面向對象的遙感影像隱性地物信息提取

鄭惠茹 呂軍超

(1. 中國煤炭地質總局航測遙感局, 陜西 西安 710199; 2. 陜西省地理空間信息工程技術研究中心, 陜西 西安 710199)

0 引言

從20世紀60年代發展起來的遙感技術以宏觀性、綜合性、動態性等特點被應用于全球、國家、區域及局部等尺度的地物信息提取中[1]。在遙感影像上進行地物識別與信息提取是遙感技術的一個重要環節,最初的提取技術主要根據人們的經驗知識通過目視解譯判斷來實現,隨著計算機的廣泛應用與發展,遙感影像自動分類解譯技術成為研究的熱點[2-5]。

在長期傳統的計算機地物信息提取中,人們往往僅考慮了遙感影像像元的光譜特征信息,忽略了隱含在影像中更深層次的隱性信息,導致信息提取結果中存在“同物異譜”“異物同譜”現象比較嚴重,在面向地形復雜地區進行多種地物信息提取時,這種傳統方法往往無法得到滿意的結果。面向對象的分類方法所處理的對象為具有相似特征的像素集合體,這種分類方法符合現實地物分布規律和特點,同時也符合人們認識客觀事物的思維模式[6-12]。因此,本文通過分析所使用遙感影像特征和研究區地物分布特點,充分挖掘隱含在影像中深層次的隱性信息,使用面向對象的分類方法實現研究區主要地物信息的提取,期望得到更加豐富、準確的地物信息。

1 研究區概況

本文以位于重慶東北部的巫溪縣、巫山縣和奉節縣(長江以南地區)為研究區域,面積約為9 194.46 km2,屬典型的中等山區地形。氣候類型屬亞熱帶濕潤季風氣候區,該區域為三峽庫區的腹心地帶,長江橫穿巫山、奉節兩縣,境內流長分別為56.6和41.5 km。

2 數據及預處理

本文選取成像時間為2013年10月24日的Landsat8 OLI遙感影像(軌道號為126/38、126/39)兩景,數據來源于中國科學院計算機網絡信息中心國際科學數據鏡像網站(http:∥www.gscloud.cn)。其他數據類型包括重慶地區30 m數字高程模型(Digital Elevation Model，DEM)、渝東北地區2013年土地利用現狀圖、渝東北地區植被野外調查樣方數據,遙感調查數據以及與研究有關的該區域的行政區劃、交通、地質、地貌、巖性、土壤及農林等方面的資料。

運用ENVI 5.1軟件對影像數據進行預處理,包括輻射定標、大氣校正、研究區的拼接與裁剪等。

根據研究區資料的收集和遙感影像的特點,通過多次判讀分析,研究區主要包含了8種地物類型:4種非植被類型(人工建筑、水體、裸地和耕地)和4種植被類型(馬尾松、柏木、闊葉林和灌草)。

3 遙感影像數據特征提取

3.1 影像中光譜信息的提取

光譜特征是遙感影像的最基本和最重要的特征,不同的地物類型具有不同的光譜特征曲線,一般來說,人工建筑、水體和裸地的光譜差異較大,可直接通過光譜特征信息來進行區分,而植被和耕地(因季節性和不同耕種類型)等易混淆的地物須通過挖掘更深層次的特征信息進行進一步提取。

3.2 影像中隱性信息的提取

通過分析Landat-8遙感影像的波譜特征和研究區以中山地為主、各地物依山勢分布的特點,在綜合對比分析可能對地物信息提取有影響作用的因素后,選取了對地物提取影響較大的植被指數、紋理特征指數和纓帽變換指數進行影像隱性信息的挖掘與提取。

3.2.1植被指數的提取

植被光譜受到大氣和時相變化的影響較大,且所能探測到的植被的光譜一般為植被、土壤亮度、陰影等的混合反映,而植被指數能通過不同遙感光譜波段間線性或非線性組合,定量地表達植被的活力[13-14],因此,引入植被指數對于植被信息精確提取具有十分重要的意義。

最常見的植被指數有歸一化植被指數(Normalized Difference Vegetation Index,NDVI)、比值植被指數RVI、垂直植被指數PVI等。其中,歸一化植被指數NDVI可以很好地檢測植被生長狀態、植被覆蓋度等,被公認為監測區域甚至全球植被生態環境變化的有效指標[15],同時消除了由于云、大氣等因素造成的部分輻射誤差。

(1)

式(1)中,NIR與R分別代表近紅外波段和紅光波段;D為灰度值;ρ為反射率。

經對研究區植被指數運算,得到研究區歸一化植被指數(圖1)和各典型地物的NDVI曲線圖(圖2)。

圖1 歸一化植被指數圖

圖2 各地物類型NDVI曲線

3.2.2紋理特征提取

遙感影像的紋理反映的是圖像灰度在空間位置上相隔一定距離的兩像素之間存在的灰度關系。紋理特征是地物規則度、密度、細致度、均一性等固有屬性特征的重要反饋,兼顧了地物的宏觀結構和微觀細節特征,在遙感影像地物識別中具有很強的優勢。灰度共生矩陣GLCM(grey-level co-occurrence matrix)通過對影像灰度級之間聯合條件概率密度的計算表示紋理[16]。它是從圖像f(x,y)灰度為i的像素出發,統計與其距離為d灰度為j的像素f(x+Δx,y+Δy)同時出現的概率P(i,j,d,θ)。用數學公式表示即

