GF-2影像面向?qū)ο蟮湫统菂^(qū)地物提取方法

王 蕾，楊武年，任金銅,2，鄧曉宇

(1. 成都理工大學(xué)國土資源部地學(xué)空間信息技術(shù)重點實驗室，四川 成都 610059； 2. 貴州工程應(yīng)用技術(shù)學(xué)院貴州省教育廳生物資源開發(fā)與生態(tài)修復(fù)特色重點實驗室，貴州 畢節(jié) 551700)

隨著高分辨率衛(wèi)星的相繼問世，遙感影像為城規(guī)建設(shè)等方面提供了越來越多的便利。掌握城區(qū)地物信息的空間分布及其變化特征有助于人們的方案決策，對城市的發(fā)展規(guī)劃具有促進作用。國產(chǎn)高分系列衛(wèi)星的發(fā)射為我國衛(wèi)星事業(yè)的發(fā)展注入了新的血液，在土地資源、災(zāi)害環(huán)保及城鄉(xiāng)規(guī)劃等方面得到了廣泛應(yīng)用[1-6]。

高空間分辨率的遙感影像使地物信息高度細(xì)節(jié)化，可導(dǎo)致同類光譜差異大，異類光譜差異小，從而使地物分類精度降低。人們在傳統(tǒng)基于像元的遙感影像監(jiān)督分類方法的基礎(chǔ)上追求更加快速、精確的地物信息提取方法，而面向?qū)ο蟮姆绞揭殉蔀檠芯繜狳c[7-15]。高分二號(GF-2)是我國“高分專項”工程的民用光學(xué)遙感衛(wèi)星，其空間分辨率實現(xiàn)了亞米級的突破，使我國遙感衛(wèi)星真正進入了高分時代。本文借助eCognition軟件，探索最優(yōu)分割尺度的獲取方式，通過對影像對象的光譜及空間分析，研究各地物提取的體系規(guī)則，建立一套基于GF-2的面向?qū)ο蟮湫统菂^(qū)地物提取方法。

1 研究區(qū)及數(shù)據(jù)方法

1.1 研究區(qū)概況

隆昌縣位于四川省內(nèi)江市東南部，以低山、丘陵為主，有豐富的礦產(chǎn)、土地及水資源。全縣共2個街道、17個鎮(zhèn)，總面積794 km2，其中規(guī)劃中心城區(qū)40 km2。考慮數(shù)據(jù)大小及計算機運行速度，本文選取隆昌縣中心城區(qū)的一矩形區(qū)域(北緯29°20′20″—29°21′，東經(jīng)105°16′45″—17′55″)為試驗研究區(qū)域(如圖1所示)。

圖1 研究區(qū)地理位置及遙感影像(GF-2 PMS 321波段組合)

1.2 數(shù)據(jù)及技術(shù)方法

國產(chǎn)高分二號衛(wèi)星影像是我國自主研發(fā)的亞米級高分辨率光學(xué)遙感衛(wèi)星，它搭載了兩臺全色、多光譜兩臺相機，影像數(shù)據(jù)星下點可達(dá)全色0.8 m、多光譜3.2 m。2 m其全色波段波譜分范圍為0.45～0.90 μm，多光譜波段為0.45～0.52 μm、0.52～0.59 μm、0.63～0.69 μm、0.77～0.89 μm。本文研究采用高分中心申請的國產(chǎn)GF-2遙感衛(wèi)星影像的PMS數(shù)據(jù)GF2_PMS1_E105.0_N29.6_20150712_L1A0000912798，影像獲取時間為2015年7月12日。

對原始遙感影像數(shù)據(jù)預(yù)處理包括正射校正、大氣校正、影像融合、裁剪及影像增強等。正射校正可糾正地形起伏帶來的像點誤差，大氣校正很好地消除了空氣中的薄霧，使影像更加清晰明亮。為集合影像數(shù)據(jù)的高空間分辨率及多光譜信息，將影像的全色與多光譜波段采用Nearest Neighbor Diffusion(NNDiffuse)pan sharpening算法進行融合，該方法在保持高空間細(xì)節(jié)的同時達(dá)到了很好的光譜保真效果[16-17]；接著進行多尺度分割并建立各類地物特征規(guī)則，用以面向?qū)ο筇崛〕鞘械匚镄畔ⅲ蛔詈髮⒚嫦驅(qū)ο蠓诸惤Y(jié)果與傳統(tǒng)監(jiān)督分類結(jié)果進行比較，作出精度分析并制圖，其技術(shù)路線如圖2所示。

