面向?qū)ο蟮腄OM 影像地類信息提取

譚秋焰 朱新婷

（西南科技大學環(huán)境與資源學院，四川綿陽 621010）

土地利用是人類在利用開發(fā)土地資源時，與土地直接相關的活動，可以表現(xiàn)當?shù)氐娜宋沫h(huán)境和自然環(huán)境間的相互影響[1]。我國利用遙感數(shù)據(jù)提取地類信息的發(fā)展進程迅速，由最初的人工薄膜勾繪，到陸地衛(wèi)星TM 圖像作為基本信息源目視解譯地類，再到如今主要以以分辨率更高的遙感影像，結合GIS 技術，人機交互提取土地利用信息。在地類信息調(diào)查的發(fā)展過程中，在地類提取精度和面積計算數(shù)字化等有了很大提高，但基本還是依靠人力判繪，工作量大且對人員的判讀技術、身體狀態(tài)都有一定要求。找到科學的高分辨率遙感影像信息自動提取方法是如今的重要課題。

面向?qū)ο蠓诸惙椒蓮V泛應用于調(diào)查海岸線、地質(zhì)災害、土地利用、區(qū)域變化等方向，分類精度高，不同地類的影像特征易提取總結，矢量化后易于統(tǒng)計，適合應用于高分辨率的遙感影像的地類信息提取。本文主要使用面向?qū)ο蟮姆椒▽τ跋襁M行分割，建立樣本庫并選擇樣本對象，提取樣本對象的光譜、紋理特征和植被指數(shù)，構建隸屬度空間進行最鄰近分類得到結果。與最大似然分類法和目視解譯方法提取的分類結果進行對比，最后使用基于樣本的誤差矩陣精度評價方法對面向?qū)ο蠓诸惤Y果進行評價。

1 地類信息提取流程

獲取數(shù)據(jù)后對影像進行面向?qū)ο蠓指?，依?jù)提取地類建立樣本庫，選擇特征值并優(yōu)化，對實驗區(qū)待分類對象分配最鄰近特征值進行分類得到結果。

1.1 數(shù)據(jù)來源

影像來自國家下發(fā)的梓潼縣部分地區(qū)，分辨率為1 米的數(shù)字正射影像圖（Digital Orthophoto Map，DOM）影像。該影像參照《第三次全國土地調(diào)查技術規(guī)程》的要求制作，通過鑲嵌經(jīng)比例尺匹配、幾何糾正、重采樣等步驟處理后的航空或航天影像，得到少云、無明顯噪聲、清晰、光譜均勻的優(yōu)質(zhì)DOM 影像。本文對該縣實驗區(qū)的耕地、林地、建筑、道路、水域共五個地類進行信息提取。

1.2 影像分割

面向?qū)ο蟮仡愋畔⑻崛〉幕締挝皇嵌喑叨确指詈蟮膶ο?，分割后需提取樣本對象的特征信息用于分類。影像分割是指將全部影像區(qū)域基于設定的分割準則和尺度，分割為內(nèi)部特征同質(zhì)性較強的復數(shù)對象[2]。將對象作為分析單元，可以克服單個柵格分析時的分類噪聲，增強不同類別之間的差異性和相同類別之間的同質(zhì)性，提高類別的可分性。多尺度分割有兩個標準需要遵循：①在能區(qū)分不同地物的前提下，使用盡量大的分割尺度；②在地物形狀滿足標準的前提下，盡量多參考光譜特征。

多尺度影像分割采用區(qū)域合并算法，也稱基于分形網(wǎng)絡演化方法（FNEA，F(xiàn)ractal Net Evolution Approach）?；驹硎怯捎跋裰腥我庖粋€像元開始，與旁邊的像元合并后保持內(nèi)部異質(zhì)性最小形成較小的影像對象，再將這些較小的對象在同樣的標準下，逐漸合并成達到分割設置要求的多邊形對象。

多尺度影像分割需要設置幾項分割參數(shù)，包括各波段權重、分割尺度和均質(zhì)因子。其中，尺度參數(shù)決定了影像分割能提取的最小對象的尺寸大小，一般基于像素等級，直接決定了對象提取的精度，若尺度過小容易讓區(qū)域過于破碎，過大則會讓不同地物對象出現(xiàn)凝塊。

均質(zhì)因子包括形狀參數(shù)和緊致度參數(shù)，形狀參數(shù)主要是為了保持分割結果中對象的完整性，緊致度參數(shù)主要是為了讓具有類似特征的對象具有可分性。經(jīng)過多次調(diào)試后，得到使對象間內(nèi)部異質(zhì)性盡可能小，對象之間異質(zhì)性盡可能大的分割參數(shù)。表征異質(zhì)性的指標異質(zhì)度f 包含光譜異質(zhì)性和形狀異質(zhì)性，計算公式為[3]：

