顧及多尺度分割參數的FNEA面向對象分類

孫　坤，魯鐵定

(1. 東華理工大學測繪工程學院，江西 南昌 330013； 2. 流域生態與地理環境監測國家測繪地理信息局重點實驗室，江西 南昌 330013)

隨著遙感技術不斷進步，目前商用高分辨率遙感影像能夠提供越來越豐富的幾何、光譜、時相、紋理等特征，如何利用遙感影像的特征對影像進行解譯是研究的重點。傳統影像分類最基本、最概括的兩種方法監督分類和非監督分類具備各自特點[1]，但基于像元分類精度較難達到生產應用的需求，而面向對象遙感影像分析(geo-object-based image analysis,GeOBIA)能較好地解決此類問題，因此該方法被譽為遙感(RS)和地理信息系統(GIS)之間的橋梁[2]。

面向對象圖像處理的必要先決條件是成功的圖像分割，隨著多尺度特征在影像分析中的凸顯，多尺度概念于21世紀初在影像分割處理中得到了較好的應用，如分水嶺算法(Watersheds)[3]、均值漂移算法(Mean shift)[4-5]、自適應四叉樹分割算法[6]、對象級的保邊緣影像平滑算法[7]、基于圖的分割算法[8]、分形網絡演化方法(FNEA)[9]。此外，黃昕從紋理、形狀和對象的角度來提取和分析影像的特征，研究了這些空間信息的多尺度特性[10]；王文杰等利用分割后圖像對象的光譜特征、紋理特征、形狀特征分別進行了變化檢測[11]。為了高效地進行分水嶺變換，盧官明提出了一種計算圖像形態梯度的多尺度算法[12]。丁月平采用“對象完整面積個數最多法”的分割方法，研究得出不同地物的分割尺度[13]。賈春陽根據不同影像對象的空間和光譜特征，自適應地計算空間判據權值和緊湊度判據權值，改進了FNEA方法，并將不同光譜分量對光譜判據的貢獻引入到影像對象之間異質性的計算中[14]。

實際上，無論是何種方法，其實質都是通過改進多尺度分割算法去實現遙感影像有效分割處理，然而由于處理尺度方法的復雜性及其概念本身的復雜性，尺度參數如何選取一直是困擾遙感影像處理的難題。本文基于FNEA多尺度分割算法，在簡單介紹其特征的基礎上，通過實例設置12組不同的分割參數對QuickBird多光譜影像進行分割處理，得出不同多尺度分割參數在時效方面的比較，利用CART分類器對其進行面向對象分類處理，總結尺度參數對影像分類效果、分類精度的影響，為后續研究提供參考依據。

1　FNEA算法

1.1　FNEA算法介紹

分形網絡演化方法(fractal net evolution approach，FNEA)是Baatz M和Schape A在2000年提出的一種面向對象高分辨率遙感影像多尺度圖像分割算法[9]，以分割對象的平均異質度最小化作為分割根本原則，在分割前確定異質度的分割參數(光譜因子和形狀因子)，通過調節影像分割的尺度參數，并通過從下而上(bottom-up)對象信息來進行合并，最后獲取對象層次結構結果。綜合考慮對象的光譜特征和空間特征結合使用，這樣才能使整幅影像所有分割對象優于其他的多尺度分割算法，避免了傳統分割算法分割對象邊界比較破碎的問題。

FNEA是目前使用較多的面向對象影像分析技術的一種多尺度分割算法。該方法的依據為對象單元的異質度在合并前后變化最小，在eCognition中的異質度主要被認為是對象的顏色和形狀，異質度f的增加必須小于某一閾值[15]。表達式如下

(1)

式中，Δhcolor為光譜異質度增量，wcolor為權重；Δhshape為形狀異質度增量，wshape為權重。Δhshape由緊致度增量Δhcompt和光滑度增量Δhsmooth兩部分組成，權重分別為wcompt和wsmooth，計算公式為

(2)

式(2)中Δhcompt、Δhsmooth計算公式為

(3)

(4)

式中，nobj_1、nobj_2、σc,obj_1、σc,obj_2、lobj_1、lobj_2、bobj_1、bobj_2分別為要合并前兩個對象的像素個數、方差、周長及最小外接矩形邊界周長；nmerge、σc,merge、lmerge、bmerge分別為合并后對象的像素個數、方差、周長和最小外接矩形邊界周長。因此，平滑度異質度等于事實上的邊界長度lmerge和由平行于光柵的圖像對象的邊界框給出的邊界長度bmerge的比值。

