基于多尺度分割的城市固廢遙感監測應用研究

王霽云，鐵雯婕

（1.蘇州大學 計算機科學與技術學院，江蘇 蘇州 215006；2.蘇州空天信息研究院，江蘇 蘇州 215128）

城市固體廢棄物（以下簡稱“城市固廢”）主要來源于城市日常建設和居民生活過程中產生的固體廢物，與工業活動、城市設施建設和人員行為等密切相關。隨著國內城市化進程的加快，城市固廢的產生量迅速增長，對城市環境在土地占用、空氣污染和水資源污染等方面均造成嚴重影響，如何對城市固廢進行監測和識別是對于城市管理的巨大挑戰，也是進行合理處置的重要前提。城市固廢存在分布廣泛、面積較小和隨機性強的明顯特點，采用傳統實地調查的方式耗時耗力且很難做到全方位的快速監測，隨著遙感技術的發展和遙感數據獲取成本的不斷降低，采用高分辨率光學衛星數據進行城市固廢監測，能夠充分發揮遙感衛星時效性強、覆蓋面積大的特點，相比地面監測手段在城市固廢監測準確性、成本方面均有明顯優勢。基于遙感衛星數據實現對城市固廢的快速識別、提取，并進行常態化監測已成為新的發展趨勢。

近年來，針對城市固廢遙感監測應用，學者們先后提出多種考慮地物特征的遙感影像分類和目標檢測算法。楊海平等[1]在多層優選尺度分割中考慮分割層全局標準差和對象面積權重因素確定最優分割尺度，結合Geo－Eye、ZY3衛星多光譜影像開展分割實驗。鄧志鵬等[2]利用形變卷積和形變池化操作提取具有尺度和方向變化的遙感影像目標信息，在實驗中通過空間變換方法擴充數據集來驗證密集目標的檢測效果。林祥國等[3]綜合利用分割和基于圖的數學形態top-hat重建，采用形態學指數進行高分辨率遙感影像目標提取。秦海春[4]基于高分二號影像數據信息，以決策樹分類方式建立垃圾堆的解譯標志，區分影像的不同呈現效果。代沁伶[5]等提出一種結合區域多尺度遙感影像分割和馬爾可夫隨機場的分類方法，重點改善分類結果中“胡椒鹽”現象，有效提高分類精度。Li等[6]提出一種基于全局空間信息的遙感影像自適應分割算法，在影像聚類算法處理中設置像素級信息熵權重，實現基于目標的遙感影像分割。Zhou等[7]提出一種自適應方法定義和估計最佳尺度的多尺度分割方法，通過迭代分割模式，結合影像特征和專題信息進行多層次多尺度影像分割。劉懿蘭等[8]結合深度學習模型和條件隨機場模型，基于深度卷積神經網絡提取鄉鎮固體廢棄物，在傳統全卷積神經網絡（FCN）基礎上加入條件隨機場模型（CRF）提取固體廢棄物邊界，提高整體分割精度。Cadau等[9]綜合利用高分辨率遙感光學影像和合成孔徑雷達影像對垃圾堆進行二維和三維監測，并基于反演溫度計算提出垃圾堆監測指數DDI。同時，目前城市固廢監測研究層面依然存在主觀意識強、信息提取精度不高的問題，需結合面向對象特點和多種典型特征進行深層研究。

針對上述存在的問題，本文基于高分辨率光學衛星遙感影像數據，從影像目標檢測的角度開展城市固廢監測，采用異質度最小的區域合并算法進行遙感影像多尺度分割，獲取工業、建筑、生活及裝修垃圾等多種類型城市固廢信息，為城市固廢監測與治理提供技術支撐。

1 城市固廢遙感信息提取方法

1.1 城市固廢遙感解譯特征

城市固廢在遙感影像上的解譯特征是指各種能夠反映和表現城市固廢地物信息的遙感影像特征，可以幫助判讀者識別遙感影像上城市固廢這類目標地物或現象。高分辨率光學影像數據的特征信息豐富，在利用面向對象技術進行地物信息的分類提取時，在利用傳統直觀的光譜特性之外，還需要利用紋理特征和形狀特征[10]，以及相鄰地物的空間關系特征。

1.1.1 光譜特征

光譜特征是影像對象中最主要的特征，主要用來描述影像對象中各個像元在各波段上的統計特征，可根據多類地物特有的光譜特征進行地物識別，如城市固廢光譜特征存在顏色發白、周邊色調不一致等地物特征。光譜特征有很多，城市固廢遙感監測中常用的主要有均值、亮度值、標準差和植被指數等。