2 面向?qū)ο蠓诸?/h2>

面向?qū)ο蟮姆诸愅黄屏藗鹘y(tǒng)的基于像素的分類的方法，它不再以像元為最小單位，而是將影像分割成對象，綜合利用各對象之間的光譜及空間特征進行分類[18]。本文借助eCognition平臺，采用規(guī)則集的分類方法，根據(jù)地物特征，將城市典型地物類型劃分為建筑、水體、道路、綠地、裸地5大類。

圖2 研究技術(shù)流程

2.1 多尺度分割

影像分割是面向?qū)ο笮畔⑻崛〉母荆浞指畹男Ч苯記Q定信息提取結(jié)果的好壞。影像分割目前有基于邊界的分割、基于區(qū)域的分割、基于閾值的分割，以及基于理論的分割算法等[19]。而在眾多的影像分割方法中，多尺度分割使得不同的主題用最適宜的尺度來描述其影像對象。

在多尺度分割中，尺度的選擇對于分割而言尤為重要，太大使影像欠分割，同一對象包含多種地物信息，而太小則使分割對象過于破碎，也不利于運算。ESP(estimation of scale parameter)是一種尺度參數(shù)評估工具，它能快速地給出最優(yōu)尺度的可選范圍。該分析工具結(jié)果圖顯示了局部方差(local variance，LV)和變化率(rate of change，ROC)隨尺度變化的情況，而ROC曲線的峰值指引了可能的最優(yōu)分割尺度[20]。本文運用ESP工具得出如圖3所示的分析結(jié)果，通過與影像地物對比分析，確定出130、210和320三個最優(yōu)分割尺度。

圖3 ESP尺度分析結(jié)果

多尺度分割要求綜合考慮各種地物不同尺度下的目標(biāo)特征，確定均質(zhì)性因子、波段權(quán)重及分割尺度等參數(shù)[21]。根據(jù)確定的3個最優(yōu)分割尺度，采用多層次影像分割與地物提取方法，各層次參數(shù)及相關(guān)信息見表1。

表1 多尺度分割層次及相關(guān)參數(shù)

2.2 分類體系與規(guī)則

基于規(guī)則的面向?qū)ο蠓诸愐蟾鶕?jù)各類地物的不同特征來建立其規(guī)則，按照建立的分割層次，從上至下依次為L1、L2、L3，順序不可替換，使不同的城區(qū)地物目標(biāo)在不同的尺度下進行提取。

在L1層中，根據(jù)歸一化水體指數(shù)NDWI可區(qū)別水體與其他地物，但同時也容易將一些陰影混雜其中。本文研究區(qū)水體分布于特定的區(qū)域，因此，考慮用到x軸的距離對陰影進行過濾。

在L2層中，道路和裸地在第三波段都有較高的均值，并且裸地有更高的亮度值(brightness)。而道路通常都具有較大的長寬比(length/width)且為條帶狀，可通過形狀指(shape index)數(shù)進行約束。

在L3層中，只提取建筑和綠地兩類，因此，用歸一化植被指數(shù)NDVI提取出綠地即可，建筑則為非綠地。

在eCognition軟件中，根據(jù)GF-2的數(shù)據(jù)特點，設(shè)置NDVI與NDWI的波段組合特征集。通過調(diào)試各特征閾值，最終確定分類規(guī)則見表2。

表2 分類規(guī)則

3 結(jié)果及分析

3.1 城區(qū)典型地物提取結(jié)果

按照建立的分類體系，對各分類層分別賦屬性值，每個圖層完全繼承上一層的未分類對象，利用表2中各類地物分類規(guī)則，最終提取出5類典型城區(qū)地物(如圖4所示)。

3.2 精度分析

在傳統(tǒng)基于像元的監(jiān)督分類中，支持向量機(support vector machine，SVM)是近些年研究較多且分類效果較好的基于像元的監(jiān)督分類方法，本文采用對比支持向量機的傳統(tǒng)監(jiān)督分類與基于規(guī)則的面向?qū)ο蠓诸悂碓u價分類結(jié)果。

