一種面向對象結合變差函數的高分辨率遙感影像茶種植區自動提取方法

張世超，王常穎，李勁華，張志梅

(青島大學 數據科學與軟件工程學院，山東 青島 266071)

0 引言

茶屬于山茶科多年生常綠木本植物。作為一種植物飲料，因其含有多種營養物質，深受大眾的喜愛與歡迎。改革開放40年來，我國茶產業發展取得了巨大的成就，產業規模、效益、質量均顯著提高[1]，因此，茶種植區的監測工作對我國經濟發展具有重要意義。

茶種植區廣泛分布于我國長江以南地區，傳統的人工野外勘測方法需要耗費大量的人力物力，時效性差，精度低，不能及時有效地獲取茶種植區空間分布信息。遙感技術具有準確、及時地獲取信息的天然優勢，故使用遙感監測的方法實現對茶種植區的自動提取是可行的。茶樹屬于灌木，大多數種植在山區、丘陵地區，茶樹低矮且呈球形，以小規模種植為主，由于光譜特征與其他農作物種植區的相似性，茶種植區的遙感識別工作具有一定的難度。目前，基于遙感影像的農作物提取方法的研究多以常規作物為主，例如水稻、小麥、棉花、玉米等，對茶種植區的提取研究較少。鄧媛媛等[2]使用QuickBird遙感影像，采用面向對象的分類技術，進行農用地精細分類；任傳帥等[3]提出了一種利用單時相高分二號高分辨率衛星影像和隨機森林算法的香蕉林信息提取方法；姬旭升等[4]利用高空間分辨率遙感影像對作物進行識別，更加快速、準確地獲取棗樹和棉花的種植面積及其分布區域；黃健熙等[5]利用GF-1 WFV數據實現了玉米與大豆的提??；徐偉燕等[6]使用資源三號影像數據，結合光譜特征、NDVI時相差異以及方向強度紋理特征，實現了茶種植區的提?。获R超等[7]提出一種基于中尺度光譜和時序物候特征的茶園提取方法；Li等[8]引入了集成學習策略以在訓練過程中改進經典的支持向量機和反向傳播神經網絡分類器，有效提高了農作物分類精度；Zhou等[9]提出了一種基于深度學習的時間序列分析方法，并應用于高分辨率ZY-3圖像和Sentinel-1A SAR數據集，對湖南和貴州的農作物類型進行分類；Sun等[10]提出了一種基于層次感知的方法對VHR圖像中的作物進行分類；周靜平等[11]采用面向對象和決策樹相結合的方法提取了作物分布信息。以上研究對農作物的提取取得了一定的成效。

本研究選取貴州省銅仁市4塊矩形區域作為研究區，采用的影像數據為高分辨率航拍影像。提出了一種基于面向對象與變差函數的茶種植區自動提取方法。首先，利用eCognition 9.0軟件對原始影像進行多尺度分割，采用面向對象的方法構建分類規則集，去除非植被區域，包括道路、建筑物、水體；然后，利用茶種植區與其他植被區域的變差函數紋理特征差異構建決策樹分類模型，同時選擇最合適的紋理提取窗口，得到最終的茶種植區的提取結果。本研究期望對茶種植區遙感監測提供借鑒，也為作物的種植管理提供幫助。

1 研究區概況及數據源

1.1 研究區概況

銅仁市位于貴州省東北部，武陵山區腹地，處于云貴高原向湘西丘陵過度的斜坡地帶，西北高，東南低。全境以山地為主，占全境總面積的67.8%。銅仁市鏡內地形復雜，氣候立體分布特征明顯，大多數地域屬中亞熱帶季風濕潤氣候區。春溫多變，綿雨較多；夏季炎熱，光照充足；秋季陰雨天較多；冬季低溫寡照，物長季長。年平均氣溫15 ℃到17 ℃。銅仁市境內降水充沛，平均降雨量為1 100～1 300 mm，地表河流密度高，地下補給基流多。由于這些外部環境條件優勢，非常適合茶等常綠植物種植，其中銅仁市石阡縣享有“最美茶鄉”的美譽。貴州的茶樹70%種植于海拔800～2 000 m的高原地區，茶種植區附近有大量林地、梯田、農田等其他植被區，茶樹成排種植，非常適合采用遙感影像對茶種植區信息進行提取。

1.2 數據源

實驗數據為獲取于2014年6月6日的航拍遙感影像，總共包含3個波段，空間分辨率為0.5 m。本文首先選取了一景位于貴州省銅仁市、大小為25 292像元×19 192像元的影像數據作為面向對象方法的實驗數據，經緯度范圍為27°29′54″N～27°35′05″N，108°22′26″E～108°30′05″E。裁剪7景局部影像作為選擇提取窗口大小的實驗數據，之后，選取4塊位于貴州省銅仁市的矩形區域作為測試數據，其大小分別為5 561像元×4 479像元、4 421像元×4 857像元、3 821像元×3 569像元、8 001像元×11 501像元。經緯度范圍分別為：27°41′05″N～27°42′18″N，108°27′50″E～108°29′32″E；27°50′01″N～27°51′20″N，108°26′41″E～108°28′03″E；27°42′02″N～27°43′01″N，108°36′25″E～108°37′35″E；27°35′05″N～27°38′12″N，108°35′06″E～108°37′31″E。研究區總面積為37.98 km2。研究區內地物種類多樣，適合做茶提取實驗。

