高分二號影像多尺度分割法在土地平整信息提取中的應用

(1.甘肅農業大學林學院　甘肅　蘭州　730000；2.甘肅省水土保持科學研究所　甘肅　蘭州　730000)

近年來，隨著衛星遙感影像技術的發展，高分辨率影像正逐步成為各領域重要的數據源，高分辨率遙感影像擁有豐富空間、光譜、紋理等多重信息，為影像分類提取過程中多重因素進行分類提供了可能。高分辨率遙感影像數據龐大，對影像快速準確分類要求更高，傳統人工解譯方法已無法滿足遙感影像對高分類精度與效率的需求。

eCognition軟件是一款基于目標信息的遙感信息提取軟件，能對高分影像進行快捷、準確的分類。與傳統的基于像元的分類方法相比較，能充分利用遙感影像提供的大小、形狀、紋理、相鄰像素間關系等形狀和空間位置特征，采用面向對象的思路進行提取，大大提高了高空間分辨率數據的自動識別精度[1]。

蘭州新區通過對低山丘陵區未利用地的大量平整增加建設用地，在保證新區建設用地的同時減少了對耕地的占用量。但開發利用過程中土地支配權利大，自由度大可能導致嚴重的水土流失，為及時準確地評估水土流失量，需要對未利用地的平整進行快捷準確的分類。未利用土地有著大小不定、形狀差異大、紋理不清晰等分類難點，在土地利用類型分類過程中多采用排除法，即把區分剩余的土地歸為未利用土地。研究區未利用地較多且平整開發規模大小，對未利用地原有面積中正在平整、已平整、平整多年還未建設等情況如何提高分類精度與分類效率已成為制約水土流失快速評估的重要因素。

一、研究區概況與數據來源

(一)研究區概況。蘭州新區位于東經103°29′22″～103°49′56″，北緯36°17′15″～36°43′29″，地處隴西黃土高原的西北部。研究區地貌類型屬典型的黃土高原丘陵，平川、梁峁、溝壑及河谷地貌發育；屬溫帶半干旱氣候，四季分明，冬季寒冷干燥，春季多風少雨，夏無酷暑，秋季溫涼。蘭州新區轄中川鎮、秦川鎮等6個鄉鎮，73個行政村，全區土地總面積80645.29hm2，其中耕地面積(包括旱地及水澆地)31378.43hm2，占土地總面積的38.91%；園地面積152.45hm2，占土地總面積的0.19%；林地(包括苗圃)面積1702.84hm2，占土地總面積的2.11%；人工草地37.67hm2，占土地總面積的0.05%；城市建設用地6526.68hm2，占土地總面積的8.09%；村莊用地5196.71hm2，占土地總面積的6.44%；水域及水利設施用地259.81hm2，占土地總面積的0.32%；未利用地10041.47hm2，占土地總面積的12.45%。

隨著西部大開發和“一帶一路”持續推進，土地資源稀缺已經成為蘭州新區經濟社會發展的瓶頸，根據2010年國務院發布的《關于進一步支持甘肅經濟社會發展的若干意見》(國辦發[2010]29號)提出“鼓勵對沙地、荒山、荒灘、戈壁等未利用土地開發利用”和國土資源部“鼓勵低丘緩坡荒灘等未利用土地開發利用試點工作指導意見”，以科學發展觀為統領，充分發揮沙地、荒灘等土地資源優勢，因地制宜創新土地利用和管理模式，推動未利用土地規范、科學、有序開發，提高土地資源利用的經濟、社會和生態效益，開發建設低丘緩坡溝壑等未利用地為蘭州新區破解土地供需兩難提供新途徑。蘭州新區未利用地總面積10041.47 hm2，占新區總面積12.45%，根據《蘭州市低丘緩坡溝壑等未利用土地開發利用試驗區總體規劃(2012-2030年)》，蘭州市規劃期內開發總規模12000 hm2，其中蘭州新區4864 hm2。主要分布在新區東南，涉及到中川鎮、秦川鎮、西岔，原地貌類型為低山丘陵，現已全部進行土地平整，規劃為企業建設用地，能為出城入園搬遷改造，促進了蘭州新區的發展，提供充足的土地資源。

