Landsat 8多光譜數據輔助下的高分影像多尺度分割

劉金麗，陳 釗

(北京林業大學信息學院，北京 100083)

林分樹種組成及優勢樹種(組)信息是森林資源調查的重要內容，為森林經營管理提供著重要的數據支撐[1-2]。我國森林面積大，且地區分布不均，野外調查耗費大量的人力、物力和財力。遙感技術憑借其探測范圍大、獲取資料速度快周期短、受地面條件限制少等，目前在森林資源調查、遙感影像樹種分類中得到了廣泛的應用[3-4]。隨著搭載在衛星上的傳感器分辨率的提升，高分影像的解譯成為研究的主流趨勢。隨著分辨率的顯著提高，高分影像上地物的色彩、紋理和幾何結構信息更加清晰。混合像元減少，純凈像元增多，對象化特征更為明顯，但同時數據量也有了顯著增加，對軟硬件的運行條件有了更高的要求[5-6]。利用高分辨率遙感影像宏觀、高效的優勢提高調查成果的時效性和精細程度，探索適合高分辨率遙感影像特點的信息提取模式和方法，對國產高分數據行業應用、滿足業務和信息需求，具有非常重要的學術價值和現實意義[7-8]。

近年來，面向對象分類成為遙感影像分類的主流方法，分類對象也從傳統的像素轉化為具備光譜、形狀、紋理、上下文、空間關系等豐富特征的對象。已有研究表明，面向對象的分類方法在樹種類型信息提取中顯示出巨大潛力[9]。面向對象分類時，對遙感影像進行適宜尺度的分割并根據分割結果創建對象是首要面臨的問題[6]。通過分割，研究人員可以把一幅影像中光譜信息或紋理信息差異較大的鄰近區域分開，進而得到內部同質性較高的對象集[10]。分割的最小對象是一個像元，隨著衛星傳感器分辨率的提升，像元單位隨之減小，導致分割所得對象邊緣鋸齒明顯，不僅影響基于形狀特征的尺度評價結果，還會給后期整飾出圖造成一定的困難。

為探究分割參數的有效確定方法及減小對象鋸齒現象，本文以高分二號遙感影像為主要數據源，開展了Landsat 8多光譜數據輔助下的高分影像分割研究。

1 研究區概況與數據

1.1 研究區概況

本文研究選取黑龍江省伊春市樺皮羌子林場為研究區，地理坐標為47°53′—48°03′N，129°24′—129°33′E，總面積約為11 854 hm2，如圖1所示。地勢東北高，西南低，山巒蜿蜒起伏，縱橫交錯，局部為丘陵。境內平均海拔500 m，平均坡度在10～15°之間，局部最大坡度在40°左右，高山寬谷地區呈凹形，谷地寬溝頭窄，坡度1～3°。該林場地處北溫帶，屬大陸濕潤季風氣候。四季氣溫差異較大，冷暖多變。研究區內林分類型以闊葉混交林和針闊混交林為主，樹種類型豐富，主要有白樺、冷杉、楓樺、云杉、蒙古櫟、紫椴、落葉松等。

1.2 數據

1.2.1 GF-2影像

高分二號(GF-2)衛星是國家高分辨率對地觀測系統重大專項首批啟動研制的衛星，突破了亞米級高分辨率大幅寬成像等關鍵技術，打破我國高分辨率對地觀測數據依賴進口的被動局面[11]。

本文研究采用了2016年8月20日獲取的GF-2相對輻射校正產品(圖1)，影像包含4個多光譜波段和一個全色波段，波段及分辨率見表1。

表1 GF-2影像波段信息

1.2.2 Landsat 8/OLI影像

Landsat 8衛星由美國航空航天局在2013年2月11日發射升空，其上攜帶2個傳感器，分別為OLI陸地成像儀(operational land imager)和TIRS熱紅外傳感器(thermal infrared sensor)。Landsat 8衛星影像具有空間分辨率不高，單幅覆蓋面積大、獲取時間集中和不同波段合成對地物有不同增強的效果等特性[12-13]。

本文采用2017年6月23日獲取的Landsat 8/OLI夏季數據，影像包含8個多光譜波段和1個全色波段，波段及分辨率見表2。

表2 Landsat 8影像波段信息

2 研究方法

面向對象影像分割包括3個過程：①影像預處理；②確定同質性準則組合參數；③確定尺度分割參數進行分割。為了對比有無Landsat 8多光譜數據輔助對GF-2分割結果的影響，本文采用兩種分割方案：①單獨使用GF-2影像分割；②GF-2和Landsat 8影像協同分割。分別尋找適用于兩種分割方案的多尺度分割算法參數。對不同分割方案采用同樣的評價方法進行分割結果評價，技術路線如圖2所示。

