面向對象的資源三號衛星影像分類研究

薛夢姣，陳 剛，張 笑，于 靖，段淼然，陳瑞芳

(1.江蘇省地理信息技術重點實驗室，江蘇 南京 210023； 2.南京大學地理信息科學系，江蘇 南京 210023)

?

面向對象的資源三號衛星影像分類研究

薛夢姣1,2，陳 剛1,2，張 笑1,2，于 靖1,2，段淼然1,2，陳瑞芳1,2

(1.江蘇省地理信息技術重點實驗室，江蘇 南京 210023； 2.南京大學地理信息科學系，江蘇 南京 210023)

資源三號衛星影像數據目前廣泛用于地形測繪、資源監測、地理國情監測等領域。本文主要針對資源三號衛星影像數據，以南京市玄武區為例，研究了適合國產高分辨率衛星影像的分類技術方法。分別采用面向對象的KNN分類方法和SVM分類方法對影像進行分類，并對分類結果的精度進行了分析和評價。研究結果表明，在對遙感影像采用合適的分割尺度進行分割后，采用基于面向對象的SVM分類方法得到的結果，其總體分類精度為90.72%，Kappa系數為86.64%，遠高于采用基于面向對象的KNN分類方法得到的結果。因此，面向對象的SVM分類方法更適合于資源三號衛星影像的分類。

資源三號; 面向對象; 分類; SVM; KNN

一、引 言

資源三號衛星作為國內首顆民用高分辨率光學傳輸型測繪衛星，主要面向測繪1∶50 000地形圖及開展1∶25 000等更大比例尺地形圖的修測與更新工作。影像數據采用了立體觀測與資源調查兩種觀測模式成像，具有定位精度佳、空間分辨率高與影像信息豐富等特點，為我國目前開展的地理國情監測工程提供了堅實的數據保障，也為探索利用國產高分辨率遙感衛星資料開展遙感應用研究提供了良好的工作基礎[1-2]。

通過對遙感影像分類而快速獲取地表信息，是遙感影像應用的關鍵步驟。資源三號衛星影像作為高分辨率遙感影像，利用傳統的面向像素的遙感影像分類方法，易造成分類精度降低、空間數據冗余及資源浪費等問題[3]。M Baatz等根據高分辨率遙感影像的特點，于2000年提出了一種面向對象的分類方法，該方法根據影像的大小、形狀、紋理及地物光譜特質等信息，將影像分割為同質的對象，并以此為基礎進行影像分類[4]。隨后，眾多國內外學者對面向對象的方法進行了研究。S W Myint等采用面向對象方法，對美國亞利桑那州鳳凰城中心城區的QuickBird影像進行了分類，其城市地物分類的總體精度達到90.40%，遠高于僅依靠光譜信息的傳統方法[5]。蘇偉等結合QuickBird遙感影像和激光掃描LiDAR數據，采用多尺度、多變量的影像分割的面向對象分類技術，對馬來西亞吉隆坡城市中心區的土地覆蓋進行了分類研究，分類總精度達88.52%[6]。林先成等針對成都地區的QuickBird影像，采用不同的分割尺度對試驗區的影像進行分割，比較了分割結果的優劣，確定了最佳分割尺度[7]。

本文以南京市玄武區的資源三號衛星影像數據為例，對影像分類過程中的技術方法展開研究，并對分類結果進行評價，從而找到一種適合于資源三號衛星影像分類的方法。

二、研究區域概況及數據源

本文研究區域位于南京市玄武區。玄武區是南京市的中心城區之一，區域面積80.97 km2，范圍為北緯32°0′0.89″—32°0′31.16″，東經118°4′18.15″—118°6′39.38″。該區內有著名的鐘山風景區和玄武湖風景區，植被覆蓋率較高，植被、水體、建筑物等都有明顯分布。