(二)基礎數據的獲取及處理。此次研究影像為蘭州新區高分二號影像，時間為2016年10月，多光譜分辨率為2m，分為藍、綠、紅、近紅外四個波段。

影像提取以eCognition軟件為主，ENVI軟件為輔的影像處理方式。利用ENVI軟件對高分二號影像進行影像拼接、幾何校正，然后用eCognition軟件對影像進行影像分割、分類；對解譯結果進行兩種精度評價：1、基于對象樣本的精度評價；2、以人工解譯結果為標準的精度評價。對兩次精度評價結果進行分析比較，總結此次影像信息提取的得失。

二、研究方法

(一)影像分類方法。此次影像分類對象為蘭州新區高分二號遙感影像，采用面向對象法進行影像分類，影像利用多尺度分割法對高分影像進行多層次影像切割，以影像對象做為影像分類單位[2]。利用未利用地影像視圖特征作為劃分依據，設定閾值對影像對象進行分類，未利用地影像提取步驟如圖1所示。影像提取可以分為兩個方面：1、以未利用地的視圖特征進行影像分類；2、對未利用地分類中的其他土地進行剔除。

圖1　流程圖

首先需要合理的確定遙感影像分割的尺度大小，各參數所占比例。其次選擇適用于影像分類提取的視圖特征(feature view)。再次確定不同分類步驟中所需的波段反射率，對分類影像進行多次多尺度影像分割可以降低多余波段對影像分類造成的影響。

分類步驟如下：

初次影像分類：以SBI(土壤亮度指數)為劃分依據，分未利用地1和其他土地兩類，未利用地1中包含已平整未利用地、植被、建筑、低山丘陵四類。

第二次影像分類：以植被間歸一化差異植被指數(NDVI)為劃分依據，分未利用地2、植被和其他土地三類、未利用地2中包含已平整未利用地、建筑、低山丘陵三類。

第三次影像分類：以BAI閾值為劃分依據，分未利用地3、建筑和其他土地三類、未利用地3中包含已平整未利用地和低山丘陵兩類。

第四次影像分類：以brightness(亮度)閾值為劃分依據，分未利用地4、低山丘陵土地和其他土地三類，未利用地4中包含已平整未利用地。

已平整未利用地自身具有光譜亮度高、影像色彩單一、紋理多樣等特點，對其視圖特征(feature view)進行信息提取，并對被影像分類中夾雜的其他地類進行視圖特征歸類，利用閾值分類方法，多層次，多步驟對影像對象進行分類，達到對已平整未利用地精確分類的目的。

(二)影像分割。根據研究區域范圍的大小和影像特征，對影像進行合理的影像分割。分割尺度的選擇對分類結果的精度具有至關重要的影響，多尺度分類法將影像分為不同對象，視圖特征為劃分對象的平均值，分割尺度過大對視圖特征影響較大，過小將造成影像切割過細，不利于影像分類[3]。未利用地紋理結構不規則，無法用標準的形狀大小進行區分，分類過程中需要增大分割尺度避免影像分割過于破碎化，使影像喪失過多視圖特征，因此對于影像的分割尺度，需要多次試驗考慮多方面因素方能確定(表1)。

表1　不同尺度影像分割差異特征

圖2　影像分割200

圖3　影像分割500

圖4　影像分割800

在多尺度分割中同樣需對均質標準合理定義，由于未利用地自身形狀具有不規則性，對精致度需求較高，在影像分類提取過程中需要影像保持一定形狀，綜合考量，分別設定權重shape(形狀)：0.5；compactness(精致度)：0.5。

