面向對象的高分一號衛星影像大棚信息提取研究

王雪英 郭衛華

摘要：為能夠快速獲得研究區域農業大棚空間信息，選擇高分一號2 m全色/8 m多光譜影像為數據源，在地類光譜曲線的研究基礎上，計算研究區域不同地類要素的形狀指數，利用面向對象法對農業大棚的地理信息進行了提取，并對提取結果進行了精度驗證與分析。結果表明，面向對象法提取農業大棚地理信息的精度達到87.6%，能夠滿足土地調查、規劃等需求。

關鍵詞：農業大棚;高分一號衛星;光譜曲線;面向對象法

中圖分類號：P217 ? ? ? ? 文獻標識碼：A

文章編號：0439-8114（2019）24-0217-04

DOI：10.14088/j.cnki.issn0439-8114.2019.24.053 ? ? ? ? ? 開放科學（資源服務）標識碼（OSID）：

Greenhouse information extraction of GF-1 satellite

imagery with object-oriented method

WANG Xue-ying1，GUO Wei-hua2

（1.Shanxi Institute of Energy，Taiyuan 030600，China;2.Shanxi Jinou Land Mineral Consulting Service Co.，Ltd.，Taiyuan 030009，China）

Abstract： The high score No.1 2 m full color/8 m multispectral image was selected as the data source， based on the study of the spectral curve of the study area， calculate the different land elements in the study area. The shape index was extracted by using the object-oriented method to extract the geographic information of the agricultural greenhouse， and the accuracy of the extraction result was verified and analyzed. The results showed that the accuracy of object-oriented extraction of geographic information in agricultural greenhouses reached 87.6%， which can meet the needs of land survey and planning.

Key words： agricultural greenhouse; high score satellite No.1; spectral curve; object-oriented

隨著遙感影像空間分辨率、時間分辨率和波譜分辨率的不斷提高，利用遙感影像數據能夠獲得更高精度的空間信息[1]。目前，遙感影像分類的方法主要分為基于像元與面向對象兩大類。基于像元的分類方法由于只是利用像元的光譜信息，容易出現“椒鹽效應”，面向對象的分類方法充分利用了對象的光譜、形狀和紋理信息[2]。因此，在基于高分辨率或高光譜影像數據的土地覆蓋類型分類研究中，面向對象分類過程能夠比基于像元分類過程獲得更加準確的土地覆蓋類型信息[3]。部分學者在利用面向對象法提取地類信息方面做了大量的研究，江東等[4]對基于面向對象的遙感影像分類進行了研究，曹應舉等[5]采用面向對象和決策樹相結合的方法對密云縣土地利用類型遙感分類方法進行了研究，易鳳佳等[6]針對南方丘陵地區水田特性，利用面向對象法對丘陵地區水田遙感識別方法進行了研究。

隨著國民經濟的發展和人民生活水平的提高，中國蔬菜產業發展迅速，菜地面積不斷增加。由于南北方自然條件的差異，南方地區主要以露天菜地為主，北方地區大棚蔬菜發展迅速，已成為蔬菜產業的主體，顯示了良好的發展前景。如何快速獲取大棚的空間信息，對土地利用和規劃具有重要意義，李靜等[7]、李黔湘等[8]、黃振國等[9]、王志盼等[10]對基于遙感影像提取大棚信息的方法進行了研究。隨著遙感影像分辨率不斷提高，結合大棚在遙感影像上所具有的光譜和形狀特征，本研究基于高分一號衛星影像，利用面向對象法對大棚信息的提取進行了研究。

1 ?研究數據及影像預處理

1.1 ?研究區域概況

選擇山西省臨汾市曲沃縣為研究區域，曲沃縣位于山西省中南部，其中丘陵區和平川區占據了大面積區域，均屬于暖溫帶大陸性氣候，日照豐富，季風強盛，四季風明，為山西省光熱資源豐富、雨量偏多、無霜凍期較長的地區之一。曲沃縣境內有澮河水庫，圍繞水庫分布有大量田園。為提高農民收入，研究區大力推動大棚種植蔬菜[11]。圖1為研究區遙感影像圖，影像圖為高分一號衛星多光譜和全色波段組合后影像。