緊湊度異質度等于實際邊界長度與構成該圖像對象像素數的平方根比值。權重wc、wcolor、wshape、wsmooth、wcompt是可以選擇的參數，以便為某些圖像數據堆棧和考慮的應用程序獲得合適的分割結果。

1.2　FNEA算法流程

多尺度分割是一種自下而上(bottom-up)的方法，通過合并相鄰的像素或影像中小對象，在確保對象與對象之間平均異質度最小、對象內部像元之間同質度最大的前提下，基于區域合并技術實現影像分割。FNEA是通過迭代的方式進行對象的合并，在每一次的迭代過程中，若該對象與其鄰域對象最小異質度增量小于閾值，則將它與該鄰域對象合并為新的對象，否則不進行合并操作。終止迭代的條件是在這次迭代過程中所有對象都沒有與其鄰域對象進行合并，即該次迭代過程中異質度的增加量超出了閾值[16]。具體分割流程如圖1所示。

2　試驗結果與分析

本文通過eCognition Developer 8.7分析軟件對影像進行分割分類處理，試驗環境為：Intel(R)Pentium(R)CPU P6200 @ 2.13 GHz，RAM為2.00 GB。

2.1　研究區數據

研究數據為經過裁剪的美國地區QuickBird 300×300多光譜影像(分辨率為2.4 m)。影像已經過幾何糾正、大氣校正等處理，參與分類的波段為紅(R)、綠(G)、藍(B)和近紅外(NIR)。該區域典型的地物有水體、建筑、道路、草地、林地及建筑用地六大類，如圖2所示。

圖2　QuickBird多光譜影像

2.2　不同分割方法對QuickBird影像分割效果對比試驗

試驗采用棋盤分割、四叉樹分割、多尺度分割、多尺度分割+光譜差異4種分割方法得到分割效果圖，如圖3所示。

棋盤分割算法產生簡單的正方形對象；四叉樹分割[6]與棋盤分割類似，在裁剪出一個初始的正方形網格后，繼續進行四叉樹分割，并將不符合同質性標準的正方形裁剪成4個較小的正方形；多尺度影像分割[7]從任一個像元開始,采用自下而上(bottom-up)的區域合并方法形成對象；光譜差異分割基于上面3種分割算法所得到的分割結果，通過分析相鄰分割對象的亮度差異是否滿足給定的閾值，來決定是否將對象進行合并。

圖3　不同分割方法對QuickBird影像分割效果對比試驗

由于影像分割后的效果直接關系分類效果及精度，通過目視解譯方式對4種不同的分割方法得到分割效果圖進行對比可知，多尺度分割算法能最大限度地保留分割后影像的真實性，分割邊界較好地反映了各地物之間的差異，因此本文最終選取多尺度分割為本文的分割方法。

2.3　基于FNEA面向對象高分辨率遙感影像提取方法

本文通過ArcGIS軟件結合目視解譯的輔助辦法對QuickBird多光譜影像進行點矢量選取，選取水體、建筑、道路、草地、林地、建筑用地六大類地物，導入eCognition Developer8.7面向對象分析軟件中，從5開始，以5為單位向上遞增，共選取12組參數進行分割試驗，統計分割時間。利用CART分類器對多尺度分割參數Scale設置為5、10、15、20、25、30、35、40、45、50、55、60的12組不同分割尺度參數下分割影像進行分類，采取與訓練樣本相同的方式隨機選取190個矢量地物點對面向對象CART分類器方法的地物分類結果進行精度評價。具體流程如圖4所示。

2.4　面向對象分割分類處理

對影像進行分割試驗，每組分割參數進行3次分割試驗，選取試驗平均值。從5開始，以5為單位向上遞增，共選取12組參數進行分割試驗。通過分割時間數據對比可知，隨著分割參數的增大，影像分割時間遞減，并在后期趨于穩定。分割參數與影像分割時間統計見表1。

圖5顯示了不同分割參數下CART分類器分類效果。表2顯示了12組不同分割尺度參數下CART分類器分類總體精度及Kappa系數情況。

隨著分割尺度的增大，錯分類現象隨之出現，不同地物之間的關系也模糊不清，因此在進行多尺度分割參數選擇時，應選擇小尺度分割參數，這樣能最大可能地保留地物的準確性，并在后期的精度驗證中具有優勢。

