地理國(guó)情普查中高分辨率遙感影像自動(dòng)分類技術(shù)研究

曾　波，趙　展2

(1. 山西省測(cè)繪工程院，山西 太原030002； 2. 武漢大學(xué)測(cè)繪學(xué)院，湖北 武漢430079)

Research on High Spatial Resolution Remote Sensing Image Classification for

Geographic National Conditions Investigation

ZENG Bo，ZHAO Zhan

?

地理國(guó)情普查中高分辨率遙感影像自動(dòng)分類技術(shù)研究

曾波1,2，趙展2

(1. 山西省測(cè)繪工程院，山西 太原030002； 2. 武漢大學(xué)測(cè)繪學(xué)院，湖北 武漢430079)

ResearchonHighSpatialResolutionRemoteSensingImageClassificationfor

GeographicNationalConditionsInvestigation

ZENGBo，ZHAOZhan

摘要：地表覆蓋分類是我國(guó)地理國(guó)情普查的重要內(nèi)容。地理國(guó)情普查要求的地物類別非常細(xì)致，對(duì)影像分類技術(shù)提出了很大的挑戰(zhàn)。本文總結(jié)了山西省地理國(guó)情普查試點(diǎn)中的實(shí)踐經(jīng)驗(yàn)，結(jié)合面向?qū)ο蠓诸惣夹g(shù)、人工實(shí)地采集分類樣本及分層次分類的思想，并加入適當(dāng)?shù)娜斯じ深A(yù)過(guò)程，提出了一個(gè)利用高分辨率遙感影像進(jìn)行國(guó)情監(jiān)測(cè)影像分類的方案。試驗(yàn)表明本文方案能夠兼顧作業(yè)效率和分類精度，為我國(guó)國(guó)情普查的工程化作業(yè)提供了一條可行的備選技術(shù)路徑。

關(guān)鍵詞：地理國(guó)情普查；監(jiān)測(cè)；高分辨率影像；面向?qū)ο蠓诸悾环诸悩颖?/p>

一、引言

目前我國(guó)地理國(guó)情普查工作正如火如荼地展開(kāi)。在地理國(guó)情普查工作中，地表覆蓋信息獲取是一項(xiàng)重要工作內(nèi)容，為地理國(guó)情統(tǒng)計(jì)與發(fā)布提供重要數(shù)據(jù)依據(jù)，也是開(kāi)展地理國(guó)情監(jiān)測(cè)的基礎(chǔ)[1]。我國(guó)地理國(guó)情普查要求的地表覆蓋類別非常細(xì)致，分為12 個(gè)一級(jí)類，58 個(gè)二級(jí)類，133個(gè)三級(jí)類。如此細(xì)致的分類，如果全部使用人工解譯方法，會(huì)導(dǎo)致巨大的工作量。這是當(dāng)前制約國(guó)情普查試點(diǎn)進(jìn)展速度的最重要影響因素。隨著我國(guó)國(guó)情普查工作的進(jìn)一步展開(kāi)，這一矛盾將會(huì)愈發(fā)突出。采用遙感影像自動(dòng)分類技術(shù)，盡可能地利用計(jì)算機(jī)自動(dòng)處理技術(shù)提高影像解譯的工作效率，是當(dāng)前國(guó)情普查工作的迫切需求,也是地理國(guó)情監(jiān)測(cè)任務(wù)開(kāi)展的必要技術(shù)儲(chǔ)備。然而，國(guó)情普查要求的非常細(xì)致的地表覆蓋類別同樣對(duì)影像自動(dòng)分類技術(shù)提出了很大挑戰(zhàn)。特別是對(duì)于一些二級(jí)類和三級(jí)類，類別之間易于混淆，同物異譜、異物同譜現(xiàn)象更加嚴(yán)重。盡管目前國(guó)內(nèi)有很多關(guān)于國(guó)情普查中的影像計(jì)算機(jī)自動(dòng)分類方法研究[1]，但仍然沒(méi)有一個(gè)切實(shí)可行的工程化方案。本文總結(jié)了山西省地理國(guó)情普查試點(diǎn)中的實(shí)踐經(jīng)驗(yàn)，結(jié)合面向?qū)ο蠓诸惣夹g(shù)、人工實(shí)地采集分類樣本及分層次分類的思想，研究并提出了一個(gè)兼顧作業(yè)效率和分類精度要求的國(guó)情普查影像分類方案。