（1）均值：指影像對象在某波段上的所有像素灰度值的均值，用來度量對象灰度值的集中趨勢。

式中：n為像素個數；pik為k波段中第i個像素點的值。

（2）亮度（Brightness，公式中用B表示）：對影像對象內所有波段的均值求平均值，用于多光譜影像和高光譜影像。

式中：m為影像波段數量。

（3）標準差：從所有像素的影像層強度值計算得到標準差，即對象內多波段亮度值的標準差值，表示波段內像素值的離散程度。

式中：σ為標準差；M為整幅影像k波段的均值；j為像素點。

（4）歸一化植被指數（NDVI，公式中用NDVI表示）：遙感影像近紅外通道與紅色通道反射率之差與之和的商，反映土地覆蓋植被狀況。

式中：NIR為近紅外波段的反射值（公式中用NIR）表示；R為紅色波段的反射值。

1.1.2 紋理特征

紋理特征作為遙感影像的重要特征，是復雜視覺實體或子模式的組合，每種地物所呈現的紋理都有自己的特點。在遙感影像分類應用中，基于灰度共生矩陣的紋理提取方法比較廣泛。灰度共生矩陣建立在影像估計二階組合條件概率密度基礎上，計算影像中有一定距離和方向的2點灰度相關性反映影像在方向、間隔、變化幅度及快慢上的綜合信息。灰度共生矩陣不能直接用來描述紋理，在其基礎上導出反映矩陣特征的參數。

（1）對比度（CON，公式中用CON表示）：影像視覺效果的清晰程度度量，反映影像的清晰度和紋理的深淺程度。

（2）同質性（HOM，公式中用HOM表示）：度量對象內灰度分布均勻性。

（3）相關性（COR，公式中用COR表示）：灰度共生矩陣元素間在行或列方向上的相似程度。

（4）二階矩（公式中用AG表示）：描述灰度分布的均勻性，反映影像灰度分布均勻程度和紋理粗細度。

（5）熵值（ENT，公式中用ENT表示）：度量信息總量，反映紋理復雜度。

1.1.3 形狀特征

形狀特征是對光譜特征的補充，是在提取對象邊界點的基礎上形成的，反映對象的幾何特征。當光譜特征相近而形狀有差別時，利用形狀特征可以更好地實現分類。形狀特征主要包括面積、長寬比、密度和形狀指數等。在分析遙感影像形狀特征時，可進行語義特性分析，即表征城市固廢與其周圍地物的語義關系，如住宅密集區不相交性、生活垃圾與居民周圍空地的鄰接空間關系等。

（1）面積（公式中用A表示）：面積用來表征對象大小，在影像空間分辨率確定的基礎上，面積即為影像的像元總數量。

式中：a為像素元。

（2）長寬比（公式中用r表示）：對象外接橢圓的長寬比，用協方差矩陣特征值的較大值與較小值的比值表示。

式中：l、w是長度和寬度；eig1（S）、eig2（S）是協方差矩陣S的較大值和較小值。

（3）密度（Density，公式中用D表示）：體現對象像素在空間的分布，表示對象內部緊致程度。

式中：n是像元數量；Var為方差（公式中用Var表示），則Var（X）、Var（Y）表示2個坐標對應的方差。

（4）形狀指數（公式中用Si表示）：描述影像對象邊界的平滑程度。

式中：e是對象邊界長度；A是對象面積。

1.2 遙感影像多尺度分割

對遙感影像進行多尺度分割，使單一空間分辨率的遙感影像通過多尺度來表征信息。經過多個分割尺度進行影像分割后，形成影像對象層次體系，影像對象包含像元的光譜信息、此像元附件空間關系信息等，影像層級由分割尺度參數決定。1個對象層有1個固定尺度值，多個對象層不固定1個尺度值，而是體現了多種空間尺度的地物類別屬性，不同屬性的類別信息在不同尺度對象層進行有效區分。

多尺度圖像分割是一種自下而上的分割算法，在本文中采用了異質度最小的區域合并算法，從影像中單個像元開始，根據像元對象異質度最小的原則，對單個像元與其相鄰像元進行合并，形成多個影像對象，影像對象的集合構成分割的結果。分割過程中所使用特征參數包括光譜特征、紋理特征和形狀特征，通過設置分割尺度、波段權重等參數對圖像進行分割。多尺度分割的主要參數包含：分割尺度、波段權重和一致性準則。具體處理流程如圖1所示。

