基于eCognition和Google earth影像的土地利用分類

王歡歡

摘要：傳統的土地利用分類和信息提取主要是基于中低分辨率遙感圖像的，本文研究基于易于獲得的高分辨率的Google earth（GE）影像，利用面向對象的易康（eCognition）軟件進行土地利用分類。本文利用面向對象的思想，對沒有近紅外波段的GE遙感影像進行監督分類和基于隸屬度函數的非監督分類得到試驗區的土地利用圖。

關鍵詞：面向對象；多尺度分割；光譜差異分割；監督分類；隸屬函數法

中圖分類號：TP751；U674.70 文獻標識碼：A 文章編號：1007-9416（2018）08-0209-03

1 引言

易康（eCognition）系列軟件作為面向對象影像分析技術的專業軟件，與傳統的遙感軟件ERDAS、ENVI、PCI等有明顯的不同，雖然ERDAS和ENVI里也有相應的面向對象分類模塊，但其對高分辨率影像的信息提取效果，及高分辨率影像涉及的各個行業的應用范圍無法與易康軟件相比。易康軟件的面向對象方法包括影像分割和分類提取兩部分[1]。“分割”是面向對象分類的基本前提，是指依據某種同質性或者異質性標準，將影像劃分成很多小塊對象的過程，常用的面向對象的分割方法有多尺度分割和光譜差異分割。江華使用多尺度分割進行福州瑯岐島土地利用分類[1]；陳韜亦等人結合使用多尺度分割與光譜差異分割進行光學遙感圖像分類，以檢測艦船目標[2]。本文考慮的是多尺度分割與光譜差異分割在土地利用分類上的結合應用。而“分類”是指依據小塊對象的形狀、顏色、紋理、空間關系、隸屬關系等屬性來識別所屬類別的過程，常用的面向對象的分類方法有隸屬度函數分類法和監督分類法。分割是分類的基礎，分割效果的好壞直接關系到分類的精度。本文以重慶市九龍坡區部分城區為例，利用面向對象技術，對沒有近紅外的GE遙感影像進行土地利用分類研究，得到重慶九龍坡區某片城市地區的土地利用圖。

2 研究區域與數據源

選擇重慶市九龍坡區部分城區，經緯度范圍為106.53°～ 106.55°E和29.47°～29.49°N作為研究區。通過91衛圖軟件下載，選取該研究區2014年的GE影像作為實驗數據，其影像大小是9472*7168像素，空間分辨率為1m，共有三個波段層：紅、綠、藍3個波段。在本實驗的研究區域內，地物種類多樣，主要的地物類型包括水體、建筑物、道路、植被、裸地。研究區域如圖1所示。

3 研究方法

3.1 技術路線

根據eCognition軟件進行容易獲取的高分辨率影像分類的技術路線如下：輸入待分類的影像，整個實驗的第一步是分割，依次利用“多尺度分割法”、“光譜差異分割法”對影像進行最適合尺度的分割，將影像劃分為多個對象，然后根據各地物的識別特征信息（光譜、幾何、紋理、拓撲等）進行隸屬度函數分類并結合最鄰近分類的監督分類法，將5類地物識別出來。技術路線如圖2。

3.2 面向對象分類方法

3.2.1 多尺度分割和光譜差異分割

多尺度分割是在不同的尺度下，根據光譜相似度和形狀因子對影像進行自底向上的聚類，形成該尺度范圍內同質影像對象[3]。尺度是一個抽象概念，無具體意義。但是宏觀上講：分割尺度越大，影像對象越大。多尺度分割通過合并相鄰的像素或小的分割對象，在保證對象與對象之間平均異質性最小、對象內部像元之間同質性最大的前提下，基于區域合并技術實現影像分割。由于本實驗研究區域的地物類型多樣且錯綜復雜，故采用多尺度分割從大類到小類逐級細分方式。

光譜差異分割可以用來合并前一步分割產生的有相似光譜的圖像對象，從而改進現有的分割結果[2]。如果相鄰對象的平均灰度差低于設定的最大光譜差，那么光譜差異分割就會合并相鄰的圖像對象[2]。本文使用多尺度分割方法進行像素級的圖像分割，然后利用光譜差異分割對具有相似光譜的相鄰對象進行合并。

3.2.2 基于特征規則的隸屬度函數分類

隸屬度分類構建的是模糊規則。選擇類別提取所要使用的某一特征時，即以隸屬度函數的形式來建立規則，隸屬度函數使用模糊邏輯將特征值與隸屬度值的關系定義為一個類。軟件自帶的特征有如mean，紋理，形狀等，也可以使用自定義特征，通常用到光譜指數。多種規則組建規則集，根據已有的規則集和原始影像，將影像分類的過程，按照規則集中的每一條規則執行一遍，即可完成信息提取。

