基于規則面向對象的遙感影像分類方法在信息提取中的應用

楊維超

（安徽省地球物理地球化學勘查技術院，安徽 合肥 230000）

近年來，建筑施工面積不斷擴大，可開發區域的數量也在不斷增加，對施工周圍用地進行科學規劃至關重要。遙感技術為地質區域規劃提供有效的方法，以往基于像元的監督、非監督遙感分類方法雖然比較成熟，但是存在分類精度低，一般只針對5m以下的中低空間分辨率的影像，基于像元的分類方法忽略了影像所包含的紋理、空間信息，隨著高空間分辨率的遙感影像越來越多，基于面向對象的分類方法研究越來越多，與傳統面向像元分類方法相比，面向對象的分類方法能充分利用影像的光譜、紋理、以及包含空間語義信息的幾何特征，提高了分類精度以及地物的可分性[1]。

高清衛星遙感成像技術的快速發展，為各行業管理發展提供了海量多源數據。為更好地服務于發展管理各個方面，基于高分辨率遙感影像的高自動化判讀和特征地物信息提取已成為需迫切解決的應用瓶頸[2]。本文以GEOEYE-1影像為例，在ENVI平臺上，使用FX模塊中的Rule based feature extraction workflow工具進行不同尺度分割、合并試驗，選取最佳分割、合并尺度，通過各地類的光譜、紋理、形狀特征建立提取規則，對用地信息進行分類提取。實驗研究表明，基于規則面向對象的遙感影像分類方法在信息提取中的應用提供了一條有效方法。

1 研究區概括與數據來源

研究區概況：研究區域位于華北平原東北部，該地區的年平均降水量約為600mm，屬于暖溫帶大陸季風氣候，原為礦產開采后的沉陷區。本研究區南北長約5km，東西寬約為4km，總面積為19.189km2。

本文研究的數據為2009年10月2日拍攝的GEOEYE-1衛星影像，衛星影像空間分辨率全色0.5m，多光譜2m。通過對影像進行校正，使用GS融合方法進行融合，利用轄區Shape格式矢量文件對融合后影像進行裁切，獲得研究區融合影像。

2 基于規則的面向對象信息提取

2.1 類型劃分

根據我國土地利用現狀標準，考慮試驗區的地表覆蓋類型、利用方式，結合不同類的紋理、光譜、空間特征，將住宅、商業、道路、防洪、電力等歸類為城鄉和公共設施用地，將軍事、營房、防務等歸類為軍事用地；將風景、旅游等歸類為旅游用地；將湖泊水面、河流水面、坑塘水面、溝渠歸納為水體；將其他居民地、工礦用地、動力設施、各種堆場等歸納為建設用地總共五大類。

2.2 面向對象分類

面向對象分類技術是集合鄰近像元為對象用來識別感興趣的光譜要素，充分利用高分辨率影像的全色和多光譜數據的空間、紋理、和光譜信息來分割和分類，以高精度的分類結果或者矢量輸出[3]。該分類方法主要思想是：通過目視方法，對比不同分割、合并尺度效果，選擇最佳分割、合并尺度進行影像分割、合并，將具有類似特征的鄰近像元組成一個對象，并將此對象作為影像分類的單元，使用多層規則對影像對象進行分類。面向對象多尺度分割的關鍵環節是分割與合并尺度的選擇，對信息提取的精度影響巨大。本次研究將通過試驗，找出適合研究區域影像分割的最佳分割參數，并在此基礎上，比較分析各地類的紋理、光譜、形狀特征，建立適合建筑施工區域用地提取的規則進行用地信息提取。

3 試驗過程與結果

3.1 影像分割與合并

在影像分割與合并過程中可以設置任意的分割與合并尺度，生成的對象大小也有分割和合并尺度決定，但是根據所要提取的信息選取最合適的分割尺度才有意義。選擇大尺度圖像分割將會分出較少圖斑，選擇小尺度分割將會分出較多圖斑，當尺度過小時，一些不同地質會被錯分，有的同一地地質被分成很多部分。

與之相反的是，合并尺度越大，合并的對象越多，合并后的圖斑數較少，圖斑面積越大，合并尺度越小，合并的對象越少，合并后的圖斑數較多，圖斑面積較小。經過多次試驗得出以下較好分割與合并尺度。

（1）水體：由于水體面積大，光譜差異較小，所以水體最優分割尺度為65、合并尺度為90。

（2）綠地區域最優分割尺度為60，合并尺度為90。

（3）周圍建筑用地最優分割尺度為55，合并尺度為92。

3.2 對象特征分析

在分割尺度65，合并尺度90的分割影像對象層中，水體，綠地區域，周圍地質用地各選取12個樣本，對各地質樣本進行統計，統計出各地類樣本的光譜、紋理、形狀特征中的均值、方差等參數，根據統計特征為分類規則建立提供依據。

3.2.1 光譜特征分析

統計各地類樣本的光譜亮度最小值、最大值、均值、標準偏差以及歸一化植被指數NDVI。

各統計值如下表1所示，從表中可以看出，區域各地類光譜均值中，水體在近紅外波段光譜均值最小，綠地在近紅外波段光譜均值、標準偏差都最大；建設用地、運輸道路在藍波段光譜均值都最大；從光譜均值總體上看，在紅波段和綠波段上光譜均值較低，近紅外波段、藍波段光譜均值較大。從植被指數上看，綠地植被指數最大，其次是運輸道路，工程建設用地，水體最小。