二、國(guó)情普查影像分類方案

本文提出的國(guó)情普查影像分類方案以面向?qū)ο蠓诸惣夹g(shù)為基礎(chǔ)，利用面向?qū)ο蠓治黾夹g(shù)提取多種特征解決復(fù)雜類別分類問(wèn)題。為了保證細(xì)致類別體系下訓(xùn)練樣本的準(zhǔn)確性，本文分類方案的最大特點(diǎn)是采用人工實(shí)地采集的樣本作為訓(xùn)練樣本。同時(shí)，為了減少分類的難度，方案提出分級(jí)分類的思想，先進(jìn)行易于區(qū)分的地物的分類，再進(jìn)行易混淆類別的分類，通過(guò)層層分解，降低分類問(wèn)題的復(fù)雜性。

國(guó)情普查采用的影像是分辨率為0.5m的高分辨率影像衛(wèi)星影像。對(duì)于高分辨率影像的分類問(wèn)題，面向?qū)ο蠓椒ㄊ悄壳爸髁鞯姆诸惙椒āＣ嫦驅(qū)ο蠓诸惙椒ㄒ杂跋穹指畹玫降膮^(qū)域(稱為影像對(duì)象)為分類基本單元，從影像對(duì)象中可以獲得形狀、紋理、上下文等多種特征，不僅能有效提高分類精度，而且可以避免基于像素分類方法中的“椒鹽現(xiàn)象”。因此，本文中的影像分類方案以面向?qū)ο蟮姆诸惙椒榛A(chǔ)。

圖1　分類方案整體流程

本文的分類方案中采用分級(jí)分類的思想，首先進(jìn)行大的類別劃分，然后進(jìn)行層層細(xì)分。如先將整個(gè)影像劃分為植被和非植被兩個(gè)類別，然后將植被類別分為耕地、林地、園地、草地4個(gè)一級(jí)類別，再進(jìn)一步進(jìn)行二、三級(jí)類別的分類。在分類過(guò)程中，每一級(jí)的分類采用的分類特征都是不同的，根據(jù)類別特點(diǎn)選擇最有效的分類特征。在分類過(guò)程中無(wú)論分類精度多高，誤分總是存在。在分級(jí)分類中，上一級(jí)的分類錯(cuò)誤會(huì)傳遞到下一級(jí)的分類過(guò)程中。因此在本文方案的分類過(guò)程中加入必要的手工操作，即每進(jìn)行一級(jí)分類后，都進(jìn)行適當(dāng)?shù)娜斯ふ{(diào)整。另外，對(duì)于某些特殊的地類，很難通過(guò)自動(dòng)分類方法區(qū)分，只能通過(guò)人工分類。在本文方案設(shè)計(jì)中，耕地、園地、林地、草地、房屋建筑物、道路、水域等采用自動(dòng)分類；構(gòu)筑物、人工堆掘地、荒漠與裸露地表主要通過(guò)手工分類。整個(gè)分類方案的總體流程如圖1所示。面向?qū)ο蠓诸惙椒ㄖ校跋穹指钍腔A(chǔ)。地物只有被準(zhǔn)確地分割，才能被準(zhǔn)確地分類。準(zhǔn)確的分割對(duì)保證分類精度是十分重要的。本文方案采用易康軟件，其采用的分割方法是分形網(wǎng)絡(luò)演化算法FENA[2]。FENA算法中影響分割結(jié)果的參數(shù)是光譜權(quán)值、形狀權(quán)值、緊致性權(quán)值、光滑性權(quán)值及控制分割尺度的尺度參數(shù)。在本研究中，總體采用階段分割的方法，首先進(jìn)行小尺度分割，然后在小尺度分割結(jié)果的基礎(chǔ)上進(jìn)行大尺度分割。在小尺度分割過(guò)程中，分割對(duì)象較小，形狀特征并不明顯，參數(shù)設(shè)置原則是光譜權(quán)值較大而形狀權(quán)值較小，保證分割邊緣的準(zhǔn)確性；在大尺度分割過(guò)程中，則設(shè)置較大的形狀權(quán)值，保證分割對(duì)象具有較好的形狀特征。

本文分類方案采用的分類樣本通過(guò)人工實(shí)地采集，使用帶有GPS定位功能的設(shè)備采集照片。根據(jù)照片可以確定地物類別，根據(jù)地理坐標(biāo)確定照片地物在影像上的位置并進(jìn)行裁切。采集作業(yè)要求是各種地物類別的樣本在影像上均勻分布并覆蓋所有分類，樣本采集的數(shù)量是在5km×5km(0.5m分辨率的影像大小10 000像素×10 000像素)區(qū)域內(nèi)不少于500個(gè)樣本點(diǎn)。表1給出了部分類別的樣本示例。