此次蘭州新區高分影像為四波段影像，因此在影像分類提取過程中分別采用SBI指數、NDVI指數、BAI指數、Brightness(亮度)特征進行影像提取，不同視圖特征對波段的要求不同，波段的權重比對影像分割產生影響，從而改變影像分類精度[4]。

表2　不同光譜影像分割差異情況

圖5　光譜分割權重B:0，G:0，R:1，NIR:1

圖6　光譜分割權重 B:1，G:0，R:0，NIR:1

圖7　光譜分割權重 B:1，G:1，R:1，NIR:1

(三)影像分類提取。多尺度分割后的影像對象具有光譜信息、紋理結構、形狀等視圖特征，影像分類提取過程中可根據分類影像的不同特征進行影像分類，由于已平整的未利用地地面較為平整，顏色較為統一，表面無附著物遮蓋，其表面具有較多土壤等特點，在影像分類提取過程中主要以光譜特征作為主要影像分類的依據。初次提取時以土壤特征作為其主要影像提取的參考特征，公式為：

SBI=([Mean R]^2+[Mean NIR]^2)^0.5

(1)

式中：SBI為土壤亮度指數,[Mean R]為紅色波段反射率，[Mean NIR]為近紅外波段反射率。

通過調整閾值進行影像比對，確定未利用地的SBI閾值在大于690且小于1000時，影像中包含未利用地對象最多，初次影像信息提取主要目的為對未利用地進行最大程度的影像對象提取，將滿足SBI閾值在690至1000數值的影像對象定義為未利用地1，其他影像對象定義為其他土地，分類結果如圖8。

通過對初次影像提取分析發現，影像分類提取中包含有較多影像雜質，主要為：植被、建筑、低山丘陵三類，影像提純過程中需要進行重點區分。

對初次影像進行影像融合再分割，分類過程中包含地類較多，與未利用地相比較，這些土地類型都滿足植被間歸一化差異植被指數(NDVI)的土地分類標準，公式為：

NDVI=([Mean NIR]-[Mean R])/([Mean NIR]+[Mean R])

(2)

式中：NDVI為歸一化差異植被指數，[Mean NIR]為近紅外波段反射率，[Mean R]為紅色波段反射率。

第二次影像分類主要以剔除第一次影像分類中包含NDVI指數的影像對象為目的。對已分類未利用地進行統計分析，當未利用地影像中NDVI閾值小于-0.1時，包含有較多雜質地類且對已平整未利用地對象影像最小。定義未利用地1中NDVI指數閾值大于0.1對象為未利用地2，未利用地1中其他影像對象定義為植被，分類結果如圖9所示。

圖8　第一次影像分類

圖9　第二次影像分類

二次分類影像后，未利用地2影像中包含有大量城鎮村與工礦用地，與已平整未利用地相比較，城鎮村與工礦用地滿足BAI值，公式為：

BAI=([Mean B]-[Mean NIR])/([Mean B]+[Mean NIR])

(3)

式中：BAI為待定估計值，[Mean B]為藍色波段反射率，[Mean NIR]為近紅外波段反射率。

利用BAI值對二次分類影像中的城鎮村與工礦用地進行影像提取，對未利用地2進行統計分析，當BAI閾值大于0時，未利用地2影像中的影像對象以城鎮村與工礦用地為主，且極少包含未利用地，因而，定義BAI閾值小于0的影像對象為未利用地3，定義未利用2中其他影像對象為建筑。分類結果如圖10所示。

已平整未利用地與低山丘陵土地影像特征具有很多相似之處，且低山丘陵土地與已平整未利用地相鄰，難以在前期進行影像分類，在影像分類過程中較易造成錯誤分類。與低山丘陵土地相比較，已平整未利用地具有較高brightness值，影像分析過程中，發現 brightness閾值大于530時包含有大量已平整未利用地，且極少含有低山丘陵土地對象。定義未利用地3中 brightness閾值大于530的影像對象為未利用地4，定義未利用地3中brightness閾值小于530的影像對象為低山丘陵土地。由于二者相鄰且具有較高相似性，影像分類過程中存在一定的分類錯誤，需進行少量人工分類進行糾正。

