基于eCognition高分辨率影像的分類研究

帥慕蓉 謝貽文 楊鵬飛

摘要：文章針對株洲縣堂市鄉(xiāng)某部分區(qū)域高分辨率影像，采用eCognition的多尺度分割和面向?qū)ο蟮淖钹徑▽τ跋襁M(jìn)行分類，同時與ENVI5.3軟件平臺下的最大似然法分類結(jié)果進(jìn)行了對比分析，并以野外驗證后的目視解譯為基準(zhǔn)進(jìn)行精度評價。結(jié)果表明：基于eCognition平臺下的面向?qū)ο蟮姆诸惙椒ū苊饬藗鹘y(tǒng)分類結(jié)果噪聲嚴(yán)重、精度低的缺陷，其總體分類精度為80%，Kappa系數(shù)為0.739 7，比傳統(tǒng)分類結(jié)果精度高，比目視解譯效率高。

關(guān)鍵詞：eCognition；面向?qū)ο蠓诸?；高分辨率影像；最大似然法；Kappa系數(shù)

近年來礦山地質(zhì)環(huán)境調(diào)查是以遙感技術(shù)為手段，如何高效地從高分辨率影像中自動提取高精度地理信息已是當(dāng)今遙感分類重點(diǎn)研究的問題。傳統(tǒng)的分類法是基于光譜信息的智能算法（如支持向量機(jī)（Support Vector Machine，SVM）算法[1]等），即使解譯人員可以根據(jù)專業(yè)知識提高分類效果，但也不能解決“同譜異物”和“同物異鋪”問題[2]。針對傳統(tǒng)分類方法存在諸多的局限性，不僅耗時耗力，而且精度低等問題，Baatz等[3]提出了面向?qū)ο蟮姆诸惣夹g(shù)，克服了傳統(tǒng)遙感影像分類方法的不足，能夠在一定程度上提高影像的解譯效率和質(zhì)量。為了使礦山周邊環(huán)境可持續(xù)發(fā)展，面向?qū)ο蟮募夹g(shù)在礦山調(diào)查中的應(yīng)用就顯得格外重要。因此，本文應(yīng)用eC。gniti。n8.9軟件對研究區(qū)進(jìn)行影像分類實(shí)驗研究，為湖南省礦山地質(zhì)環(huán)境調(diào)查提供基礎(chǔ)的地理信息數(shù)據(jù)，在野外調(diào)查中具有一定的指導(dǎo)意義。

1 面向?qū)ο蟮姆诸惣夹g(shù)

面向?qū)ο蟮姆诸惣夹g(shù)是基于目標(biāo)對象的信息提取技術(shù)，以影像分割后的對象作為分類的基礎(chǔ)。目前，基于eCognition平臺下的分割算法有棋盤分割、四叉樹分割、多尺度分割及光譜差異分割。本文選用了常用的多尺度分割技術(shù)。多尺度分割是一個基于像素層的自下而上的分割技術(shù)，從一個像素的對象開始進(jìn)行相鄰像素的區(qū)域歸并或者將小的分割對象歸并到大的分割對象中去。為了達(dá)到最優(yōu)分割效果，必須保證分割對象間的平均異質(zhì)性最小，分割對象內(nèi)部每個像元間同質(zhì)性最大。建立影像對象的層次網(wǎng)絡(luò)，可以在不同的尺度同時表征影像信息，根據(jù)應(yīng)用的需求選擇最優(yōu)的分割對象層作為進(jìn)一步分類的信息源。傳統(tǒng)的最大似然法以概率數(shù)理統(tǒng)計為理論基礎(chǔ)，而面向?qū)ο蟮淖罱彿诸惙ㄊ且苑指畹玫降挠跋駥ο笞鳛榉诸惖幕締卧?，?yōu)選對象的特征如紋理、幾何、層次等，構(gòu)建對象的特征空間，以最小間隔為測度進(jìn)行判別分類。

2 精度評價

分類結(jié)果精度評價有混淆矩陣和工作特征（Receiver Operating Characteristic，ROC）曲線兩種方式。本文采用比較常用的混淆矩陣來評價分類精度，有6種評價因子分別為混淆矩陣、總體分類精度、Kappa系數(shù)、錯分誤差、生產(chǎn)精度和用戶精度?；煜仃囀腔谖恢玫脑u價，因此樣本點(diǎn)的空間分布及選取樣本點(diǎn)個數(shù)都極其重要。

為了使分類精度評價盡可能精準(zhǔn)，樣本點(diǎn)數(shù)量的選定極其重要。Foody[4]認(rèn)為樣本點(diǎn)數(shù)量太多或者太少在一定程度上都會影響分類精度的評價。Tortom等[5]提出過用于混淆矩陣分類結(jié)果精度評價的樣本個數(shù)的計算公式：

n=B/4b2（1）

式中：n為采樣點(diǎn)數(shù)量；B是自由度為1的卡方檢驗（1-P/M）的臨界值，其中P為置信度誤差，M為分類數(shù)；b為置信度誤差。本文解譯5類地物，假設(shè)對置信水平的要求為95%以上，置信度誤差允許范圍5%，在假定的情況下，卡方檢驗下自由度為1的臨界值B=γ2（1，0.99）=6.635，故本次研究至少要664個采樣點(diǎn)。

