基于規(guī)則面向?qū)ο蟮倪b感影像分類(lèi)方法在信息提取中的應(yīng)用

楊維超

（安徽省地球物理地球化學(xué)勘查技術(shù)院，安徽 合肥 230000）

近年來(lái)，建筑施工面積不斷擴(kuò)大，可開(kāi)發(fā)區(qū)域的數(shù)量也在不斷增加，對(duì)施工周?chē)玫剡M(jìn)行科學(xué)規(guī)劃至關(guān)重要。遙感技術(shù)為地質(zhì)區(qū)域規(guī)劃提供有效的方法，以往基于像元的監(jiān)督、非監(jiān)督遙感分類(lèi)方法雖然比較成熟，但是存在分類(lèi)精度低，一般只針對(duì)5m以下的中低空間分辨率的影像，基于像元的分類(lèi)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(lái)越多，基于面向?qū)ο蟮姆诸?lèi)方法研究越來(lái)越多，與傳統(tǒng)面向像元分類(lèi)方法相比，面向?qū)ο蟮姆诸?lèi)方法能充分利用影像的光譜、紋理、以及包含空間語(yǔ)義信息的幾何特征，提高了分類(lèi)精度以及地物的可分性[1]。

高清衛(wèi)星遙感成像技術(shù)的快速發(fā)展，為各行業(yè)管理發(fā)展提供了海量多源數(shù)據(jù)。為更好地服務(wù)于發(fā)展管理各個(gè)方面，基于高分辨率遙感影像的高自動(dòng)化判讀和特征地物信息提取已成為需迫切解決的應(yīng)用瓶頸[2]。本文以GEOEYE-1影像為例，在ENVI平臺(tái)上，使用FX模塊中的Rule based feature extraction workflow工具進(jìn)行不同尺度分割、合并試驗(yàn)，選取最佳分割、合并尺度，通過(guò)各地類(lèi)的光譜、紋理、形狀特征建立提取規(guī)則，對(duì)用地信息進(jìn)行分類(lèi)提取。實(shí)驗(yàn)研究表明，基于規(guī)則面向?qū)ο蟮倪b感影像分類(lèi)方法在信息提取中的應(yīng)用提供了一條有效方法。

1 研究區(qū)概括與數(shù)據(jù)來(lái)源

研究區(qū)概況：研究區(qū)域位于華北平原東北部，該地區(qū)的年平均降水量約為600mm，屬于暖溫帶大陸季風(fēng)氣候，原為礦產(chǎn)開(kāi)采后的沉陷區(qū)。本研究區(qū)南北長(zhǎng)約5km，東西寬約為4km，總面積為19.189km2。

本文研究的數(shù)據(jù)為2009年10月2日拍攝的GEOEYE-1衛(wèi)星影像，衛(wèi)星影像空間分辨率全色0.5m，多光譜2m。通過(guò)對(duì)影像進(jìn)行校正，使用GS融合方法進(jìn)行融合，利用轄區(qū)Shape格式矢量文件對(duì)融合后影像進(jìn)行裁切，獲得研究區(qū)融合影像。

2 基于規(guī)則的面向?qū)ο笮畔⑻崛?/h2>

2.1 類(lèi)型劃分

根據(jù)我國(guó)土地利用現(xiàn)狀標(biāo)準(zhǔn)，考慮試驗(yàn)區(qū)的地表覆蓋類(lèi)型、利用方式，結(jié)合不同類(lèi)的紋理、光譜、空間特征，將住宅、商業(yè)、道路、防洪、電力等歸類(lèi)為城鄉(xiāng)和公共設(shè)施用地，將軍事、營(yíng)房、防務(wù)等歸類(lèi)為軍事用地；將風(fēng)景、旅游等歸類(lèi)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(dòng)力設(shè)施、各種堆場(chǎng)等歸納為建設(shè)用地總共五大類(lèi)。

2.2 面向?qū)ο蠓诸?lèi)