3.2.2 紋理特征

基于統計的紋理研究方法中，紋理被視為相鄰像元或相鄰區域灰度上包括幾何位置等相互關系的表征。遙感影像的紋理特征能提供空間分布信息，其中一階紋理特征（范圍、平均值、標準偏差、方差和熵）和二階紋理特征（角二階矩、對比度、相關性、同質性和相異性）應用普遍。本次試驗在envi中針對圖像的四個波段進行紋理計算，通過紋理核（3X3）進行卷積運算，使用基于一階方差紋理特征所統計出的各區域樣本灰度均值結果如下表1。

表1 樣本紋理方差均值

從表3可以看出，建筑用地紋理方差均值較大，道路和周圍環境地質在近紅外和紅波段紋理方差均值較大，水體和綠地在綠波段紋理方差均值較小。

3.2.3 形狀特征

空間屬性是影像進行分割與合并后所形成的多邊形對象，空間特征描述如下：

（1）Area：多邊形面積，即影像對象實際面積，不包括中間空洞。

（2）Length：周長，即分割合并后的多邊形周長。

（3）Compactness：緊密性，即描述多邊形緊密性的度量，Compactness=Sqrt(4＊area/π)/周長[4]。

（4）Rectangular_Fit：矩形形狀度量，矩形的值為1，非矩形的值小于1，Rectangular_Fit=面積/(最大直徑＊最小直徑)[5]。

（5）Elongation：延伸性，多邊形最大直徑與最小直徑的比值，正方形延伸性的值為1，矩形延伸性的值大于1。

（6）Roundness：圓特征指數，圓的指數為1，正方形的值為1/π。Roundness=(4＊面積)/（π＊最大直徑＊最大直徑）。

使用形狀規則時，道路具有連通性、延伸性；原綠地地面積較大，多呈矩形狀，通過矩形形狀度量較容易區分。

3.3 基于規則的多層次分類

3.3.1 尺度1分類

通過分割尺度為60，合并尺度為90進行影像分割與合并，形成尺度1，主要提取目標為河流，湖泊，坑塘與溝渠組成的公園水體，從光譜特征上看，水體的近紅外波段光譜亮度值最小，接近純黑色，植被指數最小，通過規則Spectral mean(ndvi)＜0.02andSpectral mean(近紅外)＜168 and Area＞1000將水體與非水體提取出來，提取出的水體信息中包含一些居民地信息，居民地中圖斑面積較小且紋理方差較大，紋理特征和幾何特征進行剔除。

3.3.2 尺度2分類

尺度2是對尺度1下剔除水體部分，對剩下沒有分類的對象進行第二次分類，尺度2的分類尺度為分割尺度60.合并尺度90。

在此尺度中，對綠化用地信息進行提取，從光譜特征上看，綠地植被指數最大，通過規則Spectral mean(ndvi)＞0.29將綠地信息提取出來，在提取的信息中包含一些人造涂料的地表，一些建筑施工等非綠地信息雜質，通過觀察，這些雜質在藍色波段與非綠色的光譜亮度值差異較大，通過規則Spectral mean(藍波段)＜260將非綠地信息剔除，整個綠地與非綠的提取規則為Spectral mean(ndvi)＞ 0.109 and Spectral mean(藍波段)＜260 and Area＞5。

3.3.3 尺度3分類

尺度3是對尺度2的出去水體與周圍環境綠化綠地區域外的地類部分繼承。在分割尺度為55、合并尺度為92的尺度下對道路運輸、建筑施工，綠化耕地等用地進行提取。

（1）道路：道路作為現代交通體系的主體，在分析道路的光譜和形狀特征基礎上，NDVI方法能夠較有效地提高在高分辨率遙感影像上提取道路信息的精度[6]。道路在影像上表現明顯，水泥路面光譜亮度較大，道路呈現條狀分布具有較明顯形狀特征，通過形狀特征中的延伸特征可以將運輸道路與建設用地區別開來，道路的提取規則為0＜Spectral mean(ndvi)＜0.28 and Spectral mean(藍 波 段)＞280 and Elongation＞2.1 and Length＞100。

（2）耕地：華北平原耕地面積較大，在藍色波段亮度值比建筑用地與道路小，綠植指數比建筑用地與道路大，提取規則為Spectral mean(ndvi)＞0.1 and Spectral mean(紅 )＜180 and Spectral mean(藍 )＜280 and Area＞1000。

（3）建筑施工：建筑光譜亮度較大，植被指數較小，與道路相比，紋理方差較大。提取規則為Spectral mean(ndvi)＜ 0.1 and 350＞ Variance(紅 )and 350＞Variance(近紅外 )。

3.4 分類結果

通過多層次影像分割與合并，建立規則集提取出的用地信息，形成區域用地專題圖，顯示比例為1：25000。

4 分類精度評價與結論

4.1 分類精度評價

采用定性與定量、人工與計算機相結合的方式進行分類精度檢查。

首先，將提取的五類矢量圖斑與影像套合，檢查圖斑邊界，直觀判斷影像提取準確程度，通過直觀比較，各地類邊界提取清晰，在陰影處提取效果不理想；其次對提取的5類地類結果與已知地類進行比較，利用混淆矩陣精度評價方法，通過計算分類精度為89.1%，kappa系數為0.873。分類精度較高。

4.2 結論

（1）本次試驗使用不同尺度分割，選取最佳分割尺度，通過各地類的光譜、紋理、形狀特征建立提取規則，對用地信息進行分類提取，分類效果較好。

（2）結合光譜、紋理和形狀特征的分類方法，與傳統只利用像元光譜特征的分類方法相比，精度更高，有效區分“同物異譜”及“同譜異物”的現象，避免了“椒鹽現象”[7-9]。

（3）本次試驗是分層提取施工周圍用地類型，對有陰影區域用地較難提取。影像分割與合并尺度，規則的建立都需要經過很多次試驗才能建立，只適用于本研究區，不具有廣泛適用性[10]。所存在的問題需要進一步的研究。