面向对象的高分辨率影像农用地分类

邓媛媛，巫兆聪，易俐娜，胡忠文，龚正娟

(武汉大学遥感信息工程学院，武汉 430079)

面向对象的高分辨率影像农用地分类

邓媛媛，巫兆聪，易俐娜，胡忠文，龚正娟

(武汉大学遥感信息工程学院，武汉 430079)

采用面向对象的影像分类方法，结合多尺度分割技术，以QuickBird影像为实验数据，进行农用地的精细自动分类。首先，根据地物大小，选择最优分割尺度，构建多尺度分割等级网;然后，综合利用高分辨率影像的光谱信息、纹理和形状特征，建立各个对象的特征集;最后，通过目视解译建立隶属度函数，实现地物的分层提取。实验表明，该方法能有效区分农作物种类，相对于传统的像素级分类方法，该方法明显提高了高分辨率影像的分类精度，且避免了“椒盐”噪声的产生。

面向对象;高分辨率影像;多尺度分割;农用地分类

0 引言

在农业遥感应用中，利用遥感影像准确提取农用地信息对农业资源调查、遥感估产以及灾害监测等具有重要意义。传统基于像素的分类方法仅依靠光谱特征提取地物，容易造成地物的错分和漏分，难以满足实际应用的需要［1］。面向对象的分类方法以多尺度分割为基础，根据生成的多边形对象的属性信息，采用模糊逻辑分类方法，实现类别信息的自动提取［2］。其明显优势是充分挖掘高分辨率影像的信息，除利用常用的地物光谱特征之外，结合对象的纹理、形状和拓扑关系，有效地改善了分类的细化程度，提高了分类精度［3］。王海君等利用基于纹理的分割方法，对南京市水田信息进行模糊分类，提高了图像的分类精度［4］;Yu Qian等采用面向对象的分类方法，分析了纹理、灰度、几何和位置等52个特征在植被精细分类中重要性，选择最有效特征用最邻近分类器，将植被分为林地、灌木和草地等，显著提高了分类精度［5］;Carleer等用 Bhattacharyya距离法选择不同对象的最相关特征，结合专题图和DEM等辅助信息，对甚高分辨率遥感影像进行城市用地分类，改善了分类效果［6］。然而，国内还较少有人采用面向对象的方法进行农用地精细分类。

本文采用面向对象的分类方法，统计地物的光谱信息和纹理信息，建立各对象的特征集，综合使用最邻近距离分类器和基于规则的模糊分类器，实现了武汉江夏区的农用地自动分类，并用野外采样数据进行精度验证，分析评价面向对象方法在农用地分类中的效果。

1 研究区概况和数据

以武汉江夏区为研究区域，该区位于东经114°14'42″～114°15'35″，北纬 30°20'49″～ 30°21'22″之间，耕地占总面积的65%，其余主要为山林、果园以及少量的水体、建筑物和道路。实验数据源为2007年11月27日获取的QuickBird影像，具有4个多光谱波段和1个全色波段，空间分辨率分别为2．44 m和0．61 m。影像成像质量较好，实验区晴朗无云，可假设影像各部分的大气状况基本一致，不对影像进行大气校正。选取农作物多样且典型的588像元×423像元大小的子区为实验区(如图1所示)。

图1 研究区QuickBird假彩色影像Fig．1 Pseudo color QuickBird image of study area

2 研究方法

对耕地、水体、建筑物等光谱特征明显且差异较大的地物，主要以光谱统计信息为基础，辅以纹理特征和形状特征，构建成员函数进行提取;各种林地和果园的光谱特征尤为相似，故利用纹理信息进行区分。选择最邻近分类方法进行自动分类，具体技术流程如图2所示。

图2 技术流程Fig．2 Technical flowchart

2．1 农用地分类体系

以第二次全国土地利用调查土地利用现状分类体系为参考标准，根据本文选用的QuickBird影像的季相特点，扩展第三级分类对象，选用如表1所示的分类体系。

表1 农用地分类Tab．1 Agricultural land classification table

2．2 多尺度影像分割

多尺度分割是在不同的尺度下，根据颜色相似度和形状因子对影像进行自底向上的聚类，形成该尺度范围内同性质的影像对象［7，8］。聚类的准则是异质性指标，反映对象合并前后光谱信息和形状信息的变化量，即

式中，f为异质性大小;w为光谱权值(0＜w＜1);hcolor和hshape分别为对象合并产生的光谱异质性值和形状异质性值;hshape由对象的光滑度和紧凑度组成。

影像分割的目的是将影像划分为有意义的多边形，形成初级的影像对象，为下一步分类提供信息载体，因此，分割的好坏直接决定着后续分类的精度。最佳分割尺度应使影像对象的平均异质性最小化，使分割后的多边形能清楚区分地物边界。对面积较小、空间特征复杂的类别，适宜选择较小尺度分割;对于面积较大、纹理均匀的类别，易用大尺度进行分割。实验区既有林地和果园等大型地物，又有道路、房屋和耕地等相对较小的地物，因而对实验区进行不同尺度的分割。在分割尺度为30～100的区间内，设置增长步长为5，进行重复实验，对分割结果进行分析比较，得出不同地物最适宜的分割参数，在此基础上构建了具有3个层次的多尺度影像分割等级网，如表2所示。

