多特征融合的遙感影像建成區(qū)提取研究

鐘嫣然，李曉龍

（1.武漢大學(xué) 測(cè)繪學(xué)院，湖北 武漢430079；2. 重慶市地理信息中心，重慶 401120）

及時(shí)準(zhǔn)確的城市擴(kuò)張度量對(duì)于了解一個(gè)城市的經(jīng)濟(jì)發(fā)展情況、協(xié)調(diào)城鄉(xiāng)之間的發(fā)展平衡是非常必要的[1]。遙感技術(shù)作為一種多時(shí)相、覆蓋廣、快速實(shí)時(shí)的信息獲取手段，近年來在資源環(huán)境、城市擴(kuò)張監(jiān)測(cè)等方面得到了廣泛應(yīng)用[2]。迄今為止，已有許多學(xué)者基于不同分辨率的可見光與紅外波段遙感影像、夜間燈光遙感數(shù)據(jù)、合成孔徑雷達(dá)數(shù)據(jù)等，提出或使用了多種建成區(qū)即“不透水面”[3]的提取方法，本文主要討論多波段影像數(shù)據(jù)所使用的方法。其中，較常見的算法是各種光譜指數(shù)，如歸一化差異建筑指數(shù)（NDBI）[4]、建成區(qū)提取指數(shù)（BAEI）[5]、基于指數(shù)的建筑指數(shù)（IBI）[6]和生物物理成分指數(shù)（BCI）[7]。然而，由于地物間存在同物異譜、異物同譜以及混合像元的情況，使得這些指標(biāo)在區(qū)分建成區(qū)和背景，尤其是裸土?xí)r，并沒有獲得較為理想的精度[8]。除此以外，也有基于紋理特征提取的算法，如Pesaresi M[9]等針對(duì)SPOT 衛(wèi)星的2.5 m分辨率全色波段影像提出了適用于5 m 甚至更低分辨率影像的建成區(qū)存在指數(shù)PanTex；沈小樂[10]等利用采樣輪廓波變換來描述圖像的紋理特征，并引入視覺注意機(jī)制，最終得出該方法適用于高分辨率遙感影像的結(jié)論；NING X G[11]等以甚高分辨率遙感影像為對(duì)象，通過探測(cè)幾何元素（如直角邊和角）并計(jì)算其密度來提取建成區(qū)。

上述方法主要是通過提取影像特征來達(dá)到提取建成區(qū)的目的。近年來，隨著機(jī)器學(xué)習(xí)的興起，能自行訓(xùn)練分類模型的機(jī)器學(xué)習(xí)監(jiān)督分類算法成為研究熱點(diǎn)。陳亮[12]基于Landsat TM/ETM+影像，提出了基于最小二乘支持向量機(jī)模型（GA-LS-SVM）和遺傳算法的不透水面提取方法，結(jié)果較理想；饒萍[13]等基于高空間分辨率影像，以4 種歸一化指數(shù)、SVM 分類結(jié)果、河流緩沖區(qū)結(jié)果為決策樹分類器的特征結(jié)點(diǎn)，提取了Landsat 8 影像中的建設(shè)用地，其精度高于其中任意單獨(dú)特征的分類結(jié)果。然而，過量且不必要的數(shù)據(jù)可能反而會(huì)使分類精度下降[14]。對(duì)于建成區(qū)提取而言，光譜特征仍是許多研究中選擇采用的特征，原因在于不透水面的反射特征與植被、水體等地物的差異較明顯，其提取結(jié)果有很大的參考價(jià)值。此外，建成區(qū)是由若干典型尺寸范圍的物體和投射陰影組成的，紋理特征相對(duì)明顯[9]，因此本文選取光譜特征和紋理特征對(duì)建成區(qū)提取進(jìn)行分析。同時(shí)，為了比較單一特征和多特征提取的效果，本文將兩種特征結(jié)合起來作為第三種提取方法，并根據(jù)總體精度和局部效果分析比較了這3 種方法的特點(diǎn)。

1 研究區(qū)概況與數(shù)據(jù)來源

本文選取的研究區(qū)為廣東省廣州市南沙區(qū)的局部區(qū)域。隨著近年來GDP 的增長(zhǎng)，該區(qū)域內(nèi)的建成區(qū)組成由單一的農(nóng)村住宅群轉(zhuǎn)化為新城區(qū)與舊農(nóng)村房屋并存，區(qū)域內(nèi)包括林地、農(nóng)田、水域、建成區(qū)和裸土5 種地類，種類較齊全。