面向?qū)ο蠓诸?lèi)技術(shù)是集合鄰近像元為對(duì)象用來(lái)識(shí)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(shù)據(jù)的空間、紋理、和光譜信息來(lái)分割和分類(lèi)，以高精度的分類(lèi)結(jié)果或者矢量輸出[3]。該分類(lèi)方法主要思想是：通過(guò)目視方法，對(duì)比不同分割、合并尺度效果，選擇最佳分割、合并尺度進(jìn)行影像分割、合并，將具有類(lèi)似特征的鄰近像元組成一個(gè)對(duì)象，并將此對(duì)象作為影像分類(lèi)的單元，使用多層規(guī)則對(duì)影像對(duì)象進(jìn)行分類(lèi)。面向?qū)ο蠖喑叨确指畹年P(guān)鍵環(huán)節(jié)是分割與合并尺度的選擇，對(duì)信息提取的精度影響巨大。本次研究將通過(guò)試驗(yàn)，找出適合研究區(qū)域影像分割的最佳分割參數(shù)，并在此基礎(chǔ)上，比較分析各地類(lèi)的紋理、光譜、形狀特征，建立適合建筑施工區(qū)域用地提取的規(guī)則進(jìn)行用地信息提取。

3 試驗(yàn)過(guò)程與結(jié)果

3.1 影像分割與合并

在影像分割與合并過(guò)程中可以設(shè)置任意的分割與合并尺度，生成的對(duì)象大小也有分割和合并尺度決定，但是根據(jù)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(huì)分出較少圖斑，選擇小尺度分割將會(huì)分出較多圖斑，當(dāng)尺度過(guò)小時(shí)，一些不同地質(zhì)會(huì)被錯(cuò)分，有的同一地地質(zhì)被分成很多部分。

與之相反的是，合并尺度越大，合并的對(duì)象越多，合并后的圖斑數(shù)較少，圖斑面積越大，合并尺度越小，合并的對(duì)象越少，合并后的圖斑數(shù)較多，圖斑面積較小。經(jīng)過(guò)多次試驗(yàn)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(yōu)分割尺度為65、合并尺度為90。

（2）綠地區(qū)域最優(yōu)分割尺度為60，合并尺度為90。

（3）周?chē)ㄖ玫刈顑?yōu)分割尺度為55，合并尺度為92。

3.2 對(duì)象特征分析

在分割尺度65，合并尺度90的分割影像對(duì)象層中，水體，綠地區(qū)域，周?chē)刭|(zhì)用地各選取12個(gè)樣本，對(duì)各地質(zhì)樣本進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)出各地類(lèi)樣本的光譜、紋理、形狀特征中的均值、方差等參數(shù)，根據(jù)統(tǒng)計(jì)特征為分類(lèi)規(guī)則建立提供依據(jù)。

3.2.1 光譜特征分析

統(tǒng)計(jì)各地類(lèi)樣本的光譜亮度最小值、最大值、均值、標(biāo)準(zhǔn)偏差以及歸一化植被指數(shù)NDVI。

各統(tǒng)計(jì)值如下表1所示，從表中可以看出，區(qū)域各地類(lèi)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(biāo)準(zhǔn)偏差都最大；建設(shè)用地、運(yùn)輸?shù)缆吩谒{(lán)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(lán)波段光譜均值較大。從植被指數(shù)上看，綠地植被指數(shù)最大，其次是運(yùn)輸?shù)缆罚こ探ㄔO(shè)用地，水體最小。

3.2.2 紋理特征

基于統(tǒng)計(jì)的紋理研究方法中，紋理被視為相鄰像元或相鄰區(qū)域灰度上包括幾何位置等相互關(guān)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(biāo)準(zhǔn)偏差、方差和熵）和二階紋理特征（角二階矩、對(duì)比度、相關(guān)性、同質(zhì)性和相異性）應(yīng)用普遍。本次試驗(yàn)在envi中針對(duì)圖像的四個(gè)波段進(jìn)行紋理計(jì)算，通過(guò)紋理核（3X3）進(jìn)行卷積運(yùn)算，使用基于一階方差紋理特征所統(tǒng)計(jì)出的各區(qū)域樣本灰度均值結(jié)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?chē)h(huán)境地質(zhì)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(jìn)行分割與合并后所形成的多邊形對(duì)象，空間特征描述如下：

（1）Area：多邊形面積，即影像對(duì)象實(shí)際面積，不包括中間空洞。

（2）Length：周長(zhǎng)，即分割合并后的多邊形周長(zhǎng)。

（3）Compactness：緊密性，即描述多邊形緊密性的度量，Compactness=Sqrt(4＊area/π)/周長(zhǎng)[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(shù)，圓的指數(shù)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(guī)則時(shí)，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(guò)矩形形狀度量較容易區(qū)分。

