首先，分析正射影像質量，判斷可行性。然后，在國情要素提取環節采集道路面，將該骨架數據與整合后的基礎數據進行融合，形成分割參考矢量。接下來，將預處理過的數字正射影像和參考矢量導入地表覆蓋提取工作區進行分割。與此同時，可根據正射影像分析成果采集樣本數據。最后，將樣本導入分割結果，進行樣本訓練。訓練完成后，使用決策樹分類方法進行一次分類。重復訓練分類，形成分類成果。同時結合人工判讀，修編結果。最終完成地表覆蓋的提取工作。主要技術流程如圖1所示。

圖1 地表覆蓋提取流程圖

2.1 影像分析

測區廣袤，包含各種地物要素，并不是所有圖幅都適合自動分類。因此，在進行地表覆蓋分類提取工作前，進行影像分析是必要的。地表類型復雜、影像質量差、時相為冬季、云霧覆蓋嚴重的圖幅則不適合進行自動分類。經過篩選之后，分類別按不同方法進行提取工作，可大大提高工作效率。

2.2 樣本采集

影像分析篩選之后，對于適合參與自動分類的影像，采集地物類樣本數據，形成樣本庫數據，為后續樣本訓練做好數據準備。在樣本采集完成后，可以導出樣本文件下次重復使用。采集到的樣本的好壞，直接關系到后續樣本訓練的效率，因而影響影像分類的精度。在樣本采集的過程中，一定要細心、細致，并且需要結合外業外調成果，保證樣本的豐富性與準確性，為后續分類提供可靠、精確的參考標準。

2.3 參考矢量制作

計算機自動分割后，地物要素邊界比較精確，但由于影像的光譜信息的不均衡性會導致一些明顯為同一地物要素的圖斑過于破碎，進而影響后續自動分類效果。為了提高后續處理的效率，在分割前，將一些人工地物（主要是道路）采集成面，再結合基礎數據中的線狀要素，制作成影像分割的參考矢量。在進行自動分割時，利用這些參考矢量，配置以合適的分割參數，即可獲得分割效果良好的結果。

2.4 影像分割

將處理好的影像導入系統，使用參考矢量分割方法，按照經驗值設置參數進行分割。為了提高效率，可以對系統進行MPI并行配置。分割參數設置對分割結果影響重大，直接影響后續處理的工作量大小。

2.5 特征提取

特征提取模塊可以提取光譜特征、形狀特征、紋理特征等。特征信息提取完后，在影像上選取目標對象，就可以看到相應的特征信息。主要包括均值、色調、像素面積、長寬比、對比度、飽和度等。

2.6 決策樹分類

樣本點是影像分類的重要依據。將前期采集好的樣本點導入系統中。導入樣本后，樣本點所在的圖斑會自動賦上樣本點的類別，通過圖斑進行訓練，為后續分類提供分類參考依據。決策樹分類作為一種基于空間數據挖掘的監督分類方法，通過決策學習過程得到分類規則并對遙感影像進行分類，突破了以往分類樹或分類規則的構建要利用分類者的生態學和遙感先驗知識的框架。該分類器實現遙感影像面向對象自動分類。和以往分類中手動建立規則集相比，該分類器通過決策樹學習的方式建立規則集，不僅提高了效率，而且大大降低了對操作員的要求。