本文采用的實(shí)驗(yàn)數(shù)據(jù)為2017 年10 月的Landsat8-OLI 影像和同年12 月的Sentinel-2A 影像，成像時(shí)間較接近，區(qū)域內(nèi)建成區(qū)基本沒有較大變化。Landsat 8 衛(wèi)星的OLI 傳感器能獲得空間分辨率為15 m 的全色波段以及空間分辨率為30 m 的其他短光譜段影像，因此對(duì)其他波段數(shù)據(jù)和全色波段進(jìn)行融合可使其空間分辨率提高至15 m。Sentinel-2A 衛(wèi)星可獲得可見光、近紅外和短波紅外波段的影像，前兩者空間分辨率為10 m，后者空間分辨率為20 m，在免費(fèi)公開數(shù)據(jù)中屬于中高分辨率影像[15]。本文采用的Landsat 8 和Sentinel-2A數(shù)據(jù)均已經(jīng)過幾何和大氣校正、重采樣、圖像裁剪和灰度拉伸等預(yù)處理，得到的數(shù)據(jù)如圖1 所示，其中Sentinel-2A 影像的空間分辨率為10 m，Landsat8 多波段影像融合后的空間分辨率為15 m，沒有融合的為30 m。另外，本文的建成區(qū)參考結(jié)果為Sentinel-2A 影像的人工目視解譯提取樣本，最后得到的樣本數(shù)據(jù)為2 000 個(gè)建成區(qū)矢量點(diǎn)和2 000 個(gè)非建成區(qū)矢量點(diǎn)，并將其按2∶3 的比例分別隨機(jī)選取800 個(gè)點(diǎn)作為訓(xùn)練決策樹模型的樣本，另外1 200 個(gè)點(diǎn)參與分類后的精度評(píng)定。

圖1 研究區(qū)影像圖

2 研究方法與步驟

本文首先計(jì)算影像的CBI 和PanTex，再把二者作為決策樹分類法的節(jié)點(diǎn)進(jìn)行提取，最后得到3 種方法的提取結(jié)果，如圖2 所示。根據(jù)Valdiviezon J C[8]等的實(shí)驗(yàn)，對(duì)多種建筑指數(shù)計(jì)算裸土和建成區(qū)之間的光譜區(qū)分指數(shù)（SDI）可知，CBI 在這兩類地物之間的SDI 值是最高的，因此本文采用CBI。另外，本文研究區(qū)為小面積住宅居多、建筑物既有集中又有分散的農(nóng)村地域，且實(shí)驗(yàn)數(shù)據(jù)最高空間分辨率為10 m，建筑物個(gè)體在圖上難以清晰展現(xiàn)，因此幾何特征的提取方法采用PanTex。特征集合方法采用決策樹分類法，因?yàn)闃颖军c(diǎn)數(shù)量不多，采用樹形算法可能比神經(jīng)網(wǎng)絡(luò)算法的效果要好。

圖2 研究流程圖

2.1 CBI

CBI 由主成分變換得到的第一主分量（PC1）、調(diào)整土壤亮度的植被指數(shù)（SAVI）和歸一化差異水體指數(shù)（NDWI）3 個(gè)子指數(shù)組成[16]，其中主成分變換是一種常用的數(shù)據(jù)降維、影像增強(qiáng)方法，利用正交變換原理得到原圖像的主要信息（如亮度、綠度、濕度等），尤其是對(duì)應(yīng)最大方差的第一主分量[17]；SAVI 與經(jīng)典的NDVI 相比，更能從裸土背景中提取出較為破碎的植被斑塊[18]，有利于削弱建成區(qū)內(nèi)小范圍植被的影響。其計(jì)算公式為：

式中，L為土壤調(diào)節(jié)系數(shù)，取值范圍為0～1，對(duì)應(yīng)植被覆蓋度由低至高[19]。由圖2 可知，研究區(qū)內(nèi)有不少被建成區(qū)割碎的塊狀植被，因此這里L(fēng)取0.5。