式中ω1為設置的形狀權重，b1為基于設置的緊致度權重得出的形狀異質(zhì)性，b2為基于波段性質(zhì)得出的光譜異質(zhì)性。

經(jīng)多次實驗后本文選擇分割尺度為50，RGB 各波段權重為1，形狀因子0.3，緊致度0.5 的設置對影像進行分割。

1.3 建立樣本庫

1.3.1 樣本選擇

根據(jù)分類要求，結合地區(qū)資料，在分割的影像上選擇各類地物的典型對象，盡量選出具有代表性和特征比較均勻的地段。訓練區(qū)必須具有代表性和典型性，應盡量選擇地物中心部的對象，避免選擇地物交界或邊緣區(qū)域，確保樣本的典型性。

訓練區(qū)確定后可以通過特征直方圖來確定樣本的規(guī)律性和可分性，接近正態(tài)分布則可分性較好。對于有“同物異譜”現(xiàn)象的地物需將其設為多個類別進行訓練區(qū)的樣本選擇。本次實驗中，耕地因農(nóng)作物的種類、密度、生長高度、土地灌溉程度不同，光譜特征和紋理特征差異都較大，容易被劃分為不同的地物，故采取先細分后歸并的對策，據(jù)顏色分為三種：耕地綠、耕地深綠、耕地棕，在最后導出時都作為同一地類，之間的誤分忽略不計。選擇好樣本后對其進行篩選，剔除不好或偏差過大的樣本，得到準確度較高的訓練區(qū)。

1.3.2 特征值選擇

1.3.2.1 光譜特征

光譜特征是基于遙感影像進行地類分類的主要參考信息，本次主要選擇光譜的均值、標準差和亮度。

1.3.2.2 紋理特征

高分辨率的遙感影像可以獲取豐富的紋理信息，基于對象的紋理特征提取的方是對特征進行定量化的描述，相對基于像素更準確合理。

灰度共生矩陣（GLCM）是對圖像上有一定距離的兩像素分別具有的灰度狀況進行統(tǒng)計的矩陣。原理是將矩陣中一點的灰度值設為固定值，統(tǒng)計該值出現(xiàn)的次數(shù)，組成概率方陣并歸一化得出。矢量化后得到歸一化灰度矢量（GLDV）。一般可從0°，45°，90°，135°四個方向進行設置，在本次實驗中發(fā)現(xiàn)角度大小的紋理提取差距不大，故使用綜合數(shù)據(jù)，主要使用紋理特征參數(shù)為均值、熵和對比度。其中均值可以表現(xiàn)圖像紋理變化信息；熵可以表示圖像紋理的復雜程度，紋理均一則熵值??；對比度越大，紋理的溝紋越深，效果越清晰。

1.3.2.3 植被指數(shù)

以計算RGB 三個波段的方式來強化植被。計算公式為[4]：

式中G'=G/（R+G+B），R'=R/（R+G+B），B'=B/（R+G+B）。

對象特征的描述很多，而用盡量少的特征，減少計算量和冗余，提高地類提取精度就是優(yōu)化的目的。eCognition 軟件提供的特征選擇優(yōu)化空間，原理是對選擇的復數(shù)特征在選擇的樣本對象的基礎上進行分析，最終計算出本次實驗最佳特征維數(shù)為12，最低分離度為0.284。通過查看對象間的分離度列表，確認各種分樣地類已符合最低分離度。

1.4 最鄰近分類

基于像元的最鄰近分類法也稱最小距離分類法，是利用訓練樣本的數(shù)據(jù)主要參考光譜特征計算類別均值，將該均值設置為特征空間的中心，計算影像中每個待測像元到各類中心的歐氏距離，然后把像元歸屬為距離最近的類別中。

面向?qū)ο蟮淖罱彿诸惙ǜ驹硎窃谔卣骺臻g中計算樣本的各項特征值，得出不同類別的特征值范圍，再計算待分類影像對象的特征值，將其歸屬于最符合的類別中。最鄰近分類的計算原理是對訓練樣本的對象構建特征空間，在特征空間中計算待分類對象到分類類別的最小距離，計算公式為[5]：

式中i 表示第i 個特征，j 表示分類類別第j 個樣本；vij表示訓練樣本j 的特征i 的特征值，voj表示待分類影像對象o 的特征i 的特征值，σi為特征空間中所有影像對象的特征i 的標準差。

然后將計算得出的最小距離轉化為隸屬度，轉換公式為：

隸屬度大于設置的閾值時就可以將待分類影像對象歸屬于該樣本的類別。

經(jīng)多次實驗后本文選擇使用函數(shù)斜率0.25，閾值0.15 的設置進行分類。

2 分類結果

通過對面向?qū)ο蠓诸?、基于像元的最大似然分類、目視解譯三種分類方法的結果對比，最后對面向?qū)ο蟮姆诸惤Y果進行基于樣本的精度評價得出結論。

2.1 面向?qū)ο蠓诸惤Y果

本文使用eCognition 軟件，基于面向?qū)ο蠓椒?，對DOM 影像進行多尺度分割，建立樣本庫，進行最鄰近分類結果如圖1。

圖1 基于面向?qū)ο蠓诸惖牡仡愋畔D

2.2 分類結果對比

從中、低分辨率影像應用到高分辨率遙感影像應用的發(fā)展進程中，面向?qū)ο蠓诸惙椒ū蛔鳛橐环N優(yōu)于傳統(tǒng)基于像元的分類方法被提出。面向?qū)ο蠓诸惙椒ú粌H利用了地物的光譜特征，還充分利用了影像對象的形狀特征、紋理特征和地物間的拓撲關系等，能抑制雜斑和噪聲產(chǎn)生，提高精度。