1.2 ?數據來源

高分一號衛星是中國高分辨率對地觀測系統國家科技重大專項的首發星，配置了2臺2 m分辨率全色/8 m分辨率多光譜相機，4臺16 m分辨率多光譜寬幅相機，全色多光譜（P/MS）相機和高分辨率全色（HR）相機[12]。本研究選擇的遙感影像為高分一號（GF-1）衛星遙感影像，其全色波段分辨率為2 m，多光譜波段分辨率為8 m，影像獲取時間為2013年3月14日，數據級別為傳感器校正級，數據云量為0，無噪聲條帶，色彩正常，無偏色情況存在。相關參數如表1。

2 ?數據選取與預處理

本研究選擇的影像是高分一號衛星2 m全色和8 m多光譜數據，多光譜數據具有4個波段，其中波段3/2/1組合為自然色，波段4/3/2組合為標準假彩色。在ArcMap 10.1軟件中同時打開研究區域多光譜與全色影像，發現兩者在空間位置上存在錯位現象，利用ENVI5.3軟件Geometric Correction功能模塊的Registration工具進行影像配準，選擇全色波段為基準影像，多光譜數據為待配準影像，通過選擇配準點，查看配準點殘差，刪除或調整殘差值大的配準點，最終將殘差控制在0.5個像元內。配準后的多光譜影像需要重采樣，重采樣后的空間分辨率選擇與全色波段數據相同為2 m，重采樣方法為二次樣條函數法，并利用Gram-Schmidt Pan Sharpening融合法對進行影像配準和重采樣后的多光譜與全色波段數據進行融合。

3 ?信息提取

3.1 ?圖像分割

面向對象的地物信息分類提取方法，是將一個影像對象作為一個研究對象，并從影像的空間、紋理結構、光譜等綜合信息出發對該影像對象進行歸屬判定，即對象分類。本研究利用面向對象法，結合融合后影像的光譜特征，紋理特征和空間信息等屬性對融合影像進行大棚信息的提取。其中影像分割的結果是信息提取精度的直接影響要素，影像分割的核心思想是依據尺度大小，將其分成若干個特定的、具有獨特性質區域的技術和過程。多尺度圖像分割算法（Multiscale segmentation）是基于異質性最小原則的區域合并分割算法。影像分割是保證分類精度的前提，分割尺度大意味著更多的像元被合并，單個對象面積變大容易造成地類之間的相互混淆，分割尺度太小會造成地類過于細碎[13]。

本研究中影像分割的尺度從0到90，10為初始尺度，步長為10，共計9個尺度，通過人工判斷不同地類在不同分割尺度上的過分割及欠分割情況。

3.1 ?波譜間關系分析

為了能夠更好地提取研究區的地類信息，要對研究區地類在不同波段上的特征進行統計與分析，通過目視判讀方法，分別對水體1（深水區）、水體2（淺水區）、耕地、大棚、荒草地、道路1（硬化）、道路2（未硬化）、居民地進行了取樣。通過統計各地類的灰度均值（表3），從而得到相應的地物光譜特征曲線（圖1）。

由圖2可以看出，大棚在band1、band2、band3、band4波段的亮度值均高于其他地類，但區分度不大，可以通過波段間運算增加大棚與未硬化道路之間的亮度均值差。通過比對發現，大棚與未硬化道路亮度值在band1和band4波段得差值要大于band2和band3。將band1和band4波段進行加運算，并繪制亮度均值曲線圖進行比對。

在對band1和band4進行加運算后，由圖3可以看出，大棚亮度均值最高，緊隨其后的是未硬化道路，兩者相差近100。

3.2 ?規則建立

1）光譜規則。不同地類在遙感影像數據上體現出不同的光譜特征，在面向對象的規則創建分類方法中可以考慮光譜特征這一因素，通過波段加運算可以提高大棚與其他地類信息的區分，用于提取大棚信息的亮度值可以設定為650

2）高程規則。為了便于建造和管理大棚，大棚被修建于靠近村莊的平川地區，平川地區地勢平坦易于修建大棚，靠近村莊則有利于村民對大棚進行日常管理。通過研究區的數字高程模型和坡度數據，獲知研究區大棚所在區域的高程值不小于490 m，同時坡度小于3°。