NDWI 的計(jì)算公式為：

在計(jì)算CBI 之前，需先用水體指數(shù)對(duì)上述各指數(shù)結(jié)果進(jìn)行掩膜提取，裁掉水體部分。實(shí)驗(yàn)表明，改進(jìn)的歸一化差異水體指數(shù)（MNDWI）計(jì)算結(jié)果中的建成區(qū)基本為負(fù)值[20]，其效果比NDWI 更理想，因此本文采用MNDWI 來提取水體部分。其計(jì)算公式為：

裁掉水體后，將3 個(gè)指數(shù)進(jìn)行歸一化，再進(jìn)行CBI 計(jì)算。其計(jì)算公式為：

最后得到的CBI 計(jì)算結(jié)果介于-1～1 之間，其中正值部分為建成區(qū)，接近0 的部分為裸土，負(fù)值部分為植被[16]。

2.2 PanTex

PanTex 基于一幅灰度圖的灰度共生矩陣，根據(jù)模糊規(guī)則對(duì)多方向的紋理特征值進(jìn)行融合，即進(jìn)行旋轉(zhuǎn)不變的各向異性紋理分析，再根據(jù)紋理特征值提取建成區(qū)。

對(duì)于Sentinel-2A 數(shù)據(jù)，本文選取可見光波段中各像元的最大灰度值作為該像元在新的灰度圖中的值，某些研究會(huì)選取可見光3 個(gè)波段的平均值或?qū)D像作HIS 轉(zhuǎn)換等形式得到新的灰度圖，但考慮了一些不必要的波段而導(dǎo)致實(shí)驗(yàn)結(jié)果不太理想[21]；對(duì)于Landsat 8數(shù)據(jù)，可直接使用經(jīng)過線性拉伸的全色波段。

計(jì)算GLCM 時(shí)包括滑動(dòng)窗口大小、矢量位移（方向和距離）、圖像灰度級(jí)[9]3 個(gè)關(guān)鍵參數(shù)。為了避免數(shù)據(jù)量過大，在預(yù)處理時(shí)將Sentinel-2A 影像從16 位降為8 位整型；根據(jù)圖中建筑斑塊的面積，本文選擇的窗口大小為3×3；方向選取了常用的8 個(gè)方向，即0°、45°、90°和135°及其對(duì)角線方向；距離的選擇取決于紋理的粗細(xì)，本文設(shè)定距離d=1，著眼于最鄰近像元的灰度變化情況。

Pesaresi M[21]等通過對(duì)不同空間分辨率的圖像進(jìn)行實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)比度（CON）是最能把建成區(qū)和非建成區(qū)區(qū)分開的特征量，計(jì)算公式為：

式中，Ng為圖像灰度值的最大值；i、j為GLCM 中的行列號(hào)，即任意兩個(gè)灰度值。

若要獲得每個(gè)像元對(duì)比度的唯一值，需對(duì)所有方向的值進(jìn)行模糊邏輯處理。實(shí)驗(yàn)證明，相比于最小值，平均值和原始各方向值都傾向于使農(nóng)田、鄉(xiāng)村道路等非建成區(qū)呈現(xiàn)較高的亮度值[9,21]，因此本文采用所有方向值中的最小值作為最終的對(duì)比度值。

2.3 決策樹分類法

決策樹分類法是機(jī)器學(xué)習(xí)中的一種基于空間知識(shí)挖掘、無需先驗(yàn)知識(shí)的監(jiān)督分類方法，可對(duì)訓(xùn)練樣本進(jìn)行歸納學(xué)習(xí)，自行生成決策樹或決策規(guī)則，即從“無序”中找出“有序”的規(guī)則，再對(duì)輸入的數(shù)據(jù)進(jìn)行分類。決策樹可用樹型結(jié)構(gòu)表示，每個(gè)決策樹包含一個(gè)根節(jié)點(diǎn)、若干個(gè)內(nèi)部結(jié)點(diǎn)和葉節(jié)點(diǎn)，每個(gè)內(nèi)部結(jié)點(diǎn)對(duì)應(yīng)一個(gè)非類別屬性或?qū)傩缘募稀１疚膶⒂?jì)算得到的CBI 和PanTex 結(jié)果作為節(jié)點(diǎn)輸入到?jīng)Q策樹分類器中，再進(jìn)行整個(gè)圖像的分類，上述過程均利用Python 代碼實(shí)現(xiàn)。