2 研究方法

2.1 基于面向對象的非植被區信息提取

1)影像分割。傳統的基于像元的分類方法單純考慮遙感影像的光譜信息，未利用紋理、形狀等非光譜信息。由于高分辨率遙感影像中存在大量的同物異譜、同譜異物現象，分類精度往往不高，而面向對象的方法有效解決了這個問題。影像分割是面向對象分類方法的基礎[12-14]。目前最常用的影像分割方法是eCongition軟件中的多尺度分割，即分形網絡演化法。分形網絡演化法從像元層次開始，基于保證整體異質性最小的原則，采用相鄰影像區域兩兩合并增長的方法形成更大影像對象，直到在規定的尺度上不能再進行任何對象的合并為止。面向對象分類方法以影像對象作為最小分類單元，綜合利用光譜、紋理、形狀等信息，有效提高了分類精度。本研究采用eCongition 9.0中的多尺度分割方法，分割參數設置如下：分割尺度為175；3個波段權重都為1；形狀因子為0.4；緊湊度因子為0.5。

(1)亮度(brightness)。亮度是影像對象各波段光譜均值的加權平均值。本文所用遙感數據有3個波段，且設置各個波段權重都為1。

(2)形狀指數(shape index)。反映了影像對象邊界的平滑度。

(3)灰度共生矩陣標準差(GLCM StdDev)。反映了像元值與均值偏差的度量。

(4)灰度共生矩陣熵(GLCM Entropy)。反映了圖像信息量的度量。

3)分類規則構建。本研究基于不同地物在6種特征上的差異性，實驗了每個特征的閾值，通過構建分類規則集來對非植被區進行高精度提取。構建的分類規則如表1所示。

表1 分類規則

4)非植被區提取結果。本文選取一景25 292像元×19 192像元大小的影像數據作為面向對象方法的實驗數據，圖1展示了原始影像和去除非植被區后的掩膜結果。

圖1 原始影像和去除非植被區后的掩膜結果

2.2 基于變差函數的茶種植區信息提取

1)變差函數。地統計學中的變差函數(variogram function,VF)是對區域化變量結構分析的工具，同時也是描述對象非均質性的手段。從地統計學的角度看，遙感影像的像元灰度值可以看作是滿足內蘊假設的區域化變量，它既具有隨機性，又具有空間相關性[15-16]。本文采用3個波段下的像元值計算影像的變差函數值。

2)變差函數紋理分析及決策樹模型構建。本文選取了茶種植區與包括農田區、梯田區及林地區在內的其他植被區的7處感興趣區域，其中包括3處茶種植區、2處農田區、1處梯田區及1處林地區。感興趣區域如圖2所示。由于滯后距離h具有方向性，本研究計算了0°、45°、90°和135° 4個方向上，滯后距離h從1到40之間不同地物的變差函數值。構建的變差函數曲線如圖3所示，其中水平軸代表滯后距離，垂直軸代表變差函數值，即VF值。

圖2 感興趣區域

圖3 茶區和其他植被區的VF曲線

從滯后距離4個方向上茶區和其他植被區的VF曲線可以看出，對于茶區來說，由于茶樹成排種植方式的緣故，在某些滯后距離方向上，變差函數曲線為波浪狀的曲線；以第2景茶的感興趣區域為例，茶的種植方向為90°方向，當滯后距離方向同樣為90°方向時，即當茶的種植方向與滯后距離方向平行時，其變差函數曲線是呈現一個逐漸上升的趨勢，變差函數曲線沒有呈現波浪狀，而在滯后距離為其他3個方向時，變差函數曲線均呈現波浪狀。對于其他植被區，在任何一個滯后距離方向上，變差函數曲線均呈現持續上升的趨勢，最后趨于一個較為穩定的值。由此得出，至少存在一個滯后距離方向上，茶區在滯后距離h在[3，7]范圍內變差函數值取得第一個極大值，在[8，13]范圍內變差函數值取得第一個極小值，且從極大值到極小值有較大下降幅度，而其他植被區在任一滯后距離方向上，此滯后距離大小范圍內不存在極大值和極小值。

本文定義了滯后距離在[3，7]范圍內變差函數值取得的最大值A，滯后距離在[8，13]范圍內變差函數取得的最小值B，以及滯后距離在[3，7]范圍內的取得的最大值A和滯后距離在[8，13]范圍內的取得的最小值B之差與滯后距離在[3，7]范圍內的取得的最大值A的比值descender 3個特征變量，表達如式(1)至式(3)所示。

A=max{γ(3)，γ(4)，γ(5)，γ(6)，γ(7)}

(1)

B=min{γ(8)，γ(9)，γ(10)，γ(11)，γ(12)，γ(13)}

(2)

(3)