根據對玄武區遙感影像的分析及實地考察，本文將玄武區的土地利用類別劃分為5大類，分別是植被、水體、道路、建筑用地和裸地。

本文采用的試驗數據為資源三號測繪衛星的正視全色影像和多光譜影像，數據采集于2013年11月29日。正視全色影像光譜范圍為0.50～0.80 μm,地面分辨率為2.1 m。多光譜影像有4個波段，分別為藍(0.45～0.52 μm)、綠(0.52～0.59 μm)、紅(0.63～0.69 μm)和近紅外(0.77～0.89 μm)波段，地面分辨率為5.8 m。影像數據為傳感器校正產品，即影像已經過輻射校正和傳感器校正處理。

三、研究方法

1.影像預處理

(1) 幾何精糾正

基于南京市的正射影像數據對全色和多光譜影像分別進行幾何糾正。一共選取了15個控制點，控制點主要位于道路的交叉點和水系的轉折點，且均勻分布于待糾正影像上?？刂泣c的均方根誤差為1.20。本文采取二次多項式對影像進行幾何糾正，利用雙線性內插法進行影像的重采樣。對于糾正后的影像，本文選取了10個檢查點進行精度評價。檢查點的均方根誤差為1.12，基本滿足試驗要求。

(2) 影像融合

對糾正后的全色和多光譜影像進行融合。目前有多種融合方法，如Gram-Schmidt、主成分變換、小波變換、Brovey變換等，本文選擇Gram-Schmidt方法進行影像融合。該方法具有較高的圖像保真效果，且計算簡單，運算速度較快。重采樣方式為雙線性內插。

(3) 影像裁剪

利用南京市玄武區的行政區劃矢量邊界數據對影像進行裁剪。裁剪后的玄武區影像如圖1所示。

圖1 南京市玄武區真彩色合成影像圖

2.影像分割

本文采用ENVIFX模塊進行影像分割。該模塊根據鄰近的像素的紋理、顏色、亮度等對影像進行分割。不同的分割尺度會產生不同的效果。當選擇的分割尺度較大時，生成的同質對象面積較大，且數量較少，但是易導致不同的地物類型錯分為同一個同質對象；當選擇的分割尺度較小時，生成的同質對象面積較小，且與實際地物更接近，但數量較多。因此，分割尺度的選擇十分關鍵，將影響影像分類的精度。此外，在完成分割后，可以結合光譜和空間信息，合并鄰近的同質對象，從而控制分割后的同質對象的數量，提高分割的精度。

從玄武區的遙感影像可以看出，玄武湖及研究區內的其他湖泊，選擇較大的分割尺度就能得到較好的同質對象；植被主要集中于紫金山風景區、主城區的道路兩旁以及小區的綠地，前者分布較為集中較容易分割，而后者分布分散，且大多和建筑用地混雜在一起，較難分割；建筑用地主要為主城區的居民地和商業區，這些獨立的建筑都比較破碎，當選擇較大的分割尺度時，容易導致其邊界輪廓模糊，從而和道路混淆；道路分割尺度的設定主要和道路的等級有關，對于主干道，選擇較大的分割尺度即可，但對于支路，設置較小的分割尺度可避免與建筑用地的混淆；研究區內的裸地主要為待建設的工地以及少量植被邊緣的荒地，多成塊出現，易于分割。

經過多次試驗，對比了多種分割閾值得到的同質對象與實際地物的輪廓邊界后，本文將分割尺度設置為10、合并閾值設置為90%。在此基礎上，可以得到分割效果較好的同質對象。

3.影像分類

面向對象的分類不同于傳統的基于像素的分類方法，它是以原始影像分割后生成的同質對象為基礎來進行分類的。本文主要使用兩種分類方法，即面向對象的KNN分類方法和面向對象的SVM分類方法來進行影像分類。

(1) 面向對象的KNN分類

KNN(k-nearest neighbor algorithm)算法最早由T Cover等提出[8]，算法的基本思路是：計算待分類樣本x與每一個訓練樣本的距離，對距離進行排序，從中選擇距離最近的K個訓練樣本作為x的K個最近鄰，并根據這K個最近鄰判斷樣本x的所屬類別。常用的距離有歐氏距離和馬氏距離等[9]。