2.7 后續處理與質量檢查

修編：自動分類后，部分區域的圖形以及屬性還不是很精確。需要進一步使用系統工具進行圖形編輯和屬性修改。主要包括：小圖斑剔除、面切割、合并、屬性賦值等操作。

檢查：地表覆蓋分類數據為全覆蓋的面狀數據，檢查主要包括以下幾個方面：面縫隙、層內面不能重疊、面幾何噪聲、不合理面分割等。重點在于面縫隙、面分割等拓撲檢查。

3 實驗結果

本節所用底圖數據為生產測區內一幅2．5萬分幅數字正射影像。該數據為WorldViewII高分影像，多光譜分辨率2 m，全色分辨率0．5 m。

圖2 實驗結果

圖2中a為以外業調繪為參考制作的樣本數據；b為參考矢量數據；c為分割結果；d為最終提取的地表覆蓋數據。計算機自動分割后，地物要素邊界比較精確，但是由于影像的光譜信息的不均衡，一些明顯為同一地物要素的圖斑過于破碎，對后續自動分類效果稍有影響。為了提高后續處理的效率，我們在國情要素提取時，將一些人工地物（主要是道路）采集成面，再結合基礎數據中的線狀要素，制作成影像分割的參考矢量。在進行自動分割時，利用這些參考矢量，配置以合適的分割參數，即可獲得分割效果良好的結果，如圖2b所示。

分割完成后，根據影像信息提取光譜特征、形狀特征、紋理特征等，再根據樣本點訓練樣本。然后使用GLC分類方法完成一級類提取。這樣的分類結果還不滿足要求，需要進行二次分類。二次分類需要根據細分的類別重新進行樣本的采集、訓練、導入、分類過程。如此循環直至分類完成。最后，對數據進行修編及質量檢查，取得最終的地表覆蓋數據。如圖2d所示。通過實驗可看出，采用前述方案，能夠對植被、水域等基本地理國情監測對象進行很好的提取，為地理國情監測地表覆蓋快速提取提供了技術支持。

4 參數設置探討

分割參數的設置至關重要，影響著分割及分類的效果。本節對這些參數進行探討，給出一些實驗結論，供大家參考。以上節WorldViewII融合影像為實驗數據，分辨率為0．5 m。

1）尺度參數對分割的影響。設置光譜指數為0．9，緊致度為0．1，該兩參數保持不變。分割結果如圖3所示。

圖3 不同尺度的分割結果

a耗時4．75 min ；b耗時3 min；c耗時2 min。從圖中可看出，a中對象數量最多、b次之、c最少。尺度參數對分割效果影響最大，分割尺度與對象大小成正比關系，與對象個數成反比關系。同時，尺度大小決定了分割效率的高低，對工程化應用有重要影響。

2）光譜指數和緊致度對分割的影響。設置尺度為500，分割結果如圖4所示。

圖4 光譜指數及緊致度對分割結果的影響

緊致度的本質就是形狀權重，光譜指數+緊致度=1。光譜指數設置越小，緊致度設置越大，分割結果與地物光譜的相關性就越小，分割對象較規整。光譜指數設置越大，緊致度設置越小，分割對象的光譜一致性相對好，分割結果越破碎。分割參數的設置至關重要，影響了分割及分類的效果，建議根據提取的地物類型，選擇合適的尺度參數。經過反復實驗，得出以下經驗，如表2。

表 2 參數經驗值

[1] 唐新明．地理國情監測的基礎是地表覆蓋 [N]．中國測繪報,2011-03-29(6)

[2] 朱曉鈴,鄔群勇．基于高分辨率遙感影像的城市道路提取方法研究[J]．資源環境與工程,2009,23(3):296-299

[3] 楊旭艷,王旭紅,胡婷，等．典型地物特征提取的適宜尺度選擇[J]．山地學報,2012,30(5):607-615

[4] 曹麗琴，李平湘，張良培，等．基于多地表特征參數的遙感影像分類研究[J]．遙感技術與應用,2010,25(1): 38-44

[5] 張靜,郭玉芳．地理國情監測中地表覆蓋分類體系研究[J]．測繪標準化,2012(3):8-10

[6] 肖鵬峰，馮學智．高分辨率遙感圖像分割與信息提取[M]．北京:科學出版社，2012

P208

B

1672-4623（2015）02-0001-03

10.3969/j.issn.1672-4623.2015.02.001

何忠煥，注冊測繪師，正高職高級工程師，主要從事數字城市、地理國情監測、地理信息公共服務和國家重大測繪地理信息工程實施與管理工作。

2014-12-26。

項目來源：國家科技支撐計劃資助項目（2012BAH28B03-1）。