3）紋理規則。紋理是表達地物信息的一個重要方式，是對影像各像元之間空間分布的一種描述，反映地物灰度的空間變化，一般理解為影像灰度在空間上的變化和重復，或圖像中反復出現的局部模式及其排列規則。紋理規則可以較好地解決同譜異物和同物異譜現象，因而可以與其他分類方法結合使用，以提高識別精度。本研究選擇同質性（Homogeneity）紋理指數，其中，同質性紋理指數能夠反映不同地類類型間的紋理差異程度。設定同質性紋理指數大于0.05且小于0.35的閾值范圍作為大棚提取的紋理規則。

3.3 ?面向對象信息提取

本研究在對影像區進行預處理和各種輔助信息融合的基礎上，使用Feature Extraction模塊對影像進行分割，基于分割對象的高程、光譜信息和紋理創建了適合研究區的大棚提取規則，最終大棚信息提取結果見圖4。

4 ?精度驗證

設置好分割尺度參數、提取規則后，運行Feature Extraction 模塊，獲得研究區域大棚信息。通過將多光譜影像與全色波段數據進行融合，基于融合影像進行人機交互解譯獲得大棚信息，用于對基于面向對象法獲取的大棚進行精度驗證，分別從選擇300個驗證點對大棚信息進行點位精度的驗證，同時對提取結果的邊界吻合度進行驗證，其中邊界最大偏離小于1個像元以內為正確，大于1個像元為錯誤。人機交互解譯出的大棚圖斑為300個，驗證精度見表4。

5 ?結論

本研究旨在基于高分一號衛星遙感影像利用面向對象法對研究區域大棚的空間信息進行提取研究，通過對研究區不同地類信息在遙感影像不同波段上的波譜特征進行分析，結合研究區數字高程模型和坡度數據，分別創建光譜規則、高程規則和紋理規則，用于利用面向對象法提取研究區域大棚信息?；诿嫦驅ο蠓ǎㄟ^引入能反映大棚特征的光譜規則、高程規則和紋理規則，大棚信息提取結果的驗證點精度達到87.6%，邊界擬合度精度達到79.0%，能夠滿足日常使用要求，而且通過不斷引入新的輔助規則，可以再次提高大棚信息的提取精度，同時，對于結合目的地物的光譜、紋理、形狀、面積等特征進行信息提取也具有一定的借鑒意義。

參考文獻：

[1] 趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003. 222-241.

[2] 吳文歡，于 ?宏，趙英俊，等.基于面向對象的高分辨率遙感影像目標信息提取[J].世界核地質科學，2016，33（2）：91-95.

[3] 劉 ?揚，付征葉，鄭逢斌.高分辨率遙感影像目標分類與識別研究進展[J].地球信息科學學報，2015，17（9）：1080-1091.

[4] 江 ?東，陳 ?帥，丁方宇，等.基于面向對象的遙感影像分類研究[J].遙感技術與應用，2018，33（1）：143-150.

[5] 曹應舉，張永彬，郭力娜，等.面向對象的密云縣土地利用類型遙感分類方法[J].華北理工大學學報（自然科學版），2018，40（3）：19-25.

[6] 易鳳佳，李仁東，常變蓉，等.面向對象的丘陵區水田遙感識別方法[J].農業工程學報，2015，31（11）：186-193.

[7] 李 ?靜，趙庚星，李 ?濤，等.TM影像中大棚菜地信息提取技術研究[J].水土保持學報，2004，18（1）：126-129.

[8] 黃振國，陳仲新，劉芳清，等.基于HJ-1影像的大棚菜地遙感監測技術研究[J].中國農業資源與區劃，2013，34（5）：102-106.

[9] 李黔湘.基于高分遙感數據的農業大棚面積提取與分析[J].北京水務，2016（6）：14-17.

[10] 王志盼，張清凌，錢 ?靜，等.基于增強型水體指數的大棚遙感檢測研究[J].集成技術，2017，6（2）：11-25.

[11] 曲沃簡介[EB/OL].http：//www.quwo.gov.cn/contents/90/227.html.

[12] 衛星資源-高分一號[EB/OL].http：//www.cresda.com/CN/Satellite/3076.shtml.

[13] 張學儒，劉林山，張鐿鋰，等.基于ENVI ZOOM面向對象的高海拔灌叢植被提取[J].地理與地理信息科學，2010，26（4）：104-108.