為保證影像分類的完整性，減少椒鹽現象，將未利用地4影像進行融合后，定義像素數小于20000的對象為其他用地，得到最終影像分類結果，如圖11所示。

圖10　第三次影像分類

圖11　第四次影像分類

通過對初次影像的三次提純，達到對蘭州新區已平整未利用土地的精確提取的目的。最終分類結果如圖12所示。在影像分類過程，由于不同視圖特征所需求的圖層分割權重不同，為精確提取影像分類結果，每次影像分類結束需重新進行影像的融合與再分割。

圖12　已平整未利用地分類圖

三、分類結果與精度評價

(一)影像分類精度分析

利用eCognition軟件自身攜帶簡單易用的軟件評價工具[Error Matrix based on samples](選擇分割對象作為評價標準)，所包含的混淆矩陣、kappa系數與常規遙感圖像軟件相同。進行影像分類的精度評價時，將分類影像分為已平整未利用地與其他土地兩類進行精度評價，得到混淆矩陣、單一類別的精度評價分析結果和總體類別的精度分析結果[5]。

精度評價結果如表3所示，生產精度代表所有實際測量類型樣本中，被正確分類樣本所占的比例，用戶精度表示被分類樣本所占的比例，兩種精度評價最高值為1，越接近代表精度越高，分類穩定性越高。此次精度評價中未利用地生產精度(Producer)達到0.871，用戶精度達到0.937，表明已平整未利用地分類結果中分類穩定性好，分類精度高，錯分地物對象很少，可以作為影分類結果直接使用。Kappa系數通常被認為能準確反映整體的分類精度，此次影像分類Kappa系數為0.829，表明此次分類質量極好。

精度評價結果表明，eCognition軟件在此次影像分類提取過程中能準確的對未利用地進行提取，影像分類穩定性好，且分類精度較高。

表3　影像精度評價

(二)自動解譯影像與人工解譯影像對比精度評價分析

對研究區同一影像進行人工解譯，進行影像自動解譯與人工解譯精度對比評價分析。eCognition影像解譯結果與人工解譯結果存在差異，需利用ENVI軟件將兩種數據統一轉換為柵格數據，再進行精度評價。評價結果如表4所示，精度評價顯示未利用地生產精度為63.68，用戶精度為74.63。表明自動結果與人工解譯結果基本吻合，且自動解譯結果更為精細，錯分誤差較低。造成自動解譯與人工解譯精度評價結果誤差的原因主要有：①自動解譯影像分割與人工解譯分割有誤差，多尺度分割法運用模糊方法與人工解譯中手動分割方法得到的切割影像不同；②人工解譯分割精度較低，分割結果中包含雜質，自動解譯在較低分割尺度下對未利用地中雜質進行了剔除，提高了分類精度；③自動解譯影像分類過程中以閾值分類為主，影像分類存在遺漏，人工解譯分類方式靈活，較少了此類誤差。

表4　自動解譯與人工解譯對比精度評價

四、結論

(1)eCognition軟件下對已平整未利用地的提取精度更高，生產精度(Producer)達到0.871，用戶精度達到0.937，Kappa系數0.829。能滿足影像分類提取中對影像分類精度的要求。多尺度分割方法在影像分割過程中綜合考慮了影像的光譜特征，紋理形狀等各個要素，使影像分類結果更為合理，減少了分類過程中的椒鹽現象。

(2)本方法利用eCognition軟件對影像解譯結果與傳統人工解譯相似度較高，影像分類較為統一，且解譯結果更為精細，對已平整未利用地中包含的其他地類也能精準區分，自動解譯操作較簡單，能滿足高分辨率遙感影像快速解譯的需求。

(3)多次影像融合再分割方式使影像分類精度更高，影像信息提取更具有針對性，對低山丘陵未利用地平整信息的提取更為準確。