P(i,j,d,θ)={[(x,y),(x+Δx,y+Δy)]|

(x,y)=i,f(x+Δx,y+Δy)=j};

x=0,1,…,Nx-1;y=0,1,…,

Ny-1;i,j=0,1,…,L-1。

(2)

式中,(x,y)是圖像中像素的坐標；L為圖像的灰度級數；Nx和Ny分別表示圖像的行、列數；GLCM是距離和方向的函數,通常為4個方向。在實際的計算中,分別在4個方向上計算GLCM作為紋理分析的特征量。常用的用于提取遙感影像中紋理信息的特征統計量主要有:對比度、同質性、差異性、均值、自相關性、熵、二階距及標準差等。

紋理特征影像的生成是通過先計算整個影像中一個小窗口的影像灰度共生矩陣和紋理特征值,然后通過移動窗口來擴大區域并重新計算新的較大區域的共生矩陣和紋理特征值,直至計算完整幅影響區域的紋理特征矩陣,最終將整個區域形成的紋理特征值矩陣轉換成紋理特征影像。

本文通過在ENVI 5.1軟件中先使用Principal Components進行正向主成分分析,然后使用Texture選項中的Co-occurrence Measures完成基于二階統計概率的濾波,得到研究區8個紋理濾波圖如圖3所示。

圖3 8種紋理指數圖

3.2.3纓帽變換

纓帽變換也稱為K-T變換,是Kauth等于1976年提出,是一種經驗性的線性變換圖像處理方法,其使空間坐標發生旋轉,旋轉后的坐標軸指向與植物生長、土壤狀況等有密切關系的幾個方向上,組成了新的特征空間[17]。不僅實現了信息的增強,還實現了數據壓縮。變換公式為:

Y=BX+r

(3)

其中,X為變換前多光譜空間的像元矢量；Y為變換后的新坐標空間的像元矢量；B為變換矩陣；r為補充向量。

對于Landsat TM/MSS影像來說,纓帽變換后得到亮度(Brightness)、綠度(Greenness)和濕度(Wetness)三組分量,這三組分量相互獨立,且能明顯地表現出地物信息。本次使用同樣的方法對OLI數據進行處理,且主要使用纓帽變換后的第一分量亮度值,它不僅能很好地區分植被與非植被(一般植被區的亮度值低于非植被區),而且能反映植被的長勢、覆蓋度等信息(不同的植被類型具有不同的亮度值),對于識別不同的植被有重要的參考作用。

3.3 軟件平臺

使用的軟件平臺包括ENVI 5.1專業遙感圖像處理系統,ArcGIS 10.2地理信息系統軟件以及德國Definiens公司開發的面向對象的遙感影像分類軟件eCognition(developer9.0版本)等。

4 結果與分析

在對研究區8種主要地物信息提取完成后,得到研究區主要地物類型如圖4所示。通過在研究區建立隨機抽樣采樣點對提取結果進行精度驗證。驗證樣本主要來源于研究區野外實地調查點、遙感估算點、研究區土地利用現狀圖及該地區大比例尺高清航拍影像圖共得到約229個檢驗樣本點,通過運用混淆矩陣的方法對分類結果進行精度驗證。結果表示,總體分類精度達到了81.35%,比僅使用影像光譜信息的傳統監督分類方法精度提高了5.73%。

圖4 研究區分類圖

這表明,在影像光譜分辨率有限但又欲獲取較為詳細地物信息的情況下,通過了解研究區域的背景地形情況、遙感影像特征、地物光譜特性等,充分發現并挖掘隱含在影像中關于地物的深層次特征如形狀特征、紋理特征、拓撲關系等信息。并采用面向對象的分類方法能方便地引入多種特征數據的加入,通過在不同分割尺度上將具有相同或相似光譜特征、形狀特征、紋理特征、拓撲關系的像素組合成一個多邊形實體,并在此基礎上進行規則集的建立和對象信息的提取。該方法突破了傳統僅使用像素信息的局限性,對于提高地物識別與提取精度具有十分重要的意義。

5 結束語

本文是在所獲取影像的基礎上,針對研究區域地物的分布特點,對隱性在影像內部且可能影響地物信息提取的因素進行挖掘的基礎上,使用面向對象的方法進行信息提取,并與傳統分類方法相比取得了較好的效果。只是本文僅在Landsat 8數據基礎上對特定地區進行試驗,所挖掘并使用的隱性信息是否適用于其他類型的數據以及對區域的適用性還有待于進一步考證。