表1　部分類別的地面采集樣本示例

續(xù)表1

面向?qū)ο蠓椒ǖ囊粋€(gè)顯著優(yōu)點(diǎn)是可以提取非常多的特征，這對(duì)于國(guó)情監(jiān)測(cè)中細(xì)致類別的分類是非常有用的。另外，不同的地物類別所適用的最佳分類特征不同。在本文的分級(jí)分類方案中，在每一級(jí)別的分類中，不同地物類別都各自有一套獨(dú)立的分類特征。

在分類植被與非植被時(shí)，分類特征采用各波段光譜均值、NDVI、紅外波段紋理；分類房屋與非房屋時(shí)，分類特征采用各波段光譜均值、紅和紅外波段紋理、長(zhǎng)寬比、矩形度；分類道路與非道路時(shí)，分類特征采用各波段光譜均值、長(zhǎng)寬比；分類水域與非水域時(shí)，分類分類特征采用各波段光譜均值、NDWI。植被類分成耕地、林地、園地、草地4類時(shí)，分類特征采用各波段光譜均值和方差、NDVI、紅波段紋理。

很多二、三級(jí)類具有地域特色，如山西不存在水田、橡膠園、竹林等。同時(shí)很多二、三級(jí)類具有區(qū)域集中特點(diǎn)，在一幅作業(yè)影像上只存在少數(shù)二、三級(jí)類別。因此，在本文方案中，二、三級(jí)類別在一起分類。林地的二、三級(jí)分類時(shí)，分類特征采用各波段光譜均值和方差、NDVI、紅、綠波段紋理；房屋的二、三級(jí)分類時(shí)，采用多尺度分類方法區(qū)分高密度房屋和低密度房屋，采用LiDAR數(shù)據(jù)輔助區(qū)分不同高度的房屋；水域的二、三級(jí)分類采用長(zhǎng)寬比區(qū)分河渠和庫(kù)塘；其他二、三級(jí)分類采用人工分類。

三、試驗(yàn)

試驗(yàn)區(qū)位于山西省北部的朔州市懷仁縣，屬于溫帶大陸性季風(fēng)氣候，地形地貌以平原和山地為主。采用的試驗(yàn)影像為0.5 m分辨率的WorldView2衛(wèi)星融合影像，共4個(gè)波段，影像大小約為10 000像素×10 000像素。試驗(yàn)影像上的主要地物類別包括旱地、苗圃、林地(針葉林和闊葉林)、草地、村鎮(zhèn)房屋道路等(如圖2所示)。

圖2　試驗(yàn)影像與實(shí)地采集樣本分布

本文以植被分類為例說(shuō)明本文分類方案的效果。首先將影像分為植被類和非植被類；然后將植被類分成耕地、林地、園地、草地4類；對(duì)于試驗(yàn)影像，在這4類中耕地主要是旱地，園地主要是苗圃，草地主要是中密度天然草地，而林地還可以細(xì)分為針葉林、闊葉林、針闊混交林和喬冠混合林4個(gè)二、三級(jí)類別。

首先對(duì)試驗(yàn)影像先進(jìn)行分割，第一次分割設(shè)置尺度參數(shù)為80、光譜權(quán)值0.8、形狀權(quán)值0.2、緊致性權(quán)值0.4、光滑性權(quán)值0.6。在第一次分割基礎(chǔ)上進(jìn)行第二次分割，割設(shè)置尺度參數(shù)為160、光譜權(quán)值0.4、形狀權(quán)值0.6、緊致性權(quán)值0.6、光滑性權(quán)值0.4。在分割的基礎(chǔ)上，按照本文第二章所選擇的分類特征，進(jìn)行分級(jí)分類，分類的結(jié)果如圖3—圖5所示。

圖3　植被與非植被分類結(jié)果

圖5　林地分類成針葉林、闊葉林、針闊混交林和喬冠混合林分類結(jié)果

懷仁縣作為山西省國(guó)情普查試點(diǎn)區(qū)域，已經(jīng)利用人工解譯和外業(yè)核查完成了整個(gè)區(qū)域內(nèi)的地表覆蓋解譯工作。通過(guò)采用人工解譯結(jié)果來(lái)檢查自動(dòng)分類精度，植被類和非植被類的分類總體精度為99.0%，Kappa系數(shù)0.92；耕地、林地、園地、草地的分類總體精度為60.1%，Kappa系數(shù)0.48；針葉林、闊葉林、針闊混交林和喬冠混合林的分類總體精度為49.7%，Kappa系數(shù)0.33。從精度統(tǒng)計(jì)結(jié)果可以看出，初次分類的精度比較高；隨著分類的細(xì)化，分類精度依次下降。試驗(yàn)圖像在二、三級(jí)分類時(shí)分類精度不高，但是觀察圖5中分類結(jié)果細(xì)節(jié)，錯(cuò)誤分類區(qū)域一般都是比較小的零碎區(qū)域，而正確分類區(qū)域則大部分聚集在一起，總體面積較大。因此，即使總體分類精度不高，但分類結(jié)果作為人工調(diào)整的參考，可以快速實(shí)現(xiàn)準(zhǔn)確的人工類別調(diào)整，得到較準(zhǔn)確的分類最終結(jié)果。

