基于最優尺度和規則的高分辨率影像分類研究

李曉靖，彭道黎，王海賓

(北京林業大學 林學院, 北京 100083)

基于最優尺度和規則的高分辨率影像分類研究

李曉靖，彭道黎，王海賓

(北京林業大學 林學院, 北京 100083)

高分辨率影像的廣泛應用推進面向對象影像分析(OBIA)的發展，而分割作為面向對象分類的關鍵步驟，其尺度的選擇直接關系到地物信息的提取。空間尺度是地物的固有屬性，在合適的分割尺度下可以更好地挖掘地物信息。本文結合最大面積法和分割質量評價模型對張山營鎮影像進行分割實驗，先通過分析對象最大面積初步得到最優尺度范圍，后結合分割質量評價模型以確定最優分割尺度層次。在此基礎上，綜合樣本提取的光譜、紋理等特征進行規則訓練，最終完成面向對象的土地覆被分類研究。結果顯示：基于多層次最優尺度的規則分類方法獲得更好的分類結果，其總體精度為88.8%，Kappa系數為0.861，而基于單一尺度的最鄰近法總體精度81.4%，Kappa系數0.773，基于單一尺度的規則分類法總體精度為83.2%， Kappa系數為0.85。

面向對象分類；多尺度分割；最優尺度；規則；尺度層次

面向對象影像分析(OBIA)是一種公認的處理高分辨率遙感影像的有效手段，克服傳統基于像元的分類技術中存在的缺陷，如“椒鹽現象”、不易區分同譜異物的地物類型、運算速度緩慢等，提高分辨率影像的分類處理精度[1-7]。雖然在理論上圖像分析表現優異，但是實際操作中精度依賴于分割尺度的確定和分析水平。影像分割是影像處理的重要環節，分割尺度的選擇直接關系到后續分類的效果，分割尺度合適的情況下，地物的信息能夠被更好的挖掘，分類精度也會隨之提高。不同地物間最優分割尺度差異很大，如何確定適宜各類地物的分割尺度，提高分類精度是目前面向對象影像處理的熱點問題之一[8-10]。

在探索最優分割尺度的過程中，國內外研究人員提出并試驗了多種方法，具體主要包括指標評價法、模型計算法和經驗選擇法三類[11]。Woodcock通過計算局部方差來確定最優尺度，這一方法也成為研究尺度問題的經典[12]；張俊針對“類內同質性大、類間異質性大”的分類原則，提出了面向對象的RMAS法[13]；朱成杰采用評價指標(準確率P、查全率R、相對相似性S)來度量欠分割和過分割的程度[14]；陳杰通過計算信息熵分析有效尺度范圍，使影像丘陵農田的提取精度達到73.06%[15]。這些研究表明，通過實驗確定最優分割尺度可改進影像的分類效果，但是基于單一方法判斷最優分割尺度以及單一的最優尺度依然存在一些局限。據此，本文采用最大面積法和分割質量評價模型，對北京市延慶區張山營鎮的QuickBird影像進行分割實驗。先通過計算分割對象最大面積得到最優尺度的取值范圍，后依據評價模型判斷最終的最優尺度層次，并根據地物樣本的光譜和空間特征信息建立多層次的分類規則結構。結果表明，這種基于多層次最優尺度和規則的分類精度明顯優于基于單一分割尺度的分類方式。

1 實驗方法與原理

多尺度分割(Multiresolution Segmentation)是eCognition軟件的核心分割算法，能夠有效利用光譜信息和空間信息進行圖像分割[16]。它是一種自下而上(bottom-up)的區域合并技術，在分割的過程中，執行鄰域間異質性的計算，若異質性小于預設閾值，則將像元合并入內部，若異質性超過閾值時則停止合并[17]。這種分割方式最終得到數個內部像元同質性最大的對象，而且預設尺度越大，生成的分割對象越少，面積越大。在處理影像時，可以構建多層次分割體系，進行不等空間的多次分割與合并，確保目標地物能一個或多個地物來表示，避免欠分割現象的發生。所以尺度的確定是本研究的一個關鍵問題之一。多尺度分割參數(形狀、緊實度)的設定組合差異同樣影響地物的信息提取，為不影響分割尺度效果判斷，本研究中統一設定為0.3，0.5[1]。