表2 多尺度分割参数设置Tab．2 Parameter settings of multi－ scale segmentation

2．3 特征选择

分割后的多边形对象已具有光谱信息、纹理结构、形状等各种属性。因材质、空间分布方式的差异，每一地物类别都具有独立于其他地物的专属特征，如何从众多的特征中筛选出最具代表性的特征集合提取出该地物，是整个分类过程的核心。

2．3．1 光谱特征

抽取试验区一些典型并具有代表性的样本数据，统计其在各波段的灰度均值，得出主要地物的光谱特征曲线，如图3所示。典型地物的NDVI区间如图4所示。图中仅列出容易混淆的各种耕地和林地等类别，对光谱迥异的水体、道路和建筑物，因易于区分不做列举。

图3 典型地物光谱特征曲线Fig．3 Spectral reflectance curves of typical objects

图4 典型地物的NDVI区间Fig．4 NDVI variation of typical objects

水体与其他地物的光谱特征相差较大，多成深黑色，且色调均一，仅利用NDVI即可提取。影像中公路有沥青和水泥表面两种，光谱差异较大，需分别提取;进一步分析可知，沥青路绿波段均值较大，水泥路亮度值明显高于周围地物，可结合长宽比和形状指数提取出。房屋顶部多为灰白色，亮度和红波段比率较高，矩形拟合度较高，据此可被区分。

分析原始影像和图3、图4可发现，一般菜地呈均匀的深红色，在近红外波段的均值明显高于其他地物，NDVI值最大;种菜水田因含水量较大，呈暗淡的浅红色，近红外波段均值稍低于一般菜地，且带浅绿色斑点，色调不均一;翻耕过的水稻田多被水浸泡，呈均一的浅绿色，绿波段均值在所有耕地中最大，NDVI值较小;未翻耕过的水稻田因稻茬的存在，呈较深的墨绿色，近红外均值远小于翻耕过水稻田，据此可予以区分;未利用菜地为翻耕过的旱地，尚未种植农作物，基本呈裸土的颜色，NDVI值很小，红波段均值与其他地物差异较大。果园和各种林地的光谱特征曲线基本一致，各波段均值和NDVI值都极相近，仅用光谱特征是难以区分的，更不能保证分类的精度。因而，为更有效地进行农用地的分类，有必要引入纹理特征进行多角度分析。

2．3．2 纹理特征

影像纹理指灰度值在空间上的变化，是一种独立于颜色反映地物同质性的特征。在各种纹理分析方法中，灰度共生矩阵是当前公认较成熟有效的统计方法之一，它反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息［9］。

Haralick等人在灰度共生矩阵的基础上，定义了若干纹理特征，本文选取较为常用4类特征。

局部一致性指数，即

能量(角二阶矩)，即

上式中，N为灰度共生矩阵的阶数;P(i，j)为灰度共生矩阵中i行j列的数值。

由于植被在近红外波段的强反射特性，能有效反映不同植被的纹理特征，通过比较分析，选取该波段用上述4类特征进行纹理特征分析(表3)。

表3 纹理特征统计Tab．3 Texture characteristics statistics

由表3可知，苗圃是行列排序极为规则的林木幼苗，纹理结构单一，fAsm大于其他林地，fCon值也是最小的;影像中阔叶林多为樟树，呈小片分布，叶片间的缝隙清晰可见，沟纹明显，fCon较大;针叶林呈明显的颗粒状纹理，细节丰富，fEnt仅次于阔叶林;桔园因种植不是特别规则，与灌木林有几分相似，可综合这4个参数进行区分。

2．3．3 形状特征

除上述最重要的两类特征之外，形状特征也有助于提取不同几何形态的地物，提高分类精度。如公路为长条状，其长宽比和形状指数远大于其他地物;居民地建筑呈规则的方形，可利用矩形拟合度特征辅助分类。

3 分类方案

根据所建立的农用地分类体系和特征集合，以面向对象的图像处理软件eCognition为分类平台，分层提取各类地物。针对农用地信息提取中的不同情况，本文综合使用两种分类器:第一、二层分类采用基于规则的模糊分类器，第三层次的分类采用基于样本的最邻近分类器。

为提高各类耕地和林地的分类精度，首先在第一层和第二层上设置成员函数，分别提取出居民建筑物、水体和道路，并进行掩模处理，从原图中去除;然后在剩下的影像中，综合利用光谱和纹理特征，在第一层上提取出各类水田和菜地;最后，在第三层上主要利用纹理信息提取出果园和各类林地。各层建立的分类规则如表4所示。

表4 农用地各层分类方法Tab．4 Classification methods of agricultural land in each layer

4 分类结果和精度评价

利用上述分类规则对实验区影像进行分类，结果如图5所示。

为比较影像分类的效果，将其与基于像素的最大似然法分类方法得到的结果对比，根据野外实地调绘数据选择样本，评价分类精度，两种分类方法精度分析如表5所示。

图5 分类结果Fig．5 Classification results

(续表)