四、結(jié)束語(yǔ)

地表覆蓋分類是我國(guó)地理國(guó)情普查與監(jiān)測(cè)的重要工作內(nèi)容。國(guó)情監(jiān)測(cè)要求的地物類別非常細(xì)致，對(duì)影像分類技術(shù)提出了很大的挑戰(zhàn)。本文結(jié)合面向?qū)ο蠓诸惣夹g(shù)和實(shí)地采集樣本，采用分級(jí)分類方法并加入適當(dāng)?shù)娜斯じ深A(yù)，提出了一個(gè)國(guó)情監(jiān)測(cè)影像分類方案。方案試驗(yàn)表明，進(jìn)行初級(jí)分類的精度比較高，但二、三級(jí)分類的精度比較低，需要以自動(dòng)分類結(jié)果為參考，加入一定的人工干預(yù)。盡管加入了必要的人工干預(yù)，本文方案的效率仍明顯優(yōu)于全人工解譯，能夠兼顧作業(yè)效率和分類精度，在國(guó)情普查全面展開(kāi)時(shí)為我國(guó)國(guó)情普查的工程化作業(yè)提供了一條可行的備選技術(shù)路徑，提高了國(guó)情普查的作業(yè)效率。

參考文獻(xiàn)：

[1]陳俊勇．地理國(guó)情監(jiān)測(cè)的學(xué)習(xí)札記[J]．測(cè)繪學(xué)報(bào)，2012,41(5)：633-635.

[2]BAATZ M, SCHAPE A. Multiresolution Segmentation-an Optimization Approach for High Quality Multi-scale Image Segmentation[J].Photogrammetric Engineering & Remote Sensing，2000(34)：12-23.

[3]程滔，劉若梅，周旭． 基于高分辨率遙感影像的地理國(guó)情普查水體信息提取方法[J]． 測(cè)繪通報(bào)，2014(4)：86-89．

[4]程滔，周旭，劉若梅.面向地理國(guó)情監(jiān)測(cè)的地表覆蓋信息提取方法[J]．測(cè)繪通報(bào)，2013(8)：84-86.

[5]仉明，汪偉，李承鑫，等. 面向?qū)ο蟮倪b感分類技術(shù)在地理國(guó)情監(jiān)測(cè)中的應(yīng)用[J]. 城市勘測(cè)，2013(3)：81-83.

[6]曹子榮.地理國(guó)情監(jiān)測(cè)地表覆蓋數(shù)據(jù)的兩種采集方法比較[J].測(cè)繪技術(shù)裝備，2013(2)：22-24.

[7]李英利，閆會(huì)杰，茍衛(wèi)濤，等.地理國(guó)情普查地表覆蓋林地信息人工解譯技術(shù)方法探討[J].測(cè)繪標(biāo)準(zhǔn)化， 2014，30(1)：4-6.

[8]湯育紅. 地理國(guó)情普查地表覆蓋與國(guó)情要素信息的提取方法探討[J]. 測(cè)繪與空間地理信息，2013(12)：89-91.

[9]王樹(shù)文，劉俊衛(wèi). 遙感與GIS 技術(shù)在地理國(guó)情監(jiān)測(cè)中的應(yīng)用與研究——以天津市為例[J].測(cè)繪通報(bào)，2012(8): 51-54.

[10]洪亮，張凱，車風(fēng)，等. 淺析湖北省第一次全國(guó)地理國(guó)情普查實(shí)施方案[J].地理空間信息，2013(5)：10-15.

[11]胡艷，袁超. 多方法的地理國(guó)情地表覆蓋分類研究[J].地理空間信息,2014(2)：6-9.

[12]李德仁，眭海剛，單杰.論地理國(guó)情監(jiān)測(cè)的技術(shù)支撐[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2012，37(5)：505-512.

引文格式： 曾波，趙展. 地理國(guó)情普查中高分辨率遙感影像自動(dòng)分類技術(shù)研究[J].測(cè)繪通報(bào)，2015(1)：95-98.DOI:10.13474/j.cnki.11-2246.2015.0019

作者簡(jiǎn)介：曾波(1973—)，男，教授級(jí)高工，主要從事測(cè)繪工程、地理信息工作。E-mail： zengbo73@263.net

收稿日期：2014-09-10

中圖分類號(hào)：P237

文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：0494-0911(2015)01-0095-04