基于面向對象的咸陽湖水體提取方法研究

趙文琳 羊秀娟

（西華師范大學國土資源學院，四川南充 637009）

1 引言

伴著通訊、信息處理以及GPS信息反饋等技術的日益完善，遙感對地觀測技術的空間、光譜分辨率顯著提高，采用遙感影像解譯來獲取水資源變化信息的成本降低，可行性也大大提高。經典方法對遙感影像進行信息提取多是在分辨率較低的遙感影像上進行的，進行水體信息提取的方法主要有目視判讀法和基于像元的分類方法，其中目視判讀法精度高但太過費時費力，基于像元分類方法精度又遠遠不夠。而面向對象的遙感圖像分析是一類新的圖像分析理念和模式，它不僅是建立在過去幾十年被廣泛應用的圖像分割、邊緣檢測、特征提取和分類等概念與方法之上的，而且還創新的將這些方法有機的組成一個整體，形成了一種圖像分析模式和理念，并且利用高分辨率影像的高分辨率和豐富信息，使提取成果與人工提取結果相差無幾。此外，分類完成之后還能夠建立對象之間的拓撲關系，反映地理實體間的關系，并使用空間分析的方法對遙感數據進行更加深入的研究。

本研究基于面向對象的信息提取方法提取咸陽湖水體面積，首先下載咸陽湖區域的遙感影像，使用ENVI軟件加載并進行圖像預處理，通過圖像分割的方法把圖像分割成具有一定意義的對象，然后通過實地獲取的樣本數據對圖像進行分類，最后把提取的咸陽湖面積與實際面積進行比較并計算提取比率。

2 研究區概況

咸陽位于陜西省八百里秦川腹地，渭水穿南，嵕山亙北，山水俱陽。咸陽湖西起咸陽市秦都區渭濱辦南營村，東至機場高速公路橋，全長15.56km。咸陽湖主要利用汛期退水過程中泥沙含量較少的尾水蓄水，是咸陽市政府為治理渭河規劃建造的人工湖，起到了洪水治理、綠化環境、帶動經濟的作用。

3 數據處理與信息提取

面向對象的信息提取方法通過將臨近像元集中為對象來識別感興趣的光譜要素，同時也能夠利用圖像中的高分辨率全色和數據空間、紋理和波段信息等來進行多種特征提取［1］。影像分析包括對象生成和信息提取兩部分內容［2］，即首先對所下載的landsat8遙感影像進行預處理，融合波段，裁剪出研究區域的遙感圖像，然后采用合適的分割尺度對圖像進行分割，合并小版塊，得到均質對象。之后進行特征提取，在定義分類的基礎上進行基于樣本的分類，統計分類結果，最終通過相應計算得到提取面積。

3.1 數據來源 本研究所用數據采用美國國家航天局（NASA）的陸地資源系列衛星landset8所拍攝的影像，傳感器為OLI和TIRS，它們的波段參數如表1和2。圖像內包括咸陽湖水體信息、渭河水體信息、灃河水體信息、建筑物信息以及植被等其他信息，需要提取影像中咸陽湖的水體信息并計算面積。

表1 OLI傳感器波段參數

表2 TIRS傳感器波段參數

3.2 影像預處理 遙感影像在拍攝過程中，由于輻射、氣候等因素的存在衛星所拍攝的影像會產生一定的圖像變形、大氣消光和失真等現象［2］。為了不影響影像的質量和應用，需要進行數據預處理，其具體流程為自定義坐標系、幾何校正、波段融合和圖像裁剪4個部分，本次研究數據處理不涉及幾何校正。首先將圖像坐標系定義為北京54坐標系。在對應目錄下打開橢球體參數文件（ellipse.txt）、基準面參數文件（datum.txt）和坐標系參數文件（map_proj.txt），添加橢球體需要在橢球體參數文件的末尾添加3行內容，添加基準面需要在基準面參數文件末尾添加3行內容，如圖1所示。進行需要的設定，添加新的工程，將設置的北京54坐標系以文件形式導出，之后通過轉換投影將北京54坐標系的參數設置在研究數據中。