圖1 基于多尺度分割的城市固廢監測技術流程

城市固廢內部結構復雜，有很強的異質性。異質度分割基于遙感影像的光譜特征和形狀特征來判斷多尺度分割中2個影像對象之間是否為同一區域。在遙感影像表征中，光譜和形狀之間呈現互補關系，分割參數設置包括光譜因子與形狀因子2個部分，形狀因子又包含光滑度與緊致度。

1.2.1 光譜異質度

光譜異質度用影像中所有像素灰度的標準差來計算

式中：n表示參與圖像分割多光譜波段的總數量；wi表示第i波段的權重值；σi表示圖像第i波段灰度值的標準差。

1.2.2 形狀異質度

形狀異質度由形狀光滑度和形狀緊致度組成。

式中：hsmooth和hcomp分別為影像的平滑度因子和緊致度因子；wsmooth和wcomp分別表示平滑度因子的權重值和緊致度因子的權重值。

1.2.3 影像整體異質度

式中：wc和ws分別表示光譜因子的權重值和形狀因子的權重值；hc和hs分別表示光譜異質度因子和形狀異質度因子。

在不同層級分割尺度的選擇中，通過計算各個尺度下影像同質度的局部方差變化率來進行設置，變換率值最大即為最佳分割尺度，這樣保證地物分割邊界清晰。同時，分割層疊加層級影響數據處理時間，需根據具體影像對分割層級進行調整。

2 實驗與分析

2.1 實驗數據

本文實驗區域為山東省濟南市北部區域，實驗范圍橫跨黃河兩岸，南起小清河、北至徒駭河、西起玉符河、東至臨港辦事處東邊界，面積約800 km2，區域內環境復雜、地物多樣，具有一定代表性。所做城市固廢遙感監測成果配合當地的城市管理工作。

實驗所用光學衛星數據選取高分二號全色和多光譜數據，影像獲取時間為2021年8月份。高分二號衛星于2014年8月19日成功發射，是我國自主研制的首顆空間分辨率優于1 m的民用光學遙感衛星，突破了亞米級、大幅寬成像技術。衛星搭載有2臺高分辨率1 m全色和4 m多光譜相機，星下點空間分辨率可達0.8 m。實驗過程中所采用的數字高程模型（DEM）數據為SRTM DEM，數據空間分辨率為30 m。

2.2 處理結果

對高分二號全色和多光譜數據進行預處理，獲得經校正、融合等處理后得到正射產品。在此基礎上，綜合利用高分二號融合影像光譜、紋理和形狀特征進行異質度計算和多尺度分割。在實驗過程中經對比選取適當的處理參數，相應的參數設置分別為分割尺度100、光譜因子和形狀因子權重系數各為0.5。經處理后，共提取城市固廢圖斑281處。

所提取城市固廢分為4種類型，其中工業固廢36處、建筑渣土157處、生活垃圾73處及裝修（大件）垃圾15處；各類城市固廢提取總面積為2812184.3 m2，詳見表1。

表1 城市固廢提取圖斑統計表

從本文城市固廢遙感信息提取方法的處理應用結果來看，高分辨率光學衛星影像能夠作為有效數據源來進行城市固廢提取工作，隨著衛星地面分辨率、偵照頻率的不斷提升和遙感影像的不斷積累，能夠進一步提升方法的檢測準確性，有效提高城市管理水平。

3 結束語

隨著遙感衛星數量的增加和成像質量的提升，遙感數據應用領域逐漸拓展到多個行業。遙感衛星數據應用作為高技術手段，能夠充分彌補傳統城市要素監測方式的不足，適應于多類城市管理應用場景的需求。

本研究針對高分辨率遙感影像空間信息豐富的特點，依據對城市固廢影像特征和尺度效應的分析，提出一種面向對象的多尺度遙感監測方法。實驗結果表明，該方法采用高分二號融合影像數據，針對具體影像和待提取要素的特性，能夠有效改善影像分割結果。同時，由于城市固廢自身的復雜性，本文所提出的城市固廢遙感監測方法在提取精度還有待進一步提高。后期可基于多期、多分辨率影像信息，細化城市固廢分類特征，從而提高提取精度。