1.1 主要涉及的最優尺度計算方法

1)最大面積法。最大面積在這里是指影像分割對象的最大面積，隨分割尺度的逐漸增大，影像對象的面積大小應不超過其類別實體的固有大小，即在一定尺度范圍內，影像對象的最大面積值保持穩定，那么該尺度范圍能較好的表示該類地物的實際大小[18]。但對于地物比較復雜的遙感影像，該方法并不能適用于所有類別，因為有些地物在分割尺度變化過程中一直處于最大面積狀態，這樣地物的最優分割尺度難以確定，需要配合其他方法使用。

2)均值方差法。當分割尺度適合某類地物時，分割對象大小與地物實際面積對應，此時對象與其他對象之間在光譜、紋理、空間結構等方面都存在較大的差異，達到較好的分割效果。當對象間均值方差最大時，其所對應的分割尺度是最優的，這種方法能夠有效避免目視分割效果的主觀誤判。但是在使用均值方差法評價分割質量時，只考慮了單波段的信息，且沒有考慮對象內部同質性變化對分割效果的影響。

1.2 最優尺度確定方法及改進的基于多波段的模型計算

首先通過統計對象最大面積，繪制統計曲線圖，得到一個最優分割尺度的模糊取值范圍。結合模糊取值范圍和分割效果評價模型的計算結果，最終確定分割體系的最優層次尺度。

理想分割結果特征在各個波段都能夠一定程度上體現。李朝奎面向對象和規則的高分影像分類研究中，只考慮了對象間的異質性情況分割尺度，忽視了內部同質性的分割效果[10]。綜合考慮多波段特征及對象內外信息，提出了改進的最優尺度評價模型，以便確定最優的分割尺度層次。

最優尺度的分割質量由兩部分體現，一部分是對象內部的同質性，以對象內部的標準差來表現[16]。另一部分是對象間的異質性，以對象間均值方差來表現[10]。

(1)

(2)

式中:Vb為b波段的對象同質性指數，n為分割對象的總個數，ai是對象i的面積，引入面積因子是為了避免小對象造成的不穩定性，Vi是對象i在b波段的標準差；V為總同質性指數，其數值為各個波段的同質性加權平均值，N為波段個數，tb為波段b的權重。V數值越小，意味著內部異質性越小，同質性越高，分割效果則越佳。

(3)

(4)

(5)

(6)

為了得到量綱一致的同質性和異質性指數，對上述結果先做歸一化處理，后根據同質性和異質性的標準化因子構建分割質量評價模型F：

(7)

(8)

F=wF(V)+(1-w)F(S2).

(9)

式中:F為分割質量評價函數，也就是目標函數，F(V)為歸一化同質性函數，F(S2)為歸一化異質性函數，w為權重，其范圍為[0,1]。

基于模型計算，可以得到試驗尺度范圍的分割質量值，通過繪制質量值曲線，確定波峰位置，其所對應的尺度即為所求。

2 實驗方案

2.1 數據與預處理

本文采用北京市延慶縣張山營鎮的QuickBird影像作為數據源，其多光譜影像空間分辨率為2.44 m(包括藍、綠、紅、近紅外4個波段)，全色影像空間分辨率為0.6 m。影像經過幾何校正、影像融合、影像裁剪的預處理。在前人有關高分辨率影像融合的研究中， Gram-Schmidt Pan Sharpening算法具有較好的融合效果[19]，故本文選擇此種方法進行影像融合。為了對地區進行完整的分類研究，影像的裁剪區域較大，為7 594像素×9 276像素。最后以研究區踏查結果和同期延慶縣二類調查小班數據結合目視解譯結果作為驗證數據源。

2.2 最優分割尺度的確定

確定分割尺度是面向對象分類中至關重要的一環，直接影響著最終分類的精度。為了確定各種地物類別對應的最優分割尺度，本文選擇30～200的尺度范圍進行尺度梯度分割實驗，間隔單位設為10。通過影像目視解譯，確定研究區地物主要類型有：水體、林地、耕地、苗圃、建筑、道路、裸地7類，其中研究區建筑類地物面積較小，水體分布分散且有很多面積較小的小水洼，林地、耕地、苗圃的單位地物面積大。當分割尺度設定較大時，建筑、水體等會發生欠分割現象，與植被、裸地能混為一體，只有當分割尺度設定較小時，單個地物才能被完整的分割出來。不同尺度的分割效果見圖1。

圖1 不同預設尺度的分割效果

2.2.1 計算對象最大面積

根據分割尺度及其所對應的對象最大面積值繪制折線圖(見圖2)，由圖2分析可知最優分割尺度范圍位于[60，70],[80，90],[100，120],[130，140],[160，200]。