圖1 添加橢球體和基準面

添加初始數據，使用CN圖像融合工具將9個初始波段融合成一幅圖像，裁剪咸陽湖區域的遙感影像并保存，裁剪結果如圖2所示。

圖2 裁剪結果

3.3 生成對象 生成對象是生成具有一定意義均質對象的過程，包括圖像分割、合并分塊、圖像鑲嵌和特征計算四個部分，研究中我們只涉及圖像分割與合并分塊。EN?VI對圖像進行分割時以鄰近像素亮度、紋理、顏色等要素為依據，采用基于邊緣的分割算法［3］。這種算法計算快捷簡便，并且用戶只需在軟件界面中鍵入1個參數就能產生多尺度分割結果，通過控制各種尺度的邊界差異，產生更適應研究的分割結果。根據本文提供的方法，可供選擇的分割尺度為30、45和90，分別進行分割，過程如圖3，效果如圖4、圖5和圖6所示。

由圖3～6可知，選擇分割尺度為30得到的對象太過細碎，不利于保證信息提取的效率；選擇分割尺度為90得到的對象又太過籠統，無法保證信息提取的精度；而選擇分割尺度為45得到的對象介于二者之間，結果較為理想，因此選擇分割尺度為45合并尺度為10進行圖像分割。

圖3 分割過程

圖4 分割尺度為30的分割結果

圖5 分割尺度為45的分割結果

圖6 分割尺度為90的分割結果

3.4 特征提取 特征提取的的常用辦法是圖像分類。本實例采用基于樣本的圖像分類方法，先在圖像上手動選擇樣本定義分類［4］，然后根據波段等特征進行分類，將處理完成的圖像上所有具有相似特征的對象分為一類。為了更好的提取影像信息，提高分類效率，去除可能影響提取的小版塊，之后進行分類統計，得到結果。定義樣本需要以實際地物圖進行目視判讀結果為依據，本實例在圖像中定義咸陽湖、渭河、植被、房屋4類樣本，為不同的樣本設置不同的顏色，之后進行圖像分類，輸出矢量文件，分類結果如圖7所示。

圖7 圖像分類結果

圖8 板塊合并結果

為了獲得更加直觀的結果圖，提高信息提取精度，使用了最大值/最小值分析合并小版塊，合并結果如圖8所示。其中紅色樣本代表咸陽湖水體，藍色樣本代表渭河水體，綠色樣本代表植被，灰紫色樣本代表建筑物，此外一些波段特征相似的對象也同樣被分到相應的類別中，例如圖中部分分布在房屋中間的植被和渭河對象。

完成對象分類后進行分類統計，即統計各類別對象的像元數以及特征的最大值和最小值，并得到分析圖表如圖9。根據統計結果，咸陽湖類別包含1199個像元，占圖像面積的0.788%；渭河類別包含5441個像元，占圖像面積的3.575%；植被類別包含12372個像元，占圖像面積的8.129%；房屋類別包含92870個像元；占圖像面積的61.022%。計算得到咸陽湖的面積為1.092km2。發現對象時需要選擇合適的分割尺度，注意分割尺度的選擇不當會直接影響后面的分類效果及效率，所以需要慎重選擇；定義樣本時選擇盡量多的樣本，以便優化分類結果提高分類精度；分類統計選擇的文件中必須包含分類類別，操作中需要選擇樣本庫中的所有樣本類型，否則無法得出統計結果。

圖9 統計結果

3.5 精度評價 利用面向對象的方法提取的咸陽湖水體信息表明，帶狀面狀水體的水陸邊界位置準確，輪廓完整連續，識別效果理想［5］。咸陽湖水面的實際面積為1.2km2，

而提取面積為1.092km2，提取比率達到91%，所以實例說明面向對象信息提取技術的提取效果是非常精確的。

4 結論

利用遙感技術進行水環境監測、管理已成為一種趨勢，本文基于面向對象的方法進行咸陽湖水體信息提取，得出的主要結論如下：

（1）采用Full Lambda-Schedule算法的基于邊緣圖像分割能夠準確定位邊緣，快速運算，一般用于合并存在于大塊、紋理性較強的區域。通過對圖像的分析，確定圖像分割的方法為該方法，圖像分割的尺度為45。

（2）通過實地獲取的樣本數據建立樣本庫，庫中樣本類型分別有咸陽湖水體樣本、渭河水體樣本、房屋樣本和植被樣本，利用所建樣本庫對圖像進行分類。

（3）圖像分類結果是提取咸陽湖的面積為1.092km2，而實地面積為1.2km2，面積提率度達到91%。因此，基于面向對象的水體信息提取方法具有較高的提取精度和效率，是一種簡便可行的信息提取方法。