2.1 遙感影像預處理

基于ENVI 5.4軟件平臺對GF-2多光譜/全色數據和Landsat 8進行預處理。在完成輻射定標、大氣校正、正射校正后，采用Gram-Schmidt Pan Sharpening算法對GF-2的4 m分辨率多光譜數據和1 m分辨率全色數據進行融合，采用NNDiffuse Pan Sharpening算法對Landsat 8的30 m分辨率多光譜數據和15 m分辨率全色數據進行融合。最后基于二類調查小班矢量對兩景影像進行了仿射變換校正，均方根誤差(root mean square error，RMS)分別為0.417 m和5.326 m，滿足了校正要求。

2.2 面向對象分割

多尺度分割(multiresolution segmentation，MRS)是eCognition中內嵌的分割方法，該算法適用于提取空間特征不一的圖像對象[14]。MRS算法的分割原理是，以單個像素為起始對象自下而上地進行合并，根據對象內同質性、對象間異質性對影像分割對象進行充分的優化，實現同一影像中不同尺度下的像素聚合。對于給定的任何影像，該算法可以根據應用目的對像素進行靈活的抽象和組合成形。

2.2.1 同質性準則組合參數

在MRS算法所需要的參數中，對分割結果影響較為顯著的是同質性準則組合參數和尺度參數[15]。在以往的研究中，有的是遍歷式尋找最優組合參數或采用默認的參數組合進行分割，但經本文試驗證明，默認參數并不理想，為尋求一組最優分割參數組合，有必要開展逐步試驗，分階段確定多尺度分割算法所用參數。

試驗證明，在執行MRS算法時不同參數組合對分割結果的影響差異明顯。試驗將分割尺度設為200，分Ⅰ和Ⅱ兩個階段采取固定單一參數因子法來依次選取相對最佳的同質性準則組合參數。GF-2分割結果如圖3所示，I階段的試驗結果表明，當形狀因子為0.5、緊致度因子分別為0.1、0.5、0.7、0.9時，分割所得對象有的過于破碎，有的分割不足。相比于以上結果，緊致度因子為0.3時的分割結果更好一些，分割結果如圖所示。在Ⅱ階段實驗中，將緊致度因子設為0.3，取不同的形狀因子繼續開展分割。Ⅱ階段的試驗結果表明，當緊致度因子為0.3、形狀因子分別為0.1、0.3、0.7、0.9時，分割所得對象過于破碎或分割不足的現象同樣存在。因此本文最終取形狀因子為0.5、緊致度因子為0.3作為GF-2影像的同質性準則參數組合，使不同樹種邊緣分割清晰，對象內部同質性高，錯分割的情況相對最少。

2.2.2 多尺度分割

本文研究為探討Landsat 8對GF-2分割的影響，需確定分割尺度開展試驗。一般來說，尺度的選擇是為了更好的分割結果，因此本文采用ESP2工具確定一定范圍內的最優分割尺度。

ESP2(estimating the scale parameter 2，ESP2)文獻[16]在2014年開發出來的用于評價不同尺度影像分割結果整體最大異質性的工具。該工具利用影像分割結果整體局部方差均值隨分割尺度的變化率來評估與影像地物屬性相對應的最優尺度參數，并將變化率曲線的峰值作為影像對象整體最大異質性的直觀反映。由于影像的豐富性，ESP2計算得到的最優分割尺度往往是多個值[17]。ROC計算方法為

(1)

式中，L代表尺度為L時的分割結果中所有對象LV均值；L-1代表尺度為L-1分割結果中所有對象的LV均值。在計算ROC后繪制ROC隨尺度L的變化曲線，曲線中的峰值說明了依賴于某類地物對象特征的影像可以在該尺度上進行最合適的分割。

2.3 分割結果評價

不同尺度下的分割結果各有差異，為以一個定量的標準去評價分割結果，諸多學者開展了評價方法的研究[15-16]。分割結果的好壞，主要體現在分割對象與實際地物斑塊在形狀、面積等幾何特征上的差異，因此本文采用了矢量距離指數作為一種評價指標。除此之外，eCognition還提供了緊密度指數和形狀指數兩個評價指標用于定量表示分割所得多邊形在邊緣與面積上的特征。緊密度指數和形狀指數均屬于對象特征集中的空間屬性，是根據圖像分割與合并結果產生的對象(多邊形)計算得到的。

2.3.1 矢量距離指數

矢量距離指數是基于對象匹配法，對比影像分割對象和實際地物邊界吻合度的一種分割尺度評價方法[14]。該指數將分割后影像對象的邊界定義為分割邊線，將分割目標對象的實際地物邊界定義為參考多邊形，通過計算分割邊線和參考多邊形橫、縱兩方向距離來對分割結果進行定量評價，其計算公式如下