圖4 面向?qū)ο蠓诸惻cSVM監(jiān)督分類結(jié)果

比較圖3中兩種方法的分類結(jié)果，面向?qū)ο蠓诸惖恼w性明顯強于SVM監(jiān)督分類，很好地避免了基于像元的方法所帶來的“椒鹽”現(xiàn)象。基于像元的分類方法很難區(qū)分水泥建筑與道路，而建筑表現(xiàn)出的藍(lán)色合成材料屋頂與水泥屋頂很難合成一個類別，并且大量的房屋陰影也被錯分為水體。而面向?qū)ο蠡谝?guī)則的分層提取方法用限制長寬比來區(qū)別道路與水泥建筑，用先提取其他類別的方式來避開不易區(qū)分不同表現(xiàn)形式的建筑屋頂?shù)那闆r，而水體在研究區(qū)的特殊分布位置的限定就不會導(dǎo)致陰影的錯分。

隨機選取200個樣本點(所選單個樣本面積較小，盡量保證只含單一地物)，對兩種分類方法的結(jié)果進行檢驗，從而建立混淆矩陣，并從中提取評價因子：用戶精度、生產(chǎn)者精度、總體分類精度和Kappa系數(shù)[22]。各評價因子統(tǒng)計值見表3，該表顯示，使用SVM監(jiān)督分類方法道路的用戶精度僅為74.2%，裸地和建筑生產(chǎn)者精度分別為71.18%和82.3%，錯分和漏分的現(xiàn)象比較明顯。而面向?qū)ο蟮姆诸惙椒▌t表現(xiàn)出較高的分類精度，除綠地的錯分誤差與裸地的漏分誤差相對較大外，其余地物的用戶精度和生產(chǎn)者精度均接近1。

表3 不同分類方法精度評價

由表3中明顯看出，面向?qū)ο蠓诸惖玫搅吮容^滿意的分類結(jié)果，相比SVM監(jiān)督分類，總體分類精度提高了3.09%，Kappa系數(shù)為提高了0.04。這說明面向?qū)ο蠓诸惙椒ㄔ诔菂^(qū)典型地物信息提取方面優(yōu)于傳統(tǒng)的基于像元的監(jiān)督分類方法，分類效果更佳。

4 結(jié) 論

本文基于國產(chǎn)高分二號遙感影像，采用規(guī)則集的面向?qū)ο蠓诸惙椒ǎ瑢β〔h中心城區(qū)部分區(qū)域提取典型城區(qū)地物信息，并比較了傳統(tǒng)基于像元的SVM監(jiān)督分類結(jié)果，得到了以下結(jié)論：

(1) 基于GF-2遙感數(shù)據(jù)源的面向?qū)ο蟮姆诸惙椒ㄔ诒疚难芯繀^(qū)的總體分類精度為92.23%，比SVM監(jiān)督分類精度提高了3.09%。面向?qū)ο蟮姆诸悎D示整體性強于基于像元的分類，避免了“噪聲斑點”。總體面向?qū)ο蠓诸惙椒ǜm合GF-2的典型城區(qū)地物信息提取，精度更高，其分類效果更好。

(2) 在面向?qū)ο蠓诸愔校喑叨确指钍褂跋駥ο蟮某叽邕m宜不同的地物目標(biāo)，通過ESP工具分析，能快速得出最優(yōu)分割尺度，加快了分析時間，提高了分割尺度的精準(zhǔn)性。而分層地物信息提取使之從恰當(dāng)?shù)某叨壬厦枋龀龈鞯匚镙喞橥活愋投喾N表現(xiàn)形式的地物提取提供更好的方法。

(3) 面向?qū)ο蟮姆诸惙椒軓母叻直媛实腉F-2遙感影像上相對快速、準(zhǔn)確地提取出典型城區(qū)地物，為城市的規(guī)劃及建設(shè)各方面提供了有力的參考，為高分系列數(shù)據(jù)的應(yīng)用及其潛力研究提供了依據(jù)。

但是，對國產(chǎn)高分?jǐn)?shù)據(jù)的研究還處于初級階段，其在各方面的應(yīng)用還需要不斷嘗試；其次，城區(qū)地物復(fù)雜多樣，高分?jǐn)?shù)據(jù)分割尺度的研究還有待加強，使其能在合適的尺度上準(zhǔn)確提取地物信息；此外，對更多的規(guī)則知識挖掘，完善專家知識決策，從而構(gòu)建出面向?qū)ο蟪菂^(qū)典型地物提取的模型，還有待進一步研究。

[1] 程乾，陳金鳳.基于高分1號杭州灣南岸濱海陸地土地覆蓋信息提取方法研究[J].自然資源學(xué)報，2015，30(2):350-360.