KNN算法在計算時只與相鄰的K個訓練樣本有關，當訓練樣本數量分布不均勻時，易導致訓練樣本數量較少的類別的分類精度降低，從而影響整體的分類精度。此外，KNN算法在分類過程中需要計算待分類樣本與每一個訓練樣本的距離，因此運算量較大，且最近鄰的K值不易確定，一般通過比較不同K值時的分類精度以確定合適的K值。

在進行面向對象的KNN分類時，在訓練樣本的特征空間中加入影像的自定義特征函數NDVI、影像自身的空間特征和紋理特征，并將K值設置為5。圖2為基于面向對象的KNN分類得到的結果。

(2) 面向對象的SVM分類

支持向量機(support vector machine，SVM)是一種監督式學習方法，由V Vapnik于1995年首先提出[10]，目前主要應用于手寫字體識別、文本分類、遙感影像分析等領域。

圖2 基于面向對象的KNN分類結果

SVM算法基于結構風險最小化理論，在特征空間中建構最優分割超平面，使得學習器得到全局最優化。SVM算法是針對線性可分情況進行分析，對于線性不可分的情況，可以使用非線性映射算法，將樣本空間映射到高維的特征空間中，從而將線性不可分問題轉化為線性可分的問題[11-12]。

在進行SVM分類時，向訓練樣本的特征空間中加入影像的自定義特征函數NDVI、影像自身的空間特征和紋理特征，并將核函數設置為二次多項式。圖3為基于面向對象的SVM分類得到的結果。

圖3 基于面向對象的SVM分類結果

四、結果分析及精度評價

首先利用ArcGIS軟件，統計了兩種分類方法得到的各類地物的面積。結果如圖4所示。

從圖中可以看出，基于面向對象的KNN分類方法得到的道路、裸地、水體和植被的面積均大于基于面向對象的SVM分類方法得到的面積，而得到的建筑用地的面積明顯小于后者。

本文采用混淆矩陣法對南京市玄武區的影像分類精度進行評價?；煜仃囉糜诒硎痉譃槟骋活悇e的像元個數與地面檢驗為該類別的比較，通常行代表參考數據，列代表由遙感數據分類得到的類別數據。通過ArcGIS軟件在試驗區隨機產生了97個樣本點，結合野外調查數據及南京市的矢量數據，建立了混淆矩陣。結果見表1—表2。

圖4 面積統計

表1 基于面向對象的KNN分類的混淆矩陣

表2 基于面向對象的SVM分類的混淆矩陣

在混淆矩陣的基礎上，本文采用兩類指標來進行精度評價，分別為總體分類精度t和Kappa系數。設混合矩陣A為一個n×n的矩陣。總體分類精度為

(1)

式中，P1為分類后影像中與實際地物相符的像元的個數；P2為總的樣本個數，即

(2)

(3)

Kappa系數是另外一種計算分類精度的方法。它的計算公式為

(4)

式中，mi+和m+i分別表示矩陣A的第i行和第i列的總和。

表3為對兩種分類方法進行總體分類精度和Kappa系數計算得到的結果。

表3 精度評價 (%)

從表中可以看出，基于SVM的分類方法的總體分類精度達到90.72%，Kappa系數達到86.64%。而基于KNN的分類精度為76.29%，Kappa系數為65.75%。相比于基于面向對象的KNN分類方法，基于面向對象的SVM分類方法得到的結果的精度更高。

此外，從分類的結果圖及面積統計圖可以發現：①由于試驗區的水體較為集中,在高分辨率遙感影像上表現出大片均勻的色調,因此,兩種分類方法對水體提取的準確率都較高。但是仔細對比會發現，基于KNN的影像分類得到的水體的面積偏大，對玄武湖進行分類時，有部分水體被誤分為建筑用地。②在對植被進行分類時，植被較為集中的紫金山地區的分類效果較好；但是主城區道路兩旁的植被由于本身較為破碎，且受到了陰影的干擾，影響了分類精度。③兩種方法對裸地的分類結果都較好，玄武區的裸地主要集中于西北和東南角，多為待建設的工地。④由于主城區的建筑都較高，建筑的陰影影響到建筑用地和道路的區分。對于等級較高的道路，如30～40 m的主干道、20～24 m的次干道，分類精度較高；但是對于寬度較窄的支路、小道，分類精度較低。⑤基于KNN得到的建筑用地的面積明顯低于基于SVM得到的結果，經過對比分析，發現主城區有大量的建筑用地被錯分為其他土地利用類型。