圖2 最大面積法最優尺度選擇

2.2.2 基于多波段的分割質量模型計算

根據上述對象最大面積與分割尺度關系圖，可以得到初步的最優分割尺度范圍，借助分割質量模型進一步判定。確定各尺度下的同質性和異質性，把波段權重暫且都設為1。隨分割尺度的遞增，分割對象的數目越來越少，同質性指數總體呈遞減趨勢(見圖3)，異質性指數總體呈遞增趨勢(見圖4)，同質性和異質性因子本身的矛盾性。在本次分割實驗中，側重考慮異型性對分割結果的貢獻，所以設w=0.3，也就是說同質性指標權重為0.3，異質性指標權重為0.7，分割質量模型結果如圖5所示。

圖3 同質性指標值與分割尺度的關系

圖4 同質性指標值與尺度的關系

2.2.3 最優分割尺度選擇

從圖5可以看出，當分割尺度為160,150,100,60時，分割質量值位于波峰位置，同時結合最大面積的尺度取值區間，最終確定最優分割尺度為160,100,60三個層次。根據經驗及目視分割效果確定不同地物類別的所屬層次，林地、耕地、苗圃單位地物面積較大，為了避免過分割現象，采用160的尺度；水體、建筑具有很多面積很小的個體，為了保證最小的個體能夠被完整的分割出來，故采用60的尺度；裸地、道路采用100的尺度，效果如圖6所示。

圖5 分割質量值與分割尺度的關系

2.3 特征信息提取與分類規則制定

2.3.1 樣本采集

要對地物分別制定合適的規則及其他類別區別開來，深入理解各個類別的光譜、形狀、空間特征。訓練樣本的采集和數據分析是理解地物特征的常用方式之一，訓練樣本的數量和質量直接決定著地物的特征能否被很好的表達與分析。根據7種地物的分割實驗，本研究在其各自的最優分割尺度下選擇樣本。選擇樣本時注意樣本的總面積與該類地物所占影像的總面積成正比，避免選擇位于類別邊緣、包含混合像元的樣本。

2.3.2 特征信息提取

統計樣本的光譜、空間特征值范圍(部分特征值見表1)，結合人工經驗分析地物類別間的特征差異：用歸一化植被指數NDVI值區分植被和非植被，歸一化水體指數NDWI值區分水體和非水體[20]；耕地、苗圃、建筑的形狀偏向矩形，可以由Rectangular Fit與其他類別區分；道路有亮色、暗色兩類，可以分別制定規則，裸地、道路(亮)及建筑的亮度值偏高；道路區別于其他地物的特征是其長寬比值大；苗圃一般位于交通便利的位置，可以用Distance to Road區別于一般林地。

2.4 建立分類規則體系

研究區域較大，為提高分類精度，需要利用光譜信息、空間信息等多方面的知識進行判斷提取。在綜合利用地物多種特征統計值的基礎上，以eCognition軟件為平臺，進行多次分類試驗，確定最終多層次分類判別規則，見表2。

表1 各地類樣本部分特征值統計

表2 分類體系與規則

在實際分類操作中，結合合并工具，采用分割尺度遞增的分類模式，具體分類過程如圖7所示。首先基于60的尺度進行全圖分割， 60的尺度下陰影為單獨研究對象，且與水體光譜相近，在此利用NDWI值區分水體和非水體，陰影部分被很好地區分；然后合并非水體類別，對非水體執行尺度為160的重分割，后根據NDVI值區分植被和非植被部分。研究區大部分陰影為樹影及山地起伏造成，由于其NDVI值較高且實際地類也屬于植被區，故不單獨提取；對于非植被區，重分割設置尺度為60，建立建筑提取規則，由于建筑和部分道路的光譜特征重合，暫時會有一定的錯分情況；接著將剩余的非植被區合并，再進行尺度為100的重分割，設置道路和裸地的提取規則，同時對建筑類也執行合并與重分割，再根據道路提取規則(Length of main line等)排除錯分的道路部分；最后對于植被區，設置苗圃和耕地的提取規則，提取這兩類后，余下的部分為林地。這種多層次逐級分類方式，既能避免經典的由大尺度分割到小尺度分割造成的小類別歸并錯誤，又能充分利用層次間的繼承關系與局部差異性，提高高分辨率影像分類的效率與準確性。