3 實(shí)驗結(jié)果與分析

3.1 研究區(qū)概況

研究區(qū)為株洲縣堂市鄉(xiāng)某部分區(qū)域。堂市鄉(xiāng)位居湖南省株洲縣的西南部，東邊以湘江為鄰，總占地面積達(dá)77.23 km2。數(shù)據(jù)由湖南省國土資源廳所提供，影像是空間分辨率達(dá)0.2m的1：2 000數(shù)字正射影像，其面積有2 km2。影像的成像時間為2009年11月，數(shù)據(jù)采用的大地基準(zhǔn)是CGCS2000國家大地坐標(biāo)系，高程基準(zhǔn)是1985國家高程基準(zhǔn)，地圖投影是高斯-克呂格投影，3度分帶，中央子午線114°。

3.2 數(shù)據(jù)預(yù)處理

利用面向?qū)ο蟮姆诸惣夹g(shù)對影像進(jìn)行分類，而多尺度分割得到的影像對象層為影像分類奠定基礎(chǔ)，因分割的優(yōu)劣直接影響著分類精度的高低，為了獲取最優(yōu)的分割尺度，使分割后的對象與真實(shí)地物斑塊能夠達(dá)到較好的擬合程度，所以各參數(shù)權(quán)重的合理設(shè)置顯得極其重要。若80作為分割尺度起始值，0.3作為形狀因子權(quán)重及0.5作為緊致度權(quán)重，此后每間隔80取一個尺度參數(shù)，經(jīng)過反復(fù)試驗，最終得出當(dāng)scale parameter=240， shape=0.3， compactness=0.5時，分割效果最佳。以分割后的影像為基礎(chǔ)，利用算法配置特征空間，然后建立樣本集，優(yōu)化特征空間，最后進(jìn)行最鄰近法分類。本文分類用到的特征函數(shù)有平均值、反射率標(biāo)準(zhǔn)差、亮度值、形狀指數(shù)等。此外，在ArcmaplO.2 軟件平臺下對影像進(jìn)行目視解譯，其精度檢驗通過高分辨率影像結(jié)合野外調(diào)查方法來實(shí)現(xiàn)。

3.3 結(jié)果分析

基于eCognition軟件對株洲縣堂市鄉(xiāng)某部分區(qū)域影像進(jìn)行地物提取，提取了耕地、水體、人工表面、林地、園地。將面向?qū)ο蠓诸惤Y(jié)果圖與目視解譯結(jié)果對比，發(fā)現(xiàn)地物的空間分布呈現(xiàn)出高度一致性。此外，傳統(tǒng)分類難以劃分出地類的邊界、紋理、形狀等信息，導(dǎo)致分類結(jié)果粗糙且存在“椒鹽現(xiàn)象”，而自動解譯表面光滑且類別清晰，可以解決傳統(tǒng)分類存在的問題。實(shí)驗記錄目視解譯和自動解譯兩種作業(yè)方式下所消耗的時間分別為10 h和4 h，由此可知，自動解譯工作效率遠(yuǎn)遠(yuǎn)高于人工解譯。采用野外核查修正過的目視解譯結(jié)果作為正確的分類圖層，結(jié)合樣本點(diǎn)，對面向?qū)ο蟮姆诸惣皞鹘y(tǒng)的分類結(jié)果進(jìn)行精度評價。將各類樣本點(diǎn)與分類結(jié)果進(jìn)行連接，然后統(tǒng)計各地類分類正確樣本數(shù)和錯分樣本數(shù)，同時記錄錯分樣本落入相應(yīng)地類的個數(shù)，計算分類總體精度及Kappa系數(shù)，由精度評價混淆矩陣結(jié)果可知，面向?qū)ο蟮淖詣咏庾g總體精度達(dá)到了80%， Kappa系數(shù)為0.739 7，具有高度一致性，整體上能滿足精度需求，而傳統(tǒng)最大似然法的分類結(jié)果總體精度達(dá)到了66.72%，Kappa系數(shù)為0.569 9，只具備中等的一致性，整體上精度偏低。

4 結(jié)語

本研究以目視解譯作為參照基準(zhǔn)，從定性和定量兩個角度，將面向?qū)ο蟮姆诸惻c面向像元的分類結(jié)果進(jìn)行對比分析，在各類面積占比相似的情況下，突出了面向?qū)ο蠓诸惣夹g(shù)在時間上的高效。面向?qū)ο蟮姆诸惥冗h(yuǎn)遠(yuǎn)高于傳統(tǒng)分類精度，各地類輪廓線分明，能更理想地鑒別各類地物，面向?qū)ο蠓诸惣夹g(shù)突破了僅基于光譜信息傳統(tǒng)分類的局限性，可為湖南省礦山地質(zhì)環(huán)境調(diào)查提供技術(shù)支撐和精準(zhǔn)的基礎(chǔ)數(shù)據(jù)，同時可以降低野外調(diào)查成本，大幅提高工作效率。

[參考文獻(xiàn)]

[1]鄧曾，李丹，柯櫻海，等.基于改進(jìn)SVM算法的高分辨率遙感影像分類[J].國土資源遙感，2016（3）：12-18.

[2]顏梅春.高分辨率影像的植被分類方法對比研究[J].遙感學(xué)報，2007（2）：235-240.

[3]BAATZ M， SCHAPE A.An optimization approach for high quality multi-scale image segmentation [JJ.Beitrage Zum Agit-symposium，2000（12）：12-23.

[4]FOODY G M.Sample size determination for im- age classification accuracy assessment and comparison [J].International Journal ofRemote Sensing， 2009（20）：5273-5291.

[5]TORTORA R D.A note on sample size estimation f-or multinomial populations [J].American Statistician， 1978（3）：100-102.