3 研究結(jié)果分析

3.1 結(jié)果對(duì)比

基于3 種空間分辨率數(shù)據(jù)，本文分別利用3 種方法提取的建成區(qū)結(jié)果如圖3～5 所示，可以看出，雙特征決策樹方法提取的結(jié)果區(qū)域間連通性最強(qiáng)，其次為CBI，最后為PanTex。

圖3 Sentinel-2A 數(shù)據(jù)（10 m）提取結(jié)果

基于Sentinel-2A 數(shù)據(jù)提取的建成區(qū)結(jié)果局部圖如圖6 所示，藍(lán)色為PanTex 提取結(jié)果，紫色為CBI 提取結(jié)果。由圖6 上方3 幅圖可知，PanTex 提取結(jié)果與不規(guī)則分布的農(nóng)村住宅群較為吻合，且它對(duì)建成區(qū)和裸土的區(qū)分度優(yōu)于CBI 提取結(jié)果；CBI 作為一種光譜指數(shù)，其結(jié)果難免摻雜不少非建成區(qū)；PanTex 對(duì)道路等條狀地物的敏感度不高，是由紋理不明顯導(dǎo)致的。由圖6 下方3 幅圖可知，PanTex 提取結(jié)果里存在部分高亮建筑沒有被識(shí)別為建成區(qū)，這是由于高亮建筑在滑動(dòng)窗口內(nèi)成分單一、亮度變化不明顯所造成的；采用雙特征決策樹分類法可以改善PanTex 的這種現(xiàn)象。

圖4 Landsat8-OLI 融合后數(shù)據(jù)（15 m）提取結(jié)果

圖5 Landsat8-OLI 數(shù)據(jù)（30 m）提取結(jié)果

圖6 基于Sentinel-2A 影像的提取結(jié)果局部圖

3.2 精度評(píng)價(jià)

基于3 種數(shù)據(jù)，3 種方法得到的9 個(gè)結(jié)果的總體精度如表1 所示。總體而言，雙特征決策樹分類法和PanTex 的提取結(jié)果均優(yōu)于CBI，即按總體精度對(duì)3 種方法的排序?yàn)椋弘p特征決策樹分類法＞PanTex＞CBI。此外，圖像空間分辨率越高，提取結(jié)果精度越高。

表1 提取結(jié)果的總體精度

4 結(jié) 語

本文以2017 年Landsat8-OLI 和Sentinel-2A 的影像數(shù)據(jù)為數(shù)據(jù)源，以廣州市南沙區(qū)內(nèi)局部區(qū)域?yàn)檠芯繀^(qū)，利用CBI、PanTex 和雙特征決策樹分類法3 種方法，基于相同時(shí)間內(nèi)3 種空間分辨率的數(shù)據(jù)，得到了9 個(gè)提取結(jié)果。結(jié)果表明：①3 種方法提取結(jié)果的精度排序?yàn)殡p特征決策樹分類法＞PanTex＞CBI；②在數(shù)據(jù)源和提取方法相同的情況下，PanTex 提取結(jié)果的面積均小于其他兩種方法，斑塊較破碎；③影像的空間分辨率越高，提取結(jié)果的總體精度也越高；④PanTex在識(shí)別占地面積較小的農(nóng)村住宅以及區(qū)分裸土和建成區(qū)方面更優(yōu)，而CBI 識(shí)別高亮度、面積較大建筑和道路的效果更好。

本文沒有專門比較裸土與建成區(qū)CBI 和PanTex 的差別規(guī)律，在后續(xù)研究中可對(duì)二者作較詳細(xì)的分析；兩個(gè)指標(biāo)都是通過重復(fù)試驗(yàn)來自定義閾值的，因此分類結(jié)果易受解譯者的主觀影響。此外，采用雙特征決策樹分類法得到的結(jié)果中仍包含錯(cuò)分區(qū)域，可能是由于非建成區(qū)樣本在其他幾類地物中分布不均勻，導(dǎo)致缺乏更全面的信息，使得建成區(qū)與其他地物區(qū)分開來。本文僅用CBI、PanTex 結(jié)果代表建成區(qū)的物理特征和幾何特征是較片面的，在后續(xù)研究中應(yīng)各自多選取幾種指標(biāo)來綜合比較，同時(shí)增加其他類型的數(shù)據(jù)（如DEM、水文信息等）作為決策樹分類法的節(jié)點(diǎn)，使提取效果更優(yōu)。