式中：γ(x)為當滯后距離為x時的變差函數值。

以A和descender作為輸入特征，構建了茶區與其他植被區的決策樹分類模型，如圖4所示。

圖4 決策樹分類模型

3 結果與分析

3.1 最佳茶區提取窗口大小及窗口滑動步長分析

本文在采用面向對象的方法剔除非植被區的基礎上，利用決策樹中的分類規則區分茶區與其他植被區。采用滑窗法進行茶區檢測，對于影像中的每一個像元，在包含這個像元的所有正方形窗口(邊長為k)中，如果其中超過一半的窗口被判斷為茶區，則將該像元歸為茶區。提取窗口大小k及窗口滑動步長s的選擇直接影響到最終的提取精度。本文選取了7景含有茶的局部影像，采用40×40、50×50、60×60、70×70、80×80、90×90和100×100共7種尺寸窗口，每種尺寸窗口下采用10、15、20、25 4種窗口滑動步長來對茶種植區進行提取，并對每種情況下的提取精度進行評價。原始影像、目視解譯圖及當窗口滑動步長為10，不同窗口大小下的茶提取結果如圖5至圖11所示。

為了衡量不同窗口大小與窗口滑動距離下的提取精度，本文采用查準率(precision)和查全率(recall)作為參考，F1度量作為主要評價依據，其定義分別如式(4)至式(6)所示。

(4)

(5)

(6)

式中：TP為真正例，表示提取的茶區為真實茶區的像元數目；FP為假正例，表示提取的茶區為非茶區的像元數目；FN表示假反例，表示提取的非茶區為茶區的像元數目。

構建了窗口滑動距離為10、15、20、25下的3種評價指標隨窗口大小的變化曲線圖，如圖12所示。分析4張曲線圖可以得出，在任意一種窗口滑動距離下，均為當窗口大小為60像元×60像元時F1度量達到最大值。同時，當窗口大小為60像元×60像元時，窗口滑動距離為10，F1度量是最高的，達到81.34%。這說明窗口滑動距離選擇10，窗口大小選擇60像元×60像元提取效果是最佳的。

圖5 原始影像1、對應的目視解譯結果及滑動步長為10時不同窗口大小下的茶區提取結果

圖6 原始影像2、對應的目視解譯結果及滑動步長為10時不同窗口大小下的茶區提取結果

圖7 原始影像3、對應的目視解譯結果及滑動步長為10時不同窗口大小下的茶區提取結果

圖8 原始影像4、對應的目視解譯結果及滑動步長為10時不同窗口大小下的茶區提取結果

圖9 原始影像5、對應的目視解譯結果及滑動步長為10時不同窗口大小下的茶區提取結果

圖10 原始影像6、對應的目視解譯結果及滑動步長為10時不同窗口大小下的茶區提取結果

圖11 原始影像7、對應的目視解譯結果及滑動步長為10時不同窗口大小下的茶區提取結果

圖12 提取精度變化曲線

3.2 本文方法提取結果與精度分析

采用本文方法對研究區域進行茶區提取實驗。原始影像、目視解譯圖、采用本文方法茶區提取結果及局部提取結果如圖13至圖21所示。

圖13 研究區1結果

圖14 研究區2結果

圖15 研究區3結果

圖16 研究區4結果

圖17 局部區域1結果

圖18 局部區域2結果

圖19 局部區域3結果

圖20 局部區域4結果

圖21 局部區域5結果

為了客觀評價本文方法的提取精度，將目視解譯結果作為評價樣本，統計得到茶區的提取精度，同時與文獻[6]的方法進行對比，如表2所示?？梢钥闯?，使用本文方法茶區的生產者精度達到74.50%，用戶精度達到83.69%，與文獻[6]的方法相比，生產者精度和用戶精度均有所提高。本文方法依舊存在不足之處，有部分分布比較稀疏的茶區沒有提取出來，主要原因是這部分茶區排與排之間的距離偏大，導致這部分茶區的變差函數值在指定距離范圍的下降幅度不夠或沒有出現下降趨勢。另外，還有少量的林地被錯分為茶區。

表2 茶提取的精度評價結果 %

4 結束語

本研究基于高精度提取茶種植區的實際需要，采用0.5 m空間分辨率的航拍影像，選擇貴州省銅仁市4塊矩形區域，提出了一種面向對象結合變差函數的茶種植區自動提取方法。得出了以下結論。

1)采用面向對象的方法實現了非植被區的高精度提取，綜合利用影像的光譜、紋理、形狀等信息，有效解決了基于像元的方法由于高分辨率遙感影像中同物異譜、同譜異物現象的存在而出現大量錯分的問題。此外，排除了非植被區的干擾，為下一步茶種植區的提取奠定了基礎。

2)基于茶區與其他植被區在變差函數紋理特征上的差異，構建了決策樹分類模型，采用滑窗法對茶種植區進行高精度提取。經過精度評價得出本文方法茶區提取的生產者精度達到74.50%，用戶精度達到83.69%，說明本文方法對茶種植區進行提取是可行且有優勢的。

3)從實驗監測的結果來看，本文方法依舊存在少量林地被錯分為茶區，少量較稀疏茶區漏分的情況。在下一步的研究工作中將考慮融合更多的輔助特征數據，進一步提高茶區提取精度。