3.2.3 最近鄰分類

最近鄰分類是一種監督分類方法，即根據采樣訓練和樣本的特征利用最近距離法進行分類。首先根據采樣工具選擇目視解譯判斷出來的某種地物的相對應的對象作為該地物類型的樣本。樣例編輯過程要判斷是否樣例包括新的信息來形容所選中的類，是否錯分為另一個類，是否它是一個需要從其他類來區別選則。對待分類的所有地物類型進行采樣后，定義特征空間，特征空間一個特征在空間上的結合是用于計算隸屬度值的，選擇多個需要使用的特征如mean和標準偏差特征將其定義到特征空間中，并應用特征空間到待分類的地物類型。最后，根據特征空間進行分類。

3.3 實驗方法及結果

首先是分割方法，對于多尺度分割，其結果形成的影像對象大小不一，斑塊破碎，按尺度從上到下進行分割，設置不同的尺度參數，根據待分類的地物類型判斷，尺度為30最適宜得到level1。光譜差異分割的分割方式是自上而下的。基于level1進行光譜差異分割，其實質是對level1中的影像對象的合并。在光譜相似區就會形成較大的對象，而光譜差異大的區域形成破碎的對象。此分割后形成level2，基于level2的分類能得到較好結果。這在分類過程中，合并同質對象，減少了對象個數，既提高了運算速度，也提高了分類精度。

然后是分類方法，其中基于確定規則分類：

植被提取通常用NDVI，對于只有RGB三個波段影像，自定義特征VI'，公式如下：

VI'=（2*G'-R'-B'）-（1.4*R'-G'），其中G'=G/（R+G+B），R'=R/（R+G+B），B'=B/（R+G+B） （1）

確定植被的自定義特征VI'值的取值范圍，據此建立提取植被的規則。具體步驟為大致估計植被的自定義特征VI'的取值范圍，該方法是在分割處理后的影像中選擇部分植被對象，用eCognition中的查看范圍特征值的功能查看它們對應的VI'值，其最大值和最小值可以作為判斷植被的初始的閾值范圍。實驗中這些植被對象的VI'的取值范圍為0.132-0.05。分割后，按照自定義特征的隸屬度提取植被，得到的結果（綠色表示植被）對比原始影像，可以看出吻合度非常高，只有很少部分的錯分和極少漏分，效果見圖3。

然后，根據隸屬度函數分類法，建立水體提取的規則：亮度特征數值范圍為51-53，根據水體隸屬度曲線，設置區間型的分類規則，隸屬度函數曲線見圖4。

最后，利用最近鄰分類方法對水體、道路、建筑物、裸地進行分類提取。首先對不同地物進行采樣，保證樣本在整個圖幅上各個區域分布均勻，樣例數量盡可能多，一種地物的樣例保證與其他地物的在特征空間上具有較高的區分度。分類結果表明大部分對象的類別判斷準確度較高，道路部分可能有些破碎，是由于建筑物和道路RGB波段光譜特別相近，難區分；水體部分由于船只的影響部分小對象被錯分；建筑物包括了其陰影部分，未進行詳細區分；裸地極少部分被錯分為水體，也是缺少近紅外造成的，但總體分類結果準確度高，最后的土地利用分類圖的效果見圖5。

4 結語

光譜差異分割合并了同質對象，減少了對象個數，既提高了運算速度，也提高了分類精度。eCognition軟件中“對象特征（Feature）”即參與分類的分割對象的屬性，在進行基于像素分類時，我們常用的是光譜特征，在利用該軟件進行面向對象分類時，可以利用光譜、形狀、紋理、空間關系、上下文關系、自定義、時序規律等特征。

對于只有RGB的影像分類需要不斷嘗試不同的對象特征，甚至利用自定義特征進行分類，設定閾值時需要多比較找準最大最小值，這樣才能得到較好的分類效果。監督分類采樣時需要選擇具有代表性的樣例，使得能不同類別的地物在特征空間上基本完全離散分布，不同類別之間重疊特征區域極少。

參考文獻

[1]江華.基于eCognition面向對象技術的高分辨率遙感影像土地利用分類——以福州瑯岐島為例[J].海峽科學，2014，（8）：12-17.

[2]陳韜亦，陳金勇，趙和鵬.基于Ecogniton的光學遙感圖像艦船目標檢測[J].無線電工程，2013，43（11）：11-13.

[3]胡瓊，張建，徐保東，等.GoogleEarth影像與同源QuickBird影像在市土地利用分類上的對比研究[J].華東師范大學學報，2013：287-291.

[4]郭小英.基于GE影像的鄉鎮土地利用分類方法的研究[D].陜西楊凌：西北農林科技大學，2010：10-30.

[5]郝容，屈鴻鈞，文學虎.eCognition（易康）軟件在地理國情普查地表覆蓋解譯中的應用[J].測繪通報，2014：134-135.

[6]史燕茹，張銀玲.基于GoogleEarth影像的唐山市土地利用規劃分析[J].技術與市場，2012：367-368.

[7]胡銀根，吳沖龍.目前我國土地利用規劃決策新趨勢[J].特區經濟，2008，（5）：36-38.

[8]蔣國才.截拼谷歌地球影像圖[J].貴州地質，2010，27（4）：5-9.

[9]李秦，高錫章，張濤，等.最優分割尺度下的多層次遙感地物分類實驗分析[J].地球信息科學學報，2011，13（3）：410-417.