3 結果與分析

為了更好地比較本方法與以往單一尺度分割方式的分類結果，進行基于單一尺度的分割分類試驗。在實驗中，保證所選樣本位置固定，基于各個分割尺度執行最近鄰分類，采用基于樣本點(踏查結果、二調數據結合目視判別)的混淆矩陣進行精度驗證，故分類精度最高的結果對應的尺度即為最優單一分割尺度，具體最近鄰分類方法原理見文獻[19]。實驗結果表明，最鄰近分類實驗得到的最優尺度為110，此時分類精度相對最高，總體精度為81.4%，Kappa系數為0.773，但錯分地類零星散布，建筑、裸地、苗圃分類效果較差，見圖8(c)。同樣基于110的分割尺度，延續上文所用隸屬度函數(少量修改，如去掉面積約束)的規則分類結果，其總體精度為83.2%，Kappa系數為0.85，總體效果尚可，但個別類別如苗圃，精度只有48.3%，見圖8(b)。而經本文的方法進行分類后，地類破碎程度得到很大程度的改善，將分類結果與已知類別的驗證樣本比較，結果顯示，基于最優尺度層次和規則的面向對象分類總精度為88.8%，Kappa系數為0.861(見表3)，比基于單一尺度的分類精度提高了6%～8%，且高度改善了小面積地物的錯分情況，如圖8(a)所示。從單個類別的分類結果分析，水體、林地的分類效果較好，而光譜信息相近的建筑、裸地、道路三類別效果欠佳，其中裸地的錯分現象、建筑的漏分現象比較嚴重，苗圃的分類規則也還需要完善。另外，經提取過程后，仍然有零星的建筑陰影沒有被賦予類別，因為其面積很小，對整個研究區的分類影像可以忽略，故在此沒有進行進一步的研究。

圖7 具體分類流程

上述結果表明，基于多層次最優尺度的分類優于基于單一分割尺度的方法，能夠充分利用類別間局部差異和繼承關系，而制定規則區分地物的分類方法可以幫助減少地物的零散與錯誤情況。總的來說，本文研究方法能夠有效區分高分辨率影像的地物類別，為將來影像精細分類提供經驗參考。

4 結束語

1)本文利用面向對象的方法，綜合分割對象最大面積和評價模型確定多尺度分割層次，彌補使用單一方法在判斷合適尺度的局限和不足。在分割尺度的選擇上，確定最優尺度層次而非單一最優尺度，能夠利用不同類型地物的完整信息和類間關聯進行提取。在分類的過程中，結合合并工具的使用，進行由小尺度地物到大尺度地物的分類，使地物間的繼承關系與局部差異較好的體現。在分析地物特征信息的基礎上，采用基于規則的方法對張山營鎮的影像進行分類，總體精度達到了88.8%，Kappa系數為0.861，明顯優于基于單一尺度的最近鄰分類和規則分類。表明結合最優分割尺度和基于規則的方法能夠較為準確獲取土地利用類型，為高分辨率的精細分類提供了經驗和參考。

2)規則的制定直接影響最終的規則分類結果，由于提取建筑的規則較為粗泛，所以研究中建筑的過度提取比較明顯，其生產者精度高而錯分現象較為嚴重，所以用戶精度只有不到80%。而對于某些地類，如建筑、苗圃等，其光譜信息與其他某些地類沒有明顯區別，單一以紋理、空間信息加以區分效果較差，建筑生產者精度只有66.2%，苗圃的生產者精度只有63.3%，說明現有的方法和規則不能對其進行準確地信息提取，需要進一步的研究。

3)同時，基于規則的分類方法依賴于研究者的主觀分析判斷水平，為提高分類效果，本文選取特征規則數目較多，優選、排除的過程也較為繁雜，如何改進、簡化分類過程也是后續的研究方向。

[1] 崔一嬌,朱琳,趙力娟. 基于面向對象及光譜特征的植被信息提取與分析[J].生態學報,2013,33(3):867-875．

[2] ANDRESEN T, MOTT C, ZIMMERMANN S, et al. Object-oriented information extraction for the monitoring of sensitive aquatic environments[C]. IEEE International Geoscience and Remote Sensing Symposium(IGARSS), 2002, 5:3083-3085.

[3] JACQUIN A, MISAKOVA L. A hybrid object-based classification approach for mapping urban sprawl in periurban environment[J]. Landscape and Urban Planning, 2008,84:152-165.

[4] BLASCHKE T. Object based Image Analysis for Remote Sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):2-16.

[5] 朱俊杰,范湘濤,杜小平. 面向對象的高分辨率遙感圖像分析[M].北京:科學出版社,2014:4-10.