五、結論與展望

本文主要探討了對資源三號衛星遙感影像進行分類過程中的技術方法，并得出以下結論：

1) 影像分割尺度的選擇決定了影像的分類精度，且分割尺度與影像的實際情況有關。因此，在對影像進行分割時需要根據實際情況進行多次試驗，選擇合適的閾值。分割結束后，還可以針對分割結果的具體情況，進行一定的對象合并。

2) 本文選擇了兩種不同的方法進行分類，從最終的結果可以看出，兩種方法對于同類地物大面積分布的區域得到的結果都較好，但是對于地物分布較為破碎的區域，分類結果的錯誤較多。通過對分類精度進行分析，表明了基于面向對象的SVM分類方法得到的分類結果較好，更適合用于資源三號衛星影像的分類。

[1] 蔣永華，張過，唐新明，等.資源三號測繪衛星三線陣影像高精度幾何檢校[J].測繪學報, 2014, 42(4): 523-529.

[2] 曹海翊，劉希剛，李少輝，等.“資源三號”衛星遙感技術[J].航天返回與遙感, 2012, 33(3): 7-16.

[3] 丁曉英.eCognition在土地利用項目中的應用[J].測繪與空間地理信息,2006,28(6): 116-117.

[4] BAATZ M, SCHAPE A.Multiresolution Segmentation: An Optimization Approach for High Quality Multi-scale Image Segmentation[C]∥Angewandte Geographische Informationsverarbeitung Ⅻ.Heidelberg：[s.n.],2000.

[5] MYINT S W, GOBER P, BRAZEL A, et al.Per-pixel vs.Object-based Classification of Urban Land Cover Extraction Using High Spatial Resolution Imagery[J].Remote Sensing of Environment, 2011, 115(5): 1145-1161.

[6] 蘇偉，李京，陳云浩，等.基于多尺度影像分割的面向對象城市土地覆被分類研究——以馬來西亞吉隆坡市城市中心區為例[J].遙感學報, 2007, 11(4): 521-530.

[7] 林先成，李永樹.成都平原高分辨率遙感影像分割尺度研究[J].國土資源遙感,2010(2):7-11.

[8] COVER T, HART P.Nearest Neighbor Pattern Classification[J].IEEE Transactions on Information Theory, 1967, 13(1): 21-27.

[9] 李蓉，葉世偉，史忠植.SVM-KNN 分類器——一種提高 SVM 分類精度的新方法[J].電子學報, 2002, 30(5): 745-748.

[10] VAPNIK V.The Nature of Statistical Learning Theory[M].[S.l.]：Springer,1999.

[11] 黃立賢，沈志學.高光譜遙感圖像的監督分類[J].地理空間信息, 2011, 9(5): 81-83.

[12] 張學工.關于統計學習理論與支持向量機[J].自動化學報, 2000, 26(1): 32-42.

Research on Object-oriented Classification with ZY-3 Satellite Image

XUE Mengjiao,CHEN Gang,ZHANG Xiao,YU Jing,DUAN Miaoran,CHEN Ruifang

薛夢姣，陳剛，張笑，等.面向對象的資源三號衛星影像分類研究[J].測繪通報，2015(7)：42-45.

10.13474/j.cnki.11-2246.2015.0207

2014-05-21

國家科技支撐計劃(2012BAH28B04-05)

薛夢姣(1990—)，女，碩士生，主要研究方向為遙感影像解譯。E-mail：xuemengjiao1101@163.com

P237

：B

：0494-0911(2015)07-0042-04