表2　12組分割尺度參數對應的總體精度和Kappa系數

圖6顯示了CART樹分類器在不同分割參數下所得到的總體精度及Kappa系數變化趨勢，由圖中可以看出，隨著分割尺度參數的增加，精度呈下滑趨勢。因此，小尺度分割參數比大尺度分割參數在地物精度驗證結果中具有相對較好的優勢，且當分割參數Scale=10時，分類精度達到最好的級別。綜合考慮分類時效與分類精度情況，小尺度分割參數能占據主要優勢。

表3給出了CART分類器面向對象最高分類精度(分割尺度Scale=10)對應的混淆矩陣。由于道路與建筑用地之間光譜特征本身就比較相似，導致一定程度上的分類錯誤，在后續工作中將對此部分內容作具體研究。通過其分類后影像(如圖7(a)所示)、總體精度及Kappa系數可知，當選取較小的分割參數時，分類效果的破碎性在一定程度上得到了改善，地物圖斑的完整性相對較好，而且分類精度也高。

圖5　不同分割參數CART分類器分類效果

3　結　語

本文通過試驗對比研究4種遙感影像分割方法，選擇分割效果較好的多尺度分割方法對QuickBird多光譜影像進行分割預處理，隨著分割參數的增大，影像分割時間遞減，并在后期趨于穩定。對比CART分類器分類效果圖可知，小尺度分割參數對分類效果能有較好的提升；由混淆矩陣可知，小尺度分割參數分類精度優于大尺度分割參數分類精度，且當分割參數Scale=10時，分類精度達到最好的級別。綜合考慮分割時效及分類精度，在進行面向對象分類處理過程中，小尺度分割參數比大尺度分割參數在面向對象分類處理中具有相對較好的優勢。

表3　CART分類器面向對象分類混淆矩陣(Scale=10)

圖6　12組分割尺度對應的總體精度和Kappa系數比較

此外，由于道路與建筑用地、建筑與建筑用地之間光譜特征本身就比較相似，導致一定程度上的分類錯誤，在后續工作中將對此部分內容作具體研究。而如何實現分割參數的自動選取，也將是研究的重點。

參考文獻：

[1] 錢茹茹.遙感影像分類方法比較研究[D].西安：長安大學，2007.

[2] 明冬萍,邱玉芳,周文.遙感模式分類中的空間統計學應用——以面向對象的遙感影像農田提取為例[J].測繪學報,2016，45(7):825-833.

[3] VANHAMEL I，PRATIKAKIS I，SAHLI H.Multiscale Gradient Watersheds of Color Images[J].IEEE Transactions on Image Processing：A Publication of the IEEE Signal Processing Society，2003，12(6):617-626.

[4] COMANICIU D，MEER P.Mean Shift：A Robust Approach Toward Feature Space Analysis[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2002，24(5):603-619.

[5] 周家香.Mean Shift遙感圖像分割方法與應用研究[D].長沙：中南大學，2012.

[6] 倪林.基于自適應四叉樹分割的遙感圖像壓縮算法[J].遙感學報,2002,6(5):343-351.

[7] 孫開敏,李德仁,眭海剛.基于多尺度分割的對象級影像平滑算法[J].武漢大學學報(信息科學版),2009,34(4):423-426.

[8] FELZENSZWALB P F,HUTTENLOCHER D P.Efficient Graph-based Image Segmentation[J].International Journal of Computer Vision，2004，59(2):167-181.

[10]黃昕.高分辨率遙感影像多尺度紋理、形狀特征提取與面向對象分類研究[D].武漢：武漢大學，2009.

[11]王文杰,趙忠明,朱海青.面向對象特征融合的高分辨率遙感圖像變化檢測方法[J].計算機應用研究,2009,26(8):3149-3151.

[12]盧官明.一種計算圖象形態梯度的多尺度算法[J].中國圖象圖形學報,2001,6(3):214-218.

[13]丁月平,史玉峰.高空間分辨率遙感影像分類最優分割尺度[J].遼寧工程技術大學學報(自然科學版),2014,33(1):56-61.

[14]賈春陽,李衛華,李小春.基于自適應權值FNEA算法的高分辨率遙感圖像分割[J].國土資源遙感,2013,25(4):22-25.

[15]BENZ U C，HOFMANN P，WILLHAUCK G，et al.Multi-resolution，Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J].ISPRS Journal of Photogrammetry & Remote Sensing，2004，58(3-4):239-258.

[16]王慧賢,靳惠佳,王嬌龍,等.k均值聚類引導的遙感影像多尺度分割優化方法[J].測繪學報，2015，44(5):526-532.