本文使用ENVI 軟件基于像元進行監(jiān)督分類，采用該類型中分類效果最好的最大似然法，結果如圖2。最大似然參考光譜特征，計算待分類像元屬于某訓練樣本的似然度，最后歸入似然度最大的類別中。主要流程為建立興趣區(qū)，選擇樣本，最大似然分類，后處理。另使用ArcGIS 軟件進行目視解譯，結果如圖3。主要按照《土地利用現(xiàn)狀分類》（GB/T 21010-2017）標準執(zhí)行解譯工作。

圖2 基于像元分類的地類信息圖

圖3 基于目視解譯的地類信息圖

幾種分類方法的差異：

（1）地類類別和范圍

可以發(fā)現(xiàn)目視解譯與面向?qū)ο?、基于像素解譯的居民區(qū)范圍大小差異十分明顯，這是因為依據(jù)規(guī)范進行目視解譯會相對將居民區(qū)的范圍擴大。目視解譯按規(guī)范會對各種類別有最小上圖面積的限制，基于像元分類將影像分得過細會產(chǎn)生噪點，而面向?qū)ο蠓诸惖匚锩娣e會受分割尺度影響。

（2）地類邊界提取

計算機解譯提取的地物邊線不及目視解譯的地物邊線光滑，這是由于面向?qū)ο蟮挠跋穹指詈突谙裨姆诸惙椒ǘ际窃谙裨獑挝簧线M行的邊界劃分。因此也會將在耕地中的較明顯的田坎和間種樹木提取出來，而人工解譯往往會將這部分一起并入耕地。

（3）分類參考

目視解譯依靠解譯員的識別能力?；谙裨淖畲笏迫环诸惙ㄖ饕獏⒖加跋竦墓庾V特征，由于林地陰影與水域光譜特征相近，誤分情況較多，即使經(jīng)后處理減少了椒鹽現(xiàn)象，仍存在較大噪點。面向?qū)ο蠓诸惙椒ǔ浞掷昧擞跋駥ο蟮木C合特征，克服了噪點問題，減少了因陰影造成的誤分情況。

面向?qū)ο筇崛”然谙袼靥崛∵吔绺鼫蚀_，且誤分情況大幅減少。面向?qū)ο蠓椒ㄌ崛≥^小的地物如建筑和農(nóng)村道路時，被遺漏的比較多，沒有目視解譯的精度高，但對林地和耕地等大塊面積的地類提取效果好，精度高。對于植被、水體和規(guī)范道路的地類信息提取，面向?qū)ο蠓诸愐呀?jīng)可以派上用場。

2.3 精度評價

使用基于樣本的精度評價方法，選擇與分類依據(jù)不同的樣本區(qū)作為評價依據(jù)。結果包括混淆矩陣，單一類別的精度分類結果和總體類別精度分析。

混淆矩陣如表1，可以直觀的表現(xiàn)出每種類別的樣本總數(shù)、錯分和漏分的總數(shù)。

表1 混淆矩陣

整體精度計算公式為：

最后得出整體的分類總體精度為85.6%，Kappa 系數(shù)為0.766，大塊的地類如林地、耕地、水域的分類效果好，建筑和道路這類較小的地類分類較不準確。

3 結論與討論

地類信息調(diào)查是確認土地資源情況的重要手段，也是規(guī)劃土地利用及決定社會經(jīng)濟發(fā)展決策的基本依據(jù)。本文主要對面向?qū)ο蠓诸惖姆椒ê土鞒踢M行了討論。面向?qū)ο蟮姆诸惙椒ㄏ噍^傳統(tǒng)基于像素的分類方法，影像分割后在對象的基礎上進行分類可以克服椒鹽現(xiàn)象，提高精度；相較人工目視解譯方法，可以減少人工，避免個人因素造成的誤差，提高效率。建立樣本區(qū)的分類方式相較非監(jiān)督分類，需要有先驗知識，對可以清晰辨識地物紋理、光譜特征的高分辨率影像來說更為適合；從訓練樣本對象構建出的特征空間可用于該地其他區(qū)域的地類信息提取，為以后的工作提供更多參考，減少不必要的重復工作。

面向?qū)ο蠓诸惖慕Y果圖可以為繪制土地利用現(xiàn)狀圖提供參考。但由于分類結果沒有與實地調(diào)查結合比較，還是存在一些誤分的情況。在今后的研究中可以通過解決以下問題提高分類精度：使用波段更全的高分辨率遙感影像，結合一些算法增強不同地類對象的可分離度；減少或克服遙感影像拍攝角度、天氣造成的陰影引起的誤分情況；進行野外實地調(diào)查對不確定的地類情況進行確認。