3.3 基于規(guī)則的多層次分類(lèi)

3.3.1 尺度1分類(lèi)

通過(guò)分割尺度為60，合并尺度為90進(jìn)行影像分割與合并，形成尺度1，主要提取目標(biāo)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(shù)最小，通過(guò)規(guī)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(lái)，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(jìn)行剔除。

3.3.2 尺度2分類(lèi)

尺度2是對(duì)尺度1下剔除水體部分，對(duì)剩下沒(méi)有分類(lèi)的對(duì)象進(jìn)行第二次分類(lèi)，尺度2的分類(lèi)尺度為分割尺度60.合并尺度90。

在此尺度中，對(duì)綠化用地信息進(jìn)行提取，從光譜特征上看，綠地植被指數(shù)最大，通過(guò)規(guī)則Spectral mean(ndvi)＞0.29將綠地信息提取出來(lái)，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(zhì)，通過(guò)觀察，這些雜質(zhì)在藍(lán)色波段與非綠色的光譜亮度值差異較大，通過(guò)規(guī)則Spectral mean(藍(lán)波段)＜260將非綠地信息剔除，整個(gè)綠地與非綠的提取規(guī)則為Spectral mean(ndvi)＞ 0.109 and Spectral mean(藍(lán)波段)＜260 and Area＞5。

3.3.3 尺度3分類(lèi)

尺度3是對(duì)尺度2的出去水體與周?chē)h(huán)境綠化綠地區(qū)域外的地類(lèi)部分繼承。在分割尺度為55、合并尺度為92的尺度下對(duì)道路運(yùn)輸、建筑施工，綠化耕地等用地進(jìn)行提取。

（1）道路：道路作為現(xiàn)代交通體系的主體，在分析道路的光譜和形狀特征基礎(chǔ)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(xiàn)明顯，水泥路面光譜亮度較大，道路呈現(xiàn)條狀分布具有較明顯形狀特征，通過(guò)形狀特征中的延伸特征可以將運(yùn)輸?shù)缆放c建設(shè)用地區(qū)別開(kāi)來(lái)，道路的提取規(guī)則為0＜Spectral mean(ndvi)＜0.28 and Spectral mean(藍(lán) 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(lán)色波段亮度值比建筑用地與道路小，綠植指數(shù)比建筑用地與道路大，提取規(guī)則為Spectral mean(ndvi)＞0.1 and Spectral mean(紅 )＜180 and Spectral mean(藍(lán) )＜280 and Area＞1000。

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

3.4 分類(lèi)結(jié)果

通過(guò)多層次影像分割與合并，建立規(guī)則集提取出的用地信息，形成區(qū)域用地專(zhuān)題圖，顯示比例為1：25000。

4 分類(lèi)精度評(píng)價(jià)與結(jié)論

4.1 分類(lèi)精度評(píng)價(jià)

采用定性與定量、人工與計(jì)算機(jī)相結(jié)合的方式進(jìn)行分類(lèi)精度檢查。

首先，將提取的五類(lèi)矢量圖斑與影像套合，檢查圖斑邊界，直觀判斷影像提取準(zhǔn)確程度，通過(guò)直觀比較，各地類(lèi)邊界提取清晰，在陰影處提取效果不理想；其次對(duì)提取的5類(lèi)地類(lèi)結(jié)果與已知地類(lèi)進(jìn)行比較，利用混淆矩陣精度評(píng)價(jià)方法，通過(guò)計(jì)算分類(lèi)精度為89.1%，kappa系數(shù)為0.873。分類(lèi)精度較高。

4.2 結(jié)論

（1）本次試驗(yàn)使用不同尺度分割，選取最佳分割尺度，通過(guò)各地類(lèi)的光譜、紋理、形狀特征建立提取規(guī)則，對(duì)用地信息進(jìn)行分類(lèi)提取，分類(lèi)效果較好。

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

（3）本次試驗(yàn)是分層提取施工周?chē)玫仡?lèi)型，對(duì)有陰影區(qū)域用地較難提取。影像分割與合并尺度，規(guī)則的建立都需要經(jīng)過(guò)很多次試驗(yàn)才能建立，只適用于本研究區(qū)，不具有廣泛適用性[10]。所存在的問(wèn)題需要進(jìn)一步的研究。