(2)

式中，D為矢量距離指數；Hdi為第i條橫向距離線長度；Vdj為第j條縱向距離線長度；n1為橫向距離線總數；n2為縱向距離線總數。D的值越小，表明分割邊線和參考多邊形兩方向上的總距離差異越小，分割質量越高。

2.3.2 緊密度指數

緊密度特征描述了對象的緊密性，與基于多邊形長度的邊界指數類似，只不過緊密度是基于面積來計算的。然而，圖像對象越緊致，它的邊界長度就越小。緊密度是根據對象長度和寬度的乘積除以像素個數計算得出的，其計算公式為

(3)

式中，C是緊密度指數；lv是圖像對象V的長度；wv是圖像對象V的寬度；#Pv是圖像對象中包含像素的總數。lv和wv與對象V的關系如圖4所示。

2.3.3 形狀指數

形狀指數描述了對象邊界的光滑度，對象邊界越光滑，其形狀指數越小。它是通過計算圖像對象的邊界長度除以面積平方根的4倍得出的，其計算公式為

(4)

式中，S是形狀因子；bv是圖像對象V的邊界長度；#Pv是圖像對象中包含像素的總數；bv與對象V的關系如圖4所示。

3 結果與分析

3.1 評價樣本

根據矢量距離指數法評價法原理，需要參考多邊形作為對比計算要素，其勾繪應符合單一樹種斑塊在影像上的實際分布。郁閉度較大的林分中，樹木生長旺盛，反映在影像上是均勻、密集的顆粒紋理，分割對象應完整、邊緣光滑。郁閉度較小的林分，在影像上將會看到明顯的林隙，分割對象會因大大小小的林隙而變得破碎、 邊緣曲折不齊。本文研究根據各個郁閉度值對應的小斑所占面積比，在GF-2遙感影像上依據分層抽樣原理勾畫了210個單樹種參考多邊形。緊密度指數和形狀指數為參考多邊形對應的分割多邊形的指數平均值。

3.2 評價對象

基于上文的最佳同質性準則參數組合，本文研究在50～500的尺度參數值范圍內開展以25為單位步長遞增的多尺度分割試驗，以確定ESP2工具的尺度計算范圍。試驗結果顯示，當尺度參數在100以下時，所得對象極為破碎，破壞了森林樹種組成的生長結構。尺度參數在400以上時，不能有效分割林分。因此本文選取了100～400之間的分割尺度，使用ESP2工具生成了ROC曲線如圖5所示。

研究區內樹種類型十分豐富，影像上呈現出的地物類別層次較為復雜。相應地，反映在ROC曲線上的變化也更具有挑戰性。這里，本文選出了較為明顯的11處峰值，對應的尺度分別是116、132、144、200、243、259、281、305、323、335、383。

3.3 評價結果

在ESP2工具所得尺度上，GF-2影像單獨分割與兩數據協同分割的矢量距離指數、緊密度指數、形狀指數均有明顯差異，且三值明顯低于GF-2影像單獨分割，見表3。Landsat 8數據輔助下的高分影像分割可以降低對象邊緣鋸齒性，在一定程度上優化分割結果。GF-2遙感影像分割在尺度參數259上的矢量距離指數最低(D=23 786)，GF-2與Landsat 8協同分割在尺度參數243上矢量距離指數最低(D=22 097)。

表3 分割結果評價

為探究Landsat 8參與分割對各指數值的影響程度，本文計算了兩數據共同分割下的各指數值相對差異占GF-2單獨分割各指數值的比例，結果如圖6所示。結果表明，D值的影響差異范圍在3.10～14.93%之間，C值的影響差異范圍在21.67～40.23%之間，S值的影響差異范圍在5.99～21.97%之間，在11個尺度上的提升均值分別為8.05%、28.40%、11.76%。

4 結 語

本文研究以黑龍江省伊春市樺皮羌子林場為研究區，設計試驗探究了有無Landsat 8多光譜數據輔助下的GF-2影像分割結果，并計算了兩種分割方案的評價指數差異度。結果表明，在試驗的所有尺度上，Landsat 8輔助下的分割結果各指數都優于GF-2單獨分割，這為高分影像的分割優化提供了很有價值的思路。另外，分割所受影響因素較多，為了讓后期對象特征提取的精度更高，下一步的研究計劃是開展因素更為全面、參數組合更為豐富的試驗。

我國的高分專項工程已實施近8年之久，獲取的數據十分寶貴。開展高分專項所得數據的應用研究，不僅是未來研究的應有方向，更是國內遙感影像解譯事業發展的必經之路。另外，在知識與數據資源充分共享的當下，研究人員也應充分利用所有可得的數據，探究更為科學、有效的研究方案。