[2] 孫中平，白金婷，史園莉，等.基于高分影像的面向?qū)ο笸恋乩米兓瘷z測方法研究[J].農(nóng)業(yè)機械學(xué)報，2015，46(S1):297-303.

[3] 李艷華，丁建麗，閆人華.基于國產(chǎn)GF-1遙感影像的山區(qū)細(xì)小水體提取方法研究[J].資源科學(xué)，2015，37(2):408-416.

[4] 牛增懿，丁建麗，李艷華，等.基于高分一號影像的土壤鹽漬化信息提取方法[J].干旱區(qū)地理，2016，39(1):171-179.

[5] 黃帥，丁建麗，李艷華.面向?qū)ο蟮膰a(chǎn)GF-1遙感影像水體信息提取研究[J].人民長江，2016，47(5)：23-28.

[6] 張飛飛，楊光，田亦陳.基于國產(chǎn)GF-2遙感影像的大麻地塊提取方法研究——以安徽省六安市蘇埠鎮(zhèn)為例[J].安徽農(nóng)業(yè)大學(xué)學(xué)報，2016，43(4):1-5.

[7] 孫曉艷，杜華強，韓凝，等.面向?qū)ο蠖喑叨确指畹腟POT5影像毛竹林專題信息提取[J].林業(yè)科學(xué)，2013，49(10):80-87.

[8] 謝偉軍，韓飛，張東，等.面向?qū)ο蟮暮Ｓ蚴褂脤ｎ}信息遙感提取關(guān)鍵技術(shù)研究[J].海洋環(huán)境科學(xué)，2014，33(2):274-279.

[9] 牟鳳云，羅丹，官冬杰，等.面向?qū)ο蟮耐恋馗采w信息提取方法研究及應(yīng)用[J].重慶交通大學(xué)學(xué)報(自然科學(xué)版)，2014，33(6):104-108.

[10] 朱長明，李均力，張新，等.面向?qū)ο蟮母叻直媛蔬b感影像濕地信息分層提取[J].測繪通報，2014(10)：23-28.

[11] 李小強，李金平，甘甜.面向?qū)ο蟮母叻直媛蔬b感影像城市地物信息提取研究[J].河南城建學(xué)院學(xué)報，2014，233(2):63-67.

[12] 韓鵬鵬，黃進良，李仁東，等.基于面向?qū)ο蟮目犹吝b感監(jiān)測與動態(tài)分析[J].農(nóng)業(yè)機械學(xué)報，2015，46(1):272-277.

[13] 宋亞婷，江東，黃耀歡，等.基于面向?qū)ο蠓椒ǖ穆短烀旱V用地類型提取優(yōu)先級分析[J].遙感技術(shù)與應(yīng)用，2016，31(3)：572-579.

[14] 林雪，彭道黎，黃國勝，等.結(jié)合多尺度紋理特征的遙感影像面向?qū)ο蠓诸怺J].測繪工程，2016，25(7):22-27.

[15] 何順兵，牟鳳云.基于面向?qū)ο蟮亩喑叨壬降爻鞘型恋馗采w信息提取——以重慶市大學(xué)城城區(qū)為例[J].重慶工商大學(xué)學(xué)報(自然科學(xué)版)，2016，33(1):83-88.

[16] 任金銅，楊武年，楊鑫，等.國產(chǎn)高分二號PMS數(shù)據(jù)融合效果評價研究[C]∥資源環(huán)境與地學(xué)空間信息技術(shù)新進展學(xué)術(shù)會議論文集.北京:科學(xué)出版社，2016：223-225.

[17] SUN Weihua，CHEN Bin，DAVID W.Messinger,Nearest-neighbor Diffusion-based Pan-sharpening Algorithm for Spectral Images[J].Optical Engineering，2014,53(1):1-11.

[18] 邰曉雷，潘曉露，李一民.高分辨率遙感影像城區(qū)地物信息提取技術(shù)研究[J].貴州大學(xué)學(xué)報(自然科學(xué)版)，2012，29(1):88-91.

[19] 劉純，洪亮，楚森森.高分辨率遙感影像分割方法研究[J].測繪與空間地理信息，2014，37(10):44-49.

[21] 劉丹丹，劉江，張玉娟，等.面向?qū)ο蟮亩喑叨雀叻钟跋窠ㄖ锾崛》椒ㄑ芯縖J].測繪與空間地理信息，2016，39(6):17-20.

[22] 鄧書斌，陳秋錦，杜會建，等.ENVI遙感圖像處理方法[M].北京:高等教育出版社，2014.