表5 两种分类方法精度分析Tab．5 Accuracy analysis of two classification methods

从目视判读效果来看，面向对象的方法得到的分类结果中不存在“椒盐现象”，分类结果比较紧致，虽然在一些区域仍存在部分地类混淆的现象，但最终结果基本满足要求;从分类混淆矩阵中可以看出，面向对象的分类方法得到结果的用户精度和生产者精度高于最大似然法，总体分类精度、Kappa系数分别高出16．74%和0．200 4。从单个类别来看，采用面向对象的分类方法，一般菜地、未翻耕水田、水泥路、居民点以及各类林地的分类精度均有显著提高。以水泥路和居民点为例，面向对象分类方法的精度明显高于基于像素的最大似然法，这是因为水泥路和居民点具有相似的光谱特征，从而导致易被混分，而面向对象分类方法充分利用了光谱(亮度值)、空间特征(长宽比和矩形拟和度)和影像对象的等级隶属关系。

5 结论

本研究综合利用高分辨率影像的光谱、纹理和形状特征，结合基于规则的模糊分类法和基于样本的最邻近分类法，在不同分割尺度基础上分层提取地物信息，能有效地对农作物进行分类和识别，分类精度较高。

面向对象的分类方法相对于传统的基于像元的分类方法，总体分类精度和Kappa系数均有提高，被混分、错分的对象明显减少。且对不同数据源的植被分类具有一定的普适性，为实现农用地的自动化提取提供了理论依据和方法途径。尤其是纹理信息的综合使用，对高分辨率影像分类精度的提高有重要的作用，这对于大比例尺尺度上研究农作物种类，提取更加细致的信息进行分析等方面有很好的应用前景。

［1］Tansey K，Chambers L，Anstee A，etal．Object－oriented Classification of Very High Resolution Airborne Imagery for the Extraction of Hedgerows and Field Margin Cover in Agricultural Areas［J］．Applied Geography，2009，29:145 －157．

［2］钱巧静，谢 瑞，张 磊，等．面向对象的土地覆盖信息提取方法研究［J］．遥感技术与应用，2005，20(3):338－342．

［3］Weber MeCognition Drofessional User Guide 4［M］．Germany，2004．

［4］王海君，乐成峰．应用基于纹理的面向对象分类模糊方法提取水田信息［J］．地理与地理信息科学，2008，24(5):40－43．

［5］Yu Qian，Gong Peng．Object－ based Detailed Vegetation Classification with Airborne High Spatial Resolution Remote Sensing Imagery［J］．Photogrammetric Engineering ＆ Remote Sensing，2006，72(7):799－811．

［6］Carleer A P，Wolff E．Urban Land Cover Multi－level Regionbased Classification of VHR Data by Selecting Relevant Features［J］．International Journal of Remote Sensing，2006，27(6):1035－1051．

［7］Lucas R，Rowlands A，Brown A，et al．Rule－based Classification of Multi－temporal Satellite Imagery for Habitat and Agricultural Land Cover Mapping［J］．ISPRS Journal of Photogrammetry ＆ Remote Sensing，2007，62:165－185．

［8］Burnett C，Blaschke T．AMulti－scale Segmentation/object Relationship Modeling Method for Landscape Analysis［J］．Ecological Modelling，2003，168(3):233–249．

［9］Coburn C A，Roberts A C B．A Multi－scale Texture Analysis Procedure for Improved Forest Stand Classification［J］．International Journal of Remote Sensing，2004，25(20):4287－4308．

(责任编辑:李 瑜)

Research on Object－oriented Classification of Agricultural Land Based on High Resolution Images

DENG Yuan－yuan，WU Zhao－cong，YILi－na，HU Zhong－wen，GONG Zheng－juan
(School of Remote Sensing and Information Engineering，Wuhan University，Wuhan 430079，China)

This paper has explored the method and scheme for classifying different kinds of agricultural land from the high resolution remote sensing images by using multi－scale segmentation technology and rule－based image analysis approaches．Firstly，optimal segmentation scale was examined to construct a multi－ scale segmentation level network according to the size of objects．Secondly，on the basis of spectrum，shape，texture and topology characteristics of images，several features of NDVI，shape indices，brightness，mean spectral value of red band，and ratio of near－infrared band，the standard deviation of near－infrared band and homogeneity were selected to classify objects into four agricultural land categories．The results show that these characteristics are effective in identifying agricultural land type and that the precision is higher than that of the traditional maximum likelihood classification．

Object－oriented;High resolution images;Multi－scale segmentation;Agricultural land classification

邓媛媛(1987－)，女，硕士研究生，研究方向为植被定量遥感。

TP 79

A

1001－070X(2010)04－0117－05

2009－12－07;

2010－02－09

国家自然科学基金项目(编号:40771157)、国家“863”计划项目(编号:2007AA12Z143)、中央高校基本科研业务费专项(编号:20102130201000134)以及武汉大学2008年博士研究生(含1+4)自主科研项目(编号:20082130201000048)共同资助。