[6] 陳杰,鄧敏,肖鵬峰,等.粗糙集高分辨率遙感影像面向對象分類[J]. 遙感學報,2010,14(6):1139-1155.

[7] 甘甜, 李金平, 李小強, 等. 面向對象的高分辨率遙感影像建筑物震害信息提取[J]. 測繪工程, 2015,24(4):11-15.

[8] 郭建聰,李培軍,肖曉柏. 一種高分辨率多光譜圖像的多尺度分割算法[J]. 北京大學學報(自然科學版),2009,45(2):306-310.

[9] JOHNSON B, XIE Zhixiao. Unsupervised image segmentation evaluation and refinement using a multi-scale approach[J]. SPRS Journal of Photogrammetry and Remote Sensing, 2011, 66:473-483.

[10] 李朝奎,方文,董小姣. 面向對象和規則的高分辨率影像分類研究[J].測繪通報,2015(9):9-13.

[11] 朱紅春,蔡麗杰,劉海英,等. 高分辨率影像分類的最優分割尺度計算[J].測繪科學,2015(3):71-75.

[12] WOODCOCK C E, STRAHLER A H. The factor of scale in remote sensing[J]. Remote Sens Environ, 1987, 21(3):311-332.

[13] 張俊,朱國龍,李妍. 面向對象高分辨率影像信息提取中的尺度效應及最優尺度研究[J].測繪科學,2011,36(2):107-110.

[14] 朱成杰,楊世植,崔生成,等. 面向對象的高分辨率遙感影像分割精度評價方法[J].強激光與粒子束,2015,27(6):37-43.

[15] 陳杰,陳鐵橋,梅小明,等. 基于最優尺度選擇的高分辨率遙感影像丘陵農田提取[J].農業工程學報,2014,30(5):99-106.

[16] 劉兆祎,李鑫慧, 沈潤平,等. 高分辨率遙感影像分割的最優尺度選擇[J].計算機工程與應用,2014, 50(6):144-147.

[17] 宋曉陽,姜小三,江東,等. 基于面向對象的高分影像分類研究[J]. 遙感技術與應用,2015,30(1):99-105.

[18] 黃慧萍. 面向對象影像分析中的尺度問題研究[D].北京：中國科學院研究生院(遙感應用研究所),2003.

[19] 別強,何磊,趙傳燕. 基于影像融合和面向對象技術的植被信息提取研究[J].遙感技術與應用,2014,29(1):164-171.

[20] 孔博,鄧偉,李愛農,等. 多源數據的面向對象國際河流土地覆被分類研究[J].武漢大學學報(信息科學版), 2015, 40(7):943-949.

[責任編輯：李銘娜]

Classification of high-resolution image based on optimal scale and rule

LI Xiaojing, PENG Daoli，WANG Haibin

(Forestry College，Beijing Forestry University，Beijing 100083，China)

The development of object-oriented classification technology has been promoted by extensive application of high-resolution image, and with segmentation as one key step of object-oriented classification, the selection of segmentation scale determines the result of information extraction. Spatial scale is an inherent attribute of the object, and the information of the object can be better recognized under the appropriate segmentation scale. Based on QuickBird image of Zhangshanying town, a segmentation experiment has been carried out in the scope of 30～200scale. An optimal scale range is obtained by analyzing the maximum area of the objects, and then the final scale level is determined by the segmentation quality assessment model. According to the spectrum and texture feature provided by the samples, the rules of object-oriented classification are built to finish the extraction of land cover type. The result shows that the method based on optimal scales and rules is more effective in high-resolution image information extraction than that based on single scale, which overall accuracy reaches 88.8%, and Kappa coefficient is 0.861.While the overall accuracy of the nearest neighbor method based on single scale is 81.4% and the overall accuracy of the method based on rules and single scale is 83.2%.

object-oriented classification；multi-scale segmentation；optimal scale；rule；scale level

2016-06-27

國家林業局948資助項目(2015-4-32);國家重點林業工程監測技術示范推廣項目(2015-02)

李曉靖(1991-)女，碩士研究生.

彭道黎(1963-)男，教授，博士.

著錄：李曉靖，彭道黎，王海賓.基于最優尺度和規則的高分辨率影像分類研究[J].測繪工程，2017，26(9)：14-22.

10.19349/j.cnki.issn1006-7949.2017.09.004

TP75;S257

